Popyt (ang. demand) – funkcja przedstawiająca kształtowanie się relacji pomiędzy ceną dobra (towary i
usługi), a ilością (liczbą sztuk) jaką konsumenci chcą i mogą nabyć w określonym czasie, przy założeniu
niezmienności innych elementów charakteryzujących sytuację rynkową (ceteris paribus).
Wykresem tej funkcji jest tzw. krzywa popytu. Należy zwrócić uwagę na różnicę pomiędzy "popytem", a
"wielkością popytu". Popyt to cała funkcja, natomiast wielkość popytu to ilość dobra, jaką konsumenci chcą
nabyć przy danej cenie. "Wielkość popytu przy cenie p" jest więc konkretnym elementem funkcji, któremu
na krzywej popytu odpowiada jeden punkt.
Krzywa_popytu.svg
Metoda naiwna
jest jedną z metod prognostycznych dotyczącą analizy szeregów czasowych bez
tendencji. Metoda ta stosowana jest przy stałym poziomie zjawiska i niewielkich wahaniach przypadkowych
(niski współczynnik zmienności V<5-10%) i przy założeniu, że nie wystąpią istotne zmiany
najważniejszych czynników.
Reguła predykcji:
Zalety:
prosta i łatwa do zrozumienia
szybka i tania
Wady:
niska jakość prognoz
brak możliwości oceny ex-ante
Jest to prognoza typu: "jutro będzie tak jak dziś".
Metoda ta polega na tym, iż wartość z ubiegłego okresu (t-1) przypisywana jest do okresu bezpośrednio go
poprzedzającego jako wartość prognozowana. Przykładowo: jeśli wczoraj było 20 stopni przyjmuje się, że
dzisiaj też będzie 20 stopni. Różnica między wartością prognozowaną (oczekiwaną) a wartością rzeczywistą
(empiryczną) to błąd prognozy. Jeśli dziś nie jest 20 a 21 stopni to błąd wynosi 1 stopień Celsjusza czyli 5%.
Jeśli dziś jest 21 stopni Celsjusza to prognozując jutrzejszą temperaturę posługując się tą metodą, to będzie
ona zakładała, że jutro będzie 21 stopni (bo dziś tyle jest).
Metoda naiwna
Algorytm prognozowania:
gdzie: - prognoza zmiennej Y dla momentu t, - obserwacja rzeczywistej wartości zmiennej Y dla chwili t-1.
Tab. Charakterystyka metody naiwnej prognozowania
Grupa metod
Prognozowanie na podstawie szeregu czasowego
Składowe szeregu czasowego
Stały (przeciętny) poziom i wahania przypadkowe
Przesłanki metody
Nie nastąpią zmiany w sposobie oddziaływania czynników
określających zmienną prognozowaną, niewielkie wahania
przypadkowe
Postawa, zasada, reguły prognostyczna
Postawa pasywna, zasada status quo, reguła podstawowa
prognozowania
Horyzont prognozy
Jeden okres (moment)
Ocena prognozy
Błędy ex post
Zalety metody
Prosty algorytm, łatwość zrozumienia, szybkie i tanie
prognozowanie
Wady metody
Niska jakość prognozy, ocena jedynie za pomocą błędów ex post
Metoda średniej ruchomej prostej (arytmetyczna)
Algorytm prognozowania:
gdzie: - prognoza zmiennej Y dla momentu t, - obserwacja rzeczywistej wartości zmiennej Y dla chwili i, k – liczba
ruchomych składników szeregu czasowego.
Tab. Charakterystyka metody średniej ruchomej prostej prognozowania
Grupa metod
Prognozowanie na podstawie szeregu czasowego
Składowe szeregu czasowego
Stały (przeciętny) poziom i wahania przypadkowe
Przesłanki metody
Nie nastąpią zmiany w sposobie oddziaływania czynników
określających zmienną prognozowaną, mogą wystąpić duże
wahania przypadkowe
Postawa, zasada, reguły prognostyczna
Postawa pasywna, zasada status quo, reguła podstawowa
prognozowania
Horyzont prognozy
Prognoza krótkookresowa
Ocena prognozy
Ocena dopuszczalności prognozy za pomocą średniego
kwadratowego błędu s* prognozy lub średniego błędu ψ* ex
post
Zalety metody
Względnie prosty algorytm, łatwość zrozumienia, względnie
szybkie i tanie prognozowanie
Wady metody
Konieczność doboru stałej k (minimalizacja błędów),
konieczność przechowywania dużej ilości danych dla dużego k