ESERCIZIO 6.1: MODELLO DELLA MEDIA MOBILE
|
|
- Amedeo Cosentino
- 5 anni fa
- Visualizzazioni
Transcript
1 ESERCIZIO 6.: MODELLO DELLA MEDIA MOBILE L anno scorso l azienda Rossi s.r.l. ha registrato le seguenti vendite mensili per il prodotto alfa: Tabella 6.: dati di vendita per il prodotto alfa Mese Domanda (unità) Febbraio 40 Marzo 54 Aprile 46 Maggio 60 Giugno 56 Luglio 54 Agosto 74 Settembre 54 Se per effettuare la previsione si fossero usati come modelli previsionali: (i) (ii) una media mobile semplice di passo k=4; una media mobile pesata di passo k=4, con pesi pari a 0,4, 0,3, 0,2 e 0, (i pesi più alti si riferiscono ai valori più recenti della domanda). Quale sarebbero stati il MAD e lo SDE? SOLUZIONE DELL ESERCIZIO 6. (MODELLO DELLA MEDIA MOBILE) (i) Se si effettua una previsione utilizzando il modello della media mobile semplice, definito il periodo k della media mobile, la previsione per il prossimo periodo è pari alla media degli ultimi k periodi. In formule: F t = At + At 2 + At k A t k dove : F t = previsione per il periodo entrante A t-x =domanda effettiva nel periodo t-x k= periodo della media mobile Applicando la formula è possibile calcolare le previsioni che si sarebbero fatte applicando questo modello. E possibile cominciare a fare le previsioni dal quinto periodo, ovvero quando sono a disposizione quattro periodi. Per calcolare le previsioni: F(giugno)=( )/4=50 unità F(luglio)=( )/4=54 unità F(agosto)=( )/4=54 unità F(settembre)=( )/4=6 unità (ii) Mentre la media mobile semplice attribuisce un peso uguale a tutte le osservazioni, la media mobile pesata attribuisce un peso diverso alle diverse osservazioni. La somma dei pesi deve essere pari a uno.
2 Esercizi di Gestione della Produzione Industriale La formula della media mobile pesata è: F t = w w * A * At + w2 * At 2 + w3 * At k t k dove : F t = previsione per il periodo entrante A t-x =domanda effettiva nel periodo t-x k= periodo della media mobile w x =peso da attribuire alla domanda effettiva nel periodo t-x Nell esercizio, i pesi sono: w = 0,4; w 2 = 0,3; w 3 = 0,2; w 4 = 0,. E rilevante osservare che la somma dei pesi è pari a. F(giugno) = 0,4*60+0,3*46+0,2*54+0,*40=52,6 53 unità F(luglio) = 0,4*56+0,3*60+0,2*46+0,*54=55 unità F(agosto)= 0,4*54+0,3*56+0,2*60+0,*46=55 unità F(settembre)= 0,4*74+0,3*54+0,2*56+0,*60=63 unità Calcoliamo ora gli errori di previsione che avremmo commesso nei due casi. E molto importante calcolare gli errori di previsione perché questi ci danno la misura della bontà del nostro modello previsionale. Il MAD è la deviazione media assoluta e si calcola come differenza tra la domanda reale e la previsione indipendentemente dal segno. In formula: MAD n = A t n F t dove: F t = previsione per il periodo t A t =domanda effettiva nel periodo t n= numero totale di periodi Nel caso della media mobile semplice il valore del MAD è 8.25, nel caso della media mobile pesata è pari a 8. Questi valori sono stati ottenuti calcolando la media degli errori assoluti (ovvero il valore assoluto dell errore di previsione) che si leggono, rispettivamente, in tabella 6.2 e 6.3 Lo SDE è la deviazione standard degli errori, e si calcola come: SDE = n ( E ) t n 2 dove: E t = errore di previsione al periodo t = A t - F t F t = previsione per il periodo t A t =domanda effettiva nel periodo t n= numero totale di periodi Nel caso della media mobile semplice: SDE= ( )/3 = 2,7 unità/mese Nel caso della media mobile pesata: SDE= ( )/3 = 2,2 unità/mese 7.2
3 Capitolo 6: Previsione di domanda Tabella 6.2: previsioni con la media mobile semplice di periodo 4 per il prodotto alfa Mese Domanda (unità] Previsioni con MM(4) (unità) Errore di previsione Errore assoluto di previsione Febbraio 40 Marzo 54 Aprile 46 Maggio 60 Giugno Luglio Agosto Settembre Tabella 6.3: previsioni con la media mobile pesata di periodo 4 per il prodotto alfa Mese Domanda (unità) Previsioni con MM(4) (unità) Errore di previsione Errore assoluto di previsione Febbraio 40 Marzo 54 Aprile 46 Maggio 60 Giugno Luglio Agosto Settembre ESERCIZIO 6.2: MODELLO DELLA MEDIA MOBILE SEMPLICE E SMORZAMENTO ESPONENZIALE SEMPLICE Sia data la seguente serie storica dei dati di domanda degli ultimi 8 mesi: Tabella 6.4: dati di domanda degli ultimi 8 mesi mese Domanda (pz)
4 Esercizi di Gestione della Produzione Industriale (i) Calcolare le previsioni che si sarebbero fatte se si fosse utilizzato come modello previsionale la Media Mobile di periodo 3 (ii) Calcolare le previsioni che si sarebbero fatte se si fosse utilizzato come modello previsionale uno smorzamento esponenziale semplice (modello di Brown) con alfa = 0,05 e F = 40. (iii) Per entrambi i modelli calcolare il MAD e lo SDE. SOLUZIONE DELL ESERCIZIO 6.2 (MODELLO DELLA MEDIA MOBILE SEMPLICE E SMORZAMENTO ESPONENZIALE SEMPLICE) (i) Calcoliamo le previsioni applicando la formula della media mobile semplice (vedi Esercizio 6.). Le previsioni che si sarebbero effettuate si possono leggere nella seguente tabella: Tabella 6.5:previsioni con il modello della media mobile semplice mese Domanda (pz) Previsione (pz) Errore assoluto di previsione , , , , , , , , , , , , , , , (ii) Calcoliamo le previsioni applicando la formula dello smorzamento esponenziale semplice, o modello di Brown. Secondo questo modello, la previsione per il periodo successivo è calcolata come media pesata della previsione effettuata per il periodo passato e l errore di previsione. In formula: F t = Ft + α t *( At F ) 7.4
5 Capitolo 6: Previsione di domanda dove : F t = previsione per il periodo entrante F t- = previsione per il periodo appena finito A t- =domanda effettiva nel periodo t-, ovvero quello appena finito α= coefficiente di smorzamento Il primo valore di F, ovvero F, serve per poter inizializzare il modello. Nel nostro caso: F =40 pz F 2 =40+0,05*(40-40)=40 pz F 3 =40+0,05*(50-40)=40,5 pz F 4 =40,5+0,05*(220-40,5)=44,5 pz Le previsioni che si sarebbero effettuate si possono leggere nella seguente tabella: Tabella 6.6:previsioni con il modello dello smorzamento esponenziale semplice mese Domanda (pz) Previsione (pz) Errore assoluto di previsione , ,0 0, ,5 79, ,5 75, ,3 3, , 6, ,4 58, ,5 05, ,2 24, ,0 49, ,6 98, ,5, ,4 23, ,6 20, ,6 30, , 3, ,7 67, ,3 33,3 9 (iii)calcoliamo ora il MAD per i due modelli calcolando il valore medio degli errori asoluti di previsione che sono stati calcolati nelle tabelle 6.4 e 6.5. MAD(media mobile) = 58,6 MAD(smorzamento esponenziale)=48,7 ESERCIZIO 6.3: INDICE DI STAGIONALITA Avendo a disposizione la serie storica dei dati mensili della domanda degli anni 2005 e 2006 si calcoli l indice di stagionalità per ciascun mese (la serie storica non presenta trend). Tabella 6.7:dati di domanda degli ultimi due anni in pz Anno: Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic
6 Esercizi di Gestione della Produzione Industriale SOLUZIONE DELL ESERCIZIO 6.3 (INDICE DI STAGIONALITA ) L Indice di stagionalità di un periodo i può essere calcolato come rapporto tra il valore di domanda nel periodo i ed il valore medio della domanda di quel periodo con trend. Avendo a disposizione più periodi omologhi, i.e. se si calcola la stagionalità del mese di agosto i periodi omologhi sono tutti i mesi di agosto di cui si hanno i dati, i coefficienti di stagionalità sono calcolati come media degli indici di stagionalità di tali periodi. Nel caso in esame, cominciamo calcolando la media della domanda del 2005 e del 2006: Media(2005)=225 pz Media(2006)=228,75 pz Calcoliamo per ciascun mese il rapporto: S ij = dove: A ij Media(Annoj) Sij = indice di stagionalità per il periodo i dell anno j Aij = domanda effettiva nel periodo i dell anno j Media(Annoj)=media della domanda effettiva dell anno j Quindi: S di Gennaio(2005) = 60/225=0,7 S di Febbraio(2005)= 200/225 = 0,89 Nella seguente tabella si leggono i valori degli indici di stagionalità così calcolati per tutti i mesi dei due anni: Tabella 6.8:indici di stagionalità per tutti i mesi Anno: Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic ,7 0,89,07 0,76,33,38,33 0,36,29,33 0,67 0, ,79,05,0 0,66,40,3,22 0,3,40,38 0,6 0,87 Per calcolare gli indici di stagionalità dei mesi si deve quindi ora calcolare la media dei periodi omologhi, ovvero di mesi uguali. S Gennaio= (0,7+0,79)/2=0,75 S Febbraio= (0,89+,05)/2=0,97 S Marzo= (,07+,0)/2=,04 S Aprile= (0,76+0,66)/2=0,7 S Maggio= (,33+,4)/2=,37 S Giugno= (,38+,3)/2=,34 S Luglio= (,33+,22)/2=,28 S Agosto=(0,36+0,3)/2=0,33 7.6
7 Capitolo 6: Previsione di domanda S Settembre= (,29+,4)/2=,34 S Ottobre= (,33+,38)/2=,36 S Novembre= (0,67+0,6)/2=0,64 S Dicembre= (0,89+0,87)/2=0,88 Se si rappresentano su un grafico i valori degli indici di stagionalità si ottiene la cosiddetta figura di stagionalità :,60,40 Figura di stagionalità S 2005 S 2006 Indice m edio Indice d,20,00 0,80 0,60 0,40 0,20 0,00 Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic Mesi ESERCIZIO 6.4: RETTA DI TREND Si hanno a disposizione i dati di domanda degli ultimi 0 mesi per il prodotto beta. Sapendo che la serie storica non presenta stagionalità, calcolare la retta di trend e il coefficiente di correlazione lineare per la retta trovata. Tabella 6.9: dati di vendita per il prodotto beta Mese Domanda (unità)
8 Esercizi di Gestione della Produzione Industriale SOLUZIONE DELL ESERCIZIO 6.4 (RETTA DI TREND) Per calcolare la retta di regressione y=a+b*x è necessario calcolare il coefficiente b e il coefficiente a. Le formule che bisogna applicare sono: b ( x x)*( y i i = 2 ( x i x) y) dove, nel caso in esame: x i = mese y i = domanda nel mese i-simo x = media del valore di x (numero del mese) y = media del valore di domanda Sostituendo i valori: b = ( x i 5,5)*( yi 23,5) = ( x 5,5) quindi è possibile calcolare a: i 698,5 82,5 2 = a = y + b* x = 23,5 + 20,58*5,5 = 0,26 20,58 L equazione della retta di trend risulta quindi essere pari a: y=20,58+0,26*x Il coefficiente di correlazione lineare serve a valutare la bontà del modello di regressione lineare: più r è grande, migliore è la capacità del modello di spiegare i dati. Se r è vicino a esiste una forte correlazione lineare tra x e y, di norma si accettano r>0,6. Per calcolare r si utilizza la seguente formula: r = n i= n i= ( x ( x i i x) ( y x) 2 n i= i ( y _ y) i _ y) 2 = 698,5 759 = 0,9 Poiché r è grande, la retta trovata spiega molto bene il crescere della domanda nei diversi mesi. Nel grafico si vedono i valori di domanda e la retta di regressione: 7.8
9 Capitolo 6: Previsione di domanda Retta di trend 250 y = 20,588x + 0, Doman Mesi ESERCIZIO 6.5: SCOMPOSIZIONE MEDIANTE REGRESSIONE DEI MINIMI QUADRATI L ingegner Prevedo lavora per la Calcolo s.r.l. che produce calcolatrici tascabili. Essendo responsabile della pianificazione, deve costruire un modello di previsione per il prodotto C908 che gli permetta di prevedere l andamento della domanda per l anno prossimo. Prevedo lavora da molto tempo in questa azienda e sa molto bene che la domanda di calcolatrici è stagionale, in particolare nei primi due mesi dell anno la domanda è bassa, bassissima nei mesi di luglio e agosto, mentre risale nei mesi di settembre e ottobre. Inoltre a causa di una aggressiva politica commerciale la domanda di C908 sta aumentando. Avendo a disposizione i dati di domanda bimestrali degli ultimi 3 anni, si aiuti l ingegner Prevedo a costruire un modello di previsione per il prodotto C908 utilizzando la scomposizione della serie storica mediante regressione dei minimi quadrati. Qual è il MAD dal modello scelto? Tabella 6.0: dati di domanda degli ultimi 8 bimestri bimestre Domanda(pz)
10 Esercizi di Gestione della Produzione Industriale SOLUZIONE DELL ESERCIZIO 6.5 (SCOMPOSIZIONE MEDIANTE REGRESSIONE DEI MINIMI QUADRATI) Scomporre una serie storica significa isolarne gli elementi fondamentali: in questo caso trend e stagionalità. Infatti l ingegner Prevedo ha chiaramente indicato la presenza di stagionalità tra i bimestri e una componente di trend (l aumento della domanda a causa delle politiche commerciali). Inoltre è necessario definire quale sia la relazione che lega le componenti della serie storica alla domanda, i.e. la variazione stagionale più appropriata. Nel caso della scomposizione mediante regressione ai minimi quadrati, la variante stagionale ipotizzata è quella moltiplicativa: ovvero si suppone che la relazione che lega la domanda e le sue componenti sia di tipo moltiplicativo: A( t) = T ( t)* S( t) + ε dove: A(t)= domanda T(t)=compoente di trend S(t)=stagionalità ε=errore Poiché la componente di errore non è prevedibile per sua stessa natura, la previsione per il periodo t si otterrà come prodotto della componente di trend calcolata in t per la stagionalità corrispondente: F ( t) = T ( t)* S( t) Il metodo prevede i seguenti passi: ) Calcolare le componenti di stagionalità (S) 2) Destagioanlizzare la domanda 3) Calcolare la retta di trend (T) 4) Proiettare in avanti la retta di trend 5) Ottenere la previsione per il periodo t moltiplicando la retta di trend per l indice di stagionalità corrispondente Poiché abbiamo a disposizione 3 anni, possiamo utilizzare i primi due anni per costruire il modello e quindi calcolare le previsioni che avremmo fatto per il terzo anno. In questo modo è possibile da valutare gli errori che avremmo commesso, e quindi conoscere la bontà del modello che abbiamo costruito in modo da eventualmente prendere delle contromisure. Cominciamo a calcolare le componenti di stagionalità. Per farlo calcoliamo la media di ciascuno dei primi due anni, dove con anno intendiamo i bimestri da a 6 e con anno 2 i bimestri da 7 a 2. Media domanda (anno) = 57 Media domanda (anno2) = 82 Quindi dividiamo, per ciascun bimestre, il valore della domanda per la media dell anno di appartenenza e calcoliamo così l indice di stagionalità di ciascun bimestre di ciascun anno. Utilizzeremo come indice di stagionalità la media tra i due valori così calcolati. Per esempio: S bimestre (anno) = 02/57=0,65 S bimestre (anno2) = 0/82 = 0,60 S bimestre = (0,65+0,60)/2 = 0,63 Per gli altri valori si veda la seguente tabella: 7.0
11 Capitolo 6: Previsione di domanda Tabella 6.:indici di stagionalità per tutti i mesi Anno: ,65 0,85,2 0,8 2,03,7 2 0,60 0,92,9 0,9,97,3 media 0,63 0,89,6 0,8 2,00,5 Individuati gli indici di stagionalità si può ora passare al paso 2 e destagionalizzare la domanda. Per destagionalizzare la domanda bisogna dividere il valore di domanda reale per l indice di stagionalità del periodo corrispondente. Per esempio: Domanda destagionalizzata bimestre (anno) = 02/0,63=62,8 pz Domanda destagionalizzata bimestre 2 (anno) = 34/0,89=5 pz Per gli altri valori si veda la seguente tabella: Tabella 6.2: dati di domanda destagionalizzata bimestre Domanda destagionalizzata (pz) 62,8 2 5,0 3 52,3 4 53,5 5 59,5 6 59,4 7 75,6 8 89,3 9 87,8 0 86,4 79,5 2 79,5 Usando i dati di domanda destagionalizzata si calcola la retta di trend (per il dettaglio del procedimento si veda l Esercizio 6.4). La retta di trend che si ottiene ha la seguente formula: T(t) = ,3*t Si noti che r di questa retta è 0,8 Possiamo ora calcolare la previsione che sarebbe stata fatta per i bimestri del terzo anno, calcolando ogni volta il valore del trend per quel bimestre e moltiplicando tale valore per il coefficiente di stagionalità corrispondente: F(3)=(48+3,3*3)*0,63=20 pz F(4) =(48+3,3*4)*0,89=73 pz F(5)= (48+3,3*5)*,6=229 pz F(6)= (48+3,3 *6)*0,8=37 pz F(7)= (48+3,3*7)*2=40 pz 7.
12 Esercizi di Gestione della Produzione Industriale F(8)= (48+3,3*8)*,5=239 pz Possiamo ora calcolare gli errori di previsione assoluti che sarebbero stati commessi usando questo metodo. Per farlo calcoliamo E t = A t - F t per ogni periodo e quindi calcoliamo la media. Tabella 6.3: dati di domanda degli ultimi 6 bimestri bimestre Domanda(pz/bimestre ) Previsione Errore assoluto Il MAD è quindi pari a 9. ESERCIZIO 6.6: MODELLO DI WINTERS L azienda Crescy s.r.l. produce attrezzature sportive e deve sviluppare un modello di previsione per uno dei suoi prodotti di punta. Sapendo che la domanda del prodotto è stagionale e presenta un trend, costruire il modello di previsione utilizzando lo smorzamento esponenziale. I dati a disposzione sono trimestrali e fanno riferimento agli ultimi quattro anni: Tabella 6.4: dati di domanda degli ultimi quattro anni periodo trimestre Domanda(pz)
13 Capitolo 6: Previsione di domanda SOLUZIONE DELL ESERCIZIO 6.6 (MODELLO DI WINTERS) Poiché la serie storica presenta sia trend che stagionalità, non è sufficiente utilizzare.lo smorzamento esponenziale semplice perché non tiene in considerazione le due componenti sopraccitate. E quindi necessario ricorrere al modello di Wintrers. Le formule per il calcolo delle componenti del modello di Winters sono: F t M T = ( M t- + Tt- ) St L A ( α ) ( M T ) t t = α + t 2 + t 2 St L ( M t M t 2 ) + ( γ ) T 2 t = γ t A St β M t ( ) St L t = β + Visto che in questo caso sono tre i parametri che vengono smorzati, sarà necessario definire tre coefficienti di smorzamento e inizializzare tutti e tre i parametri. Tali parametri andranno scelti in modo tale da massimizzare le performance del modello. Un modo per farlo è: () costruire il modello e inizializzarlo con dei valori a caso (2) calcolare l errore che sarebbe stato commesso utilizzando il modello per prevedere la domanda di cui si posseggono i valori reali (3) modificare i parametri fino a ottenere il minimo valore di errore. Nel caso specifico, M(t) può essere inizializzato con il valore medio della domanda del primo anno. T(t) può essere inzializzato con il valore, infine devono essere inizializzati gli indici di stagionalità di tutti i quattro trimestri. Questo può essere fatto dividendo il valore della domanda del periodo per la domanda media dell anno. Inoltre definiamo i coefficienti di smorzamento in questo modo: α= β = γ =0,5 Nella seguente tabella i valori ottenuti applicando le formule del modello con i valori indicati: Tabella 6.5: primo tentativo di costruzione del modello di previsione periodo domanda M(t) T(t) S(t) F(t) E(t) 45 0,8 2 72,4 3 80, ,0,0 0, ,6 2,8 0, ,8 3,0, ,3 4,8, ,4 4,4 0, ,4 3,7 0, ,7 2,0, ,5 0,9, ,0 0,7 0, ,0 3,4 0, ,3 4,8, ,2 6,4, ,7 9,5 0, Come si vede nella tabella è possibile calcolare l errore di previsione che si sarebbe commesso sottraendo alla domanda reale la previsione fatta. L errore medio (ME), dato dalla media degli errori così calcolati, è uguale a 2. Mentre il MAD è pari a 5,6. 7.3
14 Esercizi di Gestione della Produzione Industriale Per definire il valore migliore dei parametri α, β e γ si può ricorrere a un foglio di calcolo e a uno software che permetta di calcolare il minimo di una funzione al variare di altri parametri. Infatti il valore di E(t) dipende, in parte, da come sono stati definiti i parametri: se si definisce come obiettivo la minimizzazione del MAD al variare di α, β e γ si possono ottenere i valori di questi parametri che massimizzano le performance del modello di previsione. In questo caso, utilizzando uno strumento molto semplice che è il risolutore di Excel, è possibile verificare che il MAD minimo (pari a 3,5) si può ottenere ponendo α =0,6, e β = γ =. Con questi valori, la tabella 6.5 diventa la seguente: Tabella 6.6: modello di previsione con i valori dei coefficienti che minimizzano il MAD periodo domanda M(t) T(t) S(t) F(t) E(t) 45 0,8 2 72,4 3 80, ,0,0 0, ,6 5,6 0, ,2 3,6, , 6,8, ,6 3,5 0, ,6,0 0, ,4-0,2, ,6-0,8, ,6 2,0 0, ,7 8, 0, ,8 8,, ,9 7,, ,5 2,6 0, ESERCIZIO 6.7: MODELLO DI WINTERS Una famosa azienda della grande distribuzione è impegnata nella preparazione del budget di vendita per l anno Per completare tale compito, i planner vogliono sfruttare un modello previsionale delle vendite basato sullo smorzamento esponenziale di Winters. Vengono forniti i dati di vendita quadrimestrali degli ultimi tre anni (migliaia di tonnellate/quadrimestre). Tabella 6.7: dati di vendita degli ultimi tre anni (migliaia/quadrimestre) I II III Si analizzi graficamente la serie storica per individuare la presenza di trend e stagionalità. Si inizializzi il modello sui dati di domanda del 2005 e del Si effettui la simulazione, considerando i valori di α = 0,3, γ = 0,5 e β = 0,2 sui dati del SOLUZIONE DELL ESERCIZIO 6.7 (MODELLO DI WINTERS) Diagrammando i dati di domanda riportati in tabella 6.7 si ricava il grafico di figura 6.3 da cui si evince come effettivamente la domanda sia affetta da trend e da stagionalità (e, quindi, come si renda necessario l utilizzo del modello di Winters per scopi revisionali). 7.4
15 Capitolo 6: Previsione di domanda I-2005 II-2005 III-2005 I-2006 II-2006 III-2006 I-2007 II-2007 III-2007 Al fine dell inizializzazione del modello occorre ricavare le componenti iniziali di trend (che indicheremo con T 0 ), di media (M 0 ) e di stagionalità (una per ciascun periodo, quadrimestre, in cui il ciclo, anno, è suddiviso: S 0, S 02 e S 03 ). Per fare ciò si utilizza il metodo analitico secondo il quale: la componente iniziale di trend è data dalla differenza tra le medie dei cicli utilizzati per l inizializzazione divisa per il numero di periodi presenti all interno del ciclo; la componente iniziale di media è data dalla media del ciclo più recente usato per l inizializzazione a cui si somma la componente iniziale di trend moltiplicata per le metà dei periodi di cui un ciclo è composto; la componente iniziale di stagionalità è data, per ciascun periodo, dalla media degli indici di stagionalità riferiti al periodo e relativi ai cicli usati per l inizializzazione. In virtù di quanto menzionato sopra e dei dati riportati in tabella 6.7 si ottiene: T 0 =(media media 2005 )/numero periodi in un ciclo=(( )/3-( )/3)/3=4,44 M 0 =(numero periodi in un ciclo/2)*t 0 +media 2006 =(3/2)*4,44+( )/3=6,67 S 0 =((domanda I quadrimestre 2005/media 2005 )+ (domanda I quadrimestre 2006/media 2006 ))/2= ((70/ ( )/3)+(90/( )/3))/2=0,77 S 02 =,2 S 03 =,02 Per quanto riguarda la previsione per il primo quadrimestre 2008, utilizzando i valori di T 0, M 0 e S 0 F = M + T S, si ottiene: ricavati dall inizializzazione e la formula t ( t- t- ) t L A questo punto, utilizzando le formule: M A ( α ) ( M T ) t t = α + t 2 + t 2 St L F =(M 0 +T 0 )*S 0 =93,40 7.5
16 Esercizi di Gestione della Produzione Industriale T ( M t M t 2 ) + ( γ ) T 2 t = γ t A St β M t ( ) St L t = β + e i dati di domanda del 2007 è possibile stimare i componenti di media (M ), trend (T ) e stagionalità (S ) con riferimento al primo quadrimestre del 2008; avendo tali componenti sarà quindi possibile ricavare la previsione e i componenti del modello di Winters per il secondo quadrimestre e così via. In particolare, i risultati della simulazione sono riportati in tabella 6.8. Tabella 6.8: componenti del modello di Winters e previsioni frutto della simulazione sui dati 2007 M 35,35 F 93,40 T,56 S 0,8 M2 49,89 F2 78,00 T2 3,05 S2,22 M3 58,29 F3 65,74 T3 0,73 S3,00 ESERCIZIO 6.8: MEDIA MOBILE Un impresa manifatturiera presenta per uno dei suoi prodotti la domanda mensile riportata in tabella 6.7. Si sviluppi una previsione tramite : una media mobile semplice di passo k=3 e; una media mobile pesata di passo k=3, con pesi pari a 0,5, 0,3 e 0,2 per i valori più recenti della domanda. Si calcoli inoltre il MAD per ciascun modello previsionale e si indichi quale modello è il più accurato. Tabella 6.9: domanda mensile sulla base della quale sviluppare la previsione Mese Domanda [unità] Febbraio 52 Marzo 49 Aprile 50 Maggio 58 Giugno 60 Luglio 42 Agosto 5 Settembre 6 SOLUZIONE DELL ESERCIZIO 6.8 (MEDIA MOBILE) Dovendo sviluppare una previsione mediante media mobile di passo k=3 il primo mese per il quale è possibile stimare la domanda che si manifesterà è ovviamente il mese di maggio. La previsione, infatti, per il generico mese i è rappresentata, nel caso di modello a media mobile semplice con passo 3, da: e nel caso di modello a media mobile pesata da: Previsione i = (Domanda i- +Domanda i-2 +Domanda i-3 )/3 7.6
17 Capitolo 6: Previsione di domanda Previsione i = (Peso i- *Domanda i- + Peso i-2 *Domanda i-2 + Peso i-3 *Domanda i-3 )/3 In virtù dei dati di domanda riportati in tabella 6.9 e in virtù del fatto che in questo caso Peso i-, Peso i-2 e Peso i-3 sono pari rispettivamente a 0,5, 0,3 e 0,2 la previsione richiesta è riportata, con riferimento sia al modello a media mobile semplice (MM), sia a quello a media mobile pesata (MMP), in tabella Tabella 6.20: previsioni secondo i modelli a media mobile semplice e pesata e relativi MAD (in unità) MM MAD MM MMP MAD MMP Febbraio Marzo Aprile Maggio 50,3 7,7 50, 7,9 Giugno 52,3 7,7 53,8 6,2 Luglio 56,0 4,0 57,4 5,4 Agosto 53,3 2,3 50,6 0,4 Settembre 5,0 0,0 50, 0,9 Media 5,3 8,3 54,2 8,2 Dal confronto fra i valori medi dei MAD si può affermare come il modello più accurato sia quello a media mobile pesata come d altronde era logico attendersi dato che questo ultimo, che conferisce un peso maggiore alle domande più recenti, è più reattivo rispetto a quello semplice. ESERCIZIO 6.9: AUTOCORRELAZIONE, MEDIA MOBILE E SMORZAMENTO ESPONENZIALE La Global Warehouses s.r.l., distributore nazionale di elettronica di consumo, ha registrato i dati di vendita dell ultimo anno e desidera analizzarli per commentarne l andamento. Nella seguente tabella sono contenuti tali valori mensili, espressi in unità vendute. Tabella 6.2: vendite del 2007 Mese Vendite [unità] Gen 200 Feb 8 Mar 90 Apr 60 Mag 400 Giu 200 Lug 300 Ago 50 Set 00 Ott 80 Nov 442 Dic 220 A partire dai dati a disposizione, si chiede di: (i). Individuare e commentare l andamento presentato dalle vendite nell anno 2007 attraverso un analisi di autocorrelazione per k = 2, 3, 4, 6; (ii). Simulare le previsioni mese per mese per il tutto il 2007 servendosi dei seguenti modelli previsionali: a. Media mobile di ordine k = 3 7.7
18 Esercizi di Gestione della Produzione Industriale b. Smorzamento esponenziale semplice con coefficiente alfa = 0, (assumendo un valore iniziale pari a 30 unità) (iii).considerando solo gli ultimi sei mesi del 2007, valutare gli errori di previsione commessi dai due distinti modelli previsionali e indicare quale modello è il più accurato. 7.8
POLITECNICO DI TORINO
POLITECNICO DI TORINO ESERCITAZIONI DI LOGISTICA Laurea in Ingegneria Logistica e della Produzione Corso di Logistica e di Distribuzione 1 Docente: Prof. Ing. Giulio Zotteri Tutore: Ing. Giuliano Scapaccino
DettagliESERCITAZIONI DI LOGISTICA. Laurea in Ingegneria Logistica e della Produzione. Corso di Logistica e di Distribuzione
ESERCITAZIONI DI LOGISTICA Laurea in Ingegneria Logistica e della Produzione Corso di Logistica e di Distribuzione Docente: Prof. Ing. Giulio Zotteri A.A. 2002/2003 Tutore: Ing. Scapaccino Giuliano QUARTA
DettagliESERCITAZIONE - Analisi della domanda
Impianti Industriali ESERCITAZIONE - Analisi della domanda Prof. Ing. Augusto Bianchini Ing. Jessica Rossi DIN Dipartimento di Ingegneria Industriale Università degli Studi di Bologna AGENDA Analisi della
DettagliANALISI DELLA DOMANDA E PROCESSO PREVISIONALE
CORSO DI Gestione dei Processi Logistico Produttivi ANALISI DELLA DOMANDA E PROCESSO PREVISIONALE Facoltà di Ingegneria A.A. 2015-2016 IL PROCESSO PREVISIONALE mercato competition 1. tecniche e modelli
DettagliAnalisi delle serie storiche parte III Medie mobili
Analisi delle serie storiche parte III Medie mobili a.a. 206/207 Metodo delle medie mobili Obiettivo: Stimare una componente della serie (tipicamente il ciclotrend (TC)) attraverso trasformazioni ( filtri
DettagliSTATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE
STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1
DettagliAnalisi delle serie storiche parte II Approccio classico
Analisi delle serie storiche parte II Approccio classico a.a. 2016/2017 1 Obiettivi dello studio delle serie storiche Analisi: descrizione: descrivere l andamento di un fenomeno economico (individuare
DettagliT punti Qual è la differenza concettuale e pratica tra Megatrend e Trend
1 Appello 24/06/2003 T1. -----4 punti Si spieghi brevemente a quale tipologia di fenomeno (espresso da una serie storica) è applicabile uno schema Holt-Winters con tutti i parametri tendenti a zero T2.-----
DettagliIl Modello di Scomposizione
Approccio Classico: Metodi di Scomposizione Il Modello di Scomposizione Il modello matematico ipotizzato nel metodo classico di scomposizione è: y t =f(s t, T t, E t ) dove y t è il dato riferito al periodo
Dettagli27 GIUGNO PROVA PRATICA. LAUREA SPECIALISTICA - Settore INDUSTRIALE CLASSE 34/S
27 GIUGNO 2007 - PROVA PRATICA LAUREA SPECIALISTICA - Settore INDUSTRIALE CLASSE 34/S N. 3 quesiti Nell ambito del Sistema di Gestione dell Energia di una azienda il candidato esegua la caratterizzazione
DettagliStatistica Applicata all edilizia Lezione: Analisi delle serie storiche: parte I
Lezione: Analisi delle serie storiche: parte I E-mail: orietta.nicolis@unibg.it 27 aprile 21 Programma Programma Le serie storiche (o temporali) Sequenze di osservazioni effettuate nella sucessione dei
Dettagli4 Il numero di giorni con precipitazioni maggiori o uguali a 10 mm, 25 mm e 50 mm nel periodo in Veneto
4 Il numero di giorni con precipitazioni maggiori o uguali a 10 mm, 25 mm e 50 mm nel periodo 1993-2015 in Veneto Francesco Rech 1, Edoardo Furlani 2 1 Servizio Meteorologico Teolo (PD) ARPAV, Dipartimento
DettagliCrescere attraverso la rete di vendita e le attività commerciali Le attività commerciali
Crescere attraverso la rete di vendita e le attività commerciali Le attività commerciali Antonio Catalani Indice dai problemi alle soluzioni come individuare le opportunità di crescita nell ambito commerciale
DettagliUNIVERSITA DI CAGLIARI FACOLTA DI INGEGNERIA ESERCITAZIONI DI IDROLOGIA NUOVO ORDINAMENTO Anno Accademico 2017/18
ESERCITAZIONE di IDROLOGIA Nr.3 Argomenti Poligoni di Thiessen. Altezza di precipitazione mensile ragguagliata nel bacino. Altezza di evapotraspirazione potenziale mensile Prerequisiti Capitoli 3 e 4 del
DettagliVALUTAZIONE DEL VOLUME DI COMPENSO DA ATTRIBUIRE AD UN INVASO ARTIFICIALE NELLE IPOTESI DI REGOLAZIONE TOTALE E NOTI GLI UTILIZZI EFFETTIVI
POLITECNICO DI TORINO Facoltà di Ingegneria I Anno accademico 2011/2012 Corso di IMPIANTI IDROELETTRICI Elettrix01 VALUTAZIONE DEL VOLUME DI COMPENSO DA ATTRIBUIRE AD UN INVASO ARTIFICIALE NELLE IPOTESI
DettagliIndice dei prezzi per le rivalutazioni monetarie
Indice dei prezzi per le rivalutazioni monetarie L indice dei prezzi al consumo per le famiglie di operai ed impiegati (FOI) al netto dei tabacchi viene utilizzato per l adeguamento periodico dei valori
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliRegressione Polinomiale
Regressione Polinomiale Nel lavoro che segue ci proponiamo di descrivere alcune curve di adattamento con il metodo dei minimi quadrati e di fornire un metodo iterativo per generalizzare tali funzioni a
DettagliPer alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi.
Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si propongono di identificare
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Regressione e correlazione Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliSTATISTICA: esercizi svolti sulla MEDIA ARITMETICA
STATISTICA: esercizi svolti sulla MEDIA ARITMETICA 1 1 MEDIA ARITMETICA 2 1 MEDIA ARITMETICA 1. La seguente tabella riporta il numero di persone divise per sesso che si sono presentate durante l anno 1997
DettagliCONTO ENERGIA: MODALITÀ OPERATIVE PER L AGGIORNAMENTO DELLA RATA DI ACCONTO. Direzione Commerciale - Unità Gestione Incentivi Fotovoltaici
CONTO ENERGIA: MODALITÀ OPERATIVE PER L AGGIORNAMENTO DELLA RATA DI ACCONTO Direzione Commerciale - Unità Gestione Incentivi Fotovoltaici Roma, 23 ottobre 2017 Tempistiche di aggiornamento della rata Ai
DettagliCapitolo 3 (parte prima) Modelli di (s)composizione. Capitolo 3 1
Capitolo 3 (parte prima) Modelli di (s)composizione Capitolo 3 1 Tipi di pattern sistematico Molti metodi di previsione si basano sul fatto che, se esiste un pattern sistematico (rispetto al tempo), questo
DettagliArgomenti della lezione:
Lezione 7 Argomenti della lezione: La regressione semplice Il modello teorico Il calcolo dei parametri Regressione lineare Esamina la relazione lineare tra una o più variabili esplicative (o indipendenti,
DettagliLABORATORIO DI FISICA I
UNIVERSITA DEGLI STUDI DI PALERMO CORSO DI LAUREA IN SCIENZE FISICHE A.A. 2018/2019 13 Dicembre 2018 LABORATORIO DI FISICA I RELAZIONE TERZA ESPERIENZA DI LABORATORIO GRUPPO 1 Nigrelli Giulia Valenti Giuseppe
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliTILP load profiling per fasce per il sistema elettrico italiano
TILP load profiling per fasce per il sistema elettrico italiano Sessione pomeridiana: venditori Autorità per l energia elettrica e il gas DIREZIONE MERCATI Milano, 19 novembre 2007 Autorità per l energia
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Associazione, correlazione e dipendenza tra caratteri In un collettivo di 11 famiglie è stata
DettagliPrecorso di Matematica
UNIVERSITÀ DEGLI STUDI ROMA TRE FACOLTA DI ARCHITETTURA Precorso di Matematica Anna Scaramuzza Anno Accademico 2005-2006 4-10 Ottobre 2005 INDICE 1. ALGEBRA................................. 3 1.1 Equazioni
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
DettagliQuick calculus Capitolo 1 Il problema della tangente
Quick calculus Capitolo 1 Il problema della tangente Introduzione Ricavare una retta tangente ad una curva di secondo grado come un circonferenza o una parabola, è un problema che si risolve facilmente.
DettagliDATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA
REGIONE SICILIANA - ASSESSORATO INDUSTRIA UFFICIO SPECIALE PER IL COORDINAMENTO DELLE INIZIATIVE ENERGETICHE U.O. 2 DATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA AGGIORNATI AL MESE DI APRILE 2008
DettagliRELAZIONE ILLUSTRATIVA SUL CRONOPROGRAMMA
COMUNE DI LUOGOSANO Provincia di Avellino Lavori di realizzazione di un impianto sportivo di esercizio in p.zza B. croce. PROGETTO ESECUTIVO RELAZIONE ILLUSTRATIVA SUL CRONOPROGRAMMA Con questo elaborato,
DettagliEsercitazione III Soluzione
Esercitazione III Soluzione Esercizio 1 a) Frequenze congiunte assolute: n ij Reddito mensile Titolo di studio 1000-000 000-5000 5000-8000 Totale Laurea triennale 4 1 0 5 Laurea magistrale 1 4 7 Dottorato
DettagliSTATISTICA ESERCITAZIONE 13
STATISTICA ESERCITAZIONE 13 Dott. Giuseppe Pandolfo 9 Marzo 2015 Errore di I tipo: si commette se l'ipotesi nulla H 0 viene rifiutata quando essa è vera Errore di II tipo: si commette se l'ipotesi nulla
DettagliIndice. Previsioni. Serie con trend. Metodo di Holt. Previsioni: trend e stagionalità. serie con trend/tendenza serie con stagionalità
Indice Previsioni serie con trend/tendenza serie con stagionalità Previsioni: trend e stagionalità 7/11/23 16.51 1 2 Serie con trend Regressione lineare Metodo di (doppio smorzamento esponenziale) Metodo
DettagliTema d esame del 15/02/12
Tema d esame del 15/0/1 Volendo aprire un nuovo locale, una catena di ristoranti chiede ad un consulente di valutare la posizione geografica ideale all interno di un centro abitato. A questo scopo, avvalendosi
DettagliCAP 2 PREVISIONE DELLA DOMANDA
CAP 2 PREVISIONE DELLA DOMANDA 2.1 INRODUZIONE La previsione della domanda è fondamentale per numerose attività di progettazione e gestione di sistemi logistici, e può essere classificata in tre categorie:
DettagliRapporto mensile sul Sistema Elettrico
Rapporto mensile sul Sistema Elettrico Settembre 2016 Indice 1 Considerazioni di sintesi 2 Congiuntura elettrica 3 Bilancio energetico 4 Fabbisogno 5 Fonti Energetiche Rinnovabili 6 Scambi Interni e con
DettagliMATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME. MATT. POME.
TURNI FARMACIE APRILE 2016 Sab. 2 apr. Dom. 3 apr. Sab. 9 apr. Dom. 10 apr. Sab. 16 apr. Dom. 17 apr. Sab. 23 apr. Dom. 24 apr. Lun. 25 apr. Sab. 30 apr. Dom. 1 mag. MATT. POME. MATT. POME. MATT. POME.
DettagliDATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA
REGIONE SICILIANA - ASSESSORATO INDUSTRIA UFFICIO SPECIALE PER IL COORDINAMENTO DELLE INIZIATIVE ENERGETICHE U.O. 2 DATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA AGGIORNATI AL MESE DI AGOSTO 2007
DettagliLa regressione lineare. Rappresentazione analitica delle distribuzioni
La regressione lineare Rappresentazione analitica delle distribuzioni Richiamiamo il concetto di dipendenza tra le distribuzioni di due caratteri X e Y. Ricordiamo che abbiamo definito dipendenza perfetta
DettagliSOMMARIO
SOMMARIO 1. Premessa... 2 2. Concetti base e definizioni ricorrenti... 2 3. Tempi di esecuzione... 3 3.1. Determinazione di NGL (Numero dei giorni lavorativi)... 3 3.2. Determinazione del coefficiente
DettagliDATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA
REGIONE SICILIANA - ASSESSORATO INDUSTRIA UFFICIO SPECIALE PER IL COORDINAMENTO DELLE INIZIATIVE ENERGETICHE U.O. 2 DATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA AGGIORNATI AL MESE DI MARZO 2008
DettagliStampa Preventivo. A.S Pagina 1 di 8
Stampa Preventivo A.S. 2009-2010 Pagina 1 di 8 Insegnante MIANI LUCIO Classe 3LTA ART Materia matematica preventivo consuntivo 95 0 titolo modulo 1. Funzioni 2. Calcolo combinatorio e probabilità 3. Il
DettagliFatturato del commercio al dettaglio in provincia di Brescia
CONGIUNTURA DEL COMMERCIO AL 3 TRIMESTRE 2017 Fonte: indagine congiunturale Unioncamere Lombardia. Elaborazioni a cura del Servizio Studi della Camera di Commercio di Brescia. LA DINAMICA CONGIUNTURALE
DettagliLEZIONE 10. Esercizio La media di tre numeri reali può essere maggiore del massimo dei tre numeri?
10 LEZIONE 10 Esercizio 10.1. La media di tre numeri reali può essere maggiore del massimo dei tre numeri? Siano a, b, c tre numeri reali, senza perdita di generalità possiamo assumere che sia a il massimo
DettagliDetermina il terzo vertice A di un triangolo di cui. l ortocentro
La Retta Esercizi Esercizio 6. Determina il terzo vertice A di un triangolo di cui sono noti due vertici ; 1, 1; e l ortocentro ;. Soluzione 1 Analizziamo il problema ragionando, per semplicità, su un
DettagliANDAMENTO DEL PREZZO DEL GPL
ANDAMENTO DEL PREZZO DEL GPL IN PROVINCIA DI PERUGIA Ottobre 2015 ooo A cura dell Ufficio Prezzi Camera di Commercio di Perugia Indice Introduzione pag. 5 I prezzi del GPL nel I semestre 2015 - Sintesi
DettagliLE NUOVE SERIE DESTAGIONALIZZATE DEL COMMERCIO CON L ESTERO
Roma, 16 marzo 2012 LE NUOVE SERIE DESTAGIONALIZZATE DEL COMMERCIO CON L ESTERO 1. Premessa La revisione annuale dei modelli di destagionalizzazione applicati alle serie storiche del commercio con l estero,
DettagliLM 88 SOCIOLOGIA E RICERCA SOCIALE. Metodi Statistici per la Ricerca Sociale. Regressione lineare e correlazione
LM 88 SOCIOLOGIA E RICERCA SOCIALE Metodi Statistici per la Ricerca Sociale Regressione lineare e correlazione 1. Su un campione di individui sono rilevati i caratteri X (peso in Kg) e Y (altezza in cm),
DettagliMODELLI QUANTITATIVI. f x r = c
MODELLI QUANTITATIVI Qualunque sia il modello di estrazione di regolarità o di conoscenze dai dati empirici, esiste sempre una base statistica da cui occorre partire. Un fenomeno linguistico specifico
DettagliAppunti sulla circonferenza
1 Liceo Falchi Montopoli in Val d Arno - Classe 3 a I - Francesco Daddi - 16 aprile 010 Appunti sulla circonferenza In queste pagine sono trattati gli argomenti riguardanti la circonferenza nel piano cartesiano
DettagliRelazione tecnica alla deliberazione 18 novembre 2010, EEN 17/10
Presupposti e fondamenti per la determinazione del valore del contributo tariffario per il conseguimento degli obiettivi di risparmio energetico per l anno 2011 di cui ai decreti ministeriali 20 luglio
DettagliRAPPORTO MENSILE SUL SISTEMA ELETTRICO CONSUNTIVO FEBBRAIO 2016
RAPPORTO MENSILE SUL SISTEMA ELETTRICO CONSUNTIVO FEBBRAIO 2016 1 Rapporto Mensile sul Sistema Elettrico Consuntivo febbraio 2016 Considerazioni di sintesi 1. Il bilancio energetico Richiesta di energia
DettagliPREVISIONE DELLA DOMANDA
CAPITOLO III PREVISIONE DELLA DOMANDA 3.1 Generalità Preliminare ad ogni fase di programmazione della produzione è la valutazione della domanda dei prodotti e/o servizi oggetto dell attività dell azienda.
DettagliIl sistema di rating PSElo nel Tennis Tavolo italiano
Il sistema di rating PSElo nel Tennis Tavolo italiano Allegato tecnico del regolamento di calcolo della classifica individuale 6 luglio 208 Struttura del sistema Il sistema di rating ha come riferimento
DettagliUNIVERSITA DEGLI STUDI DI PADOVA
UNIVERSITA DEGLI STUDI DI PADOVA CORSO DI LAUREA IN STATISTICA E GESTIONE DELLE IMPRESE PREVISIONE DEI COSTI DI UN AZIENDA SANITARIA Relatore: Prof. Omar Paccagnella Dipartimento di Scienze Statistiche
DettagliFondo Pensione Agrifondo Funzione Finanza Aggiornamento al 29 luglio 2016 GIAMPAOLO CRENCA
Fondo Pensione Agrifondo Funzione Finanza Aggiornamento al 29 luglio 2016 GIAMPAOLO CRENCA 1 Comparto Garantito Pioneer Performance 2016 CONSUNTIVO GESTORE VALORE QUOTA VAR.% QUOTA Var % Benchmark netto
DettagliServizi di Igiene Urbana Rifiuti Solidi Indifferenziati
Monitoraggio Anno XI - Report 4 Gennaio Dicembre 2010 Servizi di Igiene Urbana Rifiuti Solidi Indifferenziati 1) Il Monitoraggio dei Servizi di Igiene Urbana L analisi mira ad individuare le variazioni
DettagliDINAMICA CONGIUNTURALE DEL COMMERCIO AL DETTAGLIO IN PROVINCIA DI BRESCIA
CONGIUNTURA DEL COMMERCIO AL 2 TRIMESTRE 2017 Fonte: indagine congiunturale Unioncamere Lombardia. Elaborazioni a cura dell Ufficio Studi e Statistica della Camera di Commercio di Brescia. LA DINAMICA
DettagliArgomento 13 Sistemi lineari
Sistemi lineari: definizioni Argomento Sistemi lineari Un equazione nelle n incognite x,, x n della forma c x + + c n x n = b ove c,, c n sono numeri reali (detti coefficienti) e b è un numero reale (detto
Dettaglif è una combinazione convessa f con w 1
SIMULAZIONE Che cosa serve: - un sistema dinamico completamente definito - un orizzonte di simulazione (intervallo di tempo per il quale sono noti gli ingressi) - funzioni di ingresso definite per tutto
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliTavola 1 - Prezzi al consumo relativi alla benzina verde con servizio alla pompa. Firenze, Grosseto, Pisa, Pistoia. Da Agosto 2008 ad Aprile 2012
Tavola 1 - Prezzi al consumo relativi alla benzina verde con servizio alla pompa. Firenze, Grosseto, Pisa, Pistoia. Benzina verde con servizio alla pompa Ago-08 Set-08 Ott-08 Nov-08 Dic-08 Firenze 1,465
DettagliRAPPORTO MENSILE SUL SISTEMA ELETTRICO CONSUNTIVO MARZO 2016
RAPPORTO MENSILE SUL SISTEMA ELETTRICO CONSUNTIVO MARZO 2016 1 Rapporto Mensile sul Sistema Elettrico Consuntivo marzo 2016 Considerazioni di sintesi 1. Il bilancio energetico Richiesta di energia Commento
DettagliRapporto mensile sul Sistema Elettrico
Rapporto mensile sul Sistema Elettrico Ottobre 2016 Indice 1 Considerazioni di sintesi 2 Congiuntura elettrica 3 Bilancio energetico 4 Fabbisogno 5 Fonti Energetiche Rinnovabili 6 Scambi Interni e con
DettagliDATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA
REGIONE SICILIANA ASSESSORATO DELL'ENERGIA E DEI SERVIZI DI PUBBLICA UTILITÀ DIPARTIMENTO DELL ENERGIA SERVIZIO II OSSERVATORIO REGIONALE E UFFICIO STATISTICO PER L ENERGIA U.O. 2/1 DATI SULLA PRODUZIONE
DettagliStampa Preventivo. A.S Pagina 1 di 6
Stampa Preventivo A.S. 2009-2010 Pagina 1 di 6 Insegnante VISINTIN ANTONELLA Classe 4AL Materia matematica preventivo consuntivo 95 0 titolo modulo 4.1 Disequazioni 4.2 Funzioni 4.3 Goniometria e trigonometria
DettagliESERCIZI SVOLTI Giuliano Bonollo - Michele Bonollo
ESERCIZI SVOLTI Giuliano Bonollo - Michele Bonollo 1 La seguente tabella riporta le frequenze relative riguardanti gli studenti di un università e gli esiti dell esame da essi sostenuto. Qual è la percentuale
DettagliLIVELLI E PORTATE MEDIE GIORNALIERE DEL FIUME BRENTA A BARZIZA NEGLI ANNI
DIPARTIMENTO REGIONALE PER LA SICUREZZA DEL TERRITORIO SERVIZIO IDROLOGICO LIVELLI E PORTATE MEDIE GIORNALIERE DEL FIUME BRENTA A BARZIZA NEGLI ANNI 214-15 Relazione n 6/16 ARPAV Dipartimento Regionale
DettagliMonte retributivo, occupati e ore lavorate nel lavoro in somministrazione (interinale).
feb-14 apr-14 giu-14 ago-14 ott-14 dic-14 feb-14 apr-14 giu-14 ago-14 ott-14 dic-14 Monte retributivo, occupati e ore lavorate nel lavoro in somministrazione (interinale). A gennaio 2018 il monte retributivo
DettagliLezione 10: Interpolazione lineare Corso di Statistica Facoltà di Economia Università della Basilicata. Prof. Massimo Aria
Lezione 10: Interpolazione lineare Corso di Statistica Facoltà di Economia Università della Basilicata Prof. Massimo Aria aria@unina.it Il concetto di interpolazione In matematica, e in particolare in
DettagliLa salubrità dell aria
La salubrità dell aria La qualità dell aria Uno sguardo ai dati del nostro territorio Problema: come utilizzare questi dati visto che excel non vuole intedere!?! Con un programma, scritto da noi, abbiamo
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
DettagliUnipol Assicurazioni SpA Cumulative Auto Bologna 12/01/2015 11:18
ESER. POL AGEN. POL RAMO POL NUM. POL. ESER. SIN AGEN. SIN. NUM. SIN RAMO SIN. ISPETTORATO DATA AVVENIM. DATA CHIUSURATIPO DEN. TIPO CHIUSTP RESP ASSICURATO PREVENTIVO PAGATO DA RECUPERARE 2007 1467 130
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliAgosto 2015 OCCUPATI E DISOCCUPATI Dati provvisori
30 settembre 2015 Agosto 2015 OCCUPATI E DISOCCUPATI Dati provvisori Per una maggiore integrazione delle informazioni statistiche sul mercato del lavoro, in questo comunicato stampa l'istat fornisce per
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliRAPPORTO MENSILE SUL SISTEMA ELETTRICO CONSUNTIVO DICEMBRE 2015
RAPPORTO MENSILE SUL SISTEMA ELETTRICO CONSUNTIVO DICEMBRE 2015 1 Rapporto Mensile sul Sistema Elettrico Consuntivo dicembre 2015 Considerazioni di sintesi 1. Il bilancio energetico Richiesta di energia
DettagliComune di Puglianello Provincia di Benevento RELAZIONE CRONOPROGRAMMA DEI LAVORI
Comune di Puglianello Provincia di Benevento OGGETTO: ADEGUAMENTO IMPIANTO DI DEPURAZIONE, REALIZZAZIONE DI SCOLMATOI CON I RELATIVI TRATTI EMISSARI E RISTRUTTURAZIONE RETE IDRICA COMMITTENTE: Comune di
DettagliFebbraio, Lo scenario energetico 2014
Febbraio, 2015 Lo scenario energetico 2014 Il quadro dell energia elettrica in Italia vede persistere due elementi caratteristici: il perdurare della crisi economica con conseguente riduzione della domanda
Dettagli12 gennaio Commenti esame di geometria - Ing. gestionale - a.a
Questo documento riporta commenti, approfondimenti o metodi di soluzione alternativi per alcuni esercizi dell esame Ovviamente alcuni esercizi potevano essere risolti utilizzando metodi ancora diversi
DettagliΣ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica
13. Regressione lineare parametrica Esistono numerose occasioni nelle quali quello che interessa è ricostruire la relazione di funzione che lega due variabili, la variabile y (variabile dipendente, in
DettagliEquazioni di secondo grado Prof. Walter Pugliese
Equazioni di secondo grado Prof. Walter Pugliese La forma normale di un equazione di secondo grado Un equazione è di secondo grado se, dopo aver applicato i principi di equivalenza già studiati per le
DettagliEsercitazione 05: Trasformata di Laplace e funzione di trasferimento
Esercitazione 05: Trasformata di Laplace e funzione di trasferimento 28 marzo 208 (3h) Fondamenti di Automatica Prof. M. Farina Responsabile delle esercitazioni: Enrico Terzi Queste dispense sono state
DettagliCertificati bianchi titoli di efficienza energetica a portata di mano. Contributo tariffario: criticità e proposte dell Autorità
6 a conferenza annuale Fire Milano, 30 maggio 2017 Certificati bianchi titoli di efficienza energetica a portata di mano Contributo tariffario: criticità e proposte dell Autorità Marco De Min Direzione
DettagliDATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA
REGIONE SICILIANA - ASSESSORATO INDUSTRIA DIPARTIMENTO REGIONALE ENERGIA DATI SULLA PRODUZIONE ED OFFERTA DI ENERGIA ELETTRICA AGGIORNATI AL MESE DI AGOSTO 2009 1 ITALIA Produzione lorda di energia elettrica
DettagliMONTE RETRIBUTIVO, OCCUPATI E ORE LAVORATE NEL LAVORO INTERINALE.
gen-08 mar-08 mag-08 lug-08 set-08 nov-08 gen-09 mar-09 mag-09 lug-09 set-09 nov-09 gen-10 mar-10 mag-10 lug-10 set-10 nov-10 gen-11 mar-11 mag-11 lug-11 set-11 nov-11 gen-12 mar-12 mag-12 lug-12 set-12
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZIONE 4 - Questioni di analisi e applicazione della regressione lineare Pratica
DettagliContribuenti Scadenza Denominazione Descrizione
Contribuenti Scadenza Denominazione Descrizione 10-gen colf e badanti (4^ trimestre anno precedente) contributi Inail (4^ rata anno precedente) 16-gen coltivatori e (PC/CF) (4^ rata anno precedente) e
DettagliIndice BNP Paribas REIM Report Settembre /10/2009
Indice BNP Paribas REIM Report Settembre 2009 05/10/2009 Capitalizzazione e volume di scambio (intero mercato) 225.000.000 6.000.000.000 200.000.000 5.000.000.000 175.000.000 150.000.000 4.000.000.000
DettagliIl portafoglio modello in oggetto supporta una linea GPF Absolute Return con investimento azionario flessibile tra 0-100%.
L offerta di prodotti a ritorno assoluto punta su proporre un buon equilibrio tra risultati e rischi corsi, sfruttando tipicamente la capacità di gestire attivamente il trade-off rendimento-rischio. Il
Dettagli