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