39 Анализ временных рядов (вр) в системе Статистика

Анализ ВР основывается на предположении, что последовательные значения в файле данных наблюдаются через равные промежутки времени.

Цели анализа ВР: определение природы ряда и прогнозирование (предсказание будущих значений ВР по настоящим и прошлым значениям).

В системе Статистика имеется модуль ВР который предоставляет все основные методы анализа ВР в полностью интегрированной среде. Проведение анализа обеспечивается простыми и частными автокорреляциями и кросскорреляциями, а также самыми разнообразными графиками. Несколько методов доступно для отделения систематической составляющей (тренда и сезонной компоненты), присутствующей во ВР, от случайных.

Модуль ВР содержит широкий набор описательных методов, моделей выделения трендов и сезонных составляющих, а также методов прогнозирования ВР как во временной, так и в частотной области. Пользователь может выполнить широкий набор специальных преобразований ВР, оценить автокорреляционные функции, частные автокорреляционные функции, выполнить сезонное и несезонное сглаживание, выполнить анализ распределенных лагов и многое другое. Эти процедуры полностью интегрированы в одном модуле; результаты одного вида анализа могут быть непосредственно использованы в последующем анализе. Также имеются гибкие опции построения графиков одномерных или многомерных ВР.

В модуле можно анализировать очень длинные ряды. Программа автоматически сохраняет последовательные результаты, и пользователь всегда может вернуться к исходным рядам или к рядам, преобразованным в какой-то точке анализа.

В модуле доступны все обычно используемые преобразования: удаление тренда, удаление автокорреляции, сглаживание скользящим средним, простое экспоненциальное сглаживание, и другие.

В модуле ВР позволяет проводить анализ прерванных временных рядов.

Модуль реализует все обычно употребляемые модели экспоненциального сглаживания, включающие аддитивную или мультипликативную сезонную компоненту и/или линейный, экспоненциальный тренд. Результаты экспоненциального сглаживания, остатки, a также запрошенное число прогнозов доступны для дальнейшего анализа и графического представления. Итоговые графики позволяют оценить адекватность модели.

Широкий выбор нелинейных моделей доступен в модуле Нелинейное оценивание, где вы можете подогнать к ВР практически любую функцию, включая кусочно-линейную.

Процедуры подгонки и методы сглаживания доступны как часть графических процедур. Они включают: сглаживание по методу взвешенных относительно расстояния наименьших квадратов, отрицательное экспоненциально взвешенное сглаживание, полиномиальное сглаживание различных порядков и другие. Также различные определенные пользователями функции могут быть наложены на данные, подогнаны к данным на одном графике. Несколько графиков могут быть показаны на экране или выведены на печать. Многие другие методы доступны для

40. Метод анализа иерархий для решения задач принятия решений.

Черты характ принятие управленч решения: 1. Наличие цели. 2. Наличие альтернативных линий поведения. 3. Нал ограничивающих факторов (экономич, технич, социальн).

ППУР – преобразование исходной информации в выходную информацию (инф управленч приказа). Решение м/б формальным и творческим.

Общая постановка задачи ПР. пусть эффективность выбора того или иного решения определена некоторыми критерием F, допускаем количественное представление.

Группы факторов, от кот зависит эффективность выбора: 1. Контролируемые. 2. Неконтролируемые (характ услов, в кот осущ выбор и на кот ППР влиять не могут: детерминированные, статистические/случайные величины, неопределенные (знач не известн в момент прин решен)

Классификация ПР: 1. По колич целей управления и соответствующим им критериям оптимальности (одноцелевые/однокритериальные, многоцелевые/многокритериальные) 2. По наличию или отсуствию зависимого критерия оптимальности и иерархичности от времени(статические, динамические) 3. По наличию случайных и неопределенных факторов (принятие решений в условиях определенности, принятие решений при риске/стохастические ЗПР, принятие решений в услов неопределенности).

Методы ЗПР: 1. Многокритериальной оптимизации. 2. Многокритериального выбора на основе дополнительн информ-ии. 3. ПР в услов неопределенности. 4. ПР в услов конфликта.

Метод анализа иерархий Expert Choice. В МАИ полезно каждое принятие решения оценки по ряду критериев, для кажд из кот определ число, характериз степень влияния этого критерия на принятие решения кажд экперта.

Критерии представлены в виде иерархического метода кластеризации, исходя из принципа Колмогорова, согласно кот на кажд уровне не должно превыш 5-7 критериев. При большем количестве критериев одного уровня, часть из них группир по смысловой нагрузке в один критерий вышестоящего уровня. На 2,3 и т.д. уровнях наход оценки управленч решений, а на последней – варианты решений (альтернативы), кот оцен относит каждого критерия последнего уровня критериев.

В МАИ критерии сравниваются попарно с тчк. зр. Их веса или интенсивности в обобщ их критериях (предпочтит, важность, желательность).

В результате кажд критерию и кажд альтернативе ставится в определ число, называемое критерием. На след этапе наход глобальн приоритет кажд критерия последнего уровня иерархии критериев. Глобальные приоритеты сравниваются для выбора наилучшего решения проблемы.

Метод парных сравнений показывает определнное качество суждений эксперта и степень доверия к нему. Оценивает показатель incоn, если он > 0,1, то оценки экспертов не согласованы.