Курсовой_Спецглавы математики
.docФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ РФ
ТУСУР.
КАФЕДРА: АОИ.
КУРСОВАЯ РАБОТА
ПО ДИСЦИПЛИНЕ
СПЕЦГЛАВЫ МАТЕМАТИКИ
ВЫПОЛНИЛ:
ПРОВЕРИЛ ПРЕПОДАВАТЕЛЬ:
г. Нефтеюганск 2007г.
Временной ряд: объем исходящих местных телефонных соединений (в минутах)
Рассчитаем показатели динамики и представим их графически.
|
апрель |
май |
июнь |
июль |
август |
сентябрь |
октябрь |
ноябрь |
декабрь |
Объем исх соед (в минутах) |
154 |
296 |
244 |
90 |
54 |
256 |
196 |
240 |
298 |
Абсолютный прирост Ai=yi - yi-1 |
0 |
142 |
-52 |
-154 |
-36 |
202 |
-60 |
44 |
58 |
Коэффициэнт роста K=yi / yi-1 |
0 |
1,92 |
0,82 |
0,37 |
0,60 |
4,74 |
0,77 |
1,22 |
1,24 |
Процент прироста Ti=(Ai/yi-1)100% |
0 |
92,2 |
-17,6 |
-63,1 |
-40,0 |
374,1 |
-23,4 |
22,4 |
24,2 |
Значение 1% прироста Пi=Ai/Ti |
0 |
1,54 |
2,96 |
2,44 |
0,9 |
0,54 |
2,56 |
1,96 |
2,4 |
Уровень динамики по месяцам представим на диаграмме
Чтобы сгладить влияние случайных факторов, рассмотрим усредненные данные:
В нашем моментном ряду промежутки времени равны, поэтому
Средний абсолютный прирост (142-52-154-36+202-60+44+58)=18 мин
Средний коэффициент роста 1,09
Средний темп роста =(1,09-1)100= 9 мин
Выравнивание динамического ряда проведем с помощью среднего абсолютного прироста
,
X0=154+18*0=154
X1=154+18*1=172
X2=154+18*2=190
X3=154+18*3=208
X4=154+18*4=226
X5=154+18*5=244
X6=154+18*6=262
X7=154+18*7=280
X8=154+18*8=298
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
154 |
172 |
190 |
208 |
226 |
244 |
262 |
280 |
298 |
Проанализируем поведение временного ряда и укажем компоненты, которые следует включить в модель.
Проверим гипотезу о существовании тренда. Рассмотрим критерий Фостера- Стюарта.
Основная гипотеза Н0: тренда нет, колебания ВР чисто случайны.
Альтернативная гипотеза Н1: тренд есть
Для ряда наблюдений х0, х1, …, хn-1 обозначим
1 , x1> xt-1, xt>xt-2,…, xt>x0
0, если хотя бы одно неравенство нарушено;
1 , x1> xt-1, xt>xt-2,…, xt>x0
0, если нет
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
154 |
296 |
244 |
90 |
54 |
256 |
196 |
240 |
298 |
Ut |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
Lt |
1 |
0 |
0 |
0 |
1 |
0 |
1 |
1 |
Ut-lt |
-1 |
0 |
0 |
0 |
-1 |
0 |
-1 |
-1 |
Рассмотрим статистику = (-1+0+0+0-1+0-1-1)= -4. Эта статистика имеет распределение Стьюдента:
= -2,2
= 1,82
Если наблюдаемое значение статистики попадает в критическую область, основная гипотеза отвергается. В нашем случае , т.е. попадает в критическую область, значит, принимаем гипотезу Н1: тренд есть.
При построении модели ВР в качестве тренда подберем гладкую медленно меняющуюся функцию времени.
Проверим гипотезу о наличии периодической составляющей:
Основная гипотеза Н0 : колебания случайны.
Альтернативная гипотеза Н1 : есть периодическая составляющая.
Проверим гипотезу с помощью критерия поворотных точек.
Дан ряд наблюдений х0, х1, …, хn Назовем точку хi поворотной, если выполняется одно из двух условий:
Xi>Xi-1 |
или |
Xi<Xi-1 |
Xi>Xi+1 |
|
Xi<Xi+1 |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
154 |
296 |
244 |
90 |
54 |
256 |
196 |
240 |
298 |
X1 = 296- пик
X4 = 54- впадина
X5 = 256- пик
X6 = 196 – впадина
Рассмотрим случайную величину
1, если xi – поворотная точка
0, если нет
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
154 |
296 |
244 |
90 |
54 |
256 |
196 |
240 |
298 |
|
1 |
0 |
0 |
1 |
1 |
1 |
0 |
|
По результатам наблюдений вычисляем экспериментальное значение статистики – количество поворотных точек -
Математическое ожидание статистики М(П) = 2/3 (n-1) = 2/3 (8-1) = 14/7 =4,7
Так как ПнаблМ(П), то принимаем основную гипотезу: колебания случайны.
Распределение статистики П асимптотически нормально с параметрами М(П) =2/3 (n-1) = 4,7 и
1,28, т.е
Анализ остатков временного ряда
Основная гипотеза Н0: остатки случайны, Н1: есть зависимость между остатками ВР
Зададим последовательность остатков временного ряда
|
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
yi |
154 |
296 |
244 |
90 |
54 |
256 |
196 |
240 |
298 |
Xi |
154 |
172 |
190 |
208 |
226 |
244 |
262 |
280 |
298 |
= Y i- Xi |
0 |
124 |
54 |
-118 |
-172 |
12 |
-66 |
-40 |
0 |
знаки |
+ |
- |
- |
- |
+ |
- |
+ |
+ |
|
Определим знаки разностей при и запишем их в виде последовательности + и - . Получили последовательность + - - - + - + +, содержащую 5 серий подряд идущих одинаковых знаков.
Обозначим S=5 общее количество серий, а Кmax= 3 – протяженность самой длинной серии.
Остатки случайны, если
,
- критическая точка (С0,05=1,96, С0,01= 2,57)
5, n
К0(n) = 6, 26<n<153
7, 153<n< 1000
В нашем случае n = 8 , значит, К0(8) = 5
S = 5 >
Два условия выполнены, значит, основная гипотеза принимается, т.е. остатки случайны.
Таким образом, в модель временного ряда включаем тренд. Для построения тренда используем функцию y= b0+b1x
Коэффициенты уравнений подберем по экспериментальным данным методом наименьших квадратов
|
|
|
|
|
|
|
|
|
|
|
X |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
36 |
Y |
154 |
296 |
244 |
90 |
54 |
256 |
196 |
240 |
298 |
1674 |
X2 |
0 |
1 |
4 |
9 |
16 |
25 |
36 |
49 |
64 |
204 |
XY |
0 |
296 |
488 |
270 |
216 |
1280 |
1176 |
1680 |
2384 |
7790 |
36 b1+ 8 b0 = 1674
204 b1 + 36b0 = 7790 , решение системы b1=6,1 , b0=181,8
Таким образом, уравнение тренда имеет вид y = 181,8 + 6,1 x
X |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
y |
182 |
188 |
194 |
200 |
206 |
212 |
218 |
225 |
231 |
Оценим качество моделирования по критерию
, где
k =2 - количество коэффициентов в уравнении регрессионной модели.
, таким образом, отвергается гипотеза Н0: о незначимой разнице между общей и остаточной дисперсией, т.е. рассматриваемая модель адекватна
Для прогнозирования ВР воспользуемся методом экспоненциального сглаживания.
Этот метод позволяет придавать больший вес относительно недавним наблюдениям, регулируя его с помощью параметра , подбираемого экспериментально
St = *Xt + (1-)*St-1
Результаты применения метода экспоненциального сглаживания
-
0.5
0.33
0.25
апрель
154
154
154
154
май
296
225
201
190
июнь
244
235
215
203
июль
90
162
174
175
август
54
108
134
145
сентябрь
256
182
174
172
октябрь
196
189
182
178
ноябрь
240
215
201
194
декабрь
298
256
233
220
Эти данные можно представить в графической форме:
Результаты экспоненциального сглаживания могут быть использованы для краткосрочных прогнозов на один шаг вперед по временной шкале. Так, для представленных данных можно сделать прогноз объема исходящих местных телефонных соединений (в минутах) на январь. Поскольку при прогнозировании используют высокие значения коэффициента сглаживания, то мы можем воспользоваться уже рассчитанными значениями при = 0.5.
Прогнозным значением на 1 период вперед будет сглаженное значение в последней точке ряда и таким образом объем исходящих местных телефонных соединений (в минутах) в январе равен сглаженному значению декабря, т.е. 256 минут
Рассмотрим 2/3 данного временного ряда и построим прогноз на оставшуюся часть ряда
-
0.5
0.33
0.25
апрель
154
154
154
154
май
296
225
201
190
июнь
244
235
215
203
июль
90
162
174
175
август
54
108
134
145
сентябрь
256
182
174
172
ср. знач
182
178
175
173
Прогнозом на оставшуюся часть ряда будет являться сглаженное значение в последней точке ряда и таким образом объем исходящих местных телефонных соединений (в минутах) в октябре, ноябре и декабре равен сглаженному значению сентября при = 0,5 , т.е. 182 минуты
Прогноз может быть построен с помощью модели линейного роста, например, следующего вида
, где -текущие оценки коэффициентов модели в момент времени t;
- период упреждения прогноза.
В качестве начальных значений оценок коэффициентов модели можно взять средние значения ряда.
Оценки коэффициентов модели рассчитаем по формулам
Результат расчетов:
212 25,
тогда прогноз на октябрь y = 212+1*25= 237
на ноябрь y = 212+2*25 = 262
на декабрь y = 212+3*25 = 287.
Сравнив полученный прогноз со значениями исходящих звонков в минутах с данными в последней трети динамического ряда, а именно 196, 240, 298, приходим к выводу, что построенная модель может давать прогноз с небольшими ошибками.
Для визуального сравнения построим в одних осях графики данного ВР, выравненного ВР, тренда и прогноза на последнюю треть ряда.