Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Задачи по статистике решённые.doc
Скачиваний:
19
Добавлен:
12.03.2015
Размер:
1.16 Mб
Скачать

1,2,3. Расстояния между этим укрупнённым и другими объектами определены по правилу «наиболее удалённого соседа» и представлены в таблице 5.2.5.

Таблица 5.2.5

1,2,3

4,5

6

1,2,3

0

12,17

13,60

4,5

0

3,61

6

0

Жирным шрифтом в таблице 5.2.5 выделено наименьшее расстояние между объединённым объектом 4,5 и шестым объектами. Их объединяем в

один объект 4,5.6. Расстояния между укрупнёнными объектами определены по правилу «наиболее удалённого соседа» и представлены в таблице 5.2.6.

Таблица 5.2.6

1,2,3

4,5,6

1,2,3

0

13.60

4,5,6

0

Таким образом процесс кластерного анализа закончен . Выделено два кластера. Расстояние между кластерами равно 13,6. Дендрограмма

результатов кластерного анализа представлена на рис. 5.2.2.

14 Расстояние

13,60

12

. . .

. . .

. . .

4

2

1 2 3 4 5 6

Номера объектов

Рис. 5.2.2

Дендрограмма, представленная на рис 5.2.2, отличается от дендрограммы, представленной на рис. 5.1.5. Все остальные результаты примера 5.1 и примера 5.2 одинаковы. Повторим их с изменением номеров таблиц. Представим результаты кластерного анализа в виде совокупности двух матриц: расстояний между объектами (таблица 5.2.7) и символов Кронекера (таблица 5.2.8).

Таблица 5.2.7

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Таблица 5.2.8

1

2

3

4

5

6

1

0

1,00

1,00

0,00

0,00

0,00

2

0

1,00

0,00

0,00

0,00

3

0

0,00

0,00

0,00

4

0

1,00

1,00

5

0

1,00

6

0

Подсчитаем сумму расстояний между объектами:

0+2,83+3,16+10,19+12,17+13,60+

0+ 0+ 3,16+ 8,94+10,77+12,53+

0+ 0+ 0+ 7,07+ 9,06+10,44+

0+ 0+ 0+ 0+ 2+ 3,61+

0+ 0+ 0+ 0+ 0+ 2,24 =111,77.

Среднее расстояние = 111,77/15=7,45.

Сумма расстояний между объектами, вошедшими в кластеры:

1∙2,83+1∙3,16+1∙3,16+1∙2,00+1∙3,61+1∙2,24=17,00.

Среднее расстояние между объектами в кластерах = 17,00/6=2,83.

Сумма расстояний между объектами, находящимися в разных кластерах:

(1-0)∙10,19+(1-0)∙12,17+(1-0)∙13,60+

+(1-0)∙8,94+(1-0)∙10,77+(1-0)∙12,53+

+(1-0)∙7,07+(1-0)∙9,06+ (1-0)∙10,44= 94,77.

Среднее расстояние между объектами, находящимися в разных кластерах

=94,77/9=10,53.

Таким образом, мы убедились, что условия постановки задачи выполнены, т.е. среднее расстояние между элементами в кластерах более, чем в два с половиной раза меньше чем среднее расстояние между объектами: 7,45/2,83=2,63; а расстояние между объектами, находящимися в различных кластерах почти в полтора раза превышает среднее расстояние между объектами 10,53/7,45=1,41.

Пример 5.3

Евклидово расстояние. По среднему значению

Требуется разделить шесть объектов на два кластера. Объекты –

информационные системы характеризуются двумя признаками:

Х1-среднее время решения одной задачи в минутах;

Х2-количество задач, в решении которых было отказано ввиду перегрузки информационной системы.

Значения признаков Х1 и Х2 для шести объектов представлены в таблице 5.3.1.

Таблица 5.3.1

1

2

3

4

5

6

X1

2

4

5

12

14

15

X2

8

10

7

6

6

4

Вычислены расстояния между объектами по формуле Евклида по двум признакам, которые представлены в таблице 5.3.2.

Таблица 5.3.2

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Жирным шрифтом в таблице 5.3.2 выделено наименьшее расстояние

между четвёртым и пятым объектами. Их объединяем в один объект 4,5. Расстояния между этим укрупнённым и исходными объектами определены по принципу «среднего значения» и представлены в таблице 5.3.3. Вычисление среднего расстояния пояснено на рис. 5.3.1.

4

3,61

6 m=2,925

2,00

2,24

5

Рис. 5.3.1

Таблица 5.3.3

1

2

3

4,5

6

1

0

2,83

3,16

11,18

13,60

2

0

3,16

9,855

12,53

3

0

8,065

10,44

4,5

0

2,925

6

0

Жирным шрифтом в таблице 5.3.3 выделено наименьшее расстояние

между первым и вторым объектами. Их объединяем в один объект 1,2. Расстояния между этим укрупнённым и остальными объектами определены по принципу « среднего значения» и представлены в таблице 5.3.4.

Таблица 5.3.4

1,2

3

4,5

6

1,2

0

3,16

10,5175

13,065

3

0

8,0650

10,44

4,5

0

2,925

6

0

Жирным шрифтом в таблице 5.3.4 выделено наименьшее расстояние между объектом 4,5 и шестым объектом. Их объединяем в один объект 4,5,6. Расстояния между этим укрупнённым и другими объектами определены по

правилу «среднего значения» и представлены в таблице 5.3.5.

Таблица 5.3.5

1,2

3

4,5,6

1,2

0

3,16

11,79125

3

0

9,25250

4,5.6

0

Жирным шрифтом в таблице 5.3.5 выделено наименьшее расстояние между объединённым объектом 1,2 и третьим объектом. Их объединяем в

один объект 1,2,3. Расстояния между укрупнёнными объектами определены по правилу «среднего значения» и представлены в таблице 5.3.6.

Таблица 5.3.6

1,2,3

4,5,6

1,2,3

0

10,521875

4,5,6

0

Таким образом процесс кластерного анализа закончен. Выделено два

кластера. Расстояние между выделенными кластерами равно 10,52. Дендрограмма результатов кластерного анализа представлена на рис. 5.3.2.

Расстояние

10,52

10

8

6

4

2

1 2 3 4 5 6

Номера объектов

Рис. 5.3.2

Дендрограмма, представленная на рис 5.3.2, отличается от дендрограммы, представленной на рис. 5.1.5. Все остальные результаты примера 5.1 и примера 5.3 одинаковы. Повторим их с изменением номеров таблиц. Представим результаты кластерного анализа в виде совокупности двух матриц: расстояний между объектами (таблица 5.3.7) и символов Кронекера (таблица 5.3.8).

Таблица 5.3.7

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Таблица 5.3.8

1

2

3

4

5

6

1

0

1,00

1,00

0,00

0,00

0,00

2

0

1,00

0,00

0,00

0,00

3

0

0,00

0,00

0,00

4

0

1,00

1,00

5

0

1,00

6

0

Подсчитаем сумму расстояний между объектами:

0+2,83+3,16+10,19+12,17+13,60+

0+ 0+ 3,16+ 8,94+10,77+12,53+

0+ 0+ 0+ 7,07+ 9,06+10,44+

0+ 0+ 0+ 0+ 2+ 3,61+

0+ 0+ 0+ 0+ 0+ 2,24 =111,77.

Среднее расстояние = 111,77/15=7,45.

Сумма расстояний между объектами, вошедшими в кластеры:

1∙2,83+1∙3,16+1∙3,16+1∙2,00+1∙3,61+1∙2,24=17,00.

Среднее расстояние между объектами в кластерах = 17,00/6=2,83.

Сумма расстояний между объектами, находящимися в разных кластерах:

(1-0)∙10,19+(1-0)∙12,17+(1-0)∙13,60+

+(1-0)∙8,94+(1-0)∙10,77+(1-0)∙12,53+

+(1-0)∙7,07+(1-0)∙9,06+ (1-0)∙10,44= 94,77.

Среднее расстояние между объектами, находящимися в разных кластерах

=94,77/9=10,53.

Таким образом, мы убедились, что условия постановки задачи выполнены, т.е. среднее расстояние между элементами в кластерах более, чем в два с половиной раза меньше чем среднее расстояние между объектами: 7,45/2,83=2,63; а расстояние между объектами, находящимися в различных кластерах почти в полтора раза превышает среднее расстояние между объектами 10,53/7,45=1,41.

Пример 5.4

Евклидово расстояние. По медиане

Требуется разделить шесть объектов на два кластера. Объекты –

информационные системы характеризуются двумя признаками:

Х1-среднее время решения одной задачи в минутах;

Х2-количество задач, в решении которых было отказано ввиду перегрузки информационной системы.

Значения признаков Х1 и Х2 для шести объектов представлены в таблице 5.4.1.

Таблица 5.4.1

1

2

3

4

5

6

X1

2

4

5

12

14

15

X2

8

10

7

6

6

4

Вычислены расстояния между объектами по формуле Евклида по двум признакам, которые представлены в таблице 5.4.2.

Таблица 5.4.2

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Жирным шрифтом в таблице 5.4.2 выделено наименьшее расстояние

между четвёртым и пятым объектами. Их объединяем в один объект 4,5. Расстояния между этим укрупнённым и исходными объектами определены по принципу «медианы» и представлены в таблице 5.4.3. Применение принципа по вычислению расстояния между первым объектом и формирующимся объектом, состоящим из 4 и 5 объектов поясняется рис.5.4.1.

4

b=3,61

6

m=2,83 a=2,00

c=2,24

5

Рис.5.4.1

Таблица 5.4.3

1

2

3

4,5

6

1

0

2,83

3,16

7,8692705

13,60

2

0

3,16

6,9266965

12,53

3

0

5,6583675

10,44

4,5

0

2,8328

6

0

Жирным шрифтом в таблице 5.4.3 выделено наименьшее расстояние

между первым и вторым объектами. Их объединяем в один объект 1,2. Расстояния между этим укрупнённым и остальными объектами определены по правилу « медианы» и представлены в таблице 5.4.4.

Таблица 5.4.4

1,2

3

4,5

6

1,2

0

2,8254866

7,2767125

12.999162

3

0

5,6583675

10,44

4,5

0

2,8328

6

0

Жирным шрифтом в таблице 5.4.4 выделено наименьшее расстояние между объектом 1,2 и третьим объектом. Их объединяем в один объект 1,2.3. Расстояния между этим укрупнённым и другими объектами определены по

принципу «медианы» и представлены в таблице 5.4.5.

Таблица 5.4.5

1,2,3

4,5

6

1,2,3

0

6,363017

11,704275

4,5

0

2,8328

6

0

Жирным шрифтом в таблице 5.4.5 выделено наименьшее расстояние между объединённым объектом 4,5 и шестым объектом. Их объединяем в

один объект 4,5,6. Расстояния между укрупнёнными объектами определены по принципу «медианы» и представлены в таблице 5.4.6.

Таблица 5.4.6

1,2,3

4,5,6

1,2,3

0

9,4201385

4,5,6

0

Таким образом, процесс кластерного анализа закончен. Выделено два

кластера. Расстояние между кластерами равно 9,42. Дендрограмма результа-тов кластерного анализа представлена на рис. 5.4.2

Расстояние

10

9,42

8

6

4

2

1 2 3 4 5 6

Номера объектов

Рис. 5.4.2

Дендрограмма, представленная на рис 5.4.2, отличается от дендрограммы, представленной на рис. 5.1.5. Все остальные результаты примера 5.1 и примера 5.4 одинаковы. Повторим их с изменением номеров таблиц. Представим результаты кластерного анализа в виде совокупности двух матриц: расстояний между объектами (таблица 5.4.7) и символов Кронекера (таблица 5.4.8).

Таблица 5.4.7

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Таблица 5.4.8

1

2

3

4

5

6

1

0

1,00

1,00

0,00

0,00

0,00

2

0

1,00

0,00

0,00

0,00

3

0

0,00

0,00

0,00

4

0

1,00

1,00

5

0

1,00

6

0

Подсчитаем сумму расстояний между объектами:

0+2,83+3,16+10,19+12,17+13,60+

0+ 0+ 3,16+ 8,94+10,77+12,53+

0+ 0+ 0+ 7,07+ 9,06+10,44+

0+ 0+ 0+ 0+ 2+ 3,61+

0+ 0+ 0+ 0+ 0+ 2,24 =111,77.

Среднее расстояние = 111,77/15=7,45.

Сумма расстояний между объектами, вошедшими в кластеры:

1∙2,83+1∙3,16+1∙3,16+1∙2,00+1∙3,61+1∙2,24=17,00.

Среднее расстояние между объектами в кластерах = 17,00/6=2,83.

Сумма расстояний между объектами, находящимися в разных кластерах:

(1-0)∙10,19+(1-0)∙12,17+(1-0)∙13,60+

+(1-0)∙8,94+(1-0)∙10,77+(1-0)∙12,53+

+(1-0)∙7,07+(1-0)∙9,06+ (1-0)∙10,44= 94,77.

Среднее расстояние между объектами, находящимися в разных кластерах

=94,77/9=10,53.

Таким образом, мы убедились, что условия постановки задачи выполнены, т.е. среднее расстояние между элементами в кластерах более, чем в два с половиной раза меньше чем среднее расстояние между объектами: 7,45/2,83=2,63; а расстояние между объектами, находящимися в различных кластерах почти в полтора раза превышает среднее расстояние между объектами 10,53/7,45=1,41.

Пример 5.5

Евклидово расстояние. По типовым представителям

Требуется разделить шесть объектов на два кластера. Объекты –

информационные системы характеризуются двумя признаками:

Х1-среднее время решения одной задачи в минутах;

Х2-количество задач, в решении которых было отказано ввиду перегрузки информационной системы.

Значения признаков Х1 и Х2 для шести объектов представлены в таблице 5.5.1.

Таблица 5.5.1

1

2

3

4

5

6

X1

2

4

5

12

14

15

X2

8

10

7

6

6

4

Вычислены расстояния между объектами по формуле Евклида по двум признакам, которые представлены в таблице 5.5.2.

Таблица 5.5.2

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Жирным шрифтом в таблице 5.5.2 выделено наибольшее расстояние

между первым и шестым объектами. Их выбираем в качестве типовых и составим матрицу расстояний между выбранными типовыми и остальными объектами и подсчитаем разницу расстояний каждого объекта от типовых. Результаты вычислений представим в таблице 5.5.3.

Таблица 5.5.3

1

6

1-6

6-1

2

2,83

12,53

-9,70

9,70

3

3,16

10,44

-7,28

7,28

4

10,19

3,61

6.51

-6,51

5

12,87

2,24

10,63

-10,63

Жирным шрифтом в таблице 5.5.3 выделены наименьшие расстояния

между первым и вторым объектами и шестым и пятым объектами. Их объединяем в объекты 1,2 и 5,6. Определим расстояния от укрупнённых объектов до третьего и четвёртого объектов, не вошедших в формируемые кластеры по правилу «ближайшего соседа». Аналогично таблице 5.5.3 составим следующую таблицу 5.5.4.

Таблица 5.5.4

1,2

5,6

1,2-5,6

5,6-1,2

3

3,16

9,06

-5,90

5,90

4

8,94

2,00

6,94

-6,94

По наименьшему расстоянию формируем два кластера 1,2,3 и 4,5,6.Таким образом, процесс кластерного анализа закончен. Выделено два кластера. Дендрограмма результатов кластерного анализа изображена на

рис. 5.5.1.

14 Расстояние

13,60

12

. . .

. . .

. . .

4

2

1 2 3 4 5 6

Номера объектов

Рис. 5.5.1

Дендрограмма, представленная на рис 5.5.1, отличается от дендрограммы, представленной на рис. 5.1.5. Все остальные результаты примера 5.1 и примера 5.5 одинаковы. Повторим их с изменением номеров таблиц. Представим результаты кластерного анализа в виде совокупности двух матриц: расстояний между объектами (таблица 5.5.5) и символов Кронекера (таблица 5.5.6).

Таблица 5.5.5

1

2

3

4

5

6

1

0

2,83

3,16

10,19

12,17

13,60

2

0

3,16

8,94

10,77

12,53

3

0

7,07

9,06

10,44

4

0

2,00

3,61

5

0

2,24

6

0

Таблица 5.5.6

1

2

3

4

5

6

1

0

1,00

1,00

0,00

0,00

0,00

2

0

1,00

0,00

0,00

0,00

3

0

0,00

0,00

0,00

4

0

1,00

1,00

5

0

1,00

6

0

Подсчитаем сумму расстояний между объектами:

0+2,83+3,16+10,19+12,17+13,60+

0+ 0+ 3,16+ 8,94+10,77+12,53+

0+ 0+ 0+ 7,07+ 9,06+10,44+

0+ 0+ 0+ 0+ 2+ 3,61+

0+ 0+ 0+ 0+ 0+ 2,24 =111,77.

Среднее расстояние = 111,77/15=7,45.

Сумма расстояний между объектами, вошедшими в кластеры:

1∙2,83+1∙3,16+1∙3,16+1∙2,00+1∙3,61+1∙2,24=17,00.

Среднее расстояние между объектами в кластерах = 17,00/6=2,83.

Сумма расстояний между объектами, находящимися в разных кластерах:

(1-0)∙10,19+(1-0)∙12,17+(1-0)∙13,60+

+(1-0)∙8,94+(1-0)∙10,77+(1-0)∙12,53+

+(1-0)∙7,07+(1-0)∙9,06+ (1-0)∙10,44= 94,77.

Среднее расстояние между объектами, находящимися в разных кластерах

=94,77/9=10,53.

Таким образом, мы убедились, что условия постановки задачи выполнены, т.е. среднее расстояние между элементами в кластерах более, чем в два с половиной раза меньше чем среднее расстояние между объектами: 7,45/2,83=2,63; а расстояние между объектами, находящимися в различных кластерах почти в полтора раза превышает среднее расстояние между объектами 10,53/7,45=1,41.

Пример 5.6

Расстояние Хемминга. Ближайший сосед

Требуется разделить шесть объектов на два кластера. Объекты –

информационные системы характеризуются двумя признаками:

Х1-среднее время решения одной задачи в минутах;

Х2-количество задач, в решении которых было отказано ввиду перегрузки информационной системы.

Значения признаков Х1 и Х2 для шести объектов представлены в таблице 5.6.1.

Таблица 5.6.1

1

2

3

4

5

6

X1

2

4

5

12

14

15

X2

8

10

7

6

6

4

Вычислены расстояния между объектами по формуле Хемминга по двум признакам. Проведение вычислений для второго и пятого объектов пояснено рис.5.6.1 и для второго и шестого объектов рис 5.6.2. Результаты вычислений расстояний по Хеммингу представлены в таблице 5.6.2.

10 Х2

8 1

6 5

4

d15 =|2-14|+|8-6|=14

2

2 4 6 8 10 12 14 Х1

Рис.5.6.1

10 Х2 2

8

6

4 6

2 d26 =|4-15|+|10-4|=17

2 4 6 8 10 12 14 Х1

Рис.5.6.2

Таблица 5.6.2

1

2

3

4

5

6

1

0

4

4

12

14

17

2

0

4

12

14

17

3

0

8

10

13

4

0

2,00

5

5

0

3

6

0

Жирным шрифтом в таблице 5.6.2 выделено наименьшее расстояние между четвёртым и пятым объектами. Их объединяем в один объект 4,5. Расстояния между этим укрупнённым и исходными объектами определены

по правилу «ближайшего соседа» и представлены в таблице 5.6.3.

Таблица 5.6.3

1

2

3

4,5

6

1

0

4

4

12

17

2

0

4

12

17

3

0

8

13

4,5

0

3

6

0

Далее процесс выделения объектов в кластеры производится аналогично ранее рассмотренным методам. По таблице 5.6.3 находим минимальное расстояние между объектом, включающим в себя 4 и 5 объекты, и 6 объектом, которые объединяем в объект 4,5,6 и составляем таблицу 5.6.4.

Таблица 5.6.4

1

2

3

4,5,6

1

0

4

4

12

2

0

4

12

3

0

8

4,5,6

0

Ввиду того, что расстояния между 1,2 и 3 объектами одинаковые и минимальные, то вначале объединяем 1 и 2 объекты и результаты такого объединения помещаем в таблицу 5.6.5. Затем к ним присоединяем 3 объект и результаты объединения помещаем в таблицу 5.6.7.

Таблица 5.6.6

1,2

3

4,5,6

1,2

0

4

12

3

0

8

4,5,6

0

Таблица 5.6.7

1,2,3

4,5,6

1,2,3

0

8

4,5,6

0

На рис.5.6.3 представлена дендрограмма результатов кластерного анализа.

Расстояние

8

8,00

6

4

2

1 2 3 4 5 6

Номера объектов

Рис.5.6.3

Представим результаты кластерного анализа в виде совокупности двух матриц: расстояний между объектами (таблица 5.6.8) и символов Кронекера (таблица 5.6.9).

Таблица 5.6.8

1

2

3

4

5

6

1

0

4

4

12

14

17

2

0

4

12

14

17

3

0

8

10

13

4

0

2,00

5

5

0

3

6

0

Таблица 5.6.9

1

2

3

4

5

6

1

0

1,00

1,00

0,00

0,00

0,00

2

0

1,00

0,00

0,00

0,00

3

0

0,00

0,00

0,00

4

0

1,00

1,00

5

0

1,00

6

0

Подсчитаем сумму расстояний между объектами:

0+ 4+ 4+ 12+ 14+ 17+

0+ 0+ 4+ 12+ 14+ 17+

0+ 0+ 0+ 8+ 10+ 13+

0+ 0+ 0+ 0+ 2+ 5+

0+ 0+ 0+ 0+ 0+ 3 =139.

Среднее расстояние = 139/15=9,27.

Сумма расстояний между объектами, вошедшими в кластеры:

1∙4+1∙4+1∙4+1∙2+1∙5+1∙3=22.

Среднее расстояние между объектами в кластерах = 22/6=3,67.

Сумма расстояний между объектами, находящимися в разных кластерах:

(1-0)∙12+(1-0)∙14+(1-0)∙17+

+(1-0)∙12+(1-0)∙14+(1-0)∙17+

+(1-0)∙8+(1-0)∙10+(1-0)∙13= 117.

Среднее расстояние между объектами, находящимися в разных кластерах

=117/9=13.

Таким образом, мы убедились, что условия постановки задачи выполнены, т.е. среднее расстояние между элементами в кластерах более, чем в два с половиной раза меньше чем среднее расстояние между объектами: 9,27/3,67=2,52; а расстояние между объектами, находящимися в различных кластерах почти в полтора раза превышает среднее расстояние между объектами 13/9,27=1,4.

Рассмотренные шесть примеров наглядно продемонстрировли методику применения основных методов кластерного анализа. Получение одинаковых результатов по всем рассмотренным методам объясняется сравнительной несложностью рассматриваемого примера. При усложнении примера следует ожидать различий в результатах кластерного анализа.

Задание 1.6

Пример 6.1

Провести сглаживание и временное прогнозирование количества персональных компьютеров в организациях РФ в тысячах методом скользящего среднего с шагом m=3 числа. Первые пять значений использовать для прогнозирования; три последних значения использовать для оценки качества аппроксимации и спрогнозировать ещё три значения на 2011, 2012 и 2013 годы.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Вычислим сглаженные значения числа ПК:

Вычислим цепной годовой прирост:

Вычислим спрогнозированные значения числа ПК для оценки качества:

Вычислим среднее значение для трёх спрогнозированных лет:

Вычислим среднеквадратическую ошибку прогнозирования:

Вычислим отношение ошибки к среднему значению:

Так как отношение среднеквадратической ошибки к среднему значению превышает рекомендуемое значение 0.05 сравнительно на немного, то резуль-тат признаем допустимым.

Полученные результаты сглаживания и прогнозирования.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Число ПК:

сглаженное,

спрогнозир.

4026.6

4806.1

5650.6

6640.7

7485.1

7436.6

8032.0

8495.7

Спрогнозируем количество ПК в 2011, 2012, 2013 годах.

Вычислим спрогнозированные значения числа ПК для оценки качества:

Полученные результаты сглаживания и прогнозирования.

Год

2008

2009

2010

2011

2012

2013

Число ПК

8267,3

8743,7

9288,1

-

-

-

Число ПК:

спрогнозированное

7436.6

8032.0

8495.7

8832.6

9297.9

9719.9

На рис.6.1 результаты сглаживания и прогнозирования представлены в графическом виде.

у

11

10

9

Экспериментальные значения

8

Спрогнозированные значения

7

6

Сглаженные значения

5

4

3 4 5 6 7 8 9 10 11 12 13 х

Рис.6.1

Пример 6.2

Провести сглаживание и временное прогнозирование количества персональных компьютеров в организациях РФ в тысячах методом взвешенного скользящего среднего с шагом m=3 числа. Первые пять значений использовать для прогнозирования; три последних значения использовать для оценки качества аппроксимации и спрогнозировать ещё три значения на 2011, 2012 и 2013 годы.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Вычислим сглаженные значения числа ПК:

Вычислим цепной годовой прирост:

Вычислим спрогнозированные значения числа ПК для оценки качества:

Вычислим среднее значение для трёх спрогнозированных лет:

Вычислим среднеквадратическую ошибку прогнозирования:

Вычислим отношение ошибки к среднему значению:

Так как отношение среднеквадратической ошибки к среднему значению меньше рекомендуемого значения 0.05 примерно в два раза, то результат прогнозирования признаем удовлетворительным.

Полученные результаты сглаживания и прогнозирования.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Число ПК:

сглаженное,

спрогнозир.

4026.6

4806.1

5585.7

6713.5

7550.1

8302,3

9020,1

9729,6

Спрогнозируем количество ПК в 2011, 2012, 2013 годах.

Вычислим спрогнозированные значения числа ПК для оценки качества:

Полученные результаты сглаживания и прогнозирования.

Год

2008

2009

2010

2011

2012

2013

Число ПК

8267,3

8743,7

9288,1

-

-

-

Число ПК:

спрогнозированное

8302,3

9020,1

9729,6

10434,7

11139,2

11843,0

На рис.6.2 результаты сглаживания и прогнозирования представлены в графическом виде.

у

12

11

10

9

Экспериментальные значения Спрогнозированные значения

8

7

6

Сглаженные значения

5

4

3 4 5 6 7 8 9 10 11 12 13 х

Рис.6.2

Пример 6.3

Провести сглаживание и временное прогнозирование количества персональных компьютеров в организациях РФ в тысячах экспоненциальным методом с α=0,3. Первые пять значений использовать для прогнозирования; три последних значения использовать для оценки качества аппроксимации и спрогнозировать ещё три значения на 2011, 2012 и 2013 годы.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Вычислим сглаженные значения числа ПК:

Вычислим цепной годовой прирост:

Вычислим спрогнозированные значения числа ПК для оценки качества:

Вычислим среднее значение для трёх спрогнозированных лет:

Вычислим среднеквадратическую ошибку прогнозирования:

Вычислим отношение ошибки к среднему значению:

Так как отношение среднеквадратической ошибки к среднему значению превышает рекомендуемое значение 0.05 более чем в четыре раза результат признаем неудовлетворительным.

Полученные результаты сглаживания и прогнозирования.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Число ПК:

сглаженное,

спрогнозир.

4150,5

4272,8

4703,9

5298.0

5967,1

5752,0

6155,9

6126,5

Спрогнозируем количество ПК в 2011, 2012, 2013 годах.

Полученные результаты прогнозирования.

Год

2008

2009

2010

2011

2012

2013

Число ПК

8267,3

8743,7

9288,1

-

-

-

Число ПК:

спрогнозированное

5752,0

6155,9

6126,5

6400,4

6462,0

6672,2

На рис.6.3 результаты сглаживания и прогнозирования представлены в графическом виде.

у

11

10

9

Экспериментальные значения

8

Спрогнозированные значения

7

6

5

Сглаженные значения

4

3 4 5 6 7 8 9 10 11 12 13 х

Рис.6.3

Пример 6.4

Провести сглаживание и временное прогнозирование количества персональных компьютеров в организациях РФ в тысячах экспоненциальным методом с α=0,9. Первые пять значений использовать для прогнозирования; три последних значения использовать для оценки качества аппроксимации и спрогнозировать ещё три значения на 2011, 2012 и 2013 годы.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Вычислим сглаженные значения числа ПК:

Вычислим цепной годовой прирост:

Вычислим спрогнозированные значения числа ПК для оценки качества:

Вычислим среднее значение для трёх спрогнозированных лет:

Вычислим среднеквадратическую ошибку прогнозирования:

Вычислим отношение ошибки к среднему значению:

Так как отношение среднеквадратической ошибки к среднему значению меньше рекомендуемого значения 0.05 более чем в четыре раза, то результат признаем вполне приемлемым.

Полученные результаты сглаживания и прогнозирования.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Число ПК:

сглаженное,

спрогнозир.

4150,5

4517,5

5590,4

6574,6

7433,0

8107.2

8799.8

9490.6

Спрогнозируем количество ПК в 2011, 2012, 2013 годах.

Полученные результаты прогнозирования.

Год

2008

2009

2010

2011

2012

2013

Число ПК

8267,3

8743,7

9288,1

-

-

-

Число ПК:

спрогнозированное

8107.2

8799.8

9490.6

10181.5

10872.5

11563.4

На рис.6.4 результаты сглаживания и прогнозирования представлены в графическом виде.

у

12

11

Спрогнозированные значения

10

9

Экспериментальные значения

8

7

6

Сглаженные значения

5

4

3 4 5 6 7 8 9 10 11 12 13 х

Рис.6.4

Пример 6.5

Провести сглаживание и временное прогнозирование количества персональных компьютеров в организациях РФ в тысячах методом наименьших квадратов с линейной функцией у=b0+b1·x. Первые пять значений использовать для прогнозирования; три последних значения использовать для оценки качества аппроксимации и спрогнозировать ещё три значения на 2011, 2012 и 2013 годы.

Год

2003

2004

2005

2006

2007

2008

2009

2010

х

3

4

5

6

7

8

9

10

Число ПК=у

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Вычислим вспомогательные переменные:

Вычислим коэффициенты аппроксимирующего уравнения регрессии:

Таким образом получили аппроксимирующее уравнение:

y=1285.41+888.15·x.

Вычислим сглаженные значения числа ПК:

Вычислим спрогнозированные значения числа ПК для оценки качества:

Вычислим среднее значение для трёх спрогнозированных лет:

Вычислим среднеквадратическую ошибку прогнозирования:

Вычислим отношение ошибки к среднему значению:

Так как отношение среднеквадратической ошибки к среднему значению меньше рекомендуемого значения 0.05, то результат признаем удовлетвори-тельным.

Полученные результаты сглаживания и прогнозирования.

Год

2003

2004

2005

2006

2007

2008

2009

2010

Число ПК

4150,5

4558,3

5709,6

6684,0

7528,4

8267,3

8743,7

9288,1

Число ПК:

сглаженное,

спрогнозир.

3949.9

4838.0

5726.2

6614.3

7502.5

8390.6

9278.8

10166.9

Спрогнозируем количество ПК в 2011, 2012, 2013 годах.

Вычислим спрогнозированные значения числа ПК для оценки качества:

Год

2008

2009

2010

2011

2012

2013

Число ПК

8267,3

8743,7

9288,1

-

-

-

Число ПК:

спрогнозированное

8390.6

9278.8

10166.9

11055.1

11943.2

12831.4

Результаты сглаживания и прогнозирования в графическом виде представлены на рис. 6.5.

у

13

12

11

Спрогнозированные значения у=1285+888·х

10

9

Экспериментальные значения

8

7

6

Сглаженные значения

5

4

3 4 5 6 7 8 9 10 11 12 13 х

Рис.6.5