- •Конспект лекций по учебной дисциплине
- •1.4. Классификация предвидений (прогнозов)
- •1.5. Принципы организации прогнозирования
- •1.6. Порядок прогнозирования
- •Доп. Вопросы (для экзамена на 5)
- •Раздел 1. Прогнозирование методами математической статистики Тема 2. Корреляционные методы
- •2.1. Графическое представление вариационных рядов
- •2.2. Зависимость применимости метода прогнозирования от шкалы
- •2.2.1. Номинальная шкала
- •2.2.2. Ранговая шкала
- •2.2.3. Метрические шкалы
- •Тема 3. Трендовая модель прогнозирования
- •3.1. Понятие временного ряда
- •3.2. Задачи анализа временного ряда
- •3.3. Первоначальная подготовка данных
- •3.4. Задача построения аналитического тренда
- •3.5. Определение базы построения тренда
- •3.6. Наиболее употребимые виды трендов
- •3.7. Графический способ определения вида уравнения (типа) тренда
- •3.8. Определение тренда на основе сглаживания ряда
- •3.8.1. Механическое сглаживание
- •3.8.2. Аналитическое сглаживание
- •3.9. Тестовый способ определения вида уравнения (типа) тренда
- •3.10. Прогнозирование по тренду
- •3.11. Оценка качества прогнозов
- •5.1. Определение периода цикличности на основе функции автокорреляции
- •5.2. Сглаживание по нечётной базе
- •5.3. Сглаживание по четной базе
- •5.4. Взвешенное сглаживание
- •5.5. Достоинства и недостатки метода
- •5.6. Прогнозирование на основе сглаживания
- •Тема 6. Метод экспоненциального сглаживания и его использование в прогнозировании
- •6.1. Выбор параметра сглаживания
- •7.2. Метод наименьших квадратов
- •7.5. Тренды на основе сплайн-функций ???
- •Вопросы на 5
- •Тема 8. Анализ цикличности (сезонности)
- •8.1. Задача выявления сезонных колебаний
- •8.2. Определение сезонной составляющей при аддитивной сезонности
- •8.3. Определение сезонной составляющей при мультипликативной сезонности.
- •8.4. Выявление сезонности с использованием тригонометрических функций
- •9.2.1. Поворотные точки
- •9.2.2. Длина фазы
- •9.2.3. Критерий, основанный на знаках разностей
- •9.2.4. Критерии, основанные на ранговой корреляции
- •9.2.5. Сравнительный анализ критериев
- •9.3. Практические способы анализа ошибки ??? Тема 10. Прогнозирование на основе регрессионных моделей
- •10.1. Понятие регрессии
- •10.2. Отбор факторов для регрессии
- •10.3. Вид функции регрессии
- •10.4. Расчет параметров регрессии
- •10.5. Прогнозирования на основе регрессионных моделей
- •10.6. Авторегрессия
- •Тема 11. Производственные функции
- •11.1. Общая характеристика производственной функции
- •11.2. Функция Кобба-Дугласа. Общая характеристика
- •11.3. Функция Кобба-Дугласа. Расчет параметров
- •12.1.2. Задачи о «смесях»
- •12.1.3. Задачи о «раскрое»
- •12.1.4. Общая планово-производственная задача. Выбор интенсивностей использования различных технологических способов производства
- •12.1.5. Распределение ресурсов во времени. Оптимальное регулирование запасов
- •12.2. Графическое решение задачи
- •15.1. Прогнозирование на основе групповой экспертной оценки
- •15.2. Применение метода "Дельфи" для прогнозирования
- •Тема 16. Самореализующиеся прогнозы
- •Тема 17. Имитационное моделирование
9.2.1. Поворотные точки
Наиболее простой для применения критерий, особенно если ряд изображен графически, состоит в подсчете пиков и впадин. «Пик»— это величина, которая больше двух соседних. «Впадина», наоборот, - значение, которое меньше двух соседних, Оба эти значения называются «поворотными точками» и нам предстоит рассмотреть вопрос: каково распределение числа поворотных точек в случайном ряду?
Рассмотрим конечный ряд из n величин . Начальное значение нельзя считать поворотной точкой, так как неизвестно; и аналогично, нельзя рассматривать в качестве поворотной точки последнее значение, так как неизвестно . Для определения поворотной точки требуются три последовательных значения. Если ряд случаен, то эти три значения могут следовать в любом из шести возможных порядков с равной вероятностью. Только в четырех из них будет поворотная точка, а именно когда наибольшее или наименьшее из трех значений находится в середине. Следовательно, вероятность обнаружения поворотной точки в любой группе из трех значений равна 2/3.
Для группы из n величин определим «счетную» переменную вершин X как
Тогда число поворотных точек р в ряде есть просто , и сразу же получаем:
Это - ожидаемое число поворотных точек (другими словами, поворотная точка приходится примерно на каждые 1,5 наблюдения). Если их больше (редкий случай), то ряд является быстро колеблющимся, и это не может быть объяснено только случайностью. Если же их меньше, то последовательные значения положительно коррелированны. Однако для того, чтобы сделать вывод, существенна ли разница между наблюденным и ожидаемым числом, требуется знать дисперсию р. Можно показать, что с ростом n, распределение быстро приближается к нормальному с дисперсией
9.2.2. Длина фазы
Определенный интерес представляет не только число поворотных точек, но и распределение интервалов между ними. Интервал между двумя поворотными точками называется «фазой». Таким образом, если — впадина, a — пик, то между ними будет фаза длины 1.
Для того, чтобы установить наличие фазы длины d (скажем, восходящей), нужно обнаружить d + 3 членов, содержащих падение первого члена ко второму, затем последовательный подъем до (d+2)-го члена и падение к (d+3)-му члену. Рассмотрим такую группу из (d+3) значений в порядке их возрастания. Если, не трогая двух крайних членов, извлечь пару чисел из оставшихся d+1 и одно из них поставить в начало, а другое в конец, получим фазу длины d. Существует 1/2d(d+1) способов такого выбора пары чисел, и каждый член пары может быть поставлен в любой конец, следовательно, число восходящих фаз равно d(d+1). Кроме того, можно первый член поставить в конец, а любой другой, кроме второго, в начало и получить ещё (d+1) случаев. Можно также последний член поставить в начало, а любой другой, кроме предпоследнего, в конец, что даёт ещё (d+1) случаев. При этом надо исключить двойной счет случая, когда первый член становится на последнее место, а последний на первое. Всего существует
фаз случаев роста. Следовательно, вероятность либо восходящей, либо нисходящей фазы в группе чисел равна
В ряде длины n последовательно можно выделить n-d-2 групп по d+3 членов. Таким образом, математическое ожидание числа фаз длины d во всем ряде равно
а математическое ожидание общего числа фаз длины от 1 до n-3, которое обозначим через N, будет
Пример
В данных имеется 34 фазы. Фактическое число фаз различной длины и их теоретическое число, определяемое выражением для N, будет следующим:
Длина фазы |
Число наблюдаемых фаз |
Теоретическое число фаз |
1 |
23 |
21,25 |
2 |
7 |
9,17 |
3 |
4 |
2,59 |
ИТОГО |
34 |
33,01 |
Согласие хорошее, поэтому проверка существенности вряд ли необходима.
Сравнение наблюденного и теоретического числа фаз с помощью критерия обычного вида неправомерно вследствие того факта, что длины фаз не являются независимыми. Уоллис и Мур пришли к выводу, что при разбиении длин фазы на три группы, d = 1, 2, >= 3, при значениях >= 6,3 может быть использован критерий с 2½ степенями свободы, а для более низких значений - критерий 6/7 с двумя степенями свободы.