- •К лабораторной работе № 3
- •Севастополь
- •1 Цель работы
- •2 Теоретические сведения
- •2.1 Наивные модели
- •2.2 Методы прогнозирования, основанные на усреднении
- •2.2.1 Простые средние
- •2.2.2 Скользящие средние
- •2.2.3 Двойные скользящие средние
- •2.3 Методы экспоненциального сглаживания
- •2.3.1 Метод простого экспоненциального сглаживания
- •2.3.2 Экспоненциальное сглаживание с учетом тренда: метод Хольта
- •2.3.3 Экспоненциальное сглаживание с учетом тренда и сезонных вариаций: метод Винтерса
- •3 Практическая часть
- •3.1 Постановка задачи
- •3.2 Пример анализа данных с использованием ms Excel
- •3.3 Пример анализа данных с использованием Minitab for Windows
- •4 Порядок выполнения работы
- •5 Контрольные вопросы
- •Библиографический список
МИНИСТЕРСТВО ОБРАЗОВАНИЯ УКРАИНЫ
Севастопольский национальный технический университет
Кафедра Экономики и маркетинга
Методические указания
К лабораторной работе № 3
”Использование наивных методов прогнозирования, методов основанных на усреднении и методов экспоненциального сглаживания“
по дисциплине “Прогнозирование деятельности предприятия”
для студентов всех форм обучения
Севастополь
2008
СОДЕРЖАНИЕ
1 Цель работы 3
2 Теоретические сведения 3
2.1 Наивные модели 3
2.2 Методы прогнозирования, основанные на усреднении 3
2.3 Методы экспоненциального сглаживания 5
3 Практическая часть 8
3.1 Постановка задачи 8
3.2 Пример анализа данных с использованием MS Excel 8
3.3 Пример анализа данных с использованием Minitab for Windows 12
4 Порядок выполнения работы 17
5 Контрольные вопросы 17
Библиографический список 18
1 Цель работы
Ознакомиться с основными возможностями анализа и прогнозирования данных с использованием наивных методов прогнозирования, методов основанных на усреднении и методов экспоненциального сглаживания в Minitab for Windows и MS Excel.
2 Теоретические сведения
2.1 Наивные модели
Часто в процессе прогнозирования аналитик сталкивается с проблемой отсутствия достаточного количества исходных данных, что не позволяет применять большинство методик прогнозирования. В подобном случае наивные прогнозы единственно возможное решение.
При наивном прогнозировании полагается, что последний период лучше всего предсказывает будущее. Следовательно, самой простой моделью является:
где - прогноз для момента времени t+1.
Поскольку наивное прогнозирование не учитывает все прочие наблюдения, в этой схеме изменения отслеживаются очень быстро.
Также наивные модели позволяют, например:
-
учитывать тренд: или ;
-
учитывать сезонность: (сезонность равная четырем периодам).
Число и сложность наивных моделей ограничивается лишь изобретательностью аналитика .
Наивные методы могут также служить основой для принятия решений при сравнении характеристик, полученных с помощью более сложных методов.
2.2 Методы прогнозирования, основанные на усреднении
2.2.1 Простые средние
В методе простого среднего для создания прогноза на следующий период используется среднее значение всех значимых прошлых наблюдений.
Метод простых средних приемлем в тех случаях, когда процессы, генерирующие временные ряды, стабилизировались, а окружение, в котором существуют эти ряды, в основном, неизменно.
Характеристика и основные свойства средних величин подробно рассмотрены в Методических рекомендациях к выполнению лабораторной работы № 1.
2.2.2 Скользящие средние
При использовании метода простых средних прогнозирование выполняется на основе усреднения всех существующих данных. Однако, часто аналитика больше интересуют самые последние наблюдения. Тогда фиксируется число точек данных, подлежащих усреднению, и ограничиваются только последними наблюдениями. Для описания такой модели используется термин скользящее среднее. Как только новое наблюдение становится доступным, оно включается в усреднение, а наиболее старое соответственно исключается. Вычисленное скользящее среднее используется для создания прогноза на следующий период.
Важно, что в методике скользящего среднего используются только последние k наблюдений и число точек, подлежащих усреднению, не меняется со временем. Модель, построенная по данной методике, не очень хорошо учитывает тренд и сезонные вариации, хотя делает это лучше, чем метод простого среднего.