На головну

 ПРИКЛАД 4 |  ПРИКЛАД 5 |  ПРИКЛАД 6 |  ПРИКЛАД 7 |  УЗАГАЛЬНЕННЯ |  ЩО ТАКЕ ПРОГНОЗУВАННЯ? |  ПРОГНОЗНІ НАБЛИЖЕННЯ |  Тимчасові ІНТЕРВАЛИ ПРОГНОЗУВАННЯ |  ПРИКЛАД 2 |  ПРИКЛАД 3 |

ПРИКЛАД 5

  1.  III. Приклади фізіологічного будови тварин
  2.  Nbsp; Приклад 7.3 / Змінивши умови прикладу 7.1: відсотки нараховуються 3 рази в рік за ставкою 15% річних і платежі по ренті здійснюються 3 рази в рік.
  3.  UML. Концептуальний рівень. Діаграма класів і правила її побудови. Приклад.
  4.  VII. Тематика випускних кваліфікаційних робіт з дисципліни. (Орієнтовна тематика).
  5.  VII. Тематика випускних кваліфікаційних робіт з дисципліни. (Орієнтовна тематика).
  6.  А раз МЕНЕ БОГА поки з Руху самі вигнали, стали під управління Темряви, то і Буду вам знову Показувати на прикладах - як воно жити без МЕНЕ, без БОГА.
  7.  А тепер відгадайте, хто їй сподобався і хто за нею інтенсивно доглядав? Правильно! Саме він - єдиний алкоголік в клініці. І таких прикладів можна навести безліч.

Велике підприємство використовує експоненціальні згладжування для прогнозу попиту на обладнання для контролю за забрудненням. Вважається, що тренд існує.

 місяць  попит  місяць  попит
   

Константи згладжування визначені значеннями ? = .2 і ? = .4. Передбачуваний початковий прогноз для місяця 1 був 11 одиниць.

Крок 1. Прогноз для місяця 2 (F2) = Прогноз для місяця 1 (F1) + (Попит місяці 1 - Прогноз для місяця 1):

F2 = 11 + .2 (12 - 11) = 11,0 + .2 = 11,2.

Крок 2. Розраховуємо поточний тренд. Припускаємо початковий тренд, рівний нулю, т. Е. Т1 = 0.

Т2 = (1 -?) Т1 + ? (F2 - F1) = 0 + .4 (11,2 - 11,0) = 0,08.

Крок 3. Розраховуємо прогноз, що включає тренд (FIT):

FIT 2 = F2+ T2 = 11,2 + .08 = 11,28.

Ми будемо робити такі розрахунки також для третього місяця.

Крок 1. F3 = F2 + ? (Попит місяці 2 - F2 ) = 11,2+ .2 (17 - 11,2) = 12,36.

Крок 2. Т3 = (1 - ?) + ? (F3 - F2) = (1 - .4) .08 +.4 (12,36 - 11,2) = 51.

Крок 3. FIT 3 = F3 + T3 = 12,36 + .51 = 12,87.

Так, простий експонентний прогноз (без урахування тренда) для місяця 2 дорівнював 11,2 одиницям, а прогноз з регульованим трендом дорівнював 11,28 одиницям. В місяці 3 простий прогноз (без урахування тренда) дорівнював 12,36 одиницям, а прогноз з регульованим трендом дорівнював 12,87 одиницям. Природно, різні значення T1 і ? можуть давати навіть кращі оцінки.

Наступна таблиця містить прогнози для дев'ятимісячного періоду. Мал. 4.3 порівнює поточний попит, прогноз без урахування тренда (F1) і прогноз з урахуванням тренда (FIT1).

 місяць  Поточний попит  прогнозFt(Без урахування тренда)  тренд  З регульованим трендомFITt
 11,00  0,00 -
 11,20  .08  11,28
 12,36  .54  12.87
 13,89  .92  14,81
 14,91  .96  15,87
 16,73  1,30  18,03
 18,58  1,52  20,10
 21,07  1,91  22,98
 23,25  2,02  25,27

Значення трендової константи згладжуються ? схоже на константу ? в тому, що висока ? робить більш представницькими поточні зміни в тренді. Низьке ? дає меншу вагу поточним трендам. Значення ? може бути знайдено шляхом визначення помилок і MAD, використовуваних як вимірювач для порівняння.

Просте експоненціальне згладжування часто відноситься до згладжування першого порядку, а згладжування з трендовим регулюванням називається згладжуванням другого порядку. Інші моделі експоненціального згладжування, включаючи сезонне регулювання і потрійне згладжування, також використовуються, але вони не описані в даній книзі.

Трендові проектування.Метод прогнозування на основі минулих тимчасових серій, який ми будемо обговорювати, називається трендовим проектуванням. Цей метод встановлює лінію тренда по серії точок минулих даних, а потім проектує лінію в майбутнє для середньо- і довгострокових прогнозів. Ряд математичних рівнянь-трендів може бути використаний (наприклад, експоненціальні і квадратні), але в даній секції ми будемо розглядати тільки лінійні (прямолінійні) тренди.

Якщо ми вирішили розвивати лінійний тренд лінійно точним статистичним методом, то можемо застосувати метод найменших квадратів. Цей метод дозволяє отримати пряму лінію, яка мінімізує суму квадратів вертикальних різниць між лінією і кожним поточним наглядом. Мал. 4.4 ілюструє метод найменших квадратів.

Лінія, отримана методом найменших квадратів, описується в термінах її у-Значення (висотою, що відсікається нею на осі у) і її нахилом (лінійним кутом). Якщо ми можемо розрахувати відсікає у-значення і нахил, то можемо описати лінію наступним рівнянням:

у = а + b х, (4.8)

де у - розрахункове значення передбачав змінної (залежної змінної);

а - відрізок, що відсікається прямою на осі у;

b - нахил лінії регресії (або коефіцієнт зміни значення у по відношенню до зміни значення х);

х - незалежна змінна (в даному випадку час).

Статистично, маючи рівняння, ми можемо знайти значення а и b для деякої лінії регресії. Нахил лінії регресії знаходимо так:



де b - нахил лінії регресії;

? - сума значень;

х - Значення незалежної змінної;

у - Значення залежної змінної;

- середнє значення х;

- середнє значення у;

п - число точок даних, або спостережень.

Ми можемо розрахувати відрізок а, відсікається на осі у.

а = - b . (4.10)

Приклад 6 зображує, як використовувати цей підхід.

 



 ПРИКЛАД 4 |  ПРИКЛАД 6
© um.co.ua - учбові матеріали та реферати