- •1. Основные определения. Технология моделирования
- •2. Методология моделирования
- •3. Анализ моделируемой системы и постановка задач
- •4.Второй этап моделирования. Формализация. Решение Задачи. Выбор метода моделирования
- •5. Корреляционный анализ
- •6.Третий этап моделирования. Разработка имитационных моделей.
- •7.Генерация равномерно-распределенных случайных чисел. Оценка их качества на тестах (по книге).
- •Тест частот
- •8.Планирование имитационных экспериментов. Концепция «черного ящика» Планирование экспериментов
- •9.План дфэ (дробных факторных экспериментов).
- •10. Рцкп (ротатабельный центральный композиционный план).
- •12.Тактическое планирование имитационных эксперементов
- •14.Основные свойства системы Arena.
- •15. Кластерный анализ. Евклидово расстояние. Ближайший сосед. Наиболее удаленный сосед. По среднему значению. Расстояние Хемминга.
- •1. Фр, фп, мпф, Равномерный экспоненциальный закон.
- •2. Метод моментов. Равномерный закон.
- •Метод моментов для равномерного закона
- •3. Метод моментов. Нормальный закон.
- •4. Метод моментов. Экспоненциальный закон.
- •5. Метод моментов. Гиперэкспоненциальный закон.
- •Решим полученное квадратное уравнение.
- •6. Метод моментов. Специальный эрланговский закон.
- •7. Метод обратной функции. Достоинства и недостатки.
- •Достоинства и недостатки аналитического метода генерации случайных чисел
- •8. Табличный метод генерации случайных чисел. Достоинства и недостатки.
- •9. План пфэ (полного факторного эксперимента).
- •10. План оцкп (ортогональный центральный композиционный план).
- •12. Применение дисперсионного анализа для оценки качества уравнений регрессии. Оценка значимости коэффициентов полинома.
- •13. Метод оптимизации по системе ур-й в частных производных.
- •14. Геометрический метод для 2 факторов.
- •15. Метод Ньютона.
- •1. Временные динамические ряды. Основные понятия. Проверка гипотез о существовании тенденций. Временные ряды
- •2. Сглаживание и прогнозирование методом скользящих средних. В чем смысл введения взвешиваний.
- •Сглаживание
- •Метод скользящих средних
- •Взвешенные скользящие средние
- •3. Сглаживание и прогнозирование экспоненциальных средних
- •4. Прогнозирование на нейронных сетях Прогнозирование на нейронных сетях
- •5. Группировка. Общие понятия. Постановка задачи и технология проведения кластерного анализа.
2. Сглаживание и прогнозирование методом скользящих средних. В чем смысл введения взвешиваний.
Метод скользящего среднего (СС) является наиболее простым из известных методов, он позволяет сгладить периодические и случайные колебания в ВДР и тем самым выявить наличие имеющейся тенденции его изменения. В центрированном сглаживании данные усредняются слева и справа от выбранной точки. Такой вид сглаживания имеет существенный недостаток: сигнал об изменении тенденции существенно запаздывает во времени. Однако необходимо как можно раньше определить момент изменения тенденции, чему способствует использование нецентрированного СС. В существующих ППП [5,13] для сглаживания и прогнозирования применяется нецентрированное СС.
В нецентрированном СС усредненная величина заменяет не центральный член интервала усреднения, а его последний член
,
где yi – фактическое значение переменной на i-ом интервале времени;
- сглаженное, или спрогнозированное значение переменной на j-ом интервале времени;
m – интервал усреднения.
Для прогнозирования, начиная со значения n+1 и по r, спрогнозированные значения вычисляются по формуле
.
Сводные результаты сглаживания и прогнозирования методом скользящего среднего при изменении интервала сглаживания m приведены в таблице 5.2.1.
По результатам таблицы 5.2.1 были сделаны следующие выводы:
-
Изменение фактора сглаживания m: 3, 5, 7, 9 с целью выявления наилучшего значения, обеспечивающего минимальную ошибку прогнозирования, существенных результатов по улучшению достоверности не дало. Для каждого показателя деятельности предприятия наилучшие спрогнозированные значения были получены при различных значениях интервала усреднения.
Сглаживание
Суть сглаживания сводится к замене фактических уровней ВДР расчётными, имеющими меньшие колебания, чем исходные данные.
На практике наиболее часто используют следующие методы:
-
Скользящих средних
-
Взвешенных скользящих средних
-
Экспоненциальный
-
Метод скользящих средних
Выбирается интервал сглаживания – нечётное число , где может меняться как целочисленное значение 1, 2, 3…и расчёт производится для центра интервала:
Так как каждый раз мы добавляем 1 новый член и 1 вычитаем, то другая запись в виде скользящей средней:
Три свойства скользящих средних
-
Уменьшение нерегулярности колебаний в ряде
-
Чем больше , тем больше сглаживание
-
Смещение сглаженных значений
-
Пропадание начальных и конечных значений ряда (концы таблиц)
-
Если требуется сгладить циклические ВДР, то интервал берётся равным или кратным циклу.
Для того, чтобы не пропадали крайние точки, используют сглаживающие формулы:
при
, ;
Для крайних значений:
при
, ;
Для крайних значений:
****
****
-
Взвешенные скользящие средние
Для устранения недостатков предыдущего метода по смещению экстремальных значений (пиков) и потере мелких колебаний используют взвешенные скользящие, в которых каждой переменной, участвующей в сглаживании придается удельный вес, соответствующий её положению относительно вычисляемого значения.
(Этот вес определяется МНК с требованием, чтобы сумма квадратов отклонений вычисленных значений от исходных была минимальной.) необязательная фраза.
для :
для :