PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

Podobne dokumenty
PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZY I SYMULACJE

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

Prognozowanie i symulacje

Prognozowanie i symulacje

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego

WSPOMAGANIE PROCESÓW DECYZYJNYCH

Szereg czasowy z trendem. Model Holta. Stosujemy dwa równania rekurencyjne: I - słuy do wyznaczania wygładzonych wartoci szeregu czasowego w chwili t

Prognozowanie na podstawie szeregów czasowych.

Metody statystyczne w naukach biologicznych

PROGNOZY I SYMULACJE

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

Matematyka ubezpieczeń majątkowych r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Analiza szeregów czasowych uwagi dodatkowe

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE. Strona 1

Cechy szeregów czasowych

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

Dane modelu - parametry

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Wykład 6. Badanie dynamiki zjawisk

Funkcja generująca rozkład (p-two)

MODEL TENDENCJI ROZWOJOWEJ

STATYSTYKA OPISOWA PODSTAWOWE WZORY

Wykład 6. Badanie dynamiki zjawisk

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

STATYSTYKA OPISOWA PODSTAWOWE WZORY

TRANZYSTORY POLOWE JFET I MOSFET

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

Prognozowanie i symulacje

PROGNOZOWANIE. mgr inż. Martyna Malak. Katedra Systemów Logistycznych.

. Dla każdego etapu t znamy funkcję transformacji stanu (funkcja przejścia):

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

KRÓTKOTERMINOWE PROGNOZOWANIE WIELKO CI UDZIAŁU KOMPONENTÓW USZKODZONYCH W PRODUKCJI CAŁKOWITEJ Z WYKORZYSTANIEM KLASYCZNYCH METOD PREDYKCJI

Wygładzanie metodą średnich ruchomych w procesach stałych

PROGNOZY I SYMULACJE

Instytut Logistyki i Magazynowania

POLITECHNIKA OPOLSKA

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Sygnały pojęcie i klasyfikacja, metody opisu.

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.

Statystyka matematyczna. Wykład II. Estymacja punktowa

I. Podzielność liczb całkowitych

Ocena dopasowania modelu do danych empirycznych

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

ZASTOSOWANIE ZMODYFIKOWANEJ METODY WSKA NIKÓW SEZONOWO CI DO PROGNOZOWANIA WIELKO CI POPYTU

Twierdzenia graniczne:

Statystyka Inżynierska

Estymacja przedziałowa

Ekonometria I materiały do ćwiczeń

MODELOWANIE I PROGNOZOWANIE

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM.

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2.

ESTYMACJA PARAMETRÓW FUNKCJI REGRESJI METODĄ KLASYCZNĄ ORAZ METODAMI BOOTSTRAPOWYMI**

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

MATEMATYKA wykład 1. Ciągi. Pierwsze 2 ciągi są rosnące (do nieskończoności), zaś 3-i ciąg jest zbieŝny do zera. co oznaczamy przez

Obligacja i jej cena wewnętrzna

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2010, Oeconomica 280 (59),

Przełączanie diody. Stan przejściowy pomiędzy stanem przewodzenia diod, a stanem nieprzewodzenia opisuje się za pomocą parametru/ów czasowego/ych.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

Podprzestrzenie macierzowe

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Statystyka Wzory I. Analiza struktury

Rozkład normalny (Gaussa)

Wykład 7: Układy dynamiczne

Jak obliczać podstawowe wskaźniki statystyczne?

Ćwiczenie 3. H 1 : p p 0 H 3 : p > p 0. b) dla małej próby statystykę testową oblicza się za pomocą wzoru:

Modele zmienności aktywów ryzykownych. Model multiplikatywny Rozkład logarytmiczno-normalny Parametry siatki dwumianowej

Związek między ruchem harmonicznym a ruchem jednostajnym po okręgu

Wykład FIZYKA I. 2. Kinematyka punktu materialnego. Dr hab. inż. Władysław Artur Woźniak

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

ĆWICZENIE 6. Komputerowe wspomaganie analizy i syntezy układów sterowania Liniowe układy jedno- oraz wielowymiarowe

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Wykład 2b. Podstawowe zadania identyfikacji. Wybór optymalnego modelu

Matematyka ubezpieczeń majątkowych r.

Rozkład normalny (Gaussa)

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Zasady budowania prognoz ekonometrycznych

ANALIZA KORELACJI IREGRESJILINIOWEJ

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

Szereg geometryczny. 5. b) b n = 4n 2 (b 1 = 2, r = 4) lub b n = 10 (b 1 = 10, r = 0). 2. jest równa 1 x dla x = 1+ Zad. 3:

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)

Narzędzia matematyczne potrzebne w kursie Reakcje w ciele stałym

STATYSTYKA I ANALIZA DANYCH

oznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody

Sygnały zmienne w czasie

Transkrypt:

Ćwiczeia 3 mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57

Meod progozowaia krókoermiowego sał poziom red sezoowość Y Y Y Czas Czas Czas Model aiw Modele średiej armeczej Model Browa Model Hola Modele aalicze Model wskaźików sezoowości Model Wiersa 2

Modele szeregów czasowch Modele szeregów czasowch: meoda aiwa, modele średiej armeczej prosej, ruchomej, ważoej, modele wgładzaia wkładiczego pros model wgładzaia wkładiczego (model Browa, model liiow Hola, model Wiersa, modele edecji rozwojowej, modele składowej periodczej:, meoda wskaźików, 3

Posać modelu - model addw Model addw zakłada się, że obserwowae warości zmieej progozowaej są sumą składowch szeregu czasowego; poszczególe składowe są od siebie iezależe = f ( + g( + h( + ξ E(ξ warość oczekiwaa składika losowego E( ξ = 0 f( - fukcja czasu charakerzująca edecję rozwojową (fukcja redu g( fukcja czasu charakerzująca wahaia sezoowe h( fukcja czasu charakerzująca wahaia cklicze ξ zmiea losowa (składik losow Każda ze składowch jes wrażoa w ch samch jedoskach miar co zmiea progozowaa. 4

Posać modelu model muliplikaw Model muliplikaw przjmuje się, że obserwowae warości zmieej progozowaej są iloczem składowch szeregu czasowego; zachodzą ierakcje pomiędz poszczególmi składowmi (korelacja = f ( g( h( ξ E(ξ warość oczekiwaa składika losowego E( ξ = f( - fukcja czasu charakerzująca edecję rozwojową (fukcja redu g( fukcja czasu charakerzująca wahaia sezoowe h( fukcja czasu charakerzująca wahaia cklicze ξ zmiea losowa (składik losow Tlko jeda ze składowch a ogół edecja rozwojowa lub sał (średi poziom progozowaej zmieej jes wrażaa w jedoskach zmieej progozowaej. Pozosałe składowe szeregu są w procesie dekompozcji wrażae jako względe odchleia bądź od edecji rozwojowej, bądź od średiego poziomu zmieej. 5

6 Posać modelu model miesza Model miesza eleme modelu addwego i muliplikawego, p.: h g f ξ + + = ( ( ( ( ( ( h g f + = ξ g h f ξ + = ( ( ( ( ( ( g h f + = ξ

Modele składowej periodczej Wahaia okresowe pewie ckl zmia powarzającch się w ch samch miej więcej rozmiarach (bezwzględch lub względch, co jakiś, w przbliżeiu sał, czas. Zjawisko zajduje się w ej samej fazie zmia w momeach lub okresach odległch od siebie w przbliżeiu o sał odsęp czasu lub jego wielokroość. Ckl (okres wahań okres, w kórm wsępują wszskie faz wahań. 7

Model Wiersa Model Wiersa opiera się a idei wrówwaia wkładiczego, a zasad budow ego modelu są aalogicze do modelu Browa i Hola. Model Wiersa może bć zasosowa, gd w szeregu czasowm wsępuje: edecja rozwojowa, wahaia sezoowe, wahaia przpadkowe. Sosowaie modelu Wiersa wmaga przjęcia przez progosę posaw paswej założeia: w okresie progozowam urzma się zaobserwowaa edecja rozwojowa, rodzaj i siła wahań sezoowch ie ulegą zmiaie. Progozę wzacza się w sposób sekwecj, korzsając z rzech rówań zawierającch rz paramer wgładzaia. Model Wiersa ma dwie posacie: addwą, muliplikawą. 8

Model Wiersa rówaia F S C Model muliiplikaw = α + C r β + ( α( F 2 S 2 β = ( F F 2 + ( S 2 = γ + ( γ C r F F S C Model addw α ( C r + ( α( F 2 S 2 = = β ( F F 2 + ( β S 2 = γ ( F + ( γ C r F S C r α, β, γ - wgładzoa warość zm. progozowaej w momecie lub okresie -, po elimiacji wahań sez. - wgładzoa warość przrosu redu w momecie lub okresie - - ocea wskaźika sezoowości a mome lub okres - - długość cklu sezoowego liczba faz - paramer modelu, przjmujące warości z przedziału [0,] 9

Model Wiersa ierpreacja paramerów modelu α~ 0 szereg sacjoar, α~ duże wahaia β ~ 0 słab red, β ~ sil red γ ~ 0 słabe wahaia sezoowe γ ~ sile wahaia sezoowe 0

Model Wiersa - progoza Rówaie progoz a mome lub okres > dla wersji addwej modelu: = [ F + S ( ] + Rówaie progoz a mome lub okres > dla wersji muliplikawej modelu: C r = [ F + S ( ] C r F S C r r - wgładzoa warość zm. progozowaej w okresie - przros redu a okres - wskaźik oceiając sezoowość w okresie -r - długość cklu sezoowego liczba faz - ilość okresów (obserwacji w szeregu

Wbór warości paramerów modelu Dobór warości paramerów α, β, γ: Jeżeli poszczególe składowe szeregu czasowego zmieiają się wolo α, β, γ bliskie zeru Jeżeli poszczególe składowe szeregu czasowego zmieiają się szbko α, β, γ bliskie jedości α~ 0 szereg sacjoar, α~ duże wahaia β ~ 0 słab red, β ~ sil red γ ~ 0 słabe wahaia sezoowe γ ~ sile wahaia sezoowe 2

Wbór warości paramerów modelu Za warości począkowe F, S, C,, C r moża przjąć p: F rzeczwisą warość zmieej odpowiadającą pierwszej fazie drugiego cklu średią z warości zmieej w pierwszm cklu S różicę drugiej i pierwszej warości zmieej progozowaej różicęśredich warości zmieej z drugiego i pierwszego cklu zero, C (w poszczególch fazach cklu iloraz (lub różice warości rzeczwisej zmieej z pierwszego cklu w odiesieiu do średiej warości w pierwszm cklu jede 3

ZADANIE Model Wiersa Firma Graa prowadzi sprzedaż moiorów LCD. Dae doczące kwaralej wielkości sprzedaż z la 200 2006 przedsawioo w Tabeli. Należ wzaczć przewidwaą wielkość sprzedaż moiorów LCD w kolejch kwarałach 2007r. α=0,5 β= 0,95 γ=0,2 4

Modele Wiersa OBSERWACJE: Sprzedaż moiorów LCD charakerzuje się sezoowością. ajwższa sprzedaż - w I i IV kwarałach ajiższa sprzedaż - w III kwarałach. Spadkowa edecja sprzedaż w laach 200 2003 Rosąca edecja sprzedaż w laach 2004 2006 MODEL WINTERSA Posać muliplikawa 5

Modele Wiersa - rówaia α Wgładzoa warość zmieej w szeregu czasowm po elimiacji wahań sezoowch a mome -: + ( α( F 2 S 2 F = + C r Wgładzoa warość przrosu redu a mome -: S β β = ( F F 2 + ( S 2 Ocea wskaźików sezoowości a mome -: C = γ + ( γ C r F Rówaie progoz a mome >: = [ F + S ( ] C r 6

Model Wiersa warości począkowe paramerów Za warości począkowe F, S, C,, C r moża przjąć p: F rzeczwisą warość zmieej odpowiadającą pierwszej fazie drugiego cklu średią z warości zmieej w pierwszm cklu S różicę drugiej i pierwszej warości zmieej progozowaej różicęśredich warości zmieej z drugiego i pierwszego cklu zero, C (w poszczególch fazach cklu iloraz (lub różice warości rzeczwisej zmieej z pierwszego cklu w odiesieiu do średiej warości w pierwszm cklu jede 7

2 3 4 5 6 7 8 9 0 2 Model Wiersa F = α + ( α(f 2 + S 2 C S C = β(f = γ F 500 350 250 400 450 350 200 300 350 200 50 400 r F 2 + ( γ C + ( β S r 2 α = 0,5 β = 0,95 γ = 0,2 F S C,33 0,93 0,67,07 450,00-50,00,27 387,50-6,88 0,93 32,8-74,05 0,66 260,0-53,87,08 24,23-20,53,30 28,9-22,92 0,93 2,06-7,9 0,67 286,06 70,85,5 Warości począkowe F = 5 5 = 450 5 = (5 + 6 + 7 + 8 ( + 2 + 3 + = 325 375 = 50 4 4 S 4 C 4 = = F 6? S 6? S 6 S 5 - różica średich warości F 5 - rzeczwisa warość zmieej z drugiego i zmieej odpowiadająca pierwszego cklu pierwszej fazie drugiego cklu ( + + + 2 Obliczeia 3 4 C 5?,33 C 4 2 2 = = ( + + + 350 F 6 = 0,5 + ( 0,5(450 50 = 387,5 0,93 = 0,95 (387,5 450 + ( 0,95 ( 50 350 C 6 = 0,2 + ( 0,2 0,93 = 0,93 387,5 C C, C r - iloraz warości rzeczwisej zmieej z pierwszego cklu w odiesieiu do średiej warości w pierwszm cklu 5 5 = 0,2 + ( 0,2 C5 4 F5 2 3 4 0,93 = 6,88 8

Model Wiersa wzaczeie progoz = [ F + S ( ] C r 25 = [ F24 + S24(25 24] C25 4 = [588,85 9,09],3 760sz 26 = [ F24 + S24(26 24] C26 4 = [588,85 9,09 2] 0,89 50sz 27 = [ F24 + S24(27 24] C27 4 = [588,85 9,09 3] 0,67 375sz 28 = [ F24 + S24(28 24] C28 4 = [588,85 9,09 4],5 634sz 9

Modele Wiersa progoz a okres wgasłe Progoz a okres wgasłe??? = [ F + S ( ] C r 6 = [ F5 + S5(6 5] C6 4 = = [450 50] 0,93 = 373,33 7 = [ F6 + S6(7 6] C7 4 = = [387,7 6,88] 0,67 = 27,08 24 = [ F23 + S23(24 23] C24 4 = = [599,33 7,22],6 = 74,4 20

Modele Wiersa błęd progoz ex pos Średi kwadraow błąd progoz dla progoz wgasłch??? s = = ( 2 =? = 24 = 9 9 = ( 2 = 8860,29 s = 8860,29 68 sz 9 2

Modele Wiersa błęd progoz ex pos Średi względ błąd progoz dla progoz wgasłch??? ψ = = 00 =? = 9 9 = = 26,9 ψ = 9 26,9 = 3,78 22

Dziękuj kuję za uwagę mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57 23