Проверяемый текст
Соколова, Лина Викторовна; Автоматизированная система обработки информации и управления предприятием по сервисному обслуживанию дорожно-строительной техники (Диссертация 2005)
[стр. 119]

сальник 342 323,6 0,411 свеча зажигания 2799 2740,4 0,342 стойка стабилизатора 169 128,1 0,316 тяга рулевая 137 137,6 0,157 фара 399 426,8 0,380 фильтр воздушный 1504 1558,9 0,360 фильтр масляный 3168 3485,4 0,203 2.4.
Методы прогнозирования с использованием временных рядов Любой временной ряд может быть разложен на две составляющие детерминированную и случайную: yt=f(0+b(2.24) Если бы на изучаемом интервале времени коэффициенты уравнения, описывающего тренд, остались бы неизменными, то для построения модели прогноза вполне оправданным было бы применение метода наименьших квадратов.
Однако часто бывает, что в течение анализируемого периода эти коэффициенты меняются во времени.
Для коротких временных рядов такие скачки уловить крайне трудно.
В подобной ситуации применение метода наименьших квадратов для определения модели прогноза может привести к существенным ошибкам.
Метод экспоненциального сглаживания заключается в том, что временной ряд сглаживается с помощью взвешенной скользящей средней, в которой веса подчиняются экспоненциальному закону.
Взвешенная скользящая средняя с экспоненциально распределенными весами характеризует значение процесса на конце интервала сглаживания, т.е.
является средней характеристикой последних уровней ряда.
Именно это свойство используется для прогнозирования.
[стр. 40]

40 lH L i N Кроме того V п < N => je 'XndFN(X ;£ ,) = RN(n ;^ ) -П Поэтому, если предположить, что RN(n ;£ ,) сходится с вероятностью Л Я единица к R (n) при N —>со, то тогда je ‘u dFN (X ) —> J'e,b,dFN( X ) (почти Л Л всюду) На рис.11, приведена периодограмма белого шума.
У белого шума имеются все частотные составляющие.
Разброс в данном случае получается лишь из-за ограниченной реализации.
1.3.2.
М етоды прогнозирования временных рядов Любой временной ряд может быть равложен на две составляющие детерминированную и случайную: y<=f(t)+£x.
Если бы на изучаемом интервале времени коэффициенты уравнения, описывающего тренд, остались бы неизменными, то для построения модели прогноза вполне оправданным было бы применение метода наименьших квадратов.
Однако часто бывает, что в течение анализируемого периода эти коэффициенты меняются во времени.
Для коротких временных рядов такие скачки уловить крайне трудно.
В подобной ситуации применение метода наименьших квадратов для определения модели прогноза может привести к существенным ошибкам.
Метод экспоненциального сглаживания заключается в том, что временной ряд сглаживается с помощью взвешенной скользящей средней, в которой веса подчиняются экспоненциальному закону.
Взвешенная скользящая средняя с экспоненциально распределенными весами характеризует значение процесса на конце интервала сглаживания, т.е.
является средней характеристикой последних уровней ряда.
Именно это свойство используется для прогнозирования.

Пусть временной ряд описывается полиномом р -ой степени

[Back]