- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
4. Логический отбор видов аппроксимирующей функции.
На основании изучения статистических данных и логического анализа протекания изучаемого процесса из заданного массива функций отбираются наиболее приемлемые виды уравнений связи. Этот этап необходим, так как позволяет при отборе функций учесть основные условия протекания рассматриваемого процесса и требования, предъявляемые к математической модели. На этом этапе должны быть решены следующие вопросы:
-
является ли исследуемый показатель величиной монотонно возрастающей (убывающей), стабильной, периодической, имеющей один или несколько экстремумов;
-
ограничен ли показатель сверху или снизу каким-либо пределом;
-
имеет ли функция, определяющая процесс, точку перегиба;
-
обладает ли анализируемая функция свойством симметричности;
-
имеет ли процесс четкое ограничение развития во времени.
Рассмотрим те функции, которые предпочтительно использовать в прогнозной экстраполяции.
В качестве аппроксимирующих функций чаще всего используются различные полиномы с ограничением числа членов (степени полинома). Это
степенной полином (7.21)
экспоненциальный полином (7.22)
гиперболический полином (7.23)
y(t) - прогнозируемый показатель;
t = время
а0, а1… аn — параметры (коэффициенты), подлежащие определению
Опыт применения аппроксимирующих функций для целей прогнозирования показывает, что наиболее простыми (математически) и чаще всего используемыми являются следующие функции:
-
линейная y(t) = a + b t; (7.24)
-
квадратичная y(t) = a + b t+ct2; (7.25)
-
степенная y(t) = a tb; (7.26)
-
экспоненциальная y(t) = a ехр(bt); (7.27)
-
модифицированная экспонента y(t) = k - ae -bt; (7.28)
-
гиперболическая y(t) = a +b/(c+t); (7.29)
-
логистическая кривая y(t) = k/(1+be –et); (7.30)
где – a,b,c,k - параметры.
Когда это возможно, при выборе вида аппроксимирующей функции прибегают к графическому способу подбора по виду точек временного ряда, расположенных на плоскости y0t. Если по графику подобрать функцию трудно, иногда прибегают к анализу производных от соответствующих видов функций аппроксимации (или разностей ∆0, ∆1… ∆n) соответствующего порядка.
Выбирают ту функцию для прогноза, арифметическая средняя для разностного ряда которого будет равна нулю или близка к нулю по абсолютной величине.
Окончательное решение о виде аппроксимирующей функции может быть принято после определения ее параметров и верификации прогноза по ретроспективному ряду. Поэтому для прогнозирования используют несколько подходящих аппроксимирующих функций, с тем чтобы после оценки точности выбрать наиболее подходящую.