[ссылки] [литература] [проекты] [программы] [методические указания] [монографии и статьи] [вопросы и ответы] [школы] [учебники] [новости]
ENG  |   Карта сайта
Информация
Проект преследует цель популяризации идей применения природных механизмов функционирования для решения задач прогнозирования, оптимизации и поддержки принятия решений

Cписок рассылки
Открыть в новом окне

  1. Введение
  2. Генетические алгоритмы (1)
  3. Генетические алгоритмы (2)
  4. Генетические алгоритмы (3)
  5. Тренды
  6. Полиномиальные тренды
  7. Тригонометрические тренды
  8. Нейронные сети
  9. Метод наименьших квадратов
  10. Метод обратного распространения ошибки
  11. Множественная линейная модель
  12. Нестандартный выпуск. Анкета
  13. МЛМ. Пример расчета
  14. RBF-сеть
  15. Сеть встречного распространения
  16. Первая интерполяционная формула Ньютона
  17. МГУА (1)
  18. Вторая интерполяционная формула Ньютона
  19. Метод Брандона
  20. МГУА (2)
  21. Интерполяционные формулы Гаусса
  22. Интерполяционные формулы Стирлинга и Лагранжа
  23. МГУА (3)
  24. МГУА (4)
  25. Предварительная обработка данных (1)
  26. Предварительная обработка данных (2)
  27. Предварительная обработка данных (3)
  28. Box-counting
  29. Гетероскедастичность
  30. Введение в нечеткую логику
  31. Обобщённый метод наименьших квадратов
  32. Прогнозирование с помощью функций с гибкой структурой
  33. Автокорреляция
  34. Дистрибутивно-лаговые модели (1)
  35. Дистрибутивно-лаговые модели (2)
  36. Дистрибутивно-лаговые модели (3)
  37. Моделирование данных при помощи кривых для восстановления пробелов в таблицах (1)
  38. Нестандартный выпуск. Анонс книги Цейтлина Н.А."Опыт аналитического статистика"
  39. Алгоритм ZET
  40. Алгоритм ZetBraid
  41. Метод эволюционной кластеризации
  42. Эволюционный метод восстановления пропусков в данных
  43. Алгоритмы кластеризации класса FOREL

Выпуск 7. Тригонометрические тренды

 

          Еще раз напомню, что мы рассматриваем модель , которая содержит детерминированную составляющую  и случайную , причем . О функции  сделаем дополнительное допущение:  - периодическая функция с известным периодом , нацело делящим некоторое число T, т. е. T=hm. Будем считать  и T четными числами.

          Предположим, что период тренда . Очевидно, что функции  и  имеют период . Далее подберем   таких функций с наименьшим периодом. Включим в них и константу, . Последовательно будем включать пары тригонометрических функций  и , причем каждому j соответствует пара функций с периодом . Остановившись на  мы включим m-1 функцию. Тогда остается включить еще одну функцию с , имеющую период , в качестве такой функции выберем

Окончательно получим уравнение тренда:

 .

Так при рассмотрении ежемесячных данных, имеющих сезонный характер (период t=12), достаточно включить в разложение 12 членов.

          Эффективность метода, точность прогноза в рассылке мы не обсуждаем.

 

 

 

 

Навигаторы. Navispace навигатор gps.
Сайт создан в системе uCoz