Xreferat.com » Рефераты по кибернетике » Прогнозирование с учетом фактора старения информации

Прогнозирование с учетом фактора старения информации

loading="lazy" src="http://xreferat.ru/image/37/1305910671_50.gif" alt="" width="1834" height="1334" align="ABSMIDDLE" /> - модифицированная функция Бесселя третьего порядка.

На продолжительность существования полезной для про­гноза информации оказывает влияние колебание (изменение) цен на товары и услуги, динамика бюджета потребителя, изменение объема спроса на товар и других в общем случае ограниченного числа факторов.

В связи с этим представляется целесообразным при формировании математической модели старения информации использовать теоретико-вероятностную схему формирования законов распределения микроэкономических показателей как сумм не­большого случайного числа случайных величин.

К первым работам о суммах случайного числа случайных слагаемых относятся работы А.Н. Колмогорова и Ю.В. Прохорова, Вальда, Вольфовица и др. В основном в этих работах представлены результаты, касающиеся моментов для рассматриваемых сумм (теоремы вальдовского типа) и вопросы теории предельных распределений. В ряде работ (В.М. Круглов, Д. Саас и др.) для сумм случайного числа случайных слагаемых доказан ряд теорем, в которых предполагается существование предельных распределений случайного числа случайных слагаемых и при соответствующих дополнительных условиях утверждается существование предельного (в некоторых случаях нормального) распределения для сумм случайного числа случайных слагаемых. Такого рода теоремы в теории предельных распределений для сумм случайного числа случайных величин называются теоремами переноса. Полученные результаты (теоремы вальдовского типа и теоремы переноса) хотя важны для разнообразных применений, но в основном для рассматриваемого вопроса имеют ограниченный интерес.

Решение практических задач анализа и прогнозирования времени существования полезной информации в микроэкономике требует применения методов построения непредельных распределений сумм случайного числа случайных величин, нахождения их квантильных функций и оценки с их помощью предпрогнозного фона.

Основываясь на свойствах характеристической функции

(2.16)

и используя ее основные свойства, приведем некоторые результаты, касающиеся законов распределения для сумм

n первых случайных величин из бесконечной последовательности

где само число слагаемых n есть случайная величина. В дальнейшем r будем обозначать случайную величину, способную принимать неотрицательные значения в зависимости от схематизации стохастического эксперимента

Вероятность события заключающуюся в том, что , обозначим

Кроме того будем предполагать, что случайные величины независимы, одинаково распределены и независимы от случайной величины п. Будем также предполагать существование математических ожиданий

и (2.17)

Функция распределения суммы случайного числа n случайных величин Хi, на основании мультипликативного свойства характеристической функции определяется характе­ристической функцией

, (2.18)

где характеристическая функция случайной величины Х.

С помощью формулы обращения запишем формулу для плотности распределения

(2.19)

Конечность выражения

гарантирует замену порядка суммирования и интегрирования, следовательно

(2.20)

В силу мультипликативности свойства функции (2.16) и теоремы единственности

(2.21)

где - плотность распределения сумм n случайных величин Xi/

Таким образом, плотность непредельного распределения случайного числа случайных величин представляет собой смесь распределений с плотностью fn(x) вероятность появления ко­торых в случайной выборке (удельный вес наблюдений в общей генеральной совокупности) равна Рn. Следует заметить, что та­кого рода комбинации распределений удобны в методологиче­ском плане и могут найти применение в прикладной стати­стике при анализе генеральных совокупностей, объединяю­щих в себе несколько подсовокупностей, каждая из которых, в определенном смысле, однородна и описывается основным мо­дельным распределением, например, нормальным, экспо­ненциальным и т.д. В рассматриваемой проблеме подсовокупности могут описывать статистику промежутков между кванта­ми информации.

В качестве примера рассмотрим распределение суммы пуассоновского числа стандартных нормальных величин.

Характеристическая функция стандартного нормального распределения

(2.22)

Отсюда характеристическая функция распределения суммы пуассоновского числа стандартных нормальных величин имеет вид

(2.23)

(2.24)

В результате интегрирования получим

(2.25)

Полученная плотность распределения претерпевает значительную деформацию по сравнению с предельным нормальным распределением. Сумма случайного числа случайных величин, как видно из формулы (2.25), распределена по закону, отлично­го от нормального, и это отличие тем существенней, чем больше удельный вес имеют вероятности получения малых значений случайных чисел п. Это обстоятельство имеет весьма важное значение для решения вопроса отбраковки устаревшей информации.

К аналогичному выводу можно прийти, рассматривая сумму пуассоновского числа экспоненциально распределенных слу­чайных величин. В этом случае плотность распределения имеет вид

(2.26)

где – величина, обратная среднему значению случайной величины Т.

Таким образом, применение предложенного подхода позволит более объективно выявить статистическую закономерность формирования времени существования полезной информации и решить ряд задач отбраковки устаревших данных при прогнозировании микроэкономических показателей.

4.4. Определение глубины предпрогнозной ретроспекции с учетом старения информации

Наиболее общая постановка задачи сравнения результатов прогнозных расчетов, полученных с использованием различной глубины ретроспекции, заключается в следующем. С целью выявления периода старения информации определяется k значений глубины ретроспекции (Т2, Т3, …, Тk+1). Значение Т1=0 целесообразно принять за контрольную точку, так как вполне очевидно, что в этой точке информация еще не устарела и ее можно считать наиболее ценной и достоверной. В ходе прогнозных исследований определяется … значений точечных оценок прогноза Xj(Tj). Если ввести в рассмотрение разность точечных оценок

Z1=X2(T2)-X1(T1), Z2=X3(T3)-X3(T2),…,Zj=
=X
j+1(Tj+1)-Xj(Tj),…Zk=Xk+1(Tk+1)-Xk(Tk), (2.27)

то значения Zj(j=1, …, k) можно считать независимыми случайными величинами, поведение которых описывается некоторым неизвестным законом распределения F(Z).

Ограниченный объем используемой информации не позво­ляет достаточно надежно его определить методами математи­ческой статистики. Поэтому требуется разработка специальных методов решения задачи сравнения результатов прогнозов по ограниченному набору ретроспекций.

Следует заметить, что выборочные моменты (математиче­ское ожидание, дисперсия и др.) могут быть определены по вы­борке Zj(j=1, …, k).

Определение закона распределения случайной величины Z и его анализ позволяют дать статистическую и смысловую интер­претацию результатов сравнения прогнозных исследований, оп­ределить коэффициент доверия (или построить доверительную область), проверить статистическую гипотезу о непротиворечи­вости данных прогноза и контрольного значения динамического ряда.

Традиционно для описания подобного рода случайных ве­личин обращаются прежде всего к нормальному (гауссовскому) распределению, которое играет фундаментальную роль в вероятностно-статистических исследованиях.

Традиционная универсальность нормального закона, как было отмечено выше, объясняется, прежде всего, полнотой теоретических исследований, относящихся к нему. При са­мых широких предположениях суммы случайных величин ведут себя асимптотически нормально (соответствующие ус­ловия и составляют содержание так называемой предельной теоремы). Во многих случайных величинах можно видеть суммарный аддитивный эффект большого числа независимых причин и т.д. В силу изложенных обстоятельств этот закон распределения широко используется в качестве модели для различных статистических совокупностей. В тех случаях, ко­гда гипотеза о принадлежности статистической совокуп­ности генеральной нормальной совокупности не под­тверждается опытными данными или когда теорети­ко-вероятностная схематизация вероятностного эксперимента порождает другую модель, представляется целесообраз­ным в силу универсальности нормального закона обра­титься к теории суммирования случайного числа нормаль­ных случайных величин.

Теоретической основой процедуры уточнения математиче­ской модели формирования закона распределения случайной величины Z является аппарат характеристических функций.

В этом случае функция распределения F(Z) суммы случай­ного числа n случайных величин Z, на основании мультиплика­тивного свойства характеристических функций определяется характеристической функцией

(2.28)

где характеристическая функция нормальной слу­чайной величины с параметрами m и .

В качестве примера, имеющего прикладное значение в рас­сматриваемой области, рассмотрим распределение суммы пуассоновского числа нормально распределенных случайных вели­чин. С этой целью составим уравнение

(2.29)

правая часть которого равна эмпирической характеристиче­ской функции. Параметры нормального закона распределения m и и закона Пуассона v могут быть определены в результате минимизации невязки или с помощью моментов. Метод момен­тов применительно к рассматриваемому уравнению заключа­ется в приравнивании некоторого количества выборочных моментов, оцениваемых по правой части уравнения (2.29), к со­ответствующим теоретическим, определяемым по характери­стической функции левой части уравнения в соответствии с за­висимостью

(2.30)

Естественно, что число получаемых в этом случае уравне­ний должно быть равным числу оцениваемых параметров (в данном случае трем).

Последовательно дифференцируя характеристические функции по t и приравнивая в полученных производных значе­ния t нулю, можно составить следующую систему уравнений

(2.31)

где Sk-асимметрия закона распределения, равная центральному моменту третьего порядка.

После некоторых алгебраических преобразований из систе­мы уравнений (2.31) можно определить среднее число сумми­руемых случайных величин (параметр закона Пуассона).

(2.32)

математическое ожидание и среднеквадратическое отклонение суммируемой нормальной случайной величины

и (2.33)

В формулах (2.32) и (2.33) коэффициент вариации Vz опре­деляется по первым двум моментам и

Используя формулу обращения

можно получить плотность распределения пуассоновского чис­ла нормальных случайных величин

(2.34)

Очевидно, что плотность распределения (2.34), а точнее па­раметры v, m и , зависят от объема выборок случайных вели­чин {Zj}, j=1,…,k; j=1, k=1, k-1 и т.д. Последовательно от этапа к этапу анализируя ретроспективную информацию, можно построить семейство плотностей распределения fj(z) (j=k, k-1, …). Задачу отбраковки устаревшей информации в этом случае сводится к решению последовательного ряда задач проверки статистических гипотез о принадлежности контрольного значе­ния параметра Z0 генеральной совокупности, описываемой за­коном распределения с плотностью (2.34). При этом следует учесть, что в силу проведенной схематизации процесса Z0=0. Тогда, задаваясь уровнем значимости и учитывая симметрич­ный характер закона распределения (2.34), можно найти такое значение индекса j, при котором выполнилось бы одно из сле­дующих неравенств

(2.35)

где – функция Лапласа.

Справедливость соотношений (2.35) вытекает из очевидной процедуры вычисления функции распределения через плотность (2.34)

(2.36)

Таким образом, задача определения глубины предпрогнозной ретроспекции с учетом старения информации может быть достаточно надежно решена традиционными методами матема­тической статистики с помощью математической модели (рас­пределения сумм пуассоновского числа нормально распреде­ленных случайных величин).

ЗАКЛЮЧЕНИЕ

В данной курсовой работе рассмотрены основные методы прогнозирования экономической среды с учетом фактора старения информации на примере рыночного механизма спрос-предложение.

Проанализировав полученную информацию, можно сделать выводы о том, что для различных наук, отраслей, экономических сфер старение информации понятие растяжимое. Для одних информация, полученная десять лет назад, все еще представляется важной, а для других, неважной является информация, полученная в течении последних суток.

Также для различных отраслей применяют различные методы учета фактора старения информации. С помощью таких методов можно из имеющейся в наличии информации для прогнозирования выжать максимум полезной информации.

Список литературы

  1. Б.П Ивченко, Л.А. Мартыщенко, И.Б. Иванцов. «Информационная микроэкономика». Часть 1. Методы анализа и прогнозирования, СПб.: «Нордмед-Издат», 1997. – 160 с.

  2. Романенко И.В. Социальное и экономическое прогнозирование: Конспект лекций. – СПб.: Издательство Михайлова В.А., 2000 г. – 64 с.

  3. Прогнозирование и финансирование экономики в условиях рыночных отношений. – М.: Мысль, 1970. – 448 с.

  4. Рябушкин Б.Т. Применение статистических методов в экономическом анализе и прогнозировании. – М.: Финансы и статистика, 1987. – 75 c.

  5. Статистическое моделирование и прогнозирование: под ред. А.Г. Гранберга. – М.: Финансы и статистика, 1990. – 382 с.

  6. Грисеев Ю.П. Долгосрочное прогнозирование экономических процессов: – Киев: Наукова думка, 1987 – 131 с.

  7. Шибалкин О.Ю. Проблемы и методы построения сценариев социально-экономического развития. – М.: Наука, 1992 – 176 с.

  8. Суворов А.В. Методы построения макроэкономических сценариев социально-экономического развития// Проблемы прогнозирования. – 1993. – №4 – сс. 27-39

  9. Калинина А.В. Современный экономический анализ и прогнозирование (микро- и макроуровень): Учебное пособие // А.В. Калинина и др., Межрегиональная Академия управления персоналом, 2-е изд. –Л.: МАУП, 1998.

  10. Глущенко В.В. Прогнозирование –2-е изд., Испр. и доп. –СПб: СПГУВК, 1999. –245 с.

Приложение А:

Таблица 1

Этапы

Стадии

Общая постановка задачи
  1. Общее знакомство с проблемой, указание цели;

  2. Определение используемых понятий;

  3. Сбор и анализ данных, оценка их точности;

  4. Анализ различных возможных общих постановок задач с точки зрения существования и единственности их решения и его использования; уточнение цели.

Построение конструкций для решения задачи
  1. Формулировка априорных предположений и построение знаковой модели для математической постановки задачи;

  2. Математическая постановка задачи.

Решение задачи
  1. Построение алгоритма решения математической задачи;

  2. Получение решения математической задачи (обработка данных).

Интерпретация решений
  1. Проверка полученного решения в соответствии с известными принципами и законами и экспериментальными данными;

  2. Определение области применимости и точности полученного решения. Перспектива использования в практических и теоретических целях.

Приложение В:

Таблица 2
Принципы системного подхода

Наименование принципа

Его содержание
Целостности Проблема анализа рыночного спроса рассматривается как самостоятельная проблема или как часть другой, более общей, проблемы, в которую она входит. Система. Выделенная для самостоятельного исследования, должна иметь возможность изменять своё состояние (движение) в зависимости от состояния старших или младших (в иерархическом смысле) систем.
Многомерности Проблема анализа рыночного спроса рассматривается с позиции таких концепций, которые учитывают основные существенные факторы и взаимовлияние на спрос сопутствующих и конкурирующих видов товаров.

Неопределённости и
стохастичности

Изменение рыночного спроса происходит под влиянием различных воздействий. Анализ показателей спроса должен производиться своевременно (в реальном масштабе времени), а математические зависимости, описывающие закономерности рыночного спроса, должны содержать в своей структуре модель прогнозирования. Кроме того, необходимо учитывать, что исходная информация, которую реально удастся собрать и подготовить для решения проблемы, оказывается, как правило, в значительной степени неполной и неточной. Статистическому анализу может быть подвергнута лишь некоторая часть всей совокупности микроэкономических параметров (характеристик), статистическое обследование всей генеральной совокупности затрудняется малым объёмом наблюдений.

Приложение С:

Таблица 3

Направления и методы прогнозных исследований в микроэкономике.

№
п/п

Методы прогнозирования

Краткосрочное

Среднесрочное

Долгосрочное

1 Корреляционно-регресионный анализ временных тенденций **

++

++

-

2 Метод экспоненциального сглаживания **

+

++

-

3 Экстраполяция временных тенденций по отшибающим кривым **

-

-

+

4 Метод статистического моделирования временных тенденций **

++

++

-

5 Анкетные опросы экспертов

+

++

-

6 Выработка коллективного мнения экспертов

-

++

+

7 Системный анализ результатов фундаментальных исследований *

-

+

++

8 Структурные схемы целей развития экономической системы и ее отдельных подсистем

-

-

+

9 Сценарий действий экономических структур

-

+

++

10 Игровое моделирование **

-

++

+

11 Генерация идей в ходе «мозговой атаки»

-

++

+

12 Морфологический анализ *

-

+

++

13 Историческая аналогия *

-

-

+

«-» - применение метода прогнозирования невозможно или нецелесообразно;

«+» - применение метода прогнозирования целесообразно и обосновано;

«++» - метод находит преимущественное применение при прогнозировании;

* - метод прогнозирования требует периодического учета фактора старения информации;

** - устаревшая исходная информация может оказать существенное влияние на конечный результат (учет фактора старения информации требует постоянного учета в реальном масштабе времени).

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: