Опубликован: 24.04.2015 | Доступ: свободный | Студентов: 118 / 0 | Длительность: 04:57:00
Лекция 5:

Инструменты Gnumeric для статистиков

5.2 Прогнозирование

Статистическое прогнозирование (в англоязычных статистических программах – forecasting) является на самом деле сглаживанием, которое применяется для выделения тенденции при сильном разбросе точек исходных данных. В Gnumeric эта процедура может проводиться двумя способами – методом экспоненциального сглаживания и методом скользящего среднего (соответственно, команды главного меню "Статистика/Зависимые наблюдения/Прогнозирование/Экспоненциальное сглаживание..." и "Статистика/Зависимые наблюдения/Прогнозирование/Скользящее среднее..."). При выборе сглаживания методом скользящего среднего можно указать количество точек, по которым будет проводиться усреднение.

Определение размещения результатов обработки

Рис. 5.7. Определение размещения результатов обработки
Описательные статистики для нормального распределения

Рис. 5.8. Описательные статистики для нормального распределения
Описательные статистики для однородного распределения

Рис. 5.9. Описательные статистики для однородного распределения

Рассмотрим пример с некоторыми экспериментальными данными (рис. 5.10). Вектор X представляет собой некоторую независимую переменную, вектор Y – измеренные значения. Правее приведены результаты экспоненциального сглаживания и сглаживания методом скользящего среднего по трем точкам. Поскольку при сглаживании для данного значения Y оказываются задействованы предыдущие и последующие значения, то количество "сглаженных" точек меньше, чем количество исходных. Это видно как по отсутствию последнего значения в обоих случаях сглаживания, так и из сообщения "#N/A (нет данных)" в начале последовательности. Для скользящего среднего по трем точкам результат вообще начинается только с третьей точки последовательности.

График исходных данных и результатов сглаживания показан на рис. 5.11. Нужно заметить, что сами операции сглаживания ("прогнозирования") дают только числовые значения.

Из графика видно, что скользящее среднее (сплошная линия) в данном примере дает лучший результат, но чем больше точек участвуют в усреднении (и чем более гладкой получается кривая), тем больше точек в начале и в конце теряются.

Исходные данные и результаты сглаживания

Рис. 5.10. Исходные данные и результаты сглаживания
Графическое представление исходных данных и результатов сглаживания

Рис. 5.11. Графическое представление исходных данных и результатов сглаживания