خرید ارزان مبانی نظری پیش بینی و مدل های پیش بینی

بخشی از متن:
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : Word (..docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 43 صفحه

قسمتی از متن Word (..docx) :

پیش ¬بینی و مدل¬های پیش ¬بینیتعریف پیش ¬بینیمدل ¬های پیش ¬بینیسری ¬های زمانی مدل باکس ـ جنکینز بحث¬¬های کلی مدلالف- مدل اتورگرسیوAR(p)ب) مدل میانگین متحرکMA(Q)ج) مدل ARMA(pq)د) مدل آریما(pdq)ه) شرایط پایاپذیری سری¬های زمانی پیش¬بینی از طریق مدل باکس ـ جنکینزشبکه ¬های عصبی مصنوعیساختار کلی شبکه¬ های عصبیعملکرد شبکه ¬های عصبیمزایای استفاده از شبکه عصبی مصنوعیقابلیت یادگیری قابلیت تعمیمپردازش موازی (قابلیت بالا بودن سرعت)مقاوم بودن (قابلیت تحمل آسیب، تحمل¬پذیری خطا¬ها، قابلیت ترمیم) انواع توابع تبدیل انواع شبکه ¬های عصبیالف) شبکه ¬های عصبی پیش خورب) شبکه¬های عصبی پس خورشبکه عصبی پروسپترون چند لایه معیارهای ارزیابی خطاپیشینه پژوهش1.1.1 مطالعات داخلی1.1.2 مطالعات خارجی 2 منابع و ماخذپیش بینی و مدل های پیش بینیتعریف پیش بینیدر یک تعریف کلی، فرایند پیشگویی شرایط و حوادث آینده را پیش بینی نامیده و چکونگی انجام این عمل را پیش بینی کردن نامیده می شود (بوکوتا، 2002).هر سازمانی جهت تصمیم گیری آگاهانه باید قادر به پیش بینی کردن باشد. از آنجایی که پیش بینی وقایع آینده در فرآیند تصمیم گیری در سازمان نقش عمده ای را ایفا می کند، پیش بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیت بالقوه ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم و یا غیر مستقیم به حالتی از پیش بینی آینده بستگی دارد. در مدیریت استراتژیک، پیش بینی شرایط عمومی اقتصاد، نوسانات قیمت و هزینه ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آینده بلند مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش بینی رفتار دوره فرآیند در آینده است. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند و تعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقص باید از روش های مناسب پیش بینی استفاده نموده و نسبت به تصحیح و یا حذف آن با توجه به شرایط موجود اقدام نمود (ریفنس، 1997).مدل های پیش بینیابزارهای عینی و ریاضی که برای پردازش و تجزیه و تحلیل داده ها مورد استفاده قرار می گیرند مدل های پیش بینی نامیده می شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابط بین متغیرهای آن واقعیت یا سیستم را نشان می د هد، مدل خوانده می شود. بنابراین، هنگامی که متغیرهای مورد نظر به صورتی منظم، ساده و قابل فهم در جهت اهداف پیش بینی در کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش بینی شکل می گیرد. سری های زمانی به روند مقادیر یک متغیر در طول زمان که به صورت دوره های زمانی با فواصل معین و یکسان تنظیم شده اند سری زمانی گفته می شود. در تحلیل سری زمانی وضعیت تغییرات یک متغیر در گذشته مورد بررسی قرارگرفته و به آینده تعمیم داده می شود. به طور کلی مدل هایی که در تحلیل سری های زمانی مورد استفاده قرار می گیرند به دو دسته مدل های خطی و غیر خطی تقسیم می شوند. مدل های خطی مانند مدل های باکس ـ جنکینز و یکنواخت سازی نمایی برای سری های زمانی خطی مناسب هستند، ولی در مدل سازی سری های زمانی مالی و غیر خطی با مشکل مواجه می شوند. مدل های غیر خطی از قبیل مدل های غیر کاهنده آستانه ای، یک تابع غیر خطی خاص و از پیش تعیین شده را پیش بینی می کنند. به عبارتی تابع خطی مورد استفاده در این روش ها مشخص است. نوع دیگر مدل های غیر خطی شبکه های عصبی مصنوعی هستند که می توانند هر تابعی را تخمین بزنند و فرایندهای با رفتار ناشناخته را مدل نمایند.سری های زمانی بدنبال مقادیر یک صفت متغیر در طول زمان هستند. مشاهدات عموما باید در تاریخ های معین یعنی در فواصل زمانی تقریبا ثابت به عمل آیند. مقادیر یک صفت متغیر ممکن است مربوط به یک لحظه زمانی و یا مربوط به یک فاصله یا دوره زمانی باشد. که در حالت اول سری زمانی را لحظه ای و در حالت دوم سری زمانی را دوره ای و یا فاصله ای می نامند. قیمت سهام شرکت ها در آخرین روز ماه و ماه های متوالی و همچنین تعداد بهره برداری های کشاورزی در سال های متوالی از نوع سری های زمانی لحظه ای است و حجم بازرگانی خارجی در سال های متوالی و تعداد نامه های پست شده در ماه های متوالی و یا سال های متوالی از نوع سری های زمانی دوره ای یا فاصله ای می باشند.مطالعه سری های زمانی در اکثر رشته ها مانند جامعه شناسی، بازرگانی، زیست شناسی، زمین شناسی و به خصوص زمینه مسائل اقتصادی پیشرفت فراوان داشته و از نظر آمارشناسان اقتصادی نه تنها تشریح وضع فعلی درباره مسائل اقتصادی، ضروری است، بلکه پیش بینی وضع برای آینده نزدیک و دور نیز ضروری است. بدیهی است هیچ پیش بینی بدون اطلاع از گذشته نمی تواند به عمل آید و تهیه سری های زمانی به منظور تامین اطلاع و آشنایی نسبت به گذشته است.مدل باکس ـ جنکینز مدل باکس ـ جنکینز یا آریما عبارتست از برازاندن یک الگوی میانگین متحرک تلفیق شده با خود رگرسیو به مجموعه داده ها و بدست آوردن الگوی ریاضی شرطی در یک سری زمانی است. یک مدل آریما سه جزء دارد (خالوزاده، 1999).خود رگرسیومیانگین یکپارچه میانگین متحرکبحث های کلی مدل انواع مدل های باکس ـ جنکینز به صورت زیر بیان می شوند: الف- مدل اتورگرسیوAR(p)این روش مشاهدات را به صورت تابعی از مشاهدات قبلی بیان می کند. در این مدل (2-1) ها مستقلند و در آن پارامترهایی هستند که بستگی به هر یک از p مقدار قبل در سری را معلوم می کنند.ب) مدل میانگین متحرکMA(Q)

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.