Прогнозирование урожайности различными методами (стр. 3 из 6)

Выберем

Соответственно:

= 1,91758335

=-1,2595453

=-4,60049885

На основе расчета начальных условий определяем оценки коэффициентов и характеристики сглаженных значений.

Расчет оценок коэффициентов, характеристик сглаженных значений, прогнозных значений по параболической форме экспоненциального сглаживания (

) и квадратов ошибок сведем в таблицу:

yi

Характеристики

Оценки коэффициентов

S1

S2

S3

a0

a1

a2

3,5

4,0123083

0,322011

-3,12375

7,947147

1,813620275

0,04491565

9,76177562

0,742657215

5,2

5,7486158

1,949992

-1,60162

9,794246

1,862385849

0,045368582

11,6576611

3,450904714

2,2

5,9440311

3,148204

-0,17668

8,210805

0,696151358

-0,09717296

8,91167811

6,308526949

3,6

5,9308218

3,982989

1,071224

6,914721

-0,07996759

-0,17704896

6,8504266

0,903310726

7,1

7,9915752

5,185565

2,305526

10,72356

1,132323907

-0,01359714

11,8559729

0,891187203

6,9

8,6841027

6,235126

3,484406

10,83134

0,76321248

-0,05542235

11,5960834

1,679832129

4,1

8,6888719

6,97125

4,530459

9,683325

0,049851182

-0,13282693

9,74199756

1,085758914

5,3

9,0822103

7,604538

5,452683

9,8857

-0,00649776

-0,12382952

9,88686868

0,012798695

10,1

10,857547

8,580441

6,39101

13,22233

1,059105338

0,01610373

14,2815645

0,516149625

4,8

9,910283

8,979393

7,167525

9,960194

-0,43707812

-0,16181241

9,53620743

3,371657732

7,7

12,007198

9,887735

7,983588

14,34198

1,112672366

0,039547931

15,4554323

2,086775904

16,8

13,055039

10,83793

8,83989

15,49123

1,158089937

0,040238477

16,650127

1,322792148

9,8

14,238527

11,85811

9,745355

16,88662

1,274192695

0,049163686

18,162018

1,35028586

14,5

15,666969

13,00077

10,72198

18,72059

1,510309073

0,07115812

20,23343

1,521349651

13,7

17,026878

14,2086

11,76796

20,2228

1,56621064

0,069363232

21,791418

2,532611258

19

17,978815

15,33966

12,83947

20,75693

1,262936101

0,025523494

22,0201889

3,313087501

5

15,34517

15,34132

13,59003

13,60159

-1,65662782

-0,32095738

11,9964693

7,820240766

12

16,531619

15,69841

14,22254

16,72218

-0,25277423

-0,11803844

16,4763703

7,972884921

11,3

16,612133

15,97252

14,74754

16,66636

-0,28139592

-0,10751882

16,3907461

0,167488742

17,5

18,018493

16,58632

15,29917

19,5957

0,751423356

0,0266386

20,347482

0,907290518

13,1

16,092945

16,4383

15,64091

14,60483

-1,23246052

-0,20989346

13,3944003

3,219872312

17,9

16,845062

16,56033

15,91674

16,77093

-0,21852822

-0,06591395

16,5545712

4,183779005

9,6

16,321543

16,4887

16,08832

15,58687

-0,61020409

-0,10423889

14,9820974

0,013901034

55,37514352

Определим начальные условия экспоненциального сглаживания при параболической тенденции:

Выберем

Соответственно:

= 3,0313761

=1,06416203

=-0,970755225

На основе расчета начальных условий определяем оценки коэффициентов и характеристики сглаженных значений.

Расчет оценок коэффициентов, характеристик сглаженных значений, прогнозных значений по параболической форме экспоненциального сглаживания (

) и квадратов ошибок сведем в таблицу:

yi	Характеристики			Оценки коэффициентов
	S1	S2	S3	a0	a1	a2
3,5	5,3788257	2,790027	0,533558	8,299952	2,24282099	0,147701582	10,5536813	2,734661735
5,2	7,1472954	4,532935	2,133309	9,976391	2,076938886	0,095437634	12,0578839	5,098039615
2,2	6,8483772	5,459112	3,46363	7,631426	-0,01682611	-0,26942947	7,65089649	1,564742023
3,6	6,4690263	5,863078	4,423409	6,241255	-0,89293167	-0,37054215	5,41697437	0,233313758
7,1	9,0014158	7,118413	5,50141	11,15042	1,669114	0,118222485	12,8265216	0,000703397
6,9	9,5208495	8,079388	6,532601	10,85699	0,797136961	-0,04681077	11,6552198	1,836620752
4,1	9,1925097	8,524636	7,329415	9,333035	-0,37506983	-0,23437677	8,98543167	0,081471237
5,3	9,5155058	8,920984	7,966043	9,749608	-0,16430499	-0,1601865	9,59813271	0,161497319
10,1	11,709303	10,03631	8,79415	13,81313	1,78550802	0,191480082	15,6169656	0,380646557
4,8	10,105582	10,06402	9,302098	9,426785	-1,09285126	-0,32015981	8,38518453	0,469477846
7,7	12,823349	11,16775	10,04836	15,01515	1,937829195	0,238313566	16,9813782	0,006622415
16,8	13,89401	12,25825	10,93232	15,83958	1,572441642	0,137696713	17,4215037	3,692176522
9,8	15,136406	13,40952	11,9232	17,10387	1,525483554	0,106920913	18,6350679	2,673447105
14,5	16,681843	14,71845	13,0413	18,93149	1,75420453	0,127220923	20,6937846	2,86890619
13,7	18,089106	16,06671	14,25146	20,31865	1,67049331	0,092065566	21,9933807	3,216214243
19	18,933464	17,21341	15,43624	20,5964	1,057851513	-0,02538566	21,6545716	2,115778599
5	15,040078	16,34408	15,79938	11,88738	-3,74509187	-0,82164528	8,47983483	0,518637869
12	16,744047	16,50407	16,08125	16,8012	-0,12441845	-0,08125883	16,6800788	6,863987211
11,3	16,766428	16,60901	16,29236	16,76461	-0,14275806	-0,07077229	16,6243542	0,030851434
17,5	18,579857	17,39735	16,73435	20,28188	1,596467573	0,230894027	21,9049998	0,366024715
13,1	15,787914	16,75358	16,74204	13,84506	-2,16385405	-0,43430858	11,7755167	0,030806121
17,9	16,912748	16,81724	16,77212	17,05863	0,142041992	0,022392189	17,2009276	1,957403589
9,6	16,187649	16,56541	16,68944	15,55616	-0,64652505	-0,11276768	14,9159978	0,033856812
36,93588706