贾俊平《统计学》课后习题及详解(时间序列分析和预测)【圣才出品】

应用时间序列分析第4章答案

河南大学: 姓名:汪宝班级:七班学号:1122314451 班级序号:68 5:我国1949年－2008年年末人口总数(单位:万人)序列如表4－8所示(行数据)．选择适当的模型拟合该序列的长期数据，并作5期预测。 解：具体解题过程如下：（本题代码我是做一问写一问的） 1:观察时序图: data wangbao4_5; input x@@; time=1949+_n_-1; cards; 54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705 100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 125786 126743 127627 128453 129227 129988 130756 131448 132129 132802 ; proc gplot data=wangbao4_5; plot x*time=1; symbol1c=black v=star i=join; run; 分析:通过时序图,我可以发现我国1949年－2008年年末人口总数(随时间的变化呈现出线性变化.故此时我可以用线性模型拟合序列的发展． X t=a+b t+I t t=1,2,3,…,60 E(I t)=0,var(I t)=σ2 其中，I t为随机波动；X t=a+b就是消除随机波动的影响之后该序列的长期趋势。

时间序列预测模型

时间序列预测模型时间序列是指把某一变量在不同时间上的数值按时间先后顺序排列起来所形成的序列,它的时间单位可以是分、时、日、周、旬、月、季、年等。时间序列模型就是利用时间序列建立的数学模型，它主要被用来对未来进行短期预测，属于趋势预测法。一、简单一次移动平均预测法例1.某企业1月~11月的销售收入时间序列如下表所示.取n 4,试用简单一次移动平均法预测第12月的销售收入,并计算预测的标准误差. 二、加权一次移动平均预测法简单一次移动平均预测法，是把参与平均的数据在预测中所起的作用同等对待，但参与平均的各期数据所起的作用往往是不同的。为此，需要采用加权移动平均法进行预测，加权一次移动平均预测法是其中比较简单的一种。三、指数平滑预测法 1、一次指数平滑预测法一元线性回归模型 * 项数n的数值,要根据时间序列的特点而定,不宜过大或过小.n过大会降低移动平均数的敏感性,影响预测的准确性;n过小,移动平均数易受随机变动的影响,难以反映实际趋势.一般取n的大小能包含季节变动和周期变动的时期为好,这样可消除它们的影响.对于没有季节变动和周期变动的时间序列,项数n的取值可取较大的数;如果历史数据的类型呈上升或下降型的发展趋势,则项数n的数值应取较小的数,这样能取得较好的预测效果. 1102.7 1015.1 963.9 892.7 816.4 772.0 705.1 649.8 606.9 574.6 533.8 销售收入 11 10 9 8 7 6 5 4 3 2 1 月份 t 158542.7 993.6 12 12950.4 19016.4 17662.4 24617.6 27989.3

总时差双代号网络图时间计算参数-计算题及答案

总时差（用TFi-j表示），双代号网络图时间计算参数，指一项工作在不影响总工期的前提下所具有的机动时间。用工作的最迟开始时间LSi-j与最早开始时间ESi-j之差表示。 自由时差，指一项工作在不影响后续工作的情况下所拥有的机动时间。用紧后工作的最早开始时间与该工作的最早完成时间之差表示。 网络图时间参数相关概念包括： 各项工作的最早开始时间、最迟开始时间、最早完成时间、最迟完成时间、节点的最早时间及工作的时差（总时差、自由时差）。 1总时差=最迟完成时间—尚需完成时间。计算结果若大于0，则不影响总工期。若小于0则影响总工期。 2拖延时间=总时差+受影响工期，与自由时差无关。 3自由时差=紧后最早开始时间—本工作最早完成时间。 自由时差和总时差-----精选题解（免B) 1、在双代号网络计划中，如果其计划工期等于计算工期，且工作i-j的完成节点j在关键线路上，则工作i-j的自由时差（）。 A．等于零 B．小于零 C．小于其相应的总时差 D．等于其相应的总时差 答案：D 解析：

本题主要考察自由时差和总时差的概念。由于工作i-j的完成节点j在关键线路上，说明节点j为关键节点，即工作i -j的紧后工作中必有关键工作，此时工作i-j的自由时差就等于其总时差。 2、在某工程双代号网络计划中，工作M的最早开始时间为第15天，其持续时间为7天。 该工作有两项紧后工作，它们的最早开始时间分别为第27天和第30天，最迟开始时间分别为第28天和第33天，则工作M的总时差和自由时差（）天。 A．均为5 B．分别为6和5 C．均为6 D．分别为11和6 答案：B 解析： 本题主要是考六时法计算方法 1、工作M的最迟完成时间=其紧后工作最迟开始时间的最小值所以工作M 的最迟完成时间等于[28，33]=28 2、工作M的总时差=工作M的最迟完成时间-工作M的最早完成时间等于28-（15+7）=6 3、工作M的自由时差=工作M的紧后工作最早开始时间减工作M的最早完成时间所得之差的最小值： [27-22；30-22]= 5。 3、在工程网络计划中，判别关键工作的条件是该工作（）。

时间序列分析试卷及答案3套

时间序列分析试卷1 一、 填空题（每小题2分，共计20分） 1. ARMA(p, q)模型_________________________________，其中模型参数为 ____________________。 2. 设时间序列{}t X ，则其一阶差分为_________________________。 3. 设ARMA (2, 1)： 1210.50.40.3t t t t t X X X εε---=++- 则所对应的特征方程为_______________________。 4. 对于一阶自回归模型AR(1): 110t t t X X φε-=+＋，其特征根为_________，平稳域是 _______________________。 5. 设ARMA(2, 1):1210.50.1t t t t t X X aX εε---=++-，当a 满足_________时，模型平稳。 6. 对于一阶自回归模型MA(1): 10.3t t t X εε-=-，其自相关函数为 ______________________。 7. 对于二阶自回归模型AR(2): 120.50.2t t t t X X X ε--=++ 则模型所满足的Yule-Walker 方程是______________________。 8. 设时间序列{}t X 为来自ARMA(p,q)模型： 1111t t p t p t t q t q X X X φφεθεθε----=++++++L L 则预测方差为___________________。 9. 对于时间序列{}t X ，如果___________________，则()~t X I d 。 10. 设时间序列{}t X 为来自GARCH(p ，q)模型，则其模型结构可写为_____________。 二、（10分）设时间序列{}t X 来自()2,1ARMA 过程，满足 ()()2 10.510.4t t B B X B ε -+=+, 其中{}t ε是白噪声序列，并且()()2 t t 0,E Var εεσ==。

【重磅】双代号网络图时间参数计算

双代号网络图时间参数计算 双代号网络图时间参数计算 双代号网络图是应用较为普遍的一种网络计划形式。它是以箭线及其两端节点的编号表示工作的网络图。 双代号网络图中的计算主要有六个时间参数： ES：最早开始时间，指各项工作紧前工作全部完成后，本工作最有可能开始的时刻； EF：最早完成时间，指各项紧前工作全部完成后，本工作有可能完成的最早时刻 LF：最迟完成时间，不影响整个网络计划工期完成的前提下，本工作的最迟完成时间；LS：最迟开始时间，指不影响整个网络计划工期完成的前提下，本工作最迟开始时间；TF：总时差，指不影响计划工期的前提下，本工作可以利用的机动时间； FF：自由时差，不影响紧后工作最早开始的前提下，本工作可以利用的机动时间。 双代号网络图时间参数的计算一般采用图上计算法。下面用例题进行讲解。 例题：试计算下面双代号网络图中，求工作C的总时差？ 早时间计算： ES，如果该工作与开始节点相连，最早开始时间为0，即A的最早开始时间ES=0； EF，最早结束时间等于该工作的最早开始+持续时间，即A的最早结束EF为0+5=5； 如果工作有紧前工作的时候，最早开始等于紧前工作的最早结束取大值，即B的最早开始FS=5，同理最早结束EF为5+6=11，而E工作的最早开始ES为B、C工作最早结束（11、8）

取大值为11。 迟时间计算： LF，如果该工作与结束节点相连，最迟结束时间为计算工期23，即F的最迟结束时间LF=23；LS，最迟开始时间等于最迟结束时间减去持续时间，即LS=LF-D； 如果工作有紧后工作，最迟结束时间等于紧后工作最迟开始时间取小值。 时差计算： FF，自由时差=（紧后工作的ES-本工作的EF）； TF，总时差=（本工作的最迟开始LS-本工作的最早开始ES）或者=（本工作的最迟结束LF-本工作的最早结束EF）。 该题解析： 则C工作的总时差为3. 总结： 早开就是从左边往右边最大时间 早结=从左往右取最大的+所用的时间 迟开就是从右边往右边最小时间 迟开=从右往左取最小的+所用的时间 总时差=迟开-早开；或者；总时差=迟结-早结 自由差=紧后工作早开-前面工作的早结 希望你看懂啦。呵呵 工作最早时间的计算:顺着箭线，取大值 工作最迟时间的计算：逆着箭线，取小值 总时差：最迟减最早 自由时差：后早始减本早完 1．工作最早时间的计算（包括工作最早开始时间和工作最早完成时间）：“顺着箭线计算，依次取大”（最早开始时间--取紧前工作最早完成时间的最大值），起始结点工作最早开始时间为0。用最早开始时间加持续时间就是该工作的最早完成时间。 2．网络计划工期的计算：终点节点的最早完成时间最大值就是该网络计划的计算工期，

时间序列分析考试卷及答案

考核课程 时间序列分析（B 卷） 考核方式 闭卷 考核时间 120 分钟 注：B 为延迟算子，使得1 -=t t Y BY ；?为差分算子，1--=?t t t Y Y Y 。 一、单项选择题（每小题3 分，共24 分。） 1. 若零均值平稳序列{}t X ，其样本ACF 和样本PACF 都呈现拖尾性，则对{}t X 可能建立（ B ）模型。 A. MA(2) B.ARMA(1,1) C.AR(2) D.MA(1) 2.下图是某时间序列的样本偏自相关函数图，则恰当的模型是（ B ）。 A. )1(MA B.)1(AR C.)1,1(ARMA D.)2(MA 3. 考虑MA(2)模型212.09.0--+-=t t t t e e e Y ，则其MA 特征方程的根是（ C ）。 （A ）5.0,4.021==λλ （B ）5.0,4.021-=-=λλ （C ）5.2221==λλ， （D ） 5.2221=-=λλ， 4. 设有模型112111)1(----=++-t t t t t e e X X X θφφ，其中11<φ，则该模型属于（ B ）。 A.ARMA(2,1) B.ARIMA(1,1,1) C.ARIMA(0,1,1) D.ARIMA(1,2,1) 5. AR(2)模型t t t t e Y Y Y +-=--215.04.0，其中64.0)(=t e Var ，则=)(t t e Y E （ B ）。 A.0 B.64.0 C. 1 6.0 D. 2.0 6.对于一阶滑动平均模型MA(1): 15.0--=t t t e e Y ，则其一阶自相关函数为( C )。 A.5.0- B. 25.0 C. 4.0- D. 8.0 7. 若零均值平稳序列{}t X ?，其样本ACF 呈现二阶截尾性，其样本PACF 呈现拖尾性，则可初步认为对{}t X 应该建立（ B ）模型。 A. MA(2) B.)2,1(IMA C.)1,2(ARI D.ARIMA(2,1,2) 8. 记?为差分算子，则下列不正确的是（ C ）。 A. 12-?-?=?t t t Y Y Y B. 212 2--+-=?t t t t Y Y Y Y C. k t t t k Y Y Y --=? D. t t t t Y X Y X ?+?=+?） ( 二、填空题（每题3分，共24分）； 1. 若{}t Y 满足： 1312112---Θ-Θ--=??t t t t t e e e e Y θθ， 则该模型为一个季节周期为

单代号搭接网络计划时间参数计算

单代号搭接网络计划时间参数计算 在一般的网络计划（单代号或双代号）中，工作之间的关系只能表示成依次衔接的关系，即任何一项工作都必须在它的紧前工作全部结束后才能开始，也就是必须按照施工工艺顺序和施工组织的先后顺序进行施工。但是在实际施工过程中，有时为了缩短工期，许多工作需要采取平行搭接的方式进行。对于这种情况，如果用双代号网络图来表示这种搭接关系，使用起来将非常不方便，需要增加很多工作数量和虚箭线。不仅会增加绘图和计算的工作量，而且还会使图面复杂，不易看懂和控制。例如，浇筑钢筋混凝土柱子施工作业之间的关系分别用横道图、双代号网络图和搭接网络图表示，如下图所示。 施工过程 名 称 施工进度（天） 1 2 3 4 5 6 7 8 9 10 11 一．搭接关系的种类及表达方式 单代号网络计划的搭接关系主要是通过两项工作之间的时距来表示的，时距的含义，表示时间的重叠和间歇，时距的产生和大小取决于工艺的要求和施工组织上的需要。用以表示搭接关系的时距有五种，分别是STS （开始到开始）、STF （开始到结束）、FTS （结束到开始）、FTF （结束到结束）和混合搭接关系。 （一）FTS （结束到开始）关系 结束到开始关系是通过前项工作结束到后项工作开始之间的时距（FTS ）来表达的。如下图所示。 扎钢筋 浇筑混凝土 支模1 支模2 支模3 1 2 4 3 5 6 8 7 9 10 支模1 2 支模2 2 支模3 2 扎筋2 1 扎筋3 1 扎筋1 1 浇筑混凝土1 2 浇筑混 凝土2 2 浇筑混 凝土3 2 支模 6 扎钢筋 3 浇筑 6 STS=4 FTF=1 STS=1 FTF=4 i j FTS i j FTS D i D j

时间序列习题(含答案)

一、单项选择题 1．时间数列与变量数列() A都是根据时间顺序排列的B都是根据变量值大小排列的 C前者是根据时间顺序排列的，后者是根据变量值大小排列的 D前者是根据变量值大小排列的，后者是根据时间顺序排列的 2．时间数列中，数值大小与时间长短有直接关系的是() A平均数时间数列B时期数列C时点数列D相对数时间数列 3．发展速度属于() A比例相对数B比较相对数C动态相对数D强度相对数 4．计算发展速度的分母是() A报告期水平B基期水平C实际水平D计划水平5．某车间月初工人人数资料如下： 则该车间上半年的平均人数约为() A 296人 B 292人 C 295 人 D 300人 6．某地区某年9月末的人口数为150万人，10月末的人口数为150．2万人，该地区10月的人口平均数为() A150万人B150．2万人C150．1万人D无法确定 7．由一个9项的时间数列可以计算的环比发展速度( )

A 有8个 B 有9个 C 有10个 D 有7个 8．采用几何平均法计算平均发展速度的依据是( ) A 各年环比发展速度之积等于总速度 B 各年环比发展速度之和等于总速度 C 各年环比增长速度之积等于总速度 D 各年环比增长速度之和等于总速度 9．某企业的产值2005年比2000年增长了58．6％，则该企业2001—2005年间产值的平均发展速度为( ) A 5 %6.58 B 5%6.158 C 6 %6.58 D 6%6.158 10．根据牧区每个月初的牲畜存栏数计算全牧区半年的牲畜平均存栏数，采用的公式是( ) A 简单平均法 B 几何平均法 C 加权序时平均法 D 首末折半法 11、时间序列在一年内重复出现的周期性波动称为（ ） A 、长期趋势 B 、季节变动 C 、循环变动 D 、随机变动 1．C 2．B 3．C 4．B 5．C 6．C 7．A 8．A 9．B 10．D 11、B 二、多项选择题 1．对于时间数列，下列说法正确的有( ) A 数列是按数值大小顺序排列的 B 数列是按时间顺序排列的 C 数列中的数值都有可加性 D 数列是进行动态分析的基础

时间序列模型的建立与预测

第六节时间序列模型的建立与预测 ARIMA过程y t用 Φ (L) (Δd y t)= α+Θ(L) u t 表示，其中Φ (L)和Θ (L)分别是p, q阶的以L为变数的多项式，它们的根都在单位圆之外。α为Δd y t过程的漂移项，Δd y t表示对y t 进行d次差分之后可以表达为一个平稳的可逆的ARMA 过程。这是随机过程的一般表达式。它既包括了AR，MA 和ARMA过程，也包括了单整的AR，MA和ARMA过程。 可取 图建立时间序列模型程序图 建立时间序列模型通常包括三个步骤。（1）模型的识别，（2）模型参数的估计，（3）诊断与检验。

模型的识别就是通过对相关图的分析，初步确定适合于给定样本的ARIMA模型形式，即确定d, p, q的取值。 模型参数估计就是待初步确定模型形式后对模型参数进行估计。样本容量应该50以上。 诊断与检验就是以样本为基础检验拟合的模型，以求发现某些不妥之处。如果模型的某些参数估计值不能通过显著性检验，或者残差序列不能近似为一个白噪声过程，应返回第一步再次对模型进行识别。如果上述两个问题都不存在，就可接受所建立的模型。建摸过程用上图表示。下面对建摸过程做详细论述。 1、模型的识别 模型的识别主要依赖于对相关图与偏相关图的分析。在对经济时间序列进行分析之前，首先应对样本数据取对数，目的是消除数据中可能存在的异方差，然后分析其相关图。 识别的第1步是判断随机过程是否平稳。由前面知识可知，如果一个随机过程是平稳的，其特征方程的根都应在单位圆之外；如果 (L) = 0的根接近单位圆，自相关函数将衰减的很慢。所以在分析相关图时，如果发现其衰减很慢，即可认为该时间序列是非平稳的。这时应对该时间序列进行差分，同时分析差分序列的相关图以判断差分序列的平稳性，直至得到一个平稳的序列。对于经济时间序列，差分次数d通常只取0，1或2。 实际中也要防止过度差分。一般来说平稳序列差分得到的仍然是平稳序列，但当差分次数过多时存在两个缺点，（1）序列的样本容量减小；（2）方差变大；所以建模过程中要防止差分过度。对于一个序列，差分后若数据的极差变大，说明差分过度。 第2步是在平稳时间序列基础上识别ARMA模型阶数p, q。表1给出了不同ARMA模型的自相关函数和偏自相关函数。当然一个过程的自相关函数和偏自相关函数通常是未知的。用样本得到的只是估计的自相关函数和偏自相关函数，即相关图和偏相关图。建立ARMA模型，时间序列的相关图与偏相关图可为识别模型参数p, q提供信息。相关图和偏相关图（估计的自相关系数和偏自相关系数）通常比真实的自相关系数和偏自相关系数的方差要大，并表现为更高的自相关。实际中相关图，偏相关图的特征不会像自相关函数与偏自相关函数那样“规范”，所以应该善于从相关图，偏相关图中识别出模型的真实参数p, q。另外，估计的模型形式不是唯一的，所以在模型识别阶段应多选择几种模型形式，以供进一步选择。

双代号网络图时间参数的计算

双代号网络图时间参数的计算 参数名称符号英文单词 工期 计算工期TＣＣoｍputer Time 要求工期ＴR RｅquiｒｅTｉme 计划工期T P Pｌａn Time 工作的 时间参数 持续时间D i-jＤａy 最早开始时间ＥS i-j Earliest Staｒtｉnｇ Tｉm ｅ 最早完成时间ＥF i—j Earliｅｓt Ｆinisｈinｇ Timｅ 最迟完成时间LＦｉ—ｊLatest Finishing Ｔｉme 最迟开始时间ＬＳi—ｊＬatest Ｓtaｒting Time 总时差TFｉ－j Total Flｏat Time 自由时差ＦF i－j Free Ｆｌoat Tｉmｅ 二、工作计算法 【例题】:根据表中逻辑关系,绘制双代号网络图，并采用工作计算法计算各工作的时间参数。 工作A B C DＥFＧHＩ 紧前-A A B B、C C D、Ｅ Ｅ、 Ｆ H、G 时间3３３8５442２

（一）工作的最早开始时间ESｉ—j —-各紧前工作全部完成后,本工作可能开始的最早时刻。 （二)工作的最早完成时间EF i—j EF i－j=ＥS i-j + D i—j 1。计算工期Ｔc等于一个网络计划关键线路所花的时间,即网络计划结束工作最早完成时间的最大值，即T c＝mａx{EF i—ｎ｝ 2．当网络计划未规定要求工期Ｔr时, Tｐ=T c ３.当规定了要求工期Ｔｒ时,T c≤T p，T p≤T r —-各紧前工作全部完成后,本工作可能完成的最早时刻。

（三）工作最迟完成时间LFｉ-j 1.结束工作的最迟完成时间LＦｉ-ｊ=T p 2．其他工作的最迟完成时间按“逆箭头相减,箭尾相碰取小值”计算. --在不影响计划工期的前提下,该工作最迟必须完成的时刻。 (四）工作最迟开始时间LS i－j ＬＳi—ｊ＝ＬFｉ—j—D i-j -－在不影响计划工期的前提下，该工作最迟必须开始的时刻。

时间序列分析基于R——习题答案

时间序列分析基于R——习题答案

第一章习题答案 略 第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下

（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图 2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251

-0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 LB=4.83，LB统计量对应的分位点为0.9634，P 值为0.0363。显著性水平=0.05 ，序列不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下

（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 ()0t E x =,2 1 () 1.96 10.7 t Var x ==-,22 0.70.49 ρ ==,22 φ = 3.2 1715 φ= ,2 115 φ =

3.3 ()0t E x =,10.15 () 1.98(10.15)(10.8 0.15)(10.80.15) t Var x +==--+++ 10.8 0.70 10.15 ρ= =+,2 10.80.150.41 ρ ρ=-=,3 210.80.150.22 ρ ρρ=-= 1110.70 φρ==,22 20.15 φ φ==-,33 φ = 3.4 10c -<<, 1121,1,2 k k k c c k ρρρρ--? =?-??=+≥? 3.5 证明: 该序列的特征方程为：3 2 --c 0c λλλ+=，解该特征 方程得三个特征根： 11 λ=，2 c λ =3 c λ =-无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。证毕。 3.6 (1)错 （2）错 （3）对 （4）错 （5） 3.7 该模型有两种可能的表达式：11 2 t t t x ε ε-=-和 1 2t t t x εε-=-。 3.8 将1 23 100.50.8t t t t t x x C εεε---=++-+等价表达为

应用时间序列分析习题答案

第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图

2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 ，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。显著性水平=0.05 不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下

（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 解：1()0.7()()t t t E x E x E ε-=?+ 0)()7.01(=-t x E 0)(=t x E t t x ε=-）B 7.01( t t t B B B x εε)7.07.01()7.01(221 +++=-=- 229608.149 .011 )(εεσσ=-= t x Var 49.00212==ρφρ 022=φ 3.2 解：对于AR （2）模型： ?? ?=+=+==+=+=-3.05 .021102112 12112011φρφρφρφρρφφρφρφρ 解得：???==15 /115/721φφ 3.3 解：根据该AR(2)模型的形式，易得：0)(=t x E 原模型可变为：t t t t x x x ε+-=--2115.08.0

工程网络计划有关时间参数的计算典型例题

工程网络计划有关时间参数的计算典型例题 例题1：某工程双代号网络计划如下图所示（单位：天）。该网络计划的关键线路为（）。 A．①→③→⑤→⑥ B．①→③→④→⑤→⑥和①→②→③→④→⑤→⑥ C．①→②→⑤→⑥和①→②→③→④→⑥ D．①→②→③→⑤→⑥ 【正确答案】B 【答案解析】按工作计算法可知，总工期为14天，关键线路为：①→③→④→⑤→⑥和①→②→③→④→⑤→⑥两条。参见教材P128. 例题2：[背景资料]某施工企业与业主签订了某工程的施工承包合同。经监理工程师审核批准的施工进度计划如下图所示（时间单位：天）。 根据上述背景资料，回答下列第1～4小题： 第1小题：双代号网络图中虚箭线表示（）。 A．资源消耗程度B．工作的持续时间C．工作之间的逻辑关系D．非关键工作 【正确答案】C

【答案解析】在双代号网络图中，为了正确地表达图中工作之间的逻辑关系，往往需要用虚箭线。虚线是实际工作中并不存在的一项虚设工作，故它们既不占用时间，也不消耗资 源。 在双代号网络图中，任意一条实箭线都要占用时间、消耗资源。参见教材P116. 第2小题：监理工程师审核批准的施工进度计划工期是（）天。 A．210 B．245 C．280 D．300 【正确答案】D 【答案解析】本题实质就是计算该网络计划的工期。计算得到的最早开始时间、最早完成时间、最迟开始时间、最迟完成时间、总时差和自由时差。由图可知计划工期是300天。由于该网络计划图较简单，也可以分别计算四条线路的持续时间，关键线路的长就是计划工 期。参见教材P127. 工期泛指完成任务所需要的时间，一般有以下3种； （1）计算工期，根据网络计划时间参数计算出来的工期，用T c表示； （2）要求工期，任务委托人所要求的工期，用T r表示； （3）计划工期，根据要求工期和计算工期所确定的作为实施目标的工期，用T p表示。 网络计划的计划工期T p应按下列情况分别确定：当已规定了要求工期T r时，T p≤T r； 当未规定要求工期时，可令计划工期等于计算工期，T p＝T r。 计算过程见下图所示：

时间序列分析基于R——习题答案

第一章习题答案 略 第二章习题答案 （1）非平稳 （2） （3）典型的具有单调趋势的时间序列样本自相关图 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图 （1）自相关系数为： （2）平稳序列 （3）白噪声序列 ，序列不能视为纯随机序列。LB=，LB统计量对应的分位点为，P值为。显著性水平=0.05 （2）非平稳 （3）非纯随机 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机

第三章习题答案 ()0t E x =,2 1() 1.9610.7 t Var x ==-,2 20.70.49ρ==,220φ= 1715φ=,2115 φ= ()0t E x =,10.15 () 1.98(10.15)(10.80.15)(10.80.15) t Var x += =--+++ 10.8 0.7010.15 ρ= =+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-= 1110.70φρ==,2220.15φφ==-,330φ= 10c -<<, 1121,1,2 k k k c c k ρρρρ--? = ?-??=+≥? 证明: 该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根： 11λ= ，2λ= 3λ= 无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。证毕。 (1)错 （2）错 （3）对 （4）错 （5） 该模型有两种可能的表达式：11 2 t t t x εε-=-和12t t t x εε-=-。 将123100.50.8t t t t t x x C εεε---=++-+等价表达为 ()23 23223310.82010.510.8(10.50.50.5)t t t B CB x B B CB B B B εε-+-=-=-+++++L 展开等号右边的多项式，整理为 2233 4423243 4 10.50.50.50.50.80.80.50.80.50.5B B B B B B B CB CB +++++--?-?-+++L L L

多因素时间序列的灰色预测模型

第 39卷 第 2期 2007年 4月 西 安 建 筑 科 技 大 学 ( 学 报 ( 自然科学版) ) V ol.39 No.2 Apr . 2007 J 1Xi ’an Univ . of Arch . & Tech . Natural Scie nce Editio n 多因素时间序列的灰色预测模型 苏变萍 ,曹艳平 ,王 婷 (西安建筑科技大学理学院 ,陕西 西安 710055) 摘 要:对于传统的单因素时间序列预测法在实际应用中的不足之处 ,提出采用灰色 DGM (1 ,1) 模型和多元 线性回归原理相结合的方法 ,综合各种因素建立多因素时间序列的灰色预测模型。它首先利用 DGM (1 ,1) 模 型对影响事物发展趋势的各项因素进行预测 ;然后利用多元线性回归法将各种因素综合起来 ,以预测事物的 发展趋势。最后将该模型应用于预测分析陕西省的就业状况 ,取得了较好的预测效果 ,同时也验证了此模型 的可行性。 关键词: 时间序列 ;单因素 ;多因素 ;预测模型 中图分类号:TB114 文献标识码:A 文章编号 :100627930 2007 022******* ( ) 多年以来 ,对时间序列的预测研究 ,大多是停留在对单因素时间序列上 ,对其预测通常采用的是趋 势外推法 ,而且该方法适合于原始时间序列规律性较好的情况 ,若时间序列中包含了随机因素的影 响 ,再采用这种方法得出的预测结果可能会失真. 同时 ,客观世界又是复杂多变的 ,事物的发展通常不 是由某个单个因素决定 ,往往是许多错综复杂的因素综合作用的结果 ,为了对某项事物的发展做出更加 符合实际的预测 ,这就需要来探讨多因素时间序列的预测问题 ,正是基于这些 ,本文在应用灰色 D GM (1 ,1)模型对单因素时间序列预测的基础上 ,结合多元回归原理 ,提出建立多因素时间序列的灰色预测 模型 ,这样就充分发挥了二者的优点 ,既克服了时间序列的随机因素影响 ,又综合考虑了影响事物发展 的多种因素 ,从而达到提高预测精度和增加预测结果可靠性的效果. 1 模型的建立 设 Y = (y (1) , y (2) , …, y( n)) 表示事物发展的特征因素时间序列, X i = (x i (1) , x i (2) , …, x i ( n)) (i = 1 ,2 , …, p) 表示影响事物发展的单因素时间序列. 1.1 单因素时间序列的 DGM(1 ,1) 模型 对于单因素原始时间序列{ X i } (i = 1 ,2 , …, p) ,根据灰色系统理论建模方法 ,得 D GM (1 ,1) 模 型 : x i (1) a (1 - a) + a b ,t > 1 1.2 多因素时间序列的预测模型 为了能将影响事物发展的众多因素结合起来进行综合预测和相关因素的预测分析 ,在经过多次研 究与比较后,采用多元回归的原理建立多因素时间序列的灰色预测模型: y t = a 0 + a 1 x 1 t + a 2 x 2 t + …+ a p x p t 2 式中 y t 为该事物在 t 时刻的预测值;x i t i = 1 ,2 , …, p 为第 i 个单因素 ,通过应用上述的灰色 3收稿日期 :2005201209 修改稿日期:2006204212 基金项目 :陕西省教育厅专项基金项目 01J K133( ) 作者简介 :苏变萍 19632( ) ,女 ,山西忻州人 ,副教授 ,博士研究生 ,研究方向为计量经济学. [122] (0) (0) (0) ( ) ( ) [4] (0) x (1) = x (1) ^ x (t) = (1) ( ) ^ ^ ^ ^ ^ ^

时间序列分解Decompose

时间序列分解算法和d ecompose函数实现 李思亮 55531469@https://www.360docs.net/doc/56395201.html, 目录 时间序列分解算法和decompose函数实现 (1) 1 数据读入并生成时间序列 (2) 2 数据可视化 (4) 3 时间序列分解 (7)

在时间序列分析的过程中，往往需要对时间序列作出初步分析，本文主要采用R语言作为分析平台，从数据的读入，可视化图，分解（decompose）为趋势项，季节项，随机波动等角度对数据开展分析的几个案例。最后对分解算法作出初步描述并探讨其预测预报中的潜在应用。本文的数据和部分内容主要采用https://www.360docs.net/doc/56395201.html,/en/latest/中的内容，感兴趣的读者可以参考。 1 数据读入并生成时间序列 对于数据分析来讲，数据读入是一个比较关键的步骤。常用的数据读入函数有scan，read.table 等。下面列举了几种常见的数据。 首先是https://www.360docs.net/doc/56395201.html,/tsdldata/misc/kings.dat，中包含了英国国王的寿命从William开始，数据来源（Hipel and Mcleod, 1994）。 > kings <- scan("https://www.360docs.net/doc/56395201.html,/tsdldata/misc/kings.dat",skip=3) Read 42 items > kings [1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56 上述例子中，读入了连续42个公国国王的寿命并将其赋给变量‘kings’ 如果我们希望对读入数据开展分析，下一步就是将其转化为时间序列对象（时间序列类），R提供了很多函数用于分析时间序列类数据。可以使用ts函数将变量转化为时间序列类。 > kingsts <- ts(kings) > kingsts Time Series: Start = 1 End = 42 Frequency = 1 [1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56 对于上述数据操作的好处是将数据转化为特定的“时间序列类”便于我们使用R中的函数分析数据。 有时候我们会按照一定的时间周期来收集数据，这个周期可能是季度，月，日，小时，分。在大数据时代，有些情况下的数据是按照秒来采集收集。这种情况下，我们需要对数据的周期或频率进行设置。这里采用ts函数中的frequency参数可以实现这种功能。比方说，若按1年为一个周期，我们的月度时间

时间序列分析-王燕-习题4答案

6、 方法一：趋势拟合法 income<-scan('习题4.6数据.txt') ts.plot(income) 由时序图可以看出，该序列呈现二次曲线的形状。于是，我们对该序列进行二次曲线拟合： t<-1:length(income) t2<-t^2 z<-lm(income~t+t2) summary(z) lines(z$fitted.values, col=2) 方法二：移动平滑法拟合 选取N=5 income.fil<-filter(income,rep(1/5,5),sides=1) lines(income.fil,col=3)

7、（1） milk<-scan('习题4.7数据.txt') ts.plot(milk) 从该序列的时序图中，我们看到长期递增趋势和以年为固定周期的季节波动同时作用于该序列,因此我们可以采用乘积模型和加法模型。在这里以加法模型为例。 z<-scan('4.7.txt')

ts.plot(z) z<-ts(z,start=c(1962,1),frequency=12) z.s<-decompose(z,type='additive') //运用加法模型进行分解z.1<-z-z.s$seas //提取其中的季节系数，并在z中减去（因为是加法模//型）该季节系数 ts.plot(z.1) lines(z.s$trend,col=3) z.2<-ts(z.1) t<-1:length(z.2) t2<-t^2 t3<-t^3 r1<-lm(z.2~t) r2<-lm(z.2~t+t2) r3<-lm(z.2~t+t2+t3) summary(r1)

时间序列分解法

什么是时间序列分解法 时间序列分解法是数年来一直非常有用的方法,这种方法包括谱分析、时间序列分析和傅立叶级数分析等。 时间序列分解模型 时间序列y可以表示为以上四个因素的函数，即： Y t = f(T t,S t,C t,I t) 时间序列分解的方法有很多，较常用的模型有加法模型和乘法模型。 加法模型为：Y t = T t + S t + C t + I t 乘法模型为： 时间序列的分解方法 （1）运用移动平均法剔除长期趋势和周期变化，得到序列TC。然后再用按月（季）平均法求出季节指数S。 （2）做散点图，选择适合的曲线模型拟合序列的长期趋势，得到长期趋势T。 （3）计算周期因素C。用序列TC除以T即可得到周期变动因素C。 （4）将时间序列的T、S、C分解出来后，剩余的即为不规则变动，即：

时间序列的模式 时间序列一般包括四类因素，长期趋势因素、季节变动因素、循环变动因素和不规则变动因素。四种因素的组合形式一般有以下几类, 其中记Xt为时间序列的全变动；Tt为长期趋势；St为季节变动；Ct为循环变动；It为不规则变动，它总是存在着的。 1）乘法模式，其中， a) X t与T t有相同的量纲，S t为季节指数，C t为循环指数，两者皆为比例数； b) c) I t是独立随机变量序列，服从正态分布。 2）加法模式X t = T t + S t + C t + I t 这种形式要求满足条件： a) X t，T t，S t，C t，I t均有相同的量纲； b) ,k为季节性周期长度； c) I t是独立随机变量序列，服从正态分布。 3) 混合模式

a) X t与T t，C t，I t有相同的量纲，St是季节指数，为比例数； b) c) I t是独立随机变量序列，服从正态分布。 时间序列分解法试图从时间序列中区分出这四种潜在的因素，特别是长期趋势因素(T)、季节变动因素(S)和循环变动因素(C)。显然，并非每一个预测对象中都存在着T、S、C这三种趋势，可能是其中的一种或两种。一个具体的时间序列究竟由哪几类变动组合，采取哪种组合形式，应根据所掌握的资料、时间序列及研究目的来确定。 时间序列分解法各因素的确定 分解法的基础是容易理解而且直观的。不过最重要的是它为预测和检验提供了独特和非常有用的资料。我们用一个例题来说明各个因素分解的步骤。 设有某产品十二年（91年－02年）的季度销售额数据。见表4.3中的第二列，共有48个数据。如果将这些数据画在图上（图.1），可以看出有明显的长期趋势和季节变动。利用分解法，假设这48个数据可表示为 。这里X t是这些原始数据，通过分析原始数据X来确定T、C、S（剩下的为I）。

时间序列分解结果

在随机时间序列分析中，为简便起见，我们假定时间序列主要由趋势项（T）、季节项 （S）和随机项（R）构成。 # 读入数据，画曲线图 > sales <- read.csv(file = "sales.csv",header = TRUE) > head(sales) > plot(sales$t,sales$Y,type = "l") 观察这幅图形，可以看出有明显的长期趋势和季节变动。 利用分解法，假设这48个数据可表示为：，Yt代表实际销售额

度。 长期趋势的分解 用时间回归法，在同一图中画出趋势项目、季节项和随机项的数据图，如下： decompose()函数主要用来做季节指数分解，figure项即指季节指数。同时也返回原始数据，以及MA算法的结果；trend趋势项使用光滑移动平均法求得，它包含了长期趋势T 和周期变动因素C，之前用回归法求得长期趋势T，利用此函数的返回值Trend即可求得周期变动因素C；Random即为不规则变动。 此函数的基本结构： Additive: xt = Trend + Seasonal + Random Multiplicative: xt = Trend * Seasonal * Random > sales1 <- ts(sales[,2],start = 1,frequency = 4) # 季节变动趋势分解 > m <- decompose(sales1,type = "multiplicative") > plot(m) > m$x Qtr1 Qtr2 Qtr3 Qtr4 2003 3017.60 3043.54 2094.35 2809.84 2004 3274.80 3163.28 2114.31 3024.57 2005 3327.48 3493.48 2439.93 3490.79 2006 3685.08 3661.23 2378.43 3459.55 2007 3849.63 3701.18 2642.38 3585.52 2008 4078.66 3907.06 2828.46 4089.50 2009 4339.61 4148.60 2916.45 4084.64 2010 4242.42 3997.58 2881.01 4036.23 2011 4360.33 4360.53 3172.18 4223.76 2012 4690.48 4694.48 3342.35 4577.63 2013 4965.46 5026.05 3470.14 4525.94 2014 5258.71 5189.58 3596.76 3881.60