- •Задача 1
- •Решение.
- •1)Построение экономико-математической модели задачи
- •4) Построим некоторую линию уровня .
- •Задача 2
- •Решение.
- •1. Формулировка прямой оптимизационной задачи на максимум выручки от реализации готовой продукции.
- •2. Формулировка двойственной задачи и нахождение ее оптимального плана с помощью теорем двойственности.
- •4. Анализы на основе свойств двойственных оценок и теорем двойственности 4.1. Анализ использования ресурсов в оптимальном плане исходной задачи.
- •4.2. Определить, как изменятся выручка и план выпуска продукции при увеличении запасов сырья II и III видов на 120 и 160 единиц соответственно и уменьшении на 60 единиц запасов сырья I вида.
- •4.3. Определить целесообразность включения в план изделия "д" ценой 10 ед., на изготовление которого расходуется по две единицы каждого вида сырья.
- •Задача 3
- •Задача 4 Исследовать динамику экономического показателя на основе анализа одномерного временного ряда.
- •Решение
- •1. Проверка наличия аномальных наблюдений.
- •2. Построение линейной модели.
- •3 .Построение адаптивной модели Брауна.
- •4.Оценка адекватности построенных моделей.
- •5.Оценка точности модели по среднему квадратическому отклонению и средней по модулю ошибке.
- •6. Построение точечного и интервального прогнозов на следующие две недели
- •Расчетная таблица
2. Построение линейной модели.
2.1 Находим суммы всех значений t, Y, их произведений t* Y , а также значений t2, Y2.
2.2.Находим средние значения величин t, Y и их произведений t* Y .
Для этого просто поделим величины соответствующих сумм, найденные ранее, на число наблюдений n (то есть на 9).
2.3.Находим дисперсии σ2 t, σ2Y .
Можно найти их, используя квадраты разности между значением переменной и соответствующим средним значением, т. е. формулы:
_ _
σ2 t =∑ (t- t)2/ n; σ2Y =∑ (Y- Y)2/ n
2.4 Находим коэффициенты уравнения регрессии:
__ _ __
а1=( tY- t* Y)/ σ2t=(286,11-5*53,78)/6,67=2,58
__ _
а0= Y - а1* t = 53,78-2,58*5=40,86
Формулы для определения коэффициентов уравнения регрессии определяются с использованием метода наименьших квадратов (МНК).
Таким образом, уравнение регрессии имеет вид:
Y= а0+ а1* t;
Y=40,86+2,58* t
Рассчитываем для каждого наблюдения «предсказанное» (смоделированное) значение отклика (величины показателя) (Y).
На основании рассчитанных Y находим значения остатков для каждого наблюдения:
__
εi= Yi - Yi
Решение задачи с помощью Пакета анализа Ехсеl. Используем инструмент пакета "Анализ данных" - Регрессия. Вводим данные для выполнения подпрограммы "Регрессия" и анализируем их результаты (которые приведены в таблицах).
-
Коэффициенты
Стандартная ошибка
1-статистика
Y-пересечение t
40,86
1,38
29,68
2,58
0,24
10,56
ВЫВОД ОСТАТКА
Наблюдение |
Предсказанное У |
Остатки |
1 |
43,44 |
-0,44 |
2 |
46,03 |
0,97 |
3 |
48,61 |
1,39 |
4 |
51,19 |
-3,19 |
5 |
53,78 |
0,22 |
6 |
56,36 |
0,64 |
7 |
58,94 |
2,06 |
8 |
61,53 |
-2,53 |
9 |
64,11 |
0,89 |
По приведенным данным можно сделать вывод, что результаты "ручного" расчета (по формулам) и автоматического расчета совпадают, поскольку коэффициенты уравнения регрессии - одинаковы.
3 .Построение адаптивной модели Брауна.
Этап 1: По первым пяти точкам временного ряда получим начальные оценки параметров модели, используя формулы, полученные методом наименьших квадратов
а1=∑ ((t- t1 )* (Y(t)- Y1))/ ∑ (t- t1)2; а0= Y1- а1* t1;
Средние значения для пяти точек вычисляются по формулам:
_ __
t1=1/5∑ t; Y1=1/5∑ Y(t)
Все вычисления средних значений и начальных оценок параметров модели выполним в расчетной таблице.
Этап 2: С помощью начальных параметров по модели Брауна найдем прогноз на один шаг (k =1):
Yp (t, k )= а0 (t) + а1(t) k.
Этап 3: Расчетное значение Yр (t, k) ряда сравниваем с фактическим значением Y(t) и вычисляем величину расхождения (ошибки).
Формула для вычисления ошибки (при k = 1):
e (t+1)=Y (t+1)- Yp (t,1)
Этап 4: Корректировка параметров модели в соответствии с величиной ошибки.
Используются формулы:
а0 (t) = а0 (t-1)+ а1(t-1)+ ά2* e (t);
а1(t) = а1(t-1)+ ά2* e (t).
Здесь ά - параметр сглаживания. Сначала проведем вычисления при параметре сглаживания, равном 0,4, а затем - равном 0,7.
е (х) - ошибка прогнозирования уровня Y (t), вычисленная в момент времени (t +1) на один шаг вперед.
Этап 5: По модели со скорректированными параметрами а0 и а1 находим прогноз на следующий момент времени.
Повторяем этапы построения модели, пока не достигнем значения t = 9 (в данном случае). При достижении t = 9 получаем модель, которую можно использовать для прогнозирования. Для параметра сглаживания ά = 0,4 на последнем шаге получаем модель Ур (N+ k) = 63,6937 +2,948 k , а для ά = 0,7 - модель Ур (N + k) = 64,1103+ +2,437 k.
Необходимо заметить, что лучшим значением параметра сглаживания является 0,4, поскольку при этом получается меньшая средняя относительная ошибка аппроксимации и среднеквадратическое отклонение остатков. Это показывают дальнейшие расчеты.