Задание
1. Вычисление регрессионных зависимостей
1.1. Вычислить значения
регрессионно - авторегрессионой зависимости Yk = Yk-1 + a * Xk + b для k = 1, 2, 3, 4, 5, если Xk = k , Y0 = 0,
a = 3 b=3.
Рисунок 1.1 Исходные
данные и результат вычислений к п.1.1
1.2. Вычислить значения регрессионно-авторегрессионой
зависимости Yk = Yk-1 + a * Xk + b для k = 1, 2, 3, 4, 5, если a =3 b=3, Y0 = 0, а {Xk} = {10, 15, 20, 25, 30}.
Рисунок 1.2 Исходные
данные и результат вычислений к 1.2
1.3. Вычислить значения
авторегрессионой зависимости второго порядка Yk = a*Yk-1 + b * Yk-2 для k = 1, 2, 3, 4, 5, если a =3 b=3, Y0 =1,
а Y-1 =0.
Рисунок 1.3 Исходные
данные и результат вычислений к п. 1.3
Задание 2. Применение
идентификации регрессионных зависимостей
Предприятие производит
выпуск продукции, количество которой Q
зависит от управления (привлеченных средств) С. Различные варианты
эмпирической зависимости Q
=
Q(С) даны в
таблице. Варианты эмпирической зависимости соответствует номеру столбца
таблицы, содержащего данные Q.
|
Условие
|
С |
Q0
|
1 |
2 |
2 |
1 |
3 |
3 |
4 |
3 |
5 |
4 |
6 |
6 |
7 |
6 |
8 |
5 |
2.1. Задайте вид
математической модели зависимости Q
=
Q(С) в виде
линейного уравнения регрессии.
Рисунок 2.1 Исходные
данные с вычислением полученных данных.
Рисунок 2.2 График
построения исходной и линейной зависимости
2.2. Определите его
адекватность эмпирическим данным, используя критерии качества модели:
1)
коэффициент
корреляции COR;
2)
D - коэффициент
детерминации;
Рисунок 2.3 Нахождение
коэффициента корреляции COR
Рисунок 2.4 определение
коэффициента детерминации D
2.3. Подготовьте данные
для расчетов средствами Excel, оформив соответствующий шаблон решения задачи.
Рисунок 2.5 Определение
данных с помощью средства Excel "Поиск
решения"
Задание 3. Оптимизация
производственных и коммерческих операций
регрессионный
линейный программирование математический
3.1. Найти графическое
решение задачи линейного программирования (найти max и min
целевой функции).
Преобразуем систему
неравенств в систему уравнений.
Найдем производную F по X1 и X2 F1 (1;1)
Найдем по две точки каждой
прямой и проведем через них линии:
Рисунок 3.1 Графическое
решение задачи линейного программирования
Определим область поиска
решений.
После этого построим
вектор , проведем через него
перпендикуляр. При опускании его к центру координат определим точки max и min.
Из графика видно, что
точка max образуется при пересечении прямых
(1) и (3). Найдем ее координаты:
В результате получим X1
= 6; X2 = 1. Значение целевой функции будет равным Fmax = 1*6+1*1 = 7
Как видно из графика
точка min X1 = 0; X2 =
3. Значение целевой функции будет равным Fmin = 1*0+1*3 = 3
3.2. Подготовить шаблон
для решения задачи средствами Excel и отобразить необходимые команды в интерфейсе инструмента "Поиск
решения".
Определим max и min целевой функции, для этого заполним в Excel таблицу с данными ограничениями. С
помощью средства Excel "Поиск
решения" выполним данное задание:
Рисунок 3.2 Определение max целевой функции
Рисунок 3.3 Определение min целевой функции
Другие работы по теме:
Однофакторный регрессионный анализ при помощи системы GRETL
Навыки применения теоретических знаний по теме "Одномерный регрессионный анализ" при решении экономических задач с помощью системы GRETL. Анализ затрат в зависимости от числа ящиков, готовых к разгрузке. Обоснование результатов регрессионного анализа
Эконометрика как наука
Современная экономическая теория. Экономические процессы. Использование моделирования и количественного анализа. Выражение взаимосвязи экономических явлений и процессов. Определение, объект исследования, основные принципы, цели и задачи эконометрики.
Линейные регрессионные модели
Оценить влияние определенных факторов на изучаемый показатель и друг на друга с помощью коэффициентов линейной корреляции. Среднее квадратическое отклонение фактора. Коэффициент линейной корреляции. Линейные регрессионные модели изучаемого показателя.
Количественные методы в бизнесе
Временные ряды и прогнозирование. Сетевой анализ и планирование проектов. Модели кривых роста. Статистические критерии сезонности: дисперсионный, автокорреляционный, гармонический. Модели, которые используются для прогнозирования сезонных процессов.
Системный анализ предприятия ОАО АВТОВАЗ
Основные свойства систем, характеристика преемственности. Типы моделей в зависимости от решаемых в ходе системного анализа задач. Понятия детерминированных связи и анализа. Системный анализ предприятия ОАО АВТОВАЗ на примере прессового производства.
Регрессионный анализ рынка труда
Содержание: 1. Введение. 2. Теоретическая часть. Основные понятия Регрессионный анализ рынка труда 3. Практическая часть. 4. Заключение. 5. Список использованной литературы.
Линейные регрессионные модели
Решение контрольной работы по эконометрике Используя данные Федеральной службы государственной статистики России (за двенадцать месяцев) из периода 2004 - 2005гг., следует:
Контрольная работа по Эконометрике
Построим поле корреляции (на отдельном листе) и сформулируем гипотезу о форме связи, предполагая, что генеральное уравнение регрессии – линейное: Найдем оценки b0 и b1 параметров модели парной линейной регрессии
Эксперимент у прилавка
Серьезные экспериментальные исследования со многими критериями качества и входными величинами без планирования эксперимента просто невозможны. С усложнением экспериментов эффективность их планирования возрастает.
Решение задач прогнозирования с помощью статистического пакета SPSS
Курсовая работа на тему: «Решение задач прогнозирования с помощью статистического пакета SPSS ведение Точная и своевременная информация о том, что может произойти в экономике и обществе в будущем, всегда имела значение для тех, кто принимал бизнес-решения. Прогнозирование стало важной частью процесса планирования любой компании.
Корреляционно-регрессионные модели и их применение в анализе и прогнозе
Корреляционно-регрессионной моделью (КРМ) системы взаимосвязанных признаков является такое уравнение регрессии, которое включает основные факторы, влияющие на вариацию результативного признака, обладает высоким (не ниже 0,5) коэффициентом детерминации и коэффициентами регрессии, интерпретируемыми в соответствии с теоретическим знанием о природе связей в изучаемой системе.
Работа с оптимизатором
Оптимальное планирование производства и решение транспортной задачи с помощью оптимизатора Solver программы Excel. Численные методы решения систем линейных алгебраических уравнений на Excel. Корреляционно-регрессионный анализ, линейная форма связи.
Нейронные сети с радиальными базисными функциями
Преимущества и недостатки нейронных сетей с радиальными базисными функциями (РБФ). Функции newrbe и newrb для построения РБФ общего вида и автоматической настройки весов и смещений. Пример построения нейронной сети с РБФ в математической среде Matlab.
Нейронные сети
Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
Методы Data Mining
Классификация задач DataMining. Создание отчетов и итогов. Возможности Data Miner в Statistica. Задача классификации, кластеризации и регрессии. Средства анализа Statistica Data Miner. Суть задачи поиск ассоциативных правил. Анализ предикторов выживания.
Настройка и решение обратной петрофизической задачи
Предлагается использовать совместно параметрические и непараметрические петрофизические взаимосвязи при применении оптимизационного способа комплексной обработки и поддержи интерпретации данных каротажа.
Анализ и оценка экономического состояния организации
Методика и детерминированные методы факторного анализа, влияние на абсолютное отклонение по объему производства продукции изменений среднегодовой стоимости основных фондов. Методы стохастического факторного анализа, расчет коэффициента корреляции рангов.