- •Введение
- •Глава 1. Оптимизационные экономико-математические модели
- •1.1. Общая задача оптимизации. Примеры задач линейного программирования
- •1.1.1. Задача оптимального использования ресурсов (задача о коврах)
- •Экономико-математическая модель задачи
- •Экономико-математическая модель задачи
- •1.2. Графический метод решения задач линейного программирования
- •Экономико-математическая модель задачи
- •1.3. Технология решения задач линейного программирования с помощью надстройки поиск решения в среде excel
- •1.3.1. Общие сведения о работе с табличным процессором Excel
- •Экономико-математическая модель задачи
- •1.4. Двойственность в задачах линейного программирования. Анализ полученных оптимальных решений
- •Решение
- •Содержание отчета по результатам
- •Содержание отчета по устойчивости
- •Решение
- •Задачи для самостоятельного решения
- •1.5. Специальные задачи линейного программирования
- •1.5.1. Задачи целочисленного программирования
- •Экономико-математическая модель задачи
- •Решение задачи целочисленного программирования с помощью средства Excel Поиск решения
- •1.5.2. Транспортная задача и ее реализация в среде Excel
- •Применение транспортных моделей к решению некоторых экономических задач
- •Решение
- •1.31. Диалоговое окно Результаты поиска решения
- •1.5.3. Задача о назначениях
- •Экономико-математическая модель задачи
- •1.6. Возможные ошибки при вводе условий задач линейного программирования
- •Глава 2. Балансовые модели
- •2.1. Экономико-математическая модель межотраслевого баланса (модель Леонтьева)
- •2.2. Межотраслевые балансовые модели в анализе экономических показателей
- •Решение
- •2.3. Модель международной торговли (линейная модель обмена)
- •Решение
- •2.4. Модель неймана
- •Вопросы и задачи для самостоятельного решения
- •Глава 3. Методы и модели анализа и прогнозирования экономических процессов с использованием временных рядов
- •3.1. Основные понятия и определения
- •3.1.1. Требования к исходной информации
- •3.1 .2. Этапы построения прогноза по временным рядам
- •2. Построение моделей
- •3. Оценка качества построенных моделей
- •4. Построение точечных и интервальных прогнозов
- •Установка Пакета анализа
- •Решение
- •Решение задачи с помощью Пакета анализа Excel
- •Решение
- •3.3. Анализ временных рядов с помощью инструмента мастер диаграмм
- •Построение линий тренда
- •График временного ряда Индекс потребительских расходов
- •Решение
- •Вопросы и задачи для самостоятельного решения
- •Глава 4. Аудиторная работа «Решение задач линейного программирования с использованием Microsoftt Excel»
- •4.1. Руководство к выполнению аудиторной работы
- •4.2. Инструкция по использованию Microsoft Excel при решении задач линейного программирования
- •2) В окне Поиск решения запустить задачу на решение;
- •3) В окне Результат выбрать формат вывода решения.
- •4.3. Порядок выполнения работы
- •Задание 1
- •Задание 2
- •Примерные вопросы на защите работы
- •Приложение 1
- •Василий Васильевич леонтьев
- •5 Августа 1906 г. - 5 февраля 1999 г.
- •Леонид Витальевич канторович
- •19 Января 1912 г. - 7 апреля 1986 г.
- •Оглавление
- •Глава 1. Оптимизационные экономико-математические модели
- •Глава 2. Балансовые модели
- •Глава 3. Методы и модели анализа и прогнозирования экономических процессов с использованием временных рядов
- •Глава 4. Аудиторная работа «решение задач линейного программирования с использованием microsoft excel»
Решение задачи с помощью Пакета анализа Excel
1. Гипотезу о равенстве дисперсий проверим с помощью F-теста, который можно найти среди инструментов Анализа данных (рис. 3.4).
Рис. 3.4. Вызов надстройки Excel Анализ данных
2. Вводим данные для выполнения F-теста, указывая интервал для первой и второй переменных (рис. 3.5). Результат выполнения теста приведен в табл. 3.2. Анализируя результаты выполнения двухвыборочного F-теста для проверки гипотезы о равенстве дисперсий, приходим к выводу, что исправленные выборочные дисперсии ( и ) различаются незначимо.
Таблица 3.2. Результат выполнения двухвыборочного F- теста для дисперсии
Двухвыборочный F-тест для дисперсии |
||
|
Переменная 1 |
Переменная 2 |
Среднее |
15,129 |
16,663 |
Дисперсия |
42,146 |
41,220 |
Наблюдения |
7 |
8 |
df |
6 |
7 |
F |
1,022 |
|
P(F<=f) одностороннее |
0,481 |
|
F критическое одностороннее |
3,866 |
|
Рис. 3.5. Ввод данных для двухвыборочного F-теста
3. Выбираем инструмент анализа Двухвыборочный t-тест с одинаковыми дисперсиями (рис. 3.6). Вводим данные. Результат выполнения t-теста приведен в табл. 3.3, анализируя который убеждаемся, что тренда нет.
Таблица 3.3. Результат выполнения t-теста
Двухвыборочный t-тест с одинаковыми дисперсиями |
||
|
Переменная 1 |
Переменная 2 |
Среднее |
15,129 |
16,663 |
Дисперсия |
42,146 |
41,220 |
Наблюдения |
7 |
8 |
Объединенная дисперсия |
41,647 |
|
Гипотетическая разность средних |
0 |
|
df |
13 |
|
t-статистика |
-0,459 |
|
P(T<=t) одностороннее |
0,327 |
|
t критическое одностороннее |
1,771 |
|
P(T<=t) двухстороннее |
0,654 |
|
t критическое двухстороннее |
2,160 |
|
Рис. 3.6. Ввод данных для двухвыборочного t-теста с одинаковыми дисперсиями
Пример 3.2. На основании данных, приведенных в табл. 3.4 требуется:
1) построить линейную модель Y(t) = ao + a1t, параметры которой оценить МНК;
2) оценить адекватность построенной модели на основе исследования:
случайности остаточной компоненты по критерию пиков;
независимости уровней ряда остатков по d-критерию (в качестве критических значений следует использовать уровни d1 = 1,08 и d2 = 1,36) и по первому коэффициенту автокорреляции, критический уровень которого r(1) = 0,36;
нормальности распределения остаточной компоненты по RS-критерию с критическими уровнями 2,7-3,7;
3) для оценки точности модели используйте среднеквадратическое отклонение и среднюю по модулю относительную ошибку;
4) построить точечный и интервальный прогнозы на два шага вперед (для вероятности P = 70% используйте коэффициент равный 1,12);
5) отобразить на графике фактические данные, результаты расчетов и прогнозирования.
Таблица 3.4. Исходные данные
t |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Y |
41 |
46 |
49 |
48 |
65 |
55 |
61 |
59 |
65 |