- •Математическое моделирование Учебное пособие
- •Донецк 2006
- •Содержание
- •Введение
- •1. Построение экспериментальных законов распределения
- •1.1. Общие положения
- •1.2. Статистические критерии согласия
- •Г) Критерий согласия Романовского
- •1.3. Построение закона Пуассона
- •1.4. Построение показательного закона
- •1.5. Построение нормального закона
- •2. Модели оптимизации
- •2.1. Принципы формирования моделей оптимизации
- •Задача производственного планирования
- •Задача оптимальной загрузки оборудования
- •Задача о смесях
- •Транспортная задача
- •2.2. Графический метод решения задачи линейного программирования
- •Алгоритм графического метода решения злп
- •2.3. Универсальный метод решения линейных задач оптимизации
- •Алгоритм симплекс-метода решения злп
- •Пример 2.3.1. Решить злп (2.2.1), (2.2.5) симплекс-методом.
- •Критерий оптимальности опорного плана
- •Переход к следующей симплекс-таблице осуществляют по правилам:
- •2.4. Двойственная задача линейного программирования
- •Свойства двойственных задач
- •2.5. Методы анализа конфликтных ситуаций с помощью матричных игр
- •Алгоритм принципа максимина (минимакса)
- •Решение. Этаматричная игра имеет размерность (3х4), т.Е. Игрок а имеет три стратегии, а игрок в – четыре. Запишем ее в нормальной форме.
- •Последовательность действий при решении игры
- •3. Регрессионный анализ
- •3.1. Однофакторные модели
- •3.1.1. Построение однофакторных моделей
- •3.1.2. Оценка качества моделей
- •Свойства коэффициента корреляции
- •Построение доверительного интервала для прогнозного значения
- •Пример 3.1.Исследовать зависимость объема прибыли от количества торговых точек. Сделать прогноз в предположении, что количество торговых точек будет увеличено до 25.
- •Вспомогательная расчетная таблица
- •Пример 3.2.Исследовать зависимость показателяуи факторахс помощью логарифмической, степенной и полиномиальной регрессий.
- •3.1.3. Модели рядов динамики
- •3.2. Автокорреляция данных и остатков
- •3.2.1. Автокорреляция данных
- •Пример 3.4. Исследовать на автокорреляцию динамический ряд:
- •Вспомогательная таблица для расчета коэффициента автокорреляции
- •3.2.2. Автокорреляция остатков
- •Причины возникновения автокорреляции
- •Вспомогательная таблица для расчета d-статистики
- •С помощью формулы (3.2.2) найдем d -статистику:
- •3.3. Мультиколлинеарность
- •Причины возникновения мультиколлинеарности:
- •Методы исследования мультиколлинеарности
- •Меры по устранению мультиколлинеарности:
- •3.4. Множественная линейная регрессия
- •3.4.1. Построение множественной линейной регрессии
- •Расчет элементов коэффициента
- •3.4.2. Матричный подход
- •Построение корреляционной матрицы
- •Построение модели множественной линейной регрессии и ее анализ
- •3.4.4. Нелинейные модели
- •3.4.5. Эластичность
- •4.Экспертные оценки и элементы теории графов
- •4.1. Ранговая корреляция
- •4.1.1. Экспертное оценивание
- •4.1.2. Этапы работ в системе экспертных оценок
- •4.1.3. Метод ранговой корреляции
- •Вспомогательные расчеты
- •Б) Случай многих экспертов
- •4.2. Элементы сетевого планирования
- •Основные элементы сетевого графика
- •Основные требования к сетевой модели
- •5. Индивидуальные задания для самостоятельной работы студентов по курсу “математическое моделирование”
- •5.1. Задания к разделу “Построение законов распределения”
- •5.2. Задания к разделу “Математическое программирование”
- •5.3. Задания к разделу “Регрессионный анализ”
- •Задание 2.
- •Задание 3.
- •5.4. Задания к разделу “Экспертные оценки и элементы теории графов” Задание 1.
- •Значение критерия Пирсона
- •Критерий Колмогорова
- •Критерий Колмогорова
- •Квантили распределения Стьюдента
- •Коефициентов автокорреляции
- •Литература
- •Пеніна Галина Геннадіївна, канд. Екон. Наук, доцент
Вспомогательная расчетная таблица
-
х
х2
у
ху
у2
15
225
2,2
33
4,84
17
289
2,25
38,25
5,0625
16
256
2,24
35,84
5,0176
13
169
2,1
27,3
4,41
18
324
2,9
52,2
8,41
19
361
3,1
58,9
9,61
11
121
1,9
20,9
3,61
10
100
1,85
18,5
3,4225
14
196
2,16
30,24
4,6656
9
81
1,68
15,12
2,8224
142
2122
22,38
330,25
51,8706
Замечание. |
Вспомогательную расчетную таблицу 3.1 удобно строить в пакете EXCEL. |
Система линейных уравнений Гаусса (3.1.2) в нашем случае примет вид:
Решив эту систему, найдем коэффициенты и:.
Тогда уравнение прямой линии регрессии унах(3.1.1) примет вид:
у = 0,5633 + 0,1179х.
Найдем показатели тесноты связи показателя Yи фактораX.
Воспользовавшись формулой (3.1.9), найдем коэффициент корреляции:
Таким образом, r = 0,9073. Это значит, что между переменнымиХ иYвысокая степень взаимосвязи. Коэффициент детерминации, найденный по формуле (3.1.10), равен. Это означает, что регрессионное уравнение оценено хорошо, так какблизок к единице, факторХна 82,32% предопределяет изменениеY.
Для проверки гипотезы об отсутствии линейной связи между объясняемой и объясняющей переменной вычислим t-статистику по формуле (3.1.11):
.
По таблицам Стьюдента (приложение Д) находим табличное значение ()-статистики.t(0,05;8)=2,306. Так как наблюдаемое значениеt-статистики больше критического, то гипотезу об отсутствии линейной связи между объясняемой и объясняющей переменной следует отвергнуть.
Для проверки гипотезы о значимости коэффициента корреляции вычислим – статистику по формуле (3.1.12):
.
По таблицам Фишера (приложение Е) находим табличное значение Так как наблюдаемое значениеF- статистики больше критического, то гипотезу о равенстве нулю коэффициента корреляции следует отвергнуть. Коэффициент корреляции значительно отличается от нуля, поэтому между переменнымиХиY существует линейная корреляционная зависимость.
Для построения доверительных интервалов для параметра и коэффициента корреляцииr , найдем, затем вспомогательные вычисления проведем в таблице 3.2:
Таблица 3.2
Вспомогательные вычисления
|
|
|
|
|
|
|
15 |
0,8 |
0,64 |
2,3 |
2,36 |
-0,16 |
0,0256 |
17 |
2,8 |
7,84 |
2,25 |
2,6 |
-0,35 |
0,1225 |
16 |
1,8 |
3,24 |
2,24 |
2,48 |
-0,24 |
0,0576 |
13 |
-1,2 |
1,44 |
2,1 |
2,12 |
-0,02 |
0,0004 |
18 |
3,8 |
14,44 |
2,9 |
2,72 |
0,18 |
0,0324 |
19 |
4,8 |
23,04 |
3,1 |
2,84 |
0,26 |
0,0576 |
11 |
-3,2 |
10,24 |
1,9 |
1,88 |
0,02 |
0,0004 |
10 |
-4,2 |
17,64 |
1,85 |
1,76 |
0,09 |
0,0081 |
14 |
-0,2 |
0,04 |
2,16 |
2,24 |
-0,08 |
0,0064 |
9 |
-5,2 |
27,01 |
1,68 |
1,64 |
0,04 |
0,0016 |
|
|
105,6 |
|
|
|
0,3126 |
По формуле (3.1.16) имеем
.
Тогда доверительный интервал с 95% надежностью для параметра по формуле (3.1.15) имеет вид:
;
.
Полученный доверительный интервал не содержит нуля, поэтому можно говорить об отличии параметра от нуля.
Для нахождения доверительного интервала для коэффициента корреляции найдемпо формуле (3.1.18):
.
Коэффициент корреляции имеет следующий доверительный интервал, найденный по формуле (3.1.17):
;
.
Доверительный интервал для коэффициента корреляции говорит о высокой степеней линейной корреляционной связи между переменными.
Предположим, что количество торговых точек будет увеличено до 25, тогда х = 25. Подставив это значение в построенное уравнение прямой линии регрессии, получим:
- это ожидаемый объем прибыли.
Для нахождения доверительного интервала для прогнозного значения, вычислим по формуле (3.1.14) величину :
.
Найдем доверительный интервал для прогнозного значения по формуле (3.1.13):
;
.
Таким образом, при наличии 25 торговых точек объем прибыли будет от 3055 до 3966,6 тыс. гривен.
Замечание. |
Для построения регрессионной модели и оценки силы взаимосвязи показателей YиXудобно использовать пакет EXCEL. Для этого при нахождении уравнения регрессии, в падающем менюСервисвыбрать командуАнализ данныхвыбрать инструмент анализаРегрессияв разделеВходные данныев текстовом поле Входной интервал Y ввести диапазон дляYв разделеВходные данныев текстовом поле Входной интервал Х ввести диапазоны дляв разделеПараметры выводав опцииНовый рабочий лист установить флажок. |
Результаты расчетов для данного примера с помощью пакета электронных таблиц EXCEL имеют вид:
ВЫВОД ИТОГОВ |
|
|
Y |
X |
|
|
|
|
|
2,2 |
15 |
|
|
Регрессионная статистика |
|
2,25 |
17 |
|
| |
Множественный R |
0,907318995 |
|
2,24 |
16 |
|
|
R-квадрат |
0,823227759 |
|
2,1 |
13 |
|
|
Нормир. R-квадрат |
0,801131228 |
|
2,9 |
18 |
|
|
Стандартная ошибка |
0,198554137 |
|
3,1 |
19 |
|
|
Наблюдения |
10 |
|
1,9 |
11 |
|
|
|
|
|
1,85 |
10 |
|
|
|
|
|
2,16 |
14 |
|
|
|
|
|
1,68 |
9 |
|
|
ANOVA |
|
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
1 |
1,468770038 |
1,46877003 |
37,255974 |
0,000288272 |
|
Остаток |
8 |
0,315389962 |
0,03942374 |
|
|
|
Итого |
9 |
1,78416 |
|
|
|
|
|
|
|
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Y-пересечение |
0,563314394 |
0,281461936 |
2,00138746 |
0,0803433 |
-0,08573841 |
1,212367202 |
Переменная X 1 |
0,117935606 |
0,019321773 |
6,10376721 |
0,0002883 |
0,073379488 |
0,162491724 |
На основании данных таблицы можно сделать такие выводы:
множественный коэффициент =0,907;
уравнение множественной регрессии ;
-статистика 37,26.
Сравнивая полученное значение с , найденным по таблице Фишера (), получим, что, т.е. уравнение регрессии значимо.
-статистика для коэффициентаравна 6,104, для коэффициента.
Сравнивая , найденное по таблице Стьюдентаt(0,05;8) = 2,306, с-статистикой, получаем, что-статистика больше. Следовательно, коэффициентыдостаточно надежен.
доверительный интервал для параметра уравнения регрессии: (0,073;0,162).
Для наглядного представления изобразим графически данные примера, и прямую линию, соответствующую построенной модели.
Замечание. |
Удобно изображать графически данные в виде диаграмм, соответствующую им линию регрессии в пакете Excel. Для этого нужно войти в опцию Вставкав появившемся меню выбрать опциюДиаграммав появившемся окнеМастер диаграммв менюТип выбратьопциюТочечнаяв появившемся окне указать рассматриваемый диапазон данных. Для изображения линии регрессии на точечной диаграмме активизировать одну из точек, правой кнопкой мыши вызвать меню, выбрать опциюДобавить линию тренда в появившемся окнеЛиния трендаво вкладке Тип выбрать в данном случае Линейнаявойти во вкладкуПараметрыи выбрать опциюПоказывать уравнение на диаграмме, затем выбрать опциюПоместить на диаграмму величину достоверности аппроксимации (R^2). |
Рисунок 3.1 - Диаграмма уравнения прямой линии регрессииYнаХ