- •Направление подготовки дипломированного специалиста
- •120300 Землеустройство и кадастры
- •Образец решения задачи
- •4.3.2 Построим матрицу модели
- •3 Решим задачу в Excel
- •4.3.3 Последовательность решения задачи
- •4.3.3 Запуск на решение задачи
- •4.4 Создание отчета по результатам поиска решения
- •Задача для самостоятельного решения
- •2 Освоение ппп simplex – пакет линейной оптимизации
- •3.3 Основное меню комплекса «Simplex»
- •3.4 Рассмотрение простейшего примера решения задач в «Simplex»
- •3.4.1 Экономико-математическая модель:
- •Ограничения:
- •Целевая функция (мах чистого дохода, руб.)
- •3.4.2 Ввод исходной информации
- •3.4.3 Решение задачи
- •3.4.4 Анализ результатов решения
- •Задания для самостоятельного решения.
- •Задача 2
- •Решение
- •Средняя стандартная ошибка прогноза
- •Задания для самостоятельной работы
- •Библиографический список
Решение
Введем данные в столбца А,В,С, D.
Для расчета матрицы коэффициентов корреляции воспользуемся надстройкой Excel – Анализ данных – Корреляция. Выйдет диалоговое окно «Корреляция». Введем Входной интервал и Выходной интервал.
Рисунок 3 «Корреляция»
В результате получим матрицу
|
У |
Х3 |
Х5 |
Х6 |
У |
1 |
|
|
|
Х3 |
0,892251 |
1 |
|
|
Х5 |
-0,07139 |
-0,02605 |
1 |
|
Х6 |
0,590045 |
0,602014 |
-0,09756 |
1 |
Ryx3=0,89 ryx5=-0,07, ryx6=0,59. самая тесная связь между бонитировачным баллом и энерговооруженностью, самая маленькая связь между бонитировачным баллом и урожайностью.
Для оценки статистической значимости коэффициентов корреляции
Рассчитаем критерий Стьюдента
t=ryxi *√(n-k-1) / (√1- ryxi2)
tyx3 = 0,89*√(40-3-1) / (√1- 0,89*0,892)=11,85
tyx5 = -0,07*√(40-3-1) / (√1- 0,07*0,072)=-0,43
tyx6 = 0,59*√(40-3-1) / (√1- 0,59*0,592)=4,38
tтабл =2,02. Сравним tфакт с tтабл .
Коэффициенты корреляции Ryx3, ryx6 статистически значимы. ryx5 не значим.
Построю корреляционное поле между у и х3. Строю в Excel. Вставка – Диаграмма – Точечная . Диапазон первые 2 столбца
Для расчета параметров линейной парной регрессии используем надстройку Анализ данных- Регрессия (рисунок 4).
Рисунок 4 Регрессия
В результате получу
Рисунок 5 Результат
У=-17,641+1,507х3-0,638х5+1,202х3 уравнение регрессии
а0=-17,641, а3=1,507, а5=-0,638, а6=1,202 – параметры регрессии.
4 Оцените качество каждой модели через коэффициенты детерминации, среднюю ошибку аппроксимации и критерий Фишера. Выберите лучшую модель. Для этого Вставка – Функция – Статистические – Линейн. Для первой модели выберем известные значения_у А2:А41. Известные значения В2:В41(рисунок 6).
Рисунок 6 Аргументы функции
Затем нажимаю F2 и Ctrl-Shift-Enter. Результат:
Между у и х3 у=-14,888+1,592х3. R2 =0,796. Fфакт =148,377
Между у и х5 аналогично у=107,367-1,090х5. R2=0.005. Fфакт =0,194.
Между у и х6 аналогично у=5,694+9,141х6. R2=0.348. Fфакт =20,296.
Для нахождения средней ошибки аппроксимации необходимо рассчитать данные увыравнен . Найду ошибку аппроксимации по формуле
А=1/n * ∑/(у-увыравн)/у/*100%
Аух3 =20,53 |
Аух5 =54,08 |
Аух6=50,06 |
Средняя ошибка аппроксимации превышает допустимый предел значений.
Лучшая модель у=-14,888+1,592х3, т.к. меньше ошибка аппроксимации, больший коэффициент детерминации и F-критерий Фишера больше, уравнение статистически значимо.
Хпрогн=0,8*Хмах=0,8*108,4=86,72. х средн=2917/40=72,925
Упрогн=-14,888+1,592*86,72=123,178.
t табл=1,684. Для построения интервального прогноза рассчитаем доверительный интервал.
Средняя стандартная ошибка прогноза
myвыравнен=
myвыравнен= 26,549.
Верхняя граница прогноза 86,72+1,684*26,549=131,303
Нижняя граница прогноза 86,72-1,684*26,549=42,031
Диаграмма.
.