ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ
ГОУ ВПО ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО-КОНОМИЧЕСКИЙ ИНСТИТУТ
КОНТРОЛЬНАЯ РАБОТА ПО ДИСЦИПЛИНЕ:
ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МЕТОДЫ И ПРИКЛАДНЫЕ МОДЕЛИ
ВАРИАНТ 2
ВЫПОЛНИЛА:
СТУДЕНТКА III КУРСА (ДНЕВНАЯ Ф/О)
ФАКУЛЬТЕТ: ФИНАНСОВО-КРЕДИТНЫЙ
СПЕЦИАЛЬНОСТЬ: ФИНАНСЫ И КРЕДИТ
ПРЕПОДАВАТЕЛЬ: КНЯЗЕВА И.В.
г. Калуга, 2007г.
Задание 1
Совхоз для кормления животных использует два вида корма. В дневном рационе животного должно содержаться не менее 6 единиц питательного вещества А и не менее 12 единиц питательного вещества В. Какое количество корма надо расходовать ежедневно на одно животное, чтобы затраты были минимальными?
Питательное вещество |
Количество
питательных веществ в |
|
1 |
2 |
|
А |
2 |
1 |
В |
2 |
4 |
Цена
|
0,2 |
0,3 |
Построить экономико-математическую модель задачи, дать необходимые комментарии к ее элементам и получить решение графическим методом. Что произойдет, если решить задачу на максимум и почему?
Решение
Пусть:
х1 – количество корма «1»
х2 – количество корма «2»
Целевая функция: |
|
min z = 0,2 ∙ x1 + 0,3 ∙ x2 |
т.е. необходим минимум затрат на корма |
2 ∙ x1 + x2 ≥ 6 |
т.е. из всего объема потребляемых кормов, вещества «А» должно быть не менее 6 единиц |
2 ∙ x1 + 4 ∙ x2 ≥ 12 |
т.е. из всего объема потребляемых кормов, вещества «А» должно быть не менее 6 единиц |
x1; x2 ≥ 0 |
Количество потребляемых кормов не может быть отрицательным |
Определим по графику минимальное значение функции z:
2 ∙ x1 + x2 = 6 |
2 ∙ x1 + 4 ∙ x2 = 12 |
Решение системы: x1 =2
x2 = 2
Минимальные затраты: z = 0,2 ∙ 2 + 0,3 ∙ 2 = 1
Таким образом, минимальные затраты на корм составляют 1 тыс.руб. и возможны при использовании 2 ед. корма «А» и 2 ед. корма «Б».
Решение задачи на максимум приведет к решению +∞, т.к график сверху справа не ограничен.
Задача 2
Для изготовления четырех видов продукции используют три вида сырья. Запасы сырья, нормы его расхода и цены реализации единицы каждого вида продукции приведены в таблице.
Тип сырья |
Нормы расхода сырья на одно изделия |
Запасы сырья |
|||
А |
Б |
В |
Г |
||
I |
1 |
0 |
2 |
1 |
180 |
II |
0 |
1 |
3 |
2 |
210 |
III |
4 |
2 |
0 |
4 |
800 |
Цена изделия |
9 |
6 |
4 |
7 |
|
1. Сформулируем прямую оптимизационную задачу на максимум выручки от реализации готовой продукции, получить оптимальный план выпуска продукции.
Пусть xi , i = {1, .. 4} – количество соответственно ресурсов «А», «Б», «В», «Г».
Max f(x) = 9 ∙ x1 + 6 ∙ x2 + 4 ∙ x3 + 7 ∙ x4
1 ∙ x1 + 0 ∙ x2 + 2 ∙ x3 + 1 ∙ x4 ≤ 180
0 ∙ x1 + 1 ∙ x2 + 3 ∙ x3 + 2 ∙ x4 ≤ 210
4 ∙ x1 + 2 ∙ x2 + 0 ∙ x3 + 4 ∙ x4 ≤ 800
xi ≥0 , i = {1, .. 4}
Решим задачу, используя пакет анализа «Поиск решения»
Таким образом, функция достигает максимального значения при
x1 =95
x2 = 210
x3 = 0
x4 = 0
max f(x) = 2115
2. Сформулируйте двойственную задачу и найти ее оптимальный план с помощью теорем двойственности.
Двойственная задача имеет вид:
Min f(y) = 180 ∙ y1 + 210 ∙ y2 + 800 ∙ y3
1 ∙ y1 + 0 ∙ y2 + 4 ∙ y3 ≥ 9
0 ∙ y1 + 1 ∙ y2 + 2 ∙ y3 ≥ 6
2 ∙ y1 + 3 ∙ y2 + 0 ∙ y3 ≥ 4
1 ∙ y1 + 2 ∙ y2 + 4 ∙ y3 ≥ 7
yi ≥0 , i = {1, .. 3}
Найдем значения двойственных переменных, используя теоремы двойственности.
Проверим, как удовлетворяется система функциональных ограничений оптимальным планом:
у1 : |
1 ∙ 95 + 0 ∙ 210 + 2 ∙ 0 + 1 ∙ 0 = 95 ≤ 180 |
у2 : |
0 ∙ 95 + 1 ∙ 210 + 3 ∙ 0 + 2 ∙ 0 = 210 |
у3 : |
4 ∙ 95 + 2 ∙ 210 + 0 ∙ 0 + 4 ∙ 0 = 800 |
Так как первое ограничение выполняется как строгое неравенство, то
у1 = 0.
Учитывая, что x1 ≥ 0 ; x2 ≥ 0, то значения остальных двойственных переменных найдем из 1 и 2-го уравнений системы неравенств. То есть
{ |
1 ∙ y1 + 0 ∙ y2 + 4 ∙ y3 = 9 |
0 ∙ y1 + 1 ∙ y2 + 2 ∙ y3 = 6 |
у1 = 0;
у3 = 9 / 4 = 2,25;
у2 = 6 – 2 ∙ 2,25 = 1,5.
Рассчитаем значение целевой функции двойственной задачи
Min f(y) = 180 ∙ 0 + 210 ∙ 1,5 + 800 ∙ 2,25 = 2115.
3. Пояснить нулевые значения переменных в оптимальном плане.
Если стоимость ресурсов, затраченных на производство одного изделия, больше его цены, то это изделие не войдет в оптимальный план из-за своей убыточности. В нашей задаче это изделие В и Г. Подтвердим этот факт, подставим в ограничения двойственной задачи оптимальные значения вектора Y.
1 ∙ 0 + 0 ∙ 1,5 + 4 ∙ 2,25 = 9
0 ∙ 0 + 1 ∙ 1,5 + 2 ∙ 2,25 = 6
2 ∙ 0 + 3 ∙ 1,5 + 0 ∙ 2,25 =4,5 ≥ 4
1 ∙ 0 + 2 ∙ 1,5 + 4 ∙ 2,25 =12 ≥ 7
4. На основе двойственных оценок и теорем двойственности:
а) Поясним использование ресурсов в оптимальном плане исходной задачи.
В оптимальном плане не полностью используется сырье 1, т.к. у1 = 0
Сырье 2 и 3 – дефицитное, т.к. их двойственные оценки отличны от нуля.
б) При увеличении сырья 2 на 120 ед, сырья 3 – на 160 ед, и уменьшении сырья 1 на 60 ед. произойдут следующие изменения:
Увеличение сырья 2 на 120 ед. приведет к увеличению выручки на
120 ∙ у2 = 120 ∙ 1,5 = 180 ед.
Увеличение сырья 3 на 160 ед. приведет к увеличению выручки на
160 ∙ у3 = 160 ∙ 2,25 = 360 ед.
Увеличение сырья 1 на 60 ед. не повлияет на оптимальный план, так как
у1 = 0
Таким образом, общее изменение выручки составит:
∆ = 180 + 360 + 0 = 540 ед.
в) оценим целесообразность внедрения изделия ∆ ценой 12 единиц, на изготовление которого расходуется по две единицы каждого сырья.
2 ∙ 0 + 2 ∙ 1,5 + 2 ∙ 2,25 – 12 = -4,5 < 0 à целесообразно.
Задача 3
В течение девяти последовательных недель фиксировался спрос Y(t) (млн.руб.) на кредитные ресурсы финансовой компании.
Построим линейную модель Yr(t) = a0 + a1 ∙ t, параметры которой оценим с помощью МНК.
a1 = ∑ (xi – xcr) ∙ (yi – ycr) / ∑ (xi – xcr)2
a0 = ycr – a1 ∙ xcr
Составим разработочную таблицу:
|
х |
у |
(yi – ycr) |
(xi – xcr) |
(xi – xcr)2 |
(xi – xcr) ∙ (yi – ycr) |
|
1 |
43 |
-10,778 |
-4 |
16 |
43,111 |
|
2 |
47 |
-6,778 |
-3 |
9 |
20,333 |
|
3 |
50 |
-3,778 |
-2 |
4 |
7,556 |
|
4 |
48 |
-5,778 |
-1 |
1 |
5,778 |
|
5 |
54 |
0,222 |
0 |
0 |
0,000 |
|
6 |
57 |
3,222 |
1 |
1 |
3,222 |
|
7 |
61 |
7,222 |
2 |
4 |
14,444 |
|
8 |
59 |
5,222 |
3 |
9 |
15,667 |
|
9 |
65 |
11,222 |
4 |
16 |
44,889 |
Сумма |
45 |
484 |
0,000 |
0 |
60 |
155,000 |
Среднее |
5 |
53,778 |
0,000 |
0 |
6,667 |
17,222 |
Отсюда
a1 = 155 / 60 = 2,583
a0 = 53,778 – 2,583 ∙ 5 = 40,861
Таким образом, линейная модель имеет вид:
Yr(t) = 40,861 + 2,583 ∙ t
1. Построим адаптивную модель Брауна
По первым пяти точкам ряда оцениваем значения а1 и а0 параметров модели с помощью МНК
х |
у |
уi - ycr |
xi - xcr |
(xi - xcr)2 |
(xi-xcr)∙(yi-ycr) |
1 |
43 |
-5,400 |
-2 |
4 |
10,800 |
2 |
47 |
-1,400 |
-1 |
1 |
1,400 |
3 |
50 |
1,600 |
0 |
0 |
0,000 |
4 |
48 |
-0,400 |
1 |
1 |
-0,400 |
5 |
54 |
5,600 |
2 |
4 |
11,200 |
Итого |
242 |
0,000 |
0 |
10 |
23,000 |
Среднее |
48,4 |
0,000 |
0 |
2 |
4,600 |
Получаем
a1 = 23 / 10 = 2,3
a0 = 48,4 - 2,3 ∙ 3 = 41,5
которые соответствуют моменту времени t=0
Прогноз на первый шаг у1расч = а0(0) + а1(0) = 2,3 + 41,5 = 43,8
Величина отклонения: е = 43 – 43, 8 = -0, 8
Корректируем параметры (α = 0,4; β = 0,6)
a0(t) = a0(t-1) + a1(t-1) + (1 – β2) ε (t) = 41,5 + 2,3 + (1 – 0,62) ∙ (-0, 8) = 43,288
a1(t) = a1(t-1) + (1 – β) 2 ε (t) = 2,3 + (1 – 0,6) 2 ∙ (-0, 8) = 2,172
Далее расчеты производятся аналогично (см. таблицу)
t |
y |
a0 |
a1 |
yr |
ε |
0 |
|
41,500 |
2,300 |
|
|
1 |
43 |
43,288 |
2,172 |
43,800 |
-0,800 |
2 |
47 |
46,446 |
2,418 |
45,460 |
1,540 |
3 |
50 |
49,591 |
2,600 |
48,864 |
1,136 |
4 |
48 |
49,509 |
1,930 |
52,191 |
-4,191 |
5 |
54 |
53,078 |
2,339 |
51,438 |
2,562 |
6 |
57 |
56,430 |
2,593 |
55,417 |
1,583 |
7 |
61 |
60,288 |
2,909 |
59,023 |
1,977 |
8 |
59 |
60,511 |
2,237 |
63,197 |
-4,197 |
9 |
65 |
64,189 |
2,598 |
62,748 |
2,252 |
Аналогичные расчеты для α = 0,7; β = 0,3
t |
y |
a0 |
a1 |
yr |
ε |
0 |
|
41,500 |
2,300 |
|
|
1 |
43 |
43,072 |
1,908 |
43,800 |
-0,800 |
2 |
47 |
46,818 |
2,898 |
44,980 |
2,020 |
3 |
50 |
49,974 |
3,037 |
49,716 |
0,284 |
4 |
48 |
48,451 |
0,581 |
53,011 |
-5,011 |
5 |
54 |
53,553 |
3,015 |
49,032 |
4,968 |
6 |
57 |
56,961 |
3,227 |
56,568 |
0,432 |
7 |
61 |
60,927 |
3,625 |
60,188 |
0,812 |
8 |
59 |
59,500 |
0,904 |
64,552 |
-5,552 |
9 |
65 |
64,586 |
3,156 |
60,404 |
4,596 |
Графики построенных моделей представлены на рисунке:
Рисунок 1 Временной ряд и построенные модели
Проведем качества каждой из моделей.
Для линейной модели:
Анализ остатков
х |
у |
yr |
ε |
Точки поворота |
ε 2 |
yi-ycr |
(yi-ycr)2 |
ε / y |
1 |
43 |
43,444 |
-0,444 |
|
0,198 |
-10,778 |
116,160 |
1,034 |
2 |
47 |
46,028 |
0,972 |
|
0,945 |
-6,778 |
45,938 |
2,069 |
3 |
50 |
48,611 |
1,389 |
* |
1,929 |
-3,778 |
14,272 |
2,778 |
4 |
48 |
51,194 |
-3,194 |
* |
10,204 |
-5,778 |
33,383 |
6,655 |
5 |
54 |
53,778 |
0,222 |
|
0,049 |
0,222 |
0,049 |
0,412 |
6 |
57 |
56,361 |
0,639 |
|
0,408 |
3,222 |
10,383 |
1,121 |
7 |
61 |
58,944 |
2,056 |
* |
4,225 |
7,222 |
52,160 |
3,370 |
8 |
59 |
61,528 |
-2,528 |
* |
6,390 |
5,222 |
27,272 |
4,284 |
9 |
65 |
64,111 |
0,889 |
|
0,790 |
11,222 |
125,938 |
1,368 |
Итого |
484 |
|
|
4 |
25,139 |
|
425,556 |
23,089 |
Среднее |
53,778 |
|
|
|
|
|
|
2,565 |
Критерий случайности отклонений от тренда при уровне вероятности 0,95 можно представить как
Р>
Учитывая, что неравенство выполняется, то есть 4 > 3 – модель адекватна
Рассчитаем коэффициент детерминации по формуле:
Коэффициент детерминации:
Значение коэффициента F–критерия Фишера:
Табличное значение коэффициента F–критерия Фишера равно 5,14 и поскольку Fрас>Fтаб, уравнение регрессии следует признать адекватным.
Проверим соответствие ряда остатков нормальному распределению по RS-критерию.
ε max = 2,056
ε min = -3,194
Учитывая, что полученное значение RS критерия попадает в интервал от 2,7 до 3,7, то уровни ряда остатков подчиняются нормальному закону распределения.
Средняя относительная ошибка аппроксимации:
Еотн = 2,565 < 7, что свидетельствует о хорошем качестве модели.
Модель Брауна 1:
Анализ остатков
х |
у |
yr |
ε |
Точки поворота |
ε 2 |
yi-ycr |
(yi-ycr)2 |
ε / y |
1 |
43 |
43,288 |
-0,288 |
|
0,083 |
-10,778 |
116,160 |
0,670 |
2 |
47 |
46,446 |
0,554 |
* |
0,307 |
-6,778 |
45,938 |
1,180 |
3 |
50 |
49,591 |
0,409 |
|
0,167 |
-3,778 |
14,272 |
0,818 |
4 |
48 |
49,509 |
-1,509 |
* |
2,277 |
-5,778 |
33,383 |
3,143 |
5 |
54 |
53,078 |
0,922 |
* |
0,850 |
0,222 |
0,049 |
1,708 |
6 |
57 |
56,430 |
0,570 |
* |
0,325 |
3,222 |
10,383 |
1,000 |
7 |
61 |
60,288 |
0,712 |
* |
0,507 |
7,222 |
52,160 |
1,167 |
8 |
59 |
60,511 |
-1,511 |
* |
2,283 |
5,222 |
27,272 |
2,561 |
9 |
65 |
64,189 |
0,811 |
|
0,657 |
11,222 |
125,938 |
1,247 |
Итого |
484 |
|
|
6 |
7,456 |
|
425,556 |
13,493 |
Среднее |
53,778 |
|
|
|
|
|
|
1,499 |
Критерий случайности отклонений от тренда при уровне вероятности 0,95 можно представить как
Р>
Учитывая, что неравенство выполняется, то есть 6 > 3 – модель адекватна
Рассчитаем коэффициент детерминации по формуле:
Коэффициент детерминации:
Значение коэффициента F–критерия Фишера:
Табличное значение коэффициента F–критерия Фишера равно 5,14 и поскольку Fрас>Fтаб, уравнение регрессии следует признать адекватным.
Проверим соответствие ряда остатков нормальному распределению по RS-критерию.
ε max = 0,922
ε min = -1,511
Учитывая, что полученное значение RS критерия достаточно близко к интервалу от 2,7 до 3,7, то уровни ряда остатков подчиняются нормальному закону распределения.
Средняя относительная ошибка аппроксимации:
Еотн = 1,499 < 7, что свидетельствует о хорошем качестве модели.
Модель Брауна 2:
Анализ остатков
х |
у |
yr |
ε |
Точки поворота |
ε 2 |
yi-ycr |
(yi-ycr)2 |
ε / y |
1 |
43 |
43,800 |
-0,800 |
|
0,640 |
-10,778 |
116,160 |
1,860 |
2 |
47 |
44,980 |
2,020 |
* |
4,080 |
-6,778 |
45,938 |
4,298 |
3 |
50 |
49,716 |
0,284 |
|
0,081 |
-3,778 |
14,272 |
0,568 |
4 |
48 |
53,011 |
-5,011 |
* |
25,114 |
-5,778 |
33,383 |
10,440 |
5 |
54 |
49,032 |
4,968 |
* |
24,677 |
0,222 |
0,049 |
9,199 |
6 |
57 |
56,568 |
0,432 |
* |
0,186 |
3,222 |
10,383 |
0,757 |
7 |
61 |
60,188 |
0,812 |
* |
0,659 |
7,222 |
52,160 |
1,331 |
8 |
59 |
64,552 |
-5,552 |
* |
30,822 |
5,222 |
27,272 |
9,410 |
9 |
65 |
60,404 |
4,596 |
|
21,122 |
11,222 |
125,938 |
7,071 |
Итого |
484 |
|
|
6 |
107,382 |
|
425,556 |
44,934 |
Среднее |
53,778 |
|
|
|
|
|
|
4,993 |
Критерий случайности отклонений от тренда при уровне вероятности 0,95 можно представить как
Р>
Учитывая, что неравенство выполняется, то есть 6 > 3 – модель адекватна
Рассчитаем коэффициент детерминации по формуле:
Коэффициент детерминации:
Значение коэффициента F–критерия Фишера:
Табличное значение коэффициента F–критерия Фишера равно 5,14 и поскольку Fрас>Fтаб, уравнение регрессии следует признать адекватным.
Проверим соответствие ряда остатков нормальному распределению по RS-критерию.
ε max = 4,968
ε min = -5,552
Учитывая, что полученное значение RS критерия попадает в интервал от 2,7 до 3,7, то уровни ряда остатков подчиняются нормальному закону распределения.
Средняя относительная ошибка аппроксимации:
Еотн = 4,993 < 7, что свидетельствует о достаточно хорошем качестве мо
Все из представленных моделей адекватны, о чем свидетельствует анализ остатков моделей.
Наиболее точная модель – модель Брауна, о чем говорит самой низкое значение коэффициента аппроксимации.
Построим прогноз спроса на следующие две недели на основе построенных моделей.
Линейная модель:
При вероятности 0,7 tα = 1,119
1) При t=10
(10)= 40,861 + 2,583 ∙ 10 = 66,691
Нижняя граница:
унижн = 66,691 – 1,773 ∙ 1,119 ∙ = 66,691 – 2,452 = 64,239
Верхняя граница:
унижн = 66,691 + 1,773 ∙ 1,119 ∙ = 66,691 + 2,452 = 69,143
2) При t=11
(11)= 40,861 + 2,583 ∙ 11 = 69,274
Нижняя граница:
унижн = 69,274 – 1,773 ∙ 1,119 ∙ = 69,274 – 2,595 = 66,679
Верхняя граница:
унижн = 69,274 + 1,773 ∙ 1,119 ∙ = 69,274 + 2,595 = 71,869
Модель Брауна 1:
1) При t=10
(10)= а0(9) + а1(9) ∙ 1 = 64,189 + 2,589 ∙ 1 = 66,778
2) При t=11
(11)= а0(9) + а1(9) ∙ 2 = 64,189 + 2,589 ∙ 2 = 69,367
Модель Брауна 2:
3) При t=10
(10)= а0(9) + а1(9) ∙ 1 = 64,586 + 3,156 ∙ 1 = 67,742
4) При t=11
(11)= а0(9) + а1(9) ∙ 2 = 64,586 + 3,156 ∙ 2 = 70,898