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 кг корма

1

2

А

2

1

В

2

4

Цена 1 кг корма, тыс.руб.

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 ∙ x≥ 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 ∙ x= 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 ∙ x

1 ∙ x1 + 0 ∙ x2 + 2 ∙ x3 + 1 ∙ x≤ 180

0 ∙ x1 + 1 ∙ x2 + 3 ∙ x3 + 2 ∙ x≤ 210

4 ∙ x1 + 2 ∙ x2 + 0 ∙ x3 + 4 ∙ x≤ 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