ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ




Автор: Вардомацкая Елена Юрьевна, ст. преподаватель кафедры математики и информационных технологий УО "Витебский государственный технологический университет".

План лекции

· Построение корреляционно-регрессионных моделей в СКМ Maple

· Поиск оптимальных решений в СКМ Maple

Построение корреляционно-регрессионных моделей в СКМ Maple

При использовании системы символьной математики Maple для построения экономико-математической модели выбор вида модели не предопределен разработчиками пакета. СКМ Maple позволяет пользователю произвольно, по своему усмотрению, задавать вид модели и при необходимости оперативно его изменять.

Построить и оценить регрессионную модель в СКМ MAPLE можно с помощью модулей и функций статистической библиотеки stats(таблица 1).

Подключение этой библиотеки осуществляется командой

>with(stats);

Таблица 1. Подбиблиотеки библиотеки stats

Подбиблиотеки Описание
importdata импорт данных из файла
anova вариационный анализ
describe cтатистические характеристики
fit аппроксимация данных
random cлучайные значения
statevalf численная оценка данных
statplots графика
transform преобразования данных

Подбиблиотека Fit

Эта подбиблиотека предназначена для нахождения корреляционных отношений и для аппроксимации данных выбранными зависимостями с использованием метода наименьших квадратов.

Формат:

fit[leastsquare[[x,y]]]([[dataX], [dataY]]);
По умолчанию система приближает зависимость к уравнению прямой линии.

Пример 1. Провести анализ зависимости среднедневной заработной платы, руб. (Y) от среднедушевого прожиточного минимума в день одного трудоспособного, руб. (х). Таблица П1 с исходными данными приведена в Приложении 1 к лабораторной работе №8.

Сеанс работы в Maple:

На первом этапе массивы данных x – среднедушевой прожиточный минимум в день одного трудоспособного и Y – среднедневная заработная плата следует оформить типом statsdata для возможности обработки процедурами и функциями библиотеки stats СКМ Maple:

> restart;

> with(stats);

>X:=[1788,1890,2064,2158,2296,2330,2350,2440,2510,2610,2633,2688,2750,3500,3620,3800];

>Y:=[6000,6000,6600,6600,6800,7500,7420,7580,7550,7785,7855,7700,7963,8500,8560,9100];

Для расчета функциональной зависимости между экспериментальными данными X и Y и возможности ее графического отображения определим функцию пользователя spisok=f(x) c использованием функционального оператора à:

> spisok:=(x,y)->[x,y];

Далее, задав вид модели (например, линейная), рассчитаем коэффициенты уравнения регрессии:

> fit[leastsquare[[x, y]]]([X,Y]);

и приведем полученное уравнение к численному виду:

 

> f:=evalf(%,4);

Следует отметить, что при определенной ранее функциональной зависимости между независимой и зависимой переменными функция leastsquare[[x,y],y=f(x)] позволяет задавать вид модели по усмотрению разработчика. Если задать, например, квадратичную или кубическую зависимость, можно рассчитать и такие модели:

> eq:=y=z*x^2+b*x+c;

> evalf(fit[leastsquare[[x, y], eq]]([X,Y]),4);

 

>evalf(fit[leastsquare[[x,y],y=a*x^3+b*x^2+c*x+d]]([X,Y]),7);

Для вычисления описательных характеристик, используемых при анализе статистических данных, можно использовать функцию describe.

Подробнее с этой темой можно ознакомиться в [8, 9].



Поделиться:




Поиск по сайту

©2015-2024 poisk-ru.ru
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2016-04-02 Нарушение авторских прав и Нарушение персональных данных


Поиск по сайту: