ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ

План лекции

· Построение корреляционно-регрессионных моделей в СКМ Maple

· Поиск хороших решений в СКМ Maple

Построение корреляционно-регрессионных моделей в СКМ Maple

При использовании системы символьной арифметики Maple для построения экономико-математической модели выбор вида модели не предопределен разработчиками пакета. СКМ Maple позволяет юзеру произвольно, по собственному усмотрению, задавать вид модели и по мере надобности оперативно ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ его изменять.

Выстроить и оценить регрессионную модель в СКМ MAPLE можно при помощи 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 свойства
fit аппроксимация данных
random cлучайные значения ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ
statevalf численная оценка данных
statplots графика
transform преобразования данных

ПодбиблиотекаFit

Эта подбиблиотека создана для нахождения корреляционных отношений и для аппроксимации данных избранными зависимостями с внедрением способа меньших квадратов.

Формат:

fit[leastsquare[[x,y]]]([[dataX], [dataY]]);

По дефлоту система приближает зависимость к уравнению прямой полосы.

Пример 1. Провести анализ зависимости ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ среднедневной зарплаты, руб. (Y) от среднедушевого прожиточного минимума в денек 1-го трудоспособного, руб. (х). Таблица П1 с начальными данными приведена в Приложении 1 к лабораторной работе №8.

Сеанс работы в Maple:

На первом шаге массивы данных x – среднедушевой прожиточный минимум в денек 1-го трудоспособного и Y – среднедневная зарплата следует оформить типом ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ statsdata для способности 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 многофункциональной зависимости меж экспериментальными данными X и Y и способности ее графического отображения определим функцию юзера spisok=f(x) c внедрением многофункционального оператора à:

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

Дальше, задав вид ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ модели (к примеру, линейная), рассчитаем коэффициенты уравнения регрессии:

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

и приведем приобретенное уравнение к численному виду:

> f:=evalf(%,4);

Необходимо подчеркнуть, что при определенной ранее многофункциональной зависимости меж независящей и зависимой переменными функция leastsquare[[x,y],y=f(x)] позволяет задавать вид модели по усмотрению разработчика. Если задать ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ, к примеру, квадратичную либо кубическую зависимость, можно высчитать 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 черт, применяемых при ВОЗМОЖНОСТИ СКМ MAPLE ДЛЯ МОДЕЛИРОВАНИЯ анализе статистических данных, можно использовать функцию describe.

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


vozmozhno-li-ozhivlenie-cheloveka.html
vozmozhno-li-samozarozhdenie-zhizni-referat.html
vozmozhno-poseshenie-hokkejnih-matchej-po-soglasovaniyu-data-i-vremya.html