Экономико-математические методы и модели принятия решений
| курсовые работы, Экономика Объем работы: Год сдачи: 2016 Стоимость: 29 бел рублей (935 рф рублей, 14.5 долларов) Просмотров: 371 | Не подходит работа? |
Оглавление
Введение
Заключение
Заказать работу
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 5
1 Экономико-математические модели производства 6
1.1 Классификация экономико-математических моделей 7
1.2 Модель оперативно-календарного планирования производства на предприятии 10
2 Построение имитационной модели технологического процесса 14
2.1 Генерация исходных выборок. Редактирование, расчет характеристик выборки выходных значений 14
2.2 Построение гистограмм. Расчет критериев согласия 16
2.3 Расчет вероятности выхода годных изделий 20
3 Исследование построенной имитационной модели на адекватность 22
3.1 Выборка образцов объемом 25 значений 22
3.2 Выборка образцов объемом 55 значений 26
4 Построение статистических моделей технологического процесса 31
4.1 Анализ влияния входных факторов на выходные величины 31
4.2 Регрессионные модели выходных величин технологического процесса 34
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 39
ПРИЛОЖЕНИЕ А 41
ПРИЛОЖЕНИЕ Б 42
ПРИЛОЖЕНИЕ В 43
ПРИЛОЖЕНИЕ Г 44
ПРИЛОЖЕНИЕ Д 45
ПРИЛОЖЕНИЕ Е 46
ПРИЛОЖЕНИЕ Ж 47
ПРИЛОЖЕНИЕ И 48
ПРИЛОЖЕНИЕ К 49
ПРИЛОЖЕНИЕ Л 50
ПРИЛОЖЕНИЕ М 55
ПРИЛОЖЕНИЕ Н 60
ПРИЛОЖЕНИЕ П 61
ВВЕДЕНИЕ 5
1 Экономико-математические модели производства 6
1.1 Классификация экономико-математических моделей 7
1.2 Модель оперативно-календарного планирования производства на предприятии 10
2 Построение имитационной модели технологического процесса 14
2.1 Генерация исходных выборок. Редактирование, расчет характеристик выборки выходных значений 14
2.2 Построение гистограмм. Расчет критериев согласия 16
2.3 Расчет вероятности выхода годных изделий 20
3 Исследование построенной имитационной модели на адекватность 22
3.1 Выборка образцов объемом 25 значений 22
3.2 Выборка образцов объемом 55 значений 26
4 Построение статистических моделей технологического процесса 31
4.1 Анализ влияния входных факторов на выходные величины 31
4.2 Регрессионные модели выходных величин технологического процесса 34
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 39
ПРИЛОЖЕНИЕ А 41
ПРИЛОЖЕНИЕ Б 42
ПРИЛОЖЕНИЕ В 43
ПРИЛОЖЕНИЕ Г 44
ПРИЛОЖЕНИЕ Д 45
ПРИЛОЖЕНИЕ Е 46
ПРИЛОЖЕНИЕ Ж 47
ПРИЛОЖЕНИЕ И 48
ПРИЛОЖЕНИЕ К 49
ПРИЛОЖЕНИЕ Л 50
ПРИЛОЖЕНИЕ М 55
ПРИЛОЖЕНИЕ Н 60
ПРИЛОЖЕНИЕ П 61
ВВЕДЕНИЕ
Имитационное моделирование – метод исследования и оценки эффективности, при использовании которого исследуемая система заменяется более простым объектом, описывающим реальную систему и называемым моделью, что делает его наиболее мощным и универсальным методом изучения как крупных, так и малых систем.
Моделирование применяется в случаях, когда проведение экспериментов над реальной системой невозможно или нецелесообразно: например, по причине хрупкости или дороговизны создания прототипа либо из-за длительности проведения эксперимента в реальном масштабе времени.
Актуальность данной темы заключается в том, что имитационное моделирование позволяет строить модели, которые описывают процессы так, какими они будут в реальности. С помощью имитационного моделирования можно построить гипотезы и прогнозы, на основе которых можно предсказать будущее поведение системы.
Целью работы является построение имитационной модели технологического процесса и проведение на её базе исследования выходных характеристик технологического процесса с применением вероятностно-статистических методов .
Для достижения цели исследования были поставлены следующие задачи:
- построить методом Монте-Карло имитационную модель технологического процесса;
- исследовать построенную имитационную модель на адекватность;
- оценить и спрогнозировать выходные характеристики технологического процесса с помощью построенных регрессионных моделей.
При выполнении курсовой работы проводился анализ учебной и научной литературы, использовался Пакет анализа электронных таблиц MS Excel.
Имитационное моделирование – метод исследования и оценки эффективности, при использовании которого исследуемая система заменяется более простым объектом, описывающим реальную систему и называемым моделью, что делает его наиболее мощным и универсальным методом изучения как крупных, так и малых систем.
Моделирование применяется в случаях, когда проведение экспериментов над реальной системой невозможно или нецелесообразно: например, по причине хрупкости или дороговизны создания прототипа либо из-за длительности проведения эксперимента в реальном масштабе времени.
Актуальность данной темы заключается в том, что имитационное моделирование позволяет строить модели, которые описывают процессы так, какими они будут в реальности. С помощью имитационного моделирования можно построить гипотезы и прогнозы, на основе которых можно предсказать будущее поведение системы.
Целью работы является построение имитационной модели технологического процесса и проведение на её базе исследования выходных характеристик технологического процесса с применением вероятностно-статистических методов .
Для достижения цели исследования были поставлены следующие задачи:
- построить методом Монте-Карло имитационную модель технологического процесса;
- исследовать построенную имитационную модель на адекватность;
- оценить и спрогнозировать выходные характеристики технологического процесса с помощью построенных регрессионных моделей.
При выполнении курсовой работы проводился анализ учебной и научной литературы, использовался Пакет анализа электронных таблиц MS Excel.
ЗАКЛЮЧЕНИЕ
В работе используя метод Монте-Карло, была построена имитационная модель технологического процесса.
Были рассчитаны числовые характеристики выходных параметров технологического процесса, а также коэффициент корреляции между величинами Y1 и Y2 равный rY1Y2=0,0154, что свидетельствует о том что связь между величинами практически отсутствует.
Далее были построены гистограммы величин Y1 и Y2. Используя критерии Пирсона, Колмогорова-Смирнова, а также оценки коэффициентов эксцесса и асимметрии проверили гипотезы о нормальном законе распределения. Распределения Y1 и Y2 не противоречат нормальному закону распределения.
Рассчитали вероятность выхода годных изделий: Y1 – 67,3%, Y2 – 68,0%.
Затем были сформированы выборки образцов входных данных X1, X2, X3, X4, X5 объемом 25 и 55 значений, по ним были рассчитаны числовые характеристики входных параметров, доверительные интервалы для математического ожидания и дисперсии. А также, используя оценки коэффициентов асимметрии и эксцесса, проверена гипотеза о справедливости нормального закона распределения для смоделированных величин X1, X2, X3, X4 X5. Гипотеза о нормальном распределении для всех выборок Хi подтвердилась.
Сопоставляя однофакторный дисперсионный анализ с результатами проверки статистических гипотез о равенстве дисперсий и о равенстве средних значений (используя процедуры Дисперсионный анализ, F-тест и t–тест), выяснили, что на Y1 оказывают существенное влияние входные факторы X1, X2, X3, X4, X5, на Y2 существенное влияние оказывают входные факторы X1, X2, X3, факторы X4, X5 на Y2 влияния не оказывают.
Используя модель пассивного эксперимента, были построены регрессионные модели выходных величин Y1, Y2 на базе случайных выборок объемом 100 образцов. По регрессионным моделям оценено влияние входных факторов на выходные, результаты аналогичны результатам, полученным применением дисперсионного анализа.
Затем была оценена точность построенных регрессионных моделей в случае, когда выходные величины...
В работе используя метод Монте-Карло, была построена имитационная модель технологического процесса.
Были рассчитаны числовые характеристики выходных параметров технологического процесса, а также коэффициент корреляции между величинами Y1 и Y2 равный rY1Y2=0,0154, что свидетельствует о том что связь между величинами практически отсутствует.
Далее были построены гистограммы величин Y1 и Y2. Используя критерии Пирсона, Колмогорова-Смирнова, а также оценки коэффициентов эксцесса и асимметрии проверили гипотезы о нормальном законе распределения. Распределения Y1 и Y2 не противоречат нормальному закону распределения.
Рассчитали вероятность выхода годных изделий: Y1 – 67,3%, Y2 – 68,0%.
Затем были сформированы выборки образцов входных данных X1, X2, X3, X4, X5 объемом 25 и 55 значений, по ним были рассчитаны числовые характеристики входных параметров, доверительные интервалы для математического ожидания и дисперсии. А также, используя оценки коэффициентов асимметрии и эксцесса, проверена гипотеза о справедливости нормального закона распределения для смоделированных величин X1, X2, X3, X4 X5. Гипотеза о нормальном распределении для всех выборок Хi подтвердилась.
Сопоставляя однофакторный дисперсионный анализ с результатами проверки статистических гипотез о равенстве дисперсий и о равенстве средних значений (используя процедуры Дисперсионный анализ, F-тест и t–тест), выяснили, что на Y1 оказывают существенное влияние входные факторы X1, X2, X3, X4, X5, на Y2 существенное влияние оказывают входные факторы X1, X2, X3, факторы X4, X5 на Y2 влияния не оказывают.
Используя модель пассивного эксперимента, были построены регрессионные модели выходных величин Y1, Y2 на базе случайных выборок объемом 100 образцов. По регрессионным моделям оценено влияние входных факторов на выходные, результаты аналогичны результатам, полученным применением дисперсионного анализа.
Затем была оценена точность построенных регрессионных моделей в случае, когда выходные величины...
После офорления заказа Вам будут доступны содержание, введение, список литературы*
*- если автор дал согласие и выложил это описание.