Статистичний аналіз залежностей економічних показників типових підприємств для надання практичних рекомендацій по підвищенню продуктивності праці - Курсовая работа

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ ХМЕЛЬНИЦЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ Кафедра прикладної математики та соціальної інформатики КУРСОВА РОБОТА Статистичний аналіз залежностей економічних показників типових підприємств для надання практичних рекомендацій по підвищенню продуктивності праці КРПМ. 010061.00.00.00 Студент групи ПМ - 10 - 1 С.С. Григорук Керівник к. п. н., доцент І.І. Ігнатьєва 2014р. Вступ У сучасному суспільстві з високим рівнем розвитку науки та технологій, зокрема комп’ютерних, особливого значення набуває вміння користуватись надбаннями сучасної техніки, використовувати для підвищення рівня життя різноманітні методи науки. Поставлена в роботі мета передбачає необхідність вирішення таких завдань: – за допомогою кластерного аналізу виділити типову групу; – визначити залежності між показниками за допомогою кореляційного аналізу; – побудувати регресійні моделі (парну, множинну лінійну, множинну нелінійну) та визначити регресійне рівняння, що якнайкраще аналітично описує залежність продуктивності праці від інших ознак; – методами факторного аналізу визначити приховані (латентні) ознаки, що мають вплив на результуючу ознаку; – розробити рекомендації щодо підвищення продуктивності праці підприємств даної галузі. Опис предметної області 1.1 Економічний зміст показників В управлінні підприємством або організацією, що здійснюють будь-які види господарської діяльності в ринковому економічному середовищі, застосовуються різні показники. Для даного дослідження обрано наступні показники: 1) Продуктивність праці Продуктивність праці - це показник трудової діяльності z_code-a_code) { result = ((char) (a_code index/(z_code-a_code) - 1)).ToString(); } result = ((char) (a_code index%(z_code-a_code)-index/(z_code-a_code))).ToString() return result; } double[,] ObjectArrayToDoubleArray(ref object[,] arr, int size) { var result = new double[size, 7]; for (int i = 0; i 0 cluster exist) string[] clusters = new string[size]; for (int i = 0; i 1) { min = Min(ref matrix, size, ref index_i, ref index_j); if (index_j Dmin is min . Marged clusters [ (index_i 1) , (index_j 1) ].

GlueCurrentClusters(ref clusters)); } MessageBox.Show(It seems like ok!); return new[] { , }; } string[] Dyvyzuvny(double[,] matrix, int size) { var clusters = new List(size); int[] startCluster = new int[size]; for (int i = 0; i clusters, ref double[,] matrix) { double max = double.MinValue; int index_i = 0, index_j = 0, cluster_index = 0; for (var i = 0; i max) { max = matrix[clusters[i][j], clusters[i][k]]; index_i = j; index_j = k; cluster_index = i; } } } } WriteTextToLog(string.Format(> Dmax is {0}, center of new clusters {1} {2}, current cluster - {3}, max, index_i 1, index_j 1, cluster_index 1)); int[] curr_cluster = clusters[cluster_index]; List newcluster1 = new List(), newcluster2= new List(); clusters.RemoveAt(cluster_index); switch (curr_cluster.Length) { case 1: return; case 2: newcluster1.Add(curr_cluster[0]); newcluster2.Add(curr_cluster[1]); break; default: for (int j = 0; j /// Search and return min value of matrix without diagonal /// /// matrix to search /// matrix size /// row of min in matrix /// column of min in matrix /// private static double Min(ref double[,] matrix, int size, ref int index_i, ref int index_j) { double min = double.MaxValue; for (int i = 0; i /// Marge two clusters in distance matrix and return new distance matrix /// /// matrix with distances from clusters /// index of lower cluster /// index of bigest cluster /// Dimention of current matrix /// New matrix with marged rows (cluser1, cluster2) double[,] MargeTwoClusters(double[,] matrix, int cluster1, int cluster2, int size, ref string[] clusters) { clusters[cluster1] = clusters[cluster2]; string[] clusters_new = new string[size-1]; //leave minimum of two cluster to one (horizontal, vertical) for (int i = 0; i matrix[i, cluster2]) matrix[i, cluster1] = matrix[i, cluster2]; if (matrix[cluster1, i] > matrix[cluster2, i]) matrix[cluster1, i] = matrix[cluster2, i]; } else { if (matrix[i, cluster1] /// Write matrix to log.txt /// /// matrix to write /// size of matrix /// additional text void WriteMatrixToOutout(ref double[,] matrix, int size, string text) { var sw = new StreamWriter(log.txt,true); sw.WriteLine( ================= text ================= ); for (int i = 0; i cluster) { var sw = new StreamWriter(log.txt, true); for (int i = 0; i > cluster) { var sw = new StreamWriter(log.txt, true); for (int i = 0; i (numOfClusters); WriteTextToLog(

================ ІТЕРАТИВНИЙ ==================

); var tmp_center = new double[7]; var clusters = new List>(numOfClusters); var clusters_old = string.Empty; var clusters_current = string.Empty; for (int i = 0; i {i}); for (int j = 0; j 0) { for (var i = start_point; i Iteration number - (numOfAllIteration - numOfIterations)); WriteClustersToOutput(ref clusters); numOfIterations--; start_point = 0; clusters_current = ClustersToString(ref clusters); if (String.Compare(cluster