>
яка на
(5642.49-4440.00)/4440.00 * 100 =
.08%
більше тієї, яку отримав продавець при звичайній схемі призначення цін на товари.
Дамо оцінку значущості відмінності середніх:, clc, close = 4; ('Досвідчені дані на основному рівні матриці дизайну:') = [4780.00; 4460.00; 4660.00:3860.00] ('Середнє значення властивості на основному рівні матриці дизайну: ') mean = sum (Y0)/N (' Досвідчені дані на 2-му кроці руху по градієнту: ) = [5723.39; 5723.39; 6178.51; 4944.66] ('Середнє значення властивості на 2-му кроці руху по градієнту ') mean = sum (Y2)/N = [Y0 Y2]; (' Оцінка p-value відмінності середніх ') short = anoval (gradmean)
На рис. 9.6 наведена таблиця ANOVA, яка, крім оцінки р-величини, містить проміжні оцінки сум квадратів і величини F-статистики. p align="justify"> Таким чином, зменшення цін на перший товар з x01 = 300 руб. до x1 = 265.31 руб. і на другий товар з x02 = 490 руб. до х2 = 412.3 руб. і збільшення ціни на третій товар з Х03 = 580 руб. до х3 = 676.85 руб. призвело до збільшення прибутку приблизно на 27%. Сталося це за рахунок більшого зростання числа продажів менш дорогих 1-го і 2-го товарів порівняно із зменшенням числа продажів більш дорогого 3-го товару. p> Графічна ілюстрація результатів дослідження моделі profit3 наведена на рис. 8 і 9. Точка на графіках позначає координати екстремуму імітаційної моделі дискретних продажів. br/>В
Рис. 8
Розглянутий варіант найпростішої стратегії вирішення екстремальної задачі грунтувався на досить хороших вибірках даних, що забезпечило швидке її рішення, навряд чи потребує подальшого аналізу.
В
Рис. 9
Розглянемо більш реалістичний випадок з менш визначеною вибіркою даних, яка може істотно усложним, стратегію вирішення екстремальної задачі.
Один з варіантів більш реалістичної стратегії
Знову звернімося до імітаційної моделі profit3 для проведення повного факторного експерименту при тих же значеннях координат основного рівня і інтервалів варіювання змінних. Ясно, що в силу закладеної в модель profit3 стохастичности прибутку, регресійний поліном прийме новий від.bank = fracfact ('ab з'); = length (d); = [ones (N, 1) d]; = [300 490 580 ]; = [30 49
[b, bint, r, rint, stats] = regress (Y, X, alpha); = [b bint] short = stats (3)
Отже, оцінка коефіцієнта лінійної регресії при другій змінної виявилася статистично незначущою. Тому апроксимаційний поліном приймає вигляд
В
відмінний від виду полінома, отриманого в попередньому рішенні. Як наслідок, рух по градієнту набуває якісно нових рис. Розрахуємо, наприклад, 10 кроків руху по градієнту, залишаючи параметр кроки. p align="justify"> disp ('PACЧET КРОКІВ РУХУ ПО градієнт )% -----------...
