Прогнозирование в регрессионных моделях

Понятие и особенности прогнозирования. Стандартная ошибка предсказываемого среднего значения. Прогнозирование при наличии авторегрессии ошибок. Точечное и интервальное прогнозирование, основанное на модели линейной регрессии, коэффициент ее детерминации.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 08.01.2016
Размер файла 827,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru

Прогнозирование в регрессионных моделях

Содержание

Введение

Глава 1. Сущность прогнозирования

1.1 Понятие прогнозирования и его особенности

1.2 Точечное и интервальное прогнозирование

1.3 Условное и безусловное прогнозирование

1.4 Прогнозирование при наличии авторегрессии ошибок

Глава 2.Пример построения прогноза по эконометрической модели

2.1 Точечное и интервальное прогнозирование, основанное на модели линейной регрессии

Заключение

Библиографический список

Введение

Процесс прогнозирования достаточно актуален в настоящее время. Широка сфера его применения. Прогнозирование широко используется в экономике. Прогнозирование позволяют управлять массовыми экономическими явлениями и процессами и предвидеть их развитие.

В современном быстро меняющемся мире, когда рыночная конкуренция становится все более жесткой, основной проблемой для предприятий является проблема выживания и обеспечения развития. В наши дни ни одно предприятие не может обойтись без прогнозирования и планирования своей дальнейшей деятельности. В условиях ожесточенной конкурентной борьбы, особенно на мировом рынке, уже недостаточно только поддержания высокого качества реализуемой продукции. Необходимы тщательный учет специфики требований потребителей в различных странах, анализ деятельности основных фирм-конкурентов, широкая рекламная компания, выбор оптимальных форм и методов сбыта, т.е. деятельность предприятия необходимо планировать и прогнозировать.

Современные условия рыночного хозяйствования предъявляют к методам прогнозирования очень высокие требования, в виду все возрастающей важности правильного прогноза для судьбы предприятия, да и экономики страны в целом.

Прогнозирование следует рассматривать как важнейшую функцию управления любой экономической системой, в том числе экономикой рыночного типа, поскольку формирование рыночных отношений связано с предпринимательской деятельностью, стратегического менеджмента и систем прогнозирования.

Прогнозирование является важным связующим звеном между теорией и практикой во всех областях жизни общества.

Обычно термин «прогнозирование» используется в тех ситуациях, когда требуется предсказать состояние системы в будущем. Для регрессионных моделей он имеет более широкое значение. Данные могут не иметь временной структуры, но и в этих случаях вполне может возникнуть задача оценить значение зависимой переменной для некоторого набора независимых, объясняющих переменных, которых нет в исходных наблюдениях. Именно в этом смысле - как построение оценки зависимой переменной - и следует понимать прогнозирование в эконометрике.

Общественные явления находятся не только во взаимной связи, но и в непрерывном движении, изменении, развитии -- именно это обусловливает необходимость прогнозирования.

Предметом прогнозирования в сфере является система, воспроизводящая объект исследования так, что на ее основе могут быть изучены структура и размещение социально-экономических явлений, их изменения во времени, связи зависимости.

Объектом прогнозирования является модель, интересующая исследователя.

Целью курсовой является выявление перспектив ближайшего будущего в области потребления домохозяйством в зависимости от располагаемого дохода и установление основных тенденций развития.

Для достижения поставленной цели представляется необходимым в рамках данной работы решение следующих задач:

1. Определить понятие «прогнозирование» и исследовать его особенности.

2. Рассмотреть точечное и интервальное, условное и безусловное прогнозирование.

3. Проанализировать прогнозирование при наличии авторегрессии ошибок.

4. Провести точечное и интервальное прогнозирование, основанное на модели линейной регрессии.

Глава 1. Сущность прогнозирования

1.1 Понятие прогнозирования и его особенности

Прогнозирование -- это вид познавательной деятельности человека, направленной на формирование прогнозов развития объектов, на основе анализа тенденций и закономерностей его развития.

Прогнозирование -- это научное, основанное на системе установленных причинно-следственных связей и закономерностей, выявление состояния и вероятностных путей развития явлений и процессов.

Оно предопределяет оценку показателей и дает характеристику явлений и процессов в будущем. Прогнозирование распространяется на такие процессы управления, которые в момент выработки прогнозов можно определить в весьма малом диапазоне, либо совсем невозможно, либо возможно, но требует учета действия таких факторов, влияние которых не может быть полностью или однозначно определено.[5]

Прогнозирование определяет реальность и благоприятность для хозяйственной структуры поставленных перед ней целей. Разумеется, что некоторые приемы и средства прогнозирования применяются и в процессе определения целей, особенно долгосрочных, но при выборе целей и определении степени их достижения главную роль играют субъективные факторы, в то время когда прогноз опирается на объективные процессы и явления.

Прогноз носит вероятностный характер, но обладает определенной достоверностью. Прогноз на практике - это предплановый документ, фиксирующий вероятную степень достижения поставленной цели в зависимости от масштаба и способа будущих действий

Задачи прогнозирования связаны с тем, что прогноз, помимо анализа возможностей, является основой для разработки стратегии, планирования и управления предприятием.

Прогноз должен определять:

- основные технические и организационно-экономические проблемы и сроки их решения;

- материалы, технологические процессы и оборудование, предназначенные для изготовления новой перспективной и традиционной продукции;

-ожидаемые объемы производства продукции у конкурентов и потребность в ней на рынках;

- ожидаемую себестоимость разработки и производства этой продукции;

- мощность предприятия, необходимую для разработки и изготовления новой продукции;

- потребность в трудовых ресурсах с учетом изменения их структуры, квалификации и ожидаемого роста производительности труда. Прогноз должен включать:

- краткий анализ развития прогнозируемого направления производства и характеристику его современного состояния;

- выявление перспективных технических и экономических проблем, уже решенных, но не получивших практического применения;

- оценку важности проводящихся исследований, требующих внимания и затрат для решения будущих проблем.[4]

Прогнозы можно подразделять в зависимости от целей, задач, объектов, времени упреждения, методов организации прогнозирования, источников информации и т. д. Большое количество таких признаков и отсутствие их строго определенных характеристик затрудняют создание единой классификации. [1]

Выбор методов прогнозирования осуществляется в соответствии с характером объекта, требований, предъявляемых к информационному обеспечению, а также на основе сравнения эффективности и оптимальности решения аналогичных задач. Отличительной чертой социально-экономических явлений и процессов является инерционность, проявляющаяся, с одной стороны в сохранении взаимосвязей прогнозируемого явления с другими явлениями , а с другой -- в сохранении тенденции во времени.[5]

Проблема прогнозирования имеет много различных аспектов. Можно различать точечное и интервальное прогнозирование. В первом случае оценка - это конкретное число, во втором -интервал, в котором истинное значение переменной находится с заданным уровнем доверия. Выделяют также безусловное и условное прогнозирование в зависимости от того, известны ли интересующие нас объясняющие переменные точно или приближенно. Кроме того, для временных рядов при нахождении прогноза существенно наличие или отсутствие корреляции по времени между ошибками.

1.2Точечное и интервальное прогнозирование

В прогнозных расчетах по уравнению регрессии определяется предсказываемое (уp) значение как точечный прогноз при хpk, т. е. путем подстановки в уравнение регрессии соответствующего значения х. Однако точечный прогноз явно не реален. Поэтому он дополняется расчетом стандартной ошибки , т. е. и соответственно интервальной оценкой прогнозного значения (у*)

-<у*< + (1.1)

Чтобы понять, как строится формула для определения величин стандартной ошибки , обратимся к уравнению линейной регрессии:

(1.2)

Подставим в это уравнение выражение параметра b1:

b1= -b0

тогда уравнение регрессии примет вид:

= -b0+b0 x=+b0(x-) (1.3)

Отсюда вытекает, что стандартная ошибка зависит от ошибки и ошибки коэффициента регрессии b0, т. е.

2 = (1.4)

Из теории выборки известно, что . Используя в качестве оценки у2 остаточную дисперсию на одну степень свободы S2, получим формулу расчета ошибки среднего значения переменной у:

(1.5)

Ошибка коэффициента регрессии, как уже было показано, определяется формулой

? (1.6)

Считая, что прогнозное значение фактора хpk, получим следующую формулу расчета стандартной ошибки предсказываемого по линии регрессии значения, т. е.

? = (1.7)

Соответственно имеет выражение:

(1.8)

Рассмотренная формула стандартной ошибки предсказываемого среднего значения у при заданном значении хk характеризует ошибку положения линии регрессии. Величина стандартной ошибки как видно из формулы, достигает минимума при хк =, и возрастает по мере того, как «удаляется» от в любом направлении. Иными словами, чем больше разность между хк и х, тем больше ошибка с которой предсказывается среднее значение у для заданного значения хk. Можно ожидать наилучшие результаты прогноза, если признак- фактор х находится в центре области наблюдений х и нельзя ожидать хороших результатов прогноза при удалении хк от . Если же значение хк оказывается за пределами наблюдаемых значений х, используемых при построении линейной регрессии, то результаты прогноза ухудшаются в зависимости от того, насколько хк отклоняется от области наблюдаемых значений фактора х.

Фактические значения у варьируют около среднего значения Индивидуальные значения у могут отклоняться от на величину случайной ошибки е , дисперсия которой оценивается как остаточная дисперсия на одну степень свободы S2. Поэтому ошибка предсказываемого индивидуального значения у должна включать не только стандартную ошибку , но и случайную ошибку S.

Рис. 1 Доверительный интервал линии регрессии: а -- верхняя доверительная граница; б -- линия регрессии; в -- доверительный интервал для при хк; г -- нижняя доверительная граница

Средняя ошибка прогнозируемого индивидуального значения у составит:

(1.9)

При прогнозировании на основе уравнения регрессии следует помнить, что величина прогноза зависит не только от стандартной ошибки индивидуального значения у, но и от точности прогноза значения фактора х. Его величина может задаваться на основе анализа других моделей исходя из конкретной ситуации, а также из анализа динамики данного фактора. Рассмотренная формула средней ошибки индивидуального значения признака у() может быть использована также для оценки существенности различия предсказываемого значения исходя из регрессионной модели.[6]

1.3 Условное и безусловное прогнозирование

Безусловное прогнозирование

Термин безусловное прогнозирование означает, что вектор независимых переменных xn+i известен точно.

Пусть есть еще один набор xn+1 = (хn+1,1,..., xn+1,k)' объясняющих переменных и известно, что соответствующая зависимая переменная удовлетворяет модели у=Хв+е , т.е.

Уn+1 = х'n+1в+еn+1 (2.0)

где , Eеn+1= 0, V(еn+1) = у2 , и случайная величина еn+1 не коррелирована с е . Требуется по (у,Х,xn+1) оценить yn+1. Подчеркнем, что в данном случае надо построить оценку не параметра, а случайной величины.

Предположим, что мы знаем значения параметров в и у2 . Тогда естественно в качестве оценки y n+1= y величины yn+1 взять Е (yn+1) = x'n+1в. Среднеквадратичная ошибка такого прогноза есть E(yn+1 -y)2 = Е(е2n+1) = у2.

Пусть параметры в и у2 неизвестны, что, как правило, и бывает на практике. Обозначим и s2 их МНК-оценки на основании модели у=Хв+е: = (Х'Х)-1Х'у, s2 = е'е/(n - к). Возьмем в качестве оценки уn+1 величину

y =x'n+1 в (2.1)

Нетрудно проверить, что поскольку Е = в, то Е y = Еуn+1, т.е. оценка y является несмещенной. Оказывается, в классе линейных (по у) несмещенных оценок она обладает наименьшей среднеквадратичной ошибкой.[3]

Нетрудно проверить, что среднеквадратичная ошибка прогноза есть

Е(yn+1)2 = у2(1+ x'n+1 (Х'X)-lxn+1). (2.2)

Заменим у2 на ее оценку s2 и обозначим

Получаем, что если ошибки (е,еn+1) имеют совместное нормальное распределение, то случайная величина (y -yn+1)/д имеет распределение Стьюдента с n- к степенями свободы. Поэтому доверительным интервалом для yn+1 с уровнем доверия б будет интервал (y - д tб, y - д tб) где tб -- двусторонняя б -квантиль распределения Стьюдента с n - к степенями свободы.

Можно показать, что в случае парной регрессии, т. е. когда система у=Хв+е имеет вид

yt = в12xt + еt t= 1,. . .,n,

формула (2.2) выглядит так:

(2.3)

где x=1/n ?xt . Из (2.3) следует, что среднеквадратичная ошибка

прогноза минимальна при xn+1= , и чем дальше xn+1 от , тем шире соответствующий доверительный интервал (см. рис. 2).

Рис. 2 доверительный интервал

Условное прогнозирование

В предыдущих рассуждениях мы предполагали, что независимая переменная xn+1 известна точно. Однако на практике встречаются ситуации, когда в xn+1 содержатся ошибки. Так, при прогнозировании временных рядов часто приходится прогнозировать значения независимых переменных, что неизбежно приводит к отклонениям от истинных значений. Поэтому рассмотрим задачу условного прогнозирования. Пусть выполнены соотношения у=Хв+е и (2.0), но вектор xn+1 наблюдается с ошибкой

z = xn+1+ u, (2.4)

где u - k х 1 случайный вектор, не зависящий от (е,еn+1).

Прогноз (2.1) заменяется теперь на

y = z' . (2.5)

Пусть е = y- yn+1 -- ошибка прогнозирования. Тогда

Ее = Е(z' ) - x'n+1 в = Е[(xn+1 + u)'] - x'n+1 в

= Е(x'n+1 ) + Е(u' )- x'n+1 в = 0,?

так как и u и в независимы и Еu = 0. Иными словами, оценка (2.5) является несмещенной. Из этого следует , что

Ее2 = у2 [l + x'n+1 (X'X)-lxn+1+ у2u tr((X'X)-l)]+ у2uв' в. (2.6)

Таким образом, при наличии ошибок в независимой переменной к ошибке прогнозирования (2.2) добавляются два новых положительных слагаемых, пропорциональных дисперсии у2u.

В случае условного прогнозирования нельзя так же просто, как при безусловном прогнозировании, построить доверительный интервал для yn+1. Это связано с тем, что при нормально распределенных ошибках (е,еn+1,u) оценка у есть скалярное произведение двух независимых нормальных векторов. Поэтому доверительный интервал нельзя найти аналитически, однако существуют численные процедуры, позволяющие строить его приближенно.[3]

1.4 Прогнозирование при наличии авторегрессии ошибок

Остановимся на задаче прогнозирования, когда ошибки в исходной модели у=Хв+е, (2.0) коррелированы по времени, а именно, образуют авторегрессионный процесс первого порядка:

еt = p еt+1 + vt, t = 1,.. .,n,n+ 1, (2.7)

где {vt, t = 1,..., n, n + 1} -- последовательность независимых нормально распределенных случайных величин с нулевым средним и постоянной дисперсией у2 , |р| < 1. Покажем, как можно использовать информацию об ошибках (2.7) для улучшения прогнозирования. Предположим, как и в начале этого раздела, что все параметры (в, р) известны. Но теперь в качестве оценки y величины Уn+i возьмем не x'n+1 в, как раньше, а

y = x'n+1 + p еn = x'n+1 в + р(yn-x'n). (2.8)

Нетрудно проверить, что

е = уn+1 - y =vn+1,

Откуда сразу следует, что Ее=0 и

Ее2= у2v=(1-p2) у2е (2.9)

Таким образом, удается уменьшить ошибку прогноза по сравнению со случаем некоррелированных ошибок.[3]

Реально параметры регрессии неизвестны, поэтому при прогнозировании величины yn+1 в формуле (2.8) значения в и р заменяют их оценками:

Y= x'n+1 в + r(yn- x'nв) (3.0)

Мы не можем дать аналитическое выражение для среднеквадратичной ошибки прогноза. На практике используют формулу (2.9) с заменой величины у2v на ее оценку, получаемую из регрессии ,, при t=1.

Глава2. Пример построения прогноза по эконометрической модели

2.1 Точечное и интервальное прогнозирование, основанное на модели линейной регрессии

Проведем регрессионный анализ зависимости объема потребления (руб.) домохозяйства от располагаемого дохода (руб), отобрана выборка n=12 (помесячно в течение года)..

Данные и расчеты представлены в таблице 1.

Табл.1 Исходные данные и расчеты.

месяц

1

10700

10200

114490000

109140000

104040000

10320,38

-120,38

14490,43

2

10900

10500

118810000

114450000

110250000

10511,75

-11,75

138,07

3

11000

10800

121000000

118800000

116640000

10607,44

192,56

37080,27

4

11300

11000

127690000

124300000

121000000

10894,50

105,50

11130,44

5

12000

11500

144000000

138000000

132250000

11564,31

-64,31

4135,66

6

12200

11700

148840000

142740000

136890000

11755,68

-55,68

3100,64

7

12300

11900

151290000

146370000

141610000

11851,37

48,63

2364,82

8

12800

12500

163840000

160000000

156250000

12329,81

170,19

28965,89

9

13600

13200

184960000

179520000

174240000

13095,30

104,70

10961,35

10

14000

13000

196000000

182000000

169000000

13478,05

-478,05

228533,84

11

14500

14100

210250000

204450000

198810000

13956,49

143,51

20595,73

12

15000

14400

225000000

216000000

207360000

14434,92

-34,92

1219,66

сумма

150300

144800

1906170000

1835770000

1768340000

143899,64

0,00

362716,80

ср.знач.

12525

12066,67

158847500

152980833,33

147361667

Согласно

Таким образом, уравнение парной регрессии имеет вид: . Можно сделать вывод, что объем потребления в среднем увеличивается на 81.8511 руб.

Рис.3 Линейная регрессионная модель

Для оценки дисперсии рассчитаем , а ряд фактических ошибок также , которые представлены в таблице.

Стандартная ошибка оценивания S=191, те в среднем наблюдаемые значения отличаются от расчетных на 191 руб.

Найдем стандартные ошибки оценок параметров

; .

;

Рассчитаем коэффициент детерминации :

Получаем, что оцененное уравнение на 99% объясняет поведение зависимой переменной- объема потребления домохозяйства.

Проверим статистическую значимость коэффициентов регрессии и :

и .

Критическое значение при уровне значимости равно . Так как , то гипотеза о статистической значимости коэффициента отклоняется.

Определим доверительные интервалы коэффициентов регрессии по формуле

прогнозирование регрессионный модель

где s(

, которые с надежность 95% будут следующими:

для

для

Проверка гипотезы о статистической незначимости осуществляется с помощью критической статистики

Fнабл.=(n-2)*(R2/(1-R2)= 485717>Fб=(p,p-n-1)=4,96

То есть гипотеза отвеграется с вероятностью ошибки б.

Произведем точечный прогноз по формуле:

Таб.2 Точечный прогноз

точечный прогноз

месяц

прогноз

(1)13

15500

14913,36

(2)14

16000

15391,80

(3)15

16350

15726,70

Рассчитаем границы интервала, в котором будет сосредоточено 95% возможных объемов потребления

,

Где

Табл.3 Интервальный прогноз.

интервальный прогноз

месяц

точ.прогноз

нижняя граница доверит.инт-ла

верхняя граница доверит.инт-ала

(1)13

15500

14913,36

14443,73

15382,99

(2)14

16000

15391,80

15391,80

15391,80

(3)15

16350

15726,70

15726,70

15726,70

Таким образом с доверительной вероятностью 0,999 (или 99,9%) можно утверждать, что сохранении сложившихся закономерностей развития прогнозируемая величина попадет в интервал, образованный нижней и верхней границами.

Заключение

Прогнозирование позволяет заглянуть в будущее и увидеть наиболее вероятные изменения в исследуемой области.

Анализ методов прогнозирования, изучение этих методов, использование их в разных сферах деятельности является мероприятием рационализаторского характера. Степень достоверности прогнозов можно затем сравнить с действительно реальными показателями, и, сделав выводы, приступить к следующему прогнозу уже с существующими данными, т.е. имеющейся тенденцией. Опираясь на полученные данные, можно во временном аспекте переходить на более высокую ступень развития и совершенствовать деятельность определенной сферы.

Изучив результаты работы можно признать цель работы в основном достигнутой. В нынешней ситуации, когда объем потребления и располагаемый доход является неотъемлемыми в нашей повседневной жизни, без контроля и планирования этой сферы нормальное функционирование национальной экономики практически невозможно. Поэтому нельзя не признать актуальность решаемых в курсовой работе задач.

По результатам проведенного исследования, решены следующие задачи:

1. Определены понятие «прогнозирование» и исследованы его особенности, позволяющие более глубже понять интересующую нас тему.

2. Рассмотрены точечное и интервальное, условное и безусловное прогнозирование.

3. Проанализировано прогнозирование при наличии авторегрессии ошибок.

4. Проведено точечное и интервальное прогнозирование, основанное на модели линейной регрессии.

Библиографический список

1. Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для вузов. - М.: Высшая школа, 2003. - 479 с.

2. Дорошенко О.В. Введение в эконометрику: практикум.-Краснодар: Кубан.гос.ун-т,2012

3. Мангуст Я.Р., Катышев П.К., Пересецкий А.А., Эконометрика. Начальный курс.-М.:Дело,2005

4. Нанивская В.Г., Андронова И.В. Теория экономического прогнозирования: Учебное пособие. - Тюмень: ТюмГНГУ, 2010. -- 98 с.

5. Садовникова Н.А. Шмойлова Р.А., Анализ временных рядов и прогнозирование Выпуск 2 Учебное пособие Руководство по изучению дисциплины, Москва 2004

6.Эконометрика/ под ред. И.И. Елисеевой.-М.:Финансы и статистика,2014

Размещено на Allbest.ru


Подобные документы

  • Построение эконометрической модели. Описания, анализ и прогнозирование явлений и процессов в экономике. Использование регрессионных моделей. Построение корреляционной матрицы. Коэффициент множественной детерминации. Значение статистики Дарбина-Уотсона.

    курсовая работа [61,0 K], добавлен 10.03.2013

  • Оценка тесноты связи с помощью показателей корреляции и детерминации. Построение поля корреляции и расчёт параметров линейной регрессии. Результаты вычисления функций и нахождение коэффициента детерминации. Регрессионный анализ и прогнозирование.

    курсовая работа [1,1 M], добавлен 07.08.2011

  • Определение коэффициентов линейной регрессии. Проверка гипотезы о присутствии гомоскедастичности, наличии автокорреляции. Оценка статистической значимости эмпирических коэффициентов регрессии и детерминации. Прогнозирование объемов производства консервов.

    контрольная работа [440,1 K], добавлен 15.04.2014

  • Трендовые экономические процессы и их анализ: итерационные методы фильтрации, метод Четверикова, Шискина—Эйзенпресса. Ряд Фурье и его использование для прогнозирования динамики с сезонными колебаниями. Аддитивная и мультипликативная модели сезонности.

    курсовая работа [1,2 M], добавлен 14.07.2012

  • Характеристика методов прогнозирования, эконометрические методы. Сравнение показателей производства ВРП Бурятии, динамика среднедушевого производства, счет производства. Прогнозирование на основе эконометрической модели, выявление наличия тенденций.

    курсовая работа [524,3 K], добавлен 15.10.2009

  • Определение наличия тенденции по заданным значениям прибыли фирмы. Построение графика линейной парной регрессии, нанесение полученных результатов на диаграмму рассеяния. Прогнозирование величины прибыли с помощью построенной регрессионной модели.

    контрольная работа [284,0 K], добавлен 27.10.2010

  • Российский рынок бензина. Рост цен на бензин. Обоснование возможности применения статистических методов для моделирования и прогнозирования цен на бензин. Обработка результатов. Построение трендовой, регрессионных моделей и прогнозирование с их помощью.

    курсовая работа [2,5 M], добавлен 16.04.2008

  • Особенности жилищного кредитования в регионах России и в Чувашии. Математические основы прогнозирования. Компоненты временного ряда, его сглаживание. Прогнозирование жилищного кредитования в Чувашской республике, создание мультипликативной модели.

    курсовая работа [1000,1 K], добавлен 05.01.2018

  • Методы социально-экономического прогнозирования. Статистические и экспертные методы прогнозирования. Проблемы применения методов прогнозирования в условиях риска. Современные компьютерные технологии прогнозирования. Виды рисков и управление ими.

    реферат [42,4 K], добавлен 08.01.2009

  • Характеристики и свойства условно-гауссовской модели ARCH для прогнозирования волатильности стоимости ценных бумаг. Акции предприятия на рынке ЦБ. Оценка параметров модели ARCH для прогнозирования их доходности методом максимального правдоподобия.

    курсовая работа [161,5 K], добавлен 19.07.2014

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.