|
Распределения случайной
Вероятностно-статистические модели воспроизводят как устойчивые, так и временные зависимости между экономическими явлениями и факторами. Они позволяют обрабатывать статистические данные и исследовать законы распределения случайных экономических 310
Дл?: более полной характеристики распределения случайных величин в теории вероятностей используется понятие дисперсия. Дисперсия (рассеивание) ст2 — мера неопределенности, связанная с данным распределением, квадрат отклонения случайной величины от ее математического ожидания
Анализ промысловых данных испытания показывает, что наблюдающиеся распределения случайных ошибок измерения согласуются с нормальным законом распределения вероятностей.
Однако для обеспечения надежности прогнозирования необходимо исследовать случайную компоненту временного ряда, определить характер (закон) распределения случайных величин. Если случайные величины е f нормально распределены и между собой независимы, тогда определяются интервалы [34, 54] , в которые с определенной вероятностью попадают значения полученного нами прогноза.
где знак Е [ 1 означает математическое ожидание *). Заметим, что это не единственная возможная постановка задачи. Исследователя могут интересовать не только среднее значение критерия, но и его разброс около этого среднего значения, а также и другие характеристики распределения С (х, у). Обратим внимание читателя на встречающуюся иногда ошибку: поскольку нас обычно интересует среднее значение целевой функции, то у неопытного исследователя может возникнуть желание не рассматривать вероятностные распределения случайных факторов, а взять их средние значения, подставить в модель и, таким образом, оценить средние значения величин, интересующих исследователя. Такой метод в корне ошибочен. Пусть интересующая нас величина С является некоторой функцией случайных факторов (/ь ..., уп, т. е. С =•- G (уг, ..., у„). В большинстве задач выполняется неравенство ? [С] -Ф G (Е [//J, ..., Е [уп]) (равенство возможно лишь в некоторых случаях; например, когда функция G (уъ ..., у„) линейна). Таким образом, упомянутый исследователь, скорее всего, сделает ошибку. К чему могут привести такие ошибочные взгляды, читатель увидит в двух следующих параграфах, где мы посвятим 5'тому вопросу специальные замечания.
4. Ввести в компьютер данные о случайных переменных и соответствующие им интервалы случайных чисел, а также формулы математических зависимостей. Например: 12 ф.ст. — удельные переменные затраты = удельный вклад; объем спроса х удельный вклад = совокупный вклад. Затем компьютер может рассчитать по формулам указанные значения для каждой моделируемой комбинации уровня спроса и переменных затрат. Для моделирования комбинаций в компьютере используется генератор случайных чисел. Генератор следует статистическому закону распределения случайных чисел, т.е. все числа имеют равные шансы выпасть. Предположим, что первое выпавшее случайное число относится к объему спроса и равно 17; это означает, что "смоделированный" компьютером уровень спроса равен 60 000 ед., так как все случайные числа от 00 до 19 приписаны данному уровню.
Таким образом, для построения моделирующего алгоритма были приняты следующие законы распределения случайных величин:
ошибок регрессии называется гомоскедастичностъю. В этом случае распределения случайных величин YJ отличаются только
2.3. Некоторые распределения случайных величин
Рассмотрим наиболее часто используемые в эконометрике распределения случайных величин.
4) F(x>+co)=Fl(x\F(-^,y) = F2(y), где /i(x) и F2(y) -функции распределения случайных величин А' и У;
Слагаемые Р(х = к) зависят от вида закона распределения случайной величины х — количества дефектных единиц продукции в выборке из п единиц.
Сами по себе эти величины не могут служить характеристикой распределения вероятности продолжительности работ. Они являются исходными для расчета ожидаемого времени выполнения работы ?0щ. Величина tom представляет собой математическое ожидание случайной величины, которой в данном случае является продолжительность работ. Для более полной характеристики распределения случайной величины в теории вероятностей используется понятие дисперсии а?. Дисперсия (рассеивание) — мера неопределенности, связанная с данным распределением; квадрат отклонения случайной величины от ее математического ожидания. При большом значении дисперсии существует значительная неопределенность относительно момента завершения данной работы. Если дисперсия невелика, то имеется большая уверенность относительно момента завершения данной работы. От значений дисперсий отдельных работ зависит
так как для выбираемого в системе СПУ закона распределения случайной величины — р-распределения — при трех временных оценках :
' Закон распределения случайной величины, обладающей следующим свойством: промежутки времени между любыми двумя соседними событиями и его среднее квадратическое отклонение равны 1/Х, где \ — интенсивность потока, являющегося экспоненциальным, или показательным.
1 Закон распределения случайной величины, обладающей следующим свойством: промежутки времени между любыми двумя соседними событиями и его среднее квадратическое отклонение равны 1/Х, где X — интенсивность потока, являющегося экспоненциальным, или показательным.
Закон распределения случайной величины, обладающей следующим свойством: промежутки времени между любыми двумя соседними событиями и его среднее квадратическое отклонение равны 1/Х., где Я. - интенсивность потока, являющегося экспоненциальным, или показательным.
Выборочное распределение. Определение верхней нормы отклонений — CUDR при определенном уровне доверия для данного числа отклонений в выборке — это расчет характеристик распределения случайной величины.
Определение начального объема выборки основывается на расчете распределения случайной величины по данным о четырех пара-
где р(х) — плотность вероятности распределения случайной
Нетто-ставка в общем виде равна сумме Пубыт и рисковой надбавки. Последняя представляет собой допустимую ошибку, взятую с положительным знаком. Расчет рисковой надбавки опирается на законы распределения случайной величины. Для нормаль-
Различают простые и сложные, гипотезы. Гипотеза называется простой, если она однозначно характеризует параметр распределения случайной величины. Например, Н: (я = а. Сложная гипотеза состоит из конечного или бесконечного числа простых гипотез, при этом указывается некоторая область вероятных значений параметра. Например, Я.- ц > Ь. Эта гипотеза состоит из множества простых гипотез Н : ц = с, где с — любое число, большее Ь.
Регистрацию проспекта Регистрами бухгалтерского Рациональное формирование Регламентации управленческой Регламентируется положением Регламентирующих документов Регрессии коэффициенты Регрессионное уравнение Регулярных поставках Регулярно анализировать Регулярно проводятся Регулярно выплачивать Регулирования аудиторской вывоз мусора снос зданий
|
|
|
|
Навигация
