- •21. Технология оперативной обработки транзакции (оlтр–технология). Технология аналитической обработки в реальном времени (оlар-технология).
- •22. Основные функции операционной системы, классификация ос
- •23. Управление процессором, памятью, устройствами ввода-вывода
- •Методы распределения памяти
- •Управление процессами
- •Организация ввода-вывода
- •24. Файловые системы современных ос.
- •Общая модель файловой системы
- •Надежность файловой системы.
- •Целостность файловой системы.
- •25. Архитектура ос семейства Windows 9x.
- •1)Обеспечение интерфейса между человеком и аппаратным комплексом вычислительной машины;
- •2) Управление ресурсами вычислительной машины.
- •26. Структура и функции сетевых ос
- •Общая структура сетевой ос
- •Функции
- •27. Характеристика основных сервисов сети Internet
- •1. Всемирная паутина (www)
- •28. Классификация информационных объектов с точки зрения безопасности. Категории информационной безопасности
- •Категории информационной безопасности
- •29. Средства разработки, эксплуатации и сопровождения Internet/Intranet-приложений
- •1) Средства Run-time включают:
- •30. Гипертекстовый документ. Понятие html. Стандарты html.
- •31. Взаимодействие с бд в системах управления контентом.
- •32. Электронные платежные системы, системы микроплатежей.
- •33. Поиск информации в Интернет. Поисковые машины и системы, языки запросов.
- •34. Информационная безопасность в условиях функционирования глобальных сетей
- •Идентификация пользователей
- •35. Проектирование ис. Требования к эффективности и надежности проектных решений.
- •Стадии и Этапы проектирования ис
- •36. Автоматизированное проектирование информационных систем с использованием case-технологии.
- •Сравнение силы роста простых и сложных процентов
- •Мультиплицирующие и дисконтирующие множители
- •40 Эквивалентность во времени денежных сумм. Математическое дисконтирование. Номинальная и эффективная процентные ставки. Эквивалентность процентных ставок
- •41. Инвестиционные процессы. Основные характеристики. Анализ инвестиционных процессов. Сущность, формы, цели и задачи инвестирования
- •42. Экономические объекты моделирования: элементы, свойства. Примеры.
- •43. Постановка задачи моделирования. Процедуры и методы моделирования.
- •44.Производственные функции. Функция Кобба-Дугласа. Линейные производственные функции.
- •45. Модели межотраслевого баланса (моб). Модель Леонтьева.
- •46. Модели установления равновесной цены. Поведение фирмы на конкурентном рынке
- •47. Модель парной регрессии. Метод наименьших квадратов.
- •48 Модель множественной регрессии. Стандартизированная форма уравнений множественной регрессии.
- •49. Оценка тесноты взаимосвязи между экономическими показателями. Ковариация и корреляция.
- •50. Оценка качества модели регрессии. Коэффициент детерминации. Оценка значимости коэффициентов регрессии. Теорема Гаусса-Маркова.
- •51. Коэффициент эластичности модели парной регрессии. Частные коэффициенты эластичности множественной регрессии. Бета - и дельта - коэффициенты.
50. Оценка качества модели регрессии. Коэффициент детерминации. Оценка значимости коэффициентов регрессии. Теорема Гаусса-Маркова.
Интерпретация коэффициентов
b показывает на сколько едицин изменится н при изменении x на единицу
b>0 – связь x и y прямая
b<0 – связь x и y обратная
а экономической интерпритации не имеет и показывает y при х=0
Проверка значимости уровня регрессии производится на основе дисперсионного анализа. Центральное место в анализе дисперсии занимает разложение общей суммы квадратов отклонений переменной y от среднего значения y на 2 части – «объясненную» им «необъясненную», то есть общая сумма квадратов отклонений равна объясненная сумма квадратов отклонений + остаточная сумма квадратов отклонений.
общая сумма
- объясненная сумма
- остаточная сумма квадратов отклонений
На основе каждой из сумм квадратов отклонений рассчитываются соответствующие дисперсии.
m - кол-во факторов регрессии, в линейной m=1
Качество построенной модели регрессии, то есть способность модели давать расчетные значения результирующей переменной y максимально приближено к экспериментальной оценивается по тому, какую долю составляет объясненная дисперсия в общей дисперсии.
Для оценки этой доли вводится коэф детерминации.
Чем ближе к 1, тем лучше приближение, которое дает модель регрессии.
Оценка значимости уравнения регрессии в целом дается с помощью F-критерия Фишера.
При этом выдвигается нулевая гипотеза, что коэф регрессии =0, следовательно фактор х не оказывает влияние на результат у.
- уравнение регрессии в целом НЕ значимо
- уравнение регрессии в целом значимо
Рассчитываем Fрасч
Английским статистиком Снедекором разработаны таблицы критических значений F-отношений. Из этих таблиц получаем Fтабл.(α,m,n-m-1) Если Fрасч> Fтабл то H1
При анализе модели регрессии надо проверять не только значимость построенной модели, но значимость отдельных коэф регрессии с помощью критерия Стьюдента tтабл.(α,n-m-1)
Выдвигаем гипотезу
Рассчитываем
Где ma, mb – стандартные ошибки определения регрессии.
По таблицам определяем
Если принимаем гипотезу H1
Если принимаем гипотезу H0
Аналогично для b. Если коэффициент не значим, то его убирают из уравнения.
Теорема Гаусса-Маркова
Условия Гаусса-Маркова для парной регрессии.
1. , т.е. случайная компонента может быть положительной, отрицательной, но она не может иметь систематические смещения (мат. ожидания) ни в одном из этих направлений;
2. , 1-е равенство означает постоянство дисперсии разных случайных компонент, т.е. независимость от номера наблюдения. 2-е равенство предполагает отсутствие систематической связи между значениями случайной составляющей в двух наблюдениях, т.е. наблюдения должны быть независимы друг от друга;
3. . т.е остатки должны подчиняться нормальному закону распределения
Теорема: если условия Гаусса-Маркова выполняются, то оценки, полученные с помощью МНК будут наилучшими линейными оценками, то есть не смещенными, состоятельными и эффективными.
Спецификация (выбор модели регрессии)
1. графический (для множественной строим m графиков)
2. теоретический (учет экономической сущности величин)
3. Эмпирический (будет несколько видов 1лин и неск нелин моделей. Строим, анализируем их и по результатам выбираем)