Ответы ЭММ_2 (для печати)
.pdf1 |
Процесс построения математической |
10 |
В основу классификации |
20 |
Основная задача корреляционного |
31 |
Для оценки качества регрессионных |
|
модели называют: |
|
эконометрических и экономико- |
|
анализа заключ. в выявлении |
|
моделей используется: |
√ |
математическим моделированием |
|
математических моделей по средствам |
|
взаимосвязи между случайными |
√ |
коэффициент множественной корреляции |
2 |
Процедура изучения модели |
|
их построения положены: |
|
переменными путем: |
|
(индекс корреляции) |
|
предполагает: |
√ |
средства моделирования и методы |
√ |
точечной оценки парных (частных) |
√ |
средняя относительная ошибка |
√ |
проведение различного рода |
|
реализации моделей |
|
коэффициентов корреляции |
|
аппроксимации |
|
"модельных" экспериментов |
√ |
структура моделей и характер |
√ |
интервальной оценки парных(частных) |
32 |
Процесс, при котором факторы |
√ накопления и систематизации данных |
|
зависимости ее компонентов |
|
коэффициентов корреляции |
|
одновременно воздействуют друг на |
|
3 |
Процед. применения модели связана с |
√ |
используемая информация |
√ |
вычисления и проверки значимости |
|
друга, определяется как: |
√ получением с ее помощью знаний |
11 |
Экономико-математические модели |
|
множественных коэффициентов |
√ |
мультиколлинеарность |
|
√ |
построением реального экономического |
|
включают в себя |
|
корреляции и детерминации |
34 |
Методы устранения или уменьшения |
|
объекта |
√ |
систему ограничений |
21 |
Ковариация - это: |
|
мультиколлинеарности |
√ |
прогнозированием экономического |
√ |
целевую функцию |
√ |
статистическая мера взаимодействия двух |
√ |
из двух объясняющих переменных, |
|
объекта |
√ |
граничные условия |
|
переменных |
|
имеющих высокий коэффициент |
√ коррекцией данных с учетом свойств |
13 |
В эконометрических исследованиях |
22 |
Для качественной оценки коэф-нта |
|
корреляции (больше 0,8), одну |
|
|
объекта-оригинала |
|
используют следующие типы |
|
корреляции примен. различные шкалы, |
|
переменную исключают из рассмотрения; |
4 |
Моделирование предполагает |
|
экономических данных: |
|
наиболее известной из кот. явл. спец. |
√ |
использование стратегии шагового |
|
использование: |
√ |
пространственные |
|
шкала значений коэф-тов корреляции |
|
отбора, реализованной в ряде |
√ |
методов абстрагирования |
√ |
временные |
√ |
шкала Чеддока |
|
алгоритмов пошаговой регрессии; |
√ |
методов идеализации |
14 |
Эконометрические модели в |
23 |
В зависимости от объема выборочной |
35 |
Содержательная оценка качества |
√ |
научных гипотез |
|
зависимости от соответствующей теории |
|
совокупности различают методы оценки |
|
уравнения модели множественной |
5 |
Различие между эконометрическими и |
|
связи между переменными |
|
существенности линейного |
|
регрессии состоит |
|
экономико-математическим моделями |
|
экономических систем, принято делить |
|
коэффициента корреляции: |
√ |
в его переводе с языка математики и |
|
состоит |
|
на основные классы: |
√ |
t-критерия Стьюдента |
|
статистики на язык экономиста |
√ |
в характере функциональных |
√ |
модели временных рядов |
24 |
В многомерном корреляционном |
√ |
проверке наличия экономического |
|
зависимостей, связывающих их величины |
√ |
регрессионные модели с одним |
|
анализе рассматривается задачи: |
|
смысла |
√ |
с показателями, сгруппированными |
|
уравнением |
√ |
Все 5 ответов верны |
√ |
в размере и характере влияния на |
|
различными способами |
√ |
системы эконометрических уравнений |
25 |
Квадрат коэффициента множественной |
|
исследуемый показатель каждого из |
6 |
В соответствии с общепринятой |
15 |
К моделям временных рядов относятся: |
|
корреляции принято называть: |
|
объясняющих факторов |
|
классификацией экономико-математ. |
√ |
адаптивные модели |
√ |
выборочным множественным |
36 |
Проверка статистического качества |
|
модели подразделяются на |
√ |
модели кривых роста (трендовые) |
|
коэффициентом детерминации |
|
полученного уравнения модели |
√ |
эконометрические |
√ |
модели авторегрессии |
26 |
Коэффициент множественной |
|
множественной регрессии предполагает |
√ |
статистические |
√ |
модели скользящего среднего |
|
корреляции принимает значения |
√ |
оценку: общего качества уравнения |
√ |
балансовые |
16 |
Выделяют следующие виды |
√ |
от 0 до 1 |
√ |
статистической значимости каждого |
√ |
оптимизационные |
|
эконометрических систем: |
27 |
Проверка значимости коэффициента |
|
параметра уравнения |
7 |
По функциональному признаку модели |
√ |
системы независимых уравнений |
|
детерминации осуществляется путем |
√ |
наличия автокорреляции остатков |
|
подразделены на |
√ |
системы рекурсивных уравнений |
|
сравнения с табличным F-табл.: |
37 |
Качество модели множественное |
√ |
модели планирования |
√ |
системы взаимосвязанных уравнений |
√ |
расчетного значения F-критерия Фишера |
|
регрессии оценивается по следующим |
√ |
модели бухгалтерского учета |
17 |
Этапами построения эконометрической |
28 |
При отклонении парной стат.завис- |
|
направлениям: |
√ |
модели экономического анализа |
|
модели являются: |
|
имости от линейной коэф-т корреляции |
√ |
проверка качества уравнения регрессии |
√ |
модели информационных процессов |
√ |
Все 5 ответов верны |
|
оценивается измерителем связи: |
√ |
проверка значимости уравнения |
8 |
Методы математической статистики |
18 |
Рассматривая линейную зависимость |
√ |
индекс корреляции |
|
регрессии |
√ |
корреляционный |
|
между признаками, прежде всего, |
√ |
корреляционное отношение |
√ |
анализ статистической значимости |
√ |
регрессионный |
|
выделяют типы связей: |
29 |
Для оценки параметров регрессионного |
|
параметров модели |
√ |
индексный |
√ |
функциональные |
|
уравнения используют: |
√ |
проверка выполнения предпосылок МНК |
√ |
выборочный |
√ |
корреляционные |
√ |
метод наименьших квадратов |
40 |
При сравнении расчетного значения dw- |
9 |
Моделируемые объекты |
19 |
К показателям, значения которых |
30 |
Для того чтобы регрессионный анализ |
|
статистики с табличным могут |
|
эконометрических и экономико-матем. |
|
свидетельствуют о присутствии или |
|
давал наилучший результат, должны |
|
возникнуть такие ситуации: |
|
моделей классифицируются с позиций: |
|
отсутствии линейной связи между |
|
выполняться условия: |
√ |
dw < d1 - остатки содержат |
√ |
сущности моделируемых процессов |
|
переменными относятся коэффициенты |
√ |
математическое ожидание случайной |
|
автокорреляцию |
|
воспроизводства |
√ |
линейной корреляции |
|
составляющей в любом наблюдении |
√ |
d2 < dw < 2 - ряд остатков не |
√ |
временных характеристик процессов |
√ |
парной корреляции |
|
должно быть равно нулю |
|
коррелирован |
√ |
уровней управления процессами |
√ |
множественной корреляции |
√ |
дисперсия случайной составляющей |
√ |
d1 < dw < d2 - область неопределенности, |
|
(объектами) |
|
|
|
должна быть постоянна для всех |
|
когда нет оснований ни принять, ни |
√ назначения моделей в управлении |
|
|
|
наблюдений |
|
отвергнуть гипотезу о существовании |
|
|
|
|
|
√ |
условие гомоскедастичности, или |
|
автокорреляции |
|
|
|
|
|
равноизменчивости, случайной |
|
|
|
|
|
|
|
составляющей |
|
|
38 |
При проверке адекватности уравнения |
44 |
В эконометрике выделяются следующие |
49 |
Формирование уровней ряда |
56 |
Методы экстраполяции включают: |
|
множественной регрессии |
|
основные направления экономико- |
|
определяется закономерностями |
√ |
методы, основанные на построении |
|
исследуемому процессу возможны |
|
статистических методов временных |
|
основных типов: |
|
многофакторных корреляционно- |
|
следующие варианты: |
|
рядов: |
√ |
инерцией тенденции |
|
регрессионных моделей |
√ |
построенная модель на основе ее |
√ |
разработка и исследование методов |
√ |
инерцией взаимосвязи между |
√ |
методы авторегрессии, учитывающие |
|
проверки по F-критерию в целом |
|
прикладной статистики с учетом |
|
последовательными уровнями ряда |
|
взаимосвязь членов временного ряда |
|
адекватна и все параметры уравнения |
|
специфики экономических данных |
√ |
инерцией взаимосвязи между |
√ |
методы, использующие разложение |
|
регрессии значимы – такая модель может |
√ |
разработка и исследование экономико- |
|
исследуемым показателем |
|
временного ряда на компоненты: главная |
|
быть использована для прогнозирования |
|
статистических моделей в соответствии с |
√ |
инерцией показателей-факторов, |
|
тенденция (тренд), сезонные колебания и |
|
исследуемого показателя; |
|
конкретными потребностями |
|
оказывающих на него причинное |
|
случайная составляющая |
√ |
модель по F-критерию адекватна, но |
|
экономической науки и практики |
|
воздействие |
√ |
методы, позволяющие учесть |
|
часть параметров регрессии не значима – |
√ |
применение эконометрических методов и |
51 |
Для оценки точности модели |
|
неравнозначность исходных данных |
|
в этом случае модель может быть |
|
моделей для статистического анализа и |
|
временного ряда в статистическом |
√ |
методы прямой экстраполяции, при этом |
|
пригодна для принятия отдельных |
|
прогнозирования состояния конкретных |
|
анализе, используются: |
|
используются разные трендовые модели |
|
решений, но не подходит для расчета |
|
экономических объектов |
√ |
среднеквадратическое отклонение |
57 |
Производственные функции позволяют: |
|
прогнозов; |
45 |
Применяемые при обработке |
√ |
максимальная по абсолютной величине |
√ |
проводить разнообразные аналитические |
√ |
модель по F-критерию адекватна, но все |
|
временных рядов методы опираются на |
|
ошибка |
|
расчеты |
|
параметры уравнения не значимы – такая |
|
методы математической статистики, |
√ |
относительная максимальная ошибка |
√ |
определять эффективность |
|
модель полностью считается |
|
которые базируются на следующих |
√ |
средняя по модулю ошибка |
|
использования ресурсов и |
|
неадекватной, на ее основе нельзя |
|
требованиях к исходным данным: |
√ |
средняя по модулю относительная |
|
целесообразность их дополнительного |
|
принимать решения и составлять |
√ |
сопоставимость данных – достигается в |
|
ошибка |
|
вовлечения в сферу производства |
|
прогнозы; |
|
результате одинакового подхода к |
52 |
Адаптивные модели прогнозирования |
√ |
прогнозировать выпуск производства при |
39 |
Наличие (отсутствие) автокорреляции в |
|
наблюдениям на разных этапах |
|
на основе временных рядов – это |
|
тех или иных вариантах развития объекта |
|
отклонениях модели проверяют с |
|
формирования динамического ряда |
|
модели: |
|
(т.е. при различном количестве ресурсов) |
|
помощью: |
√ |
однородность данных – означает |
√ |
дисконтирования данных, способные |
58 |
Экономико-статистическое |
√ |
dw-критерия Дарбина – Уотсона |
|
отсутствие сильных изломов тенденций, а |
|
быстро приспосабливать свою структуру и |
|
моделирование производственной |
41 |
Тест Дарбина-Уотсона можно применять |
|
также аномальных (т.е. резко |
|
параметры к изменению условий |
|
функции выполняют в следующем |
|
только в том случае, если выполняются |
|
выделяющихся, нетипичных для данного |
53 |
Общая схема построения адаптивных |
|
порядке: |
|
следующие условия: |
|
ряда) наблюдений |
|
моделей включает: |
√ |
выбор зависимой переменной и отбор |
√ |
в регрессионном уравнении присутствует |
√ |
устойчивость тенденции – |
√ |
оценивание значений параметров |
|
независимых переменных факторов |
|
свободный член |
|
характеризуется преобладанием |
|
модели по нескольким первым |
√ |
получение статистических данных и их |
√ |
регрессоры являются нестохастическими |
|
закономерности над случайностью в |
|
наблюдениям ряда |
|
обработка |
√ |
регрессионном уравнении нет лаговых |
|
изменении уровней ряда |
√ |
прогнозный расчет на один шаг по |
√ |
установление математической формы |
|
значений зависимой переменной |
√ |
полнота данных – требование |
|
имеющейся модели и корректировка |
|
связи (вида алгебраического уравнения) |
42 |
Для обнаружения гетероскедастичности |
|
обусловлено тем, что закономерность |
|
параметров модели при отклонении |
√ |
решение модели |
|
обычно используют тесты о зависимости |
|
может обнаружиться лишь при наличии |
|
расчетных значений от фактических |
√ |
корректировка и экономическая |
|
между дисперсией случайного члена и |
|
мин. допустимого объема наблюдений |
|
значений ряда |
|
интерпретация модели |
|
объясняющей переменной: |
46 |
Проверка наличия тренда – процедура |
√ |
рассчитывается прогнозная оценка на |
59 |
Экстраполяционное прогнозирование |
√ |
тест Голдфельда-Квандта |
|
предварительного анализа данных, |
|
следующий момент времени по модели |
|
экономических процессов, |
√ |
тест ранговой корреляции Спирмена |
|
сводится к проверке гипотезы о |
|
со скорректированными параметрами |
|
представленных одномерными |
√ |
двусторонний критерий Фишера |
|
неизменности среднего значения |
√ |
прогнозирование на будущее с |
|
временными рядами, сводится к |
√ |
тест Глейзера |
|
временного ряда и осуществляется с |
|
использованием параметров, |
|
выполнению следующих основных |
43 |
В общем случае временной ряд можно |
|
помощью различных критериев: |
|
определенных на последнем шаге по |
|
этапов: |
|
представить как функцию компонент |
√ |
критерий серий, основанный на медиане |
|
последним фактическим наблюдениям |
√ |
предварительный анализ данных |
|
отражающих закономерность и |
√ |
критерий "восходящих" и "нисходящих" |
|
ряда |
√ |
построение моделей временных рядов: |
|
случайность развития: |
|
серий |
54 |
Авторегрессионной моделью временных |
|
формирование набора |
√ |
f(t) – тренд (долговременная тенденция) |
√ |
сравнение средних уровней ряда |
|
рядов называют такую модель, в |
|
аппроксимирующих функций (кривых |
|
развития |
48 |
Существующие методы сглаживания |
|
которой моделируемые значения |
|
роста) и численное оценивание |
√ |
S(t), – сезонная компонента |
|
делят на группы: |
|
зависят линейно: |
|
параметров моделей |
√ |
U(t), – циклическая компонента |
√ |
аналитические методы |
√ |
от предыдущих наблюдений |
√ |
оценка качества моделей (проверка их |
√ |
eps(t), – остаточная компонента |
√ |
методы механического сглаживания |
√ |
только от одного предыдущего значения |
|
адекватности и оценка точности) |
47 |
Сглаживание временного ряда: |
50 |
На практике наиболее часто |
√ |
от двух предыдущих значений |
√ |
построение точечного и интервального |
√ |
замена фактических уровней расчетными |
|
используются кривые роста, которые |
√ |
от трех предыдущих значений |
|
прогнозов |
|
значениями, имеющими меньшую |
|
позволяют описывать процессы |
55 |
В авторегрессионных моделях |
|
|
|
колеблемость, чем исходные данные |
|
следующих основных типов: |
|
предполагается, что: |
|
|
√ |
графическое изображение временного |
√ |
без предела роста |
√ |
авторегрессионный процесс является |
|
|
|
ряда |
√ |
с пределом роста без точки перегиба |
|
стационарным |
|
|
|
|
√ |
с пределом роста и точкой перегиба |
|
|
|
|
60 |
Для решения конкретных задач анализа |
65 |
Точное совпадение фактических данных |
70 |
Экономические модели в общем смысле |
|
и прогнозирования временных рядов |
|
и прогностических точечных оценок, |
|
подразделяются на классы: |
|
используются специальные экономико- |
|
полученных путем экстраполяции, имеет |
√ |
модели позитивного анализа |
|
статистические методы, которые |
|
малую вероятность, что объясняется |
√ |
модели нормативного анализа |
|
классифицируются следующим образом: |
|
следующими причинами: |
72 |
Выберите выражения, не имеющие |
√ |
статистика случайных величин |
√ |
выбранная для прогнозирования кривая |
|
смысловой нагрузки: |
|
(выборочные методы, оценка законов |
|
не является единственно возможной для |
√ |
процедура изучения модели |
|
распределения случайных величин) |
|
описания тенденции |
|
предполагает проведение различного |
√ |
анализ и прогнозирование временных |
√ |
прогноз осуществляется на основании |
|
рода "модельных" экспериментов; |
|
рядов |
|
ограниченного числа исходных данных |
√ |
процедура применения модели связана с |
√ |
многомерный статистический анализ |
√ |
тенденция характеризует движение |
|
использованием полученных с ее |
|
(корреляционно-регрессионный анализ) |
|
среднего уровня ряда динамики, поэтому |
|
помощью знаний для построения |
√ |
статистика объектов нечисловой природы |
|
отдельные наблюдения могут от него |
|
обобщающей теории реального |
61 |
К процедурам предварительного |
|
отклоняться |
|
экономического объекта, |
|
анализа данных временного ряда |
66 |
При моделирование экономических |
|
прогнозирования его дальнейшего |
|
относятся: |
|
процессов, подверженных сезонным |
|
поведения и управления им. |
√ |
выявление аномальных наблюдений |
|
колебаниям, временной ряд, в котором |
√ |
процедура идеального моделирования – |
√ |
проверка наличия тренда |
|
наблюдаются и тренд и сезонные |
|
это математическое моделирование, в |
√ |
сглаживание временных рядов |
|
колебания, называется: |
|
процессе которого средствами |
√ |
расчет показателей динамики |
√ |
тренд с сезонным временным рядом |
|
математики и логики строится знаковая |
|
экономических процессов |
|
|
|
модель экономического объекта, |
62 |
Показатели динамики экономических |
67 |
Для исследования и прогнозирования |
|
представляющая его отношения и |
|
процессов: |
|
тренд-сезонных экономических |
|
свойства с помощью знаков и их связей; |
√ |
абсолютный прирост |
|
процессов, необходимо решить |
√ |
процедура исследования модели |
√ |
темп роста |
|
следующие задачи: |
|
предполагает изучение специальной |
√ |
темп прироста |
√ |
определить наличие во временном ряде |
|
литературы для понимания содержания |
63 |
Найдите несоответствия в следующих |
|
тренда |
|
экономического объекта; |
|
выражениях: |
√ |
выявить присутствие во временном ряде |
73 |
Основными элементами экономико- |
√ |
задачи анализа и моделирования |
|
сезонных колебаний |
|
математической модели являются: |
|
тенденций решают с помощью моделей |
√ |
осуществить фильтрацию временного |
√ |
экзогенные переменные |
|
кривых роста |
|
ряда |
√ |
эндогенные переменные |
√ |
задачи взаимосвязи между |
√ |
проанализировать динамику сезонной |
√ |
индексы |
|
последовательными уровнями ряда |
|
волны |
√ |
параметры |
|
решают с помощью адаптивных методов |
√ |
составить прогноз тренд-сезонного |
74 |
Моделирование предполагает |
|
и моделей |
|
экономического процесса |
|
использование методов: |
√ |
задачи причинных взаимодействий |
68 |
Для определения наличия во временном |
√ |
абстрагирования |
|
между исследуемым показателем и |
|
ряде сезонных колебаний |
√ |
идеализации |
|
показателями-факторами решают с |
|
рекомендуется использовать следующие |
√ |
построения абстракций |
|
помощью регрессионных моделей |
|
критерии: |
√ |
построение научных гипотез |
64 |
Прогнозирование методом |
√ |
дисперсионный |
75 |
Исследуемое множество элементов |
|
экстраполяции базируется на следующих |
√ |
гармонический |
|
можно рассматривать как |
|
предположениях: |
√ |
критерий, основанный на сравнении |
|
кибернетическую систему, если |
√ |
развитие исследуемого явления в целом |
|
распределения коэффициента |
|
выявлены следующие признаки: |
|
описывается плавной кривой |
|
автокорреляции с распределением |
√ |
целостность, т.е. принципиальная |
√ |
общая тенденция развития явления в |
|
циклического коэффициента |
|
несводимость свойств системы к сумме |
|
прошлом и настоящем не указывает на |
|
автокорреляции |
|
свойств составляющих ее элементов |
|
серьезные изменения в будущем |
69 |
Модель – это: |
√ |
наличие цели и критерия исследования |
√ |
учет случайности позволяет оценить |
√ |
некоторое отражение реального объекта, |
|
данного множества элементов |
|
вероятность отклонения от |
|
которое может быть достигнуто |
√ |
наличие более крупной внешней системы |
|
закономерного развития |
|
различными средствами; |
|
по отношению к данной системе, |
71 |
Объектом моделирования является: |
√ |
искусственный, созданный человеком |
|
называемой "средой" |
√ |
зафиксированный процесс развития |
|
объект любой природы (умозрительный |
√ |
возможность выделить в данной системе |
|
экономического объекта |
|
или материально реализованный), |
|
взаимосвязанные части (подсистемы) |
√ |
наблюдаемый процесс развития |
|
который замещает или воспроизводит |
|
|
|
экономического объекта |
|
исследуемый объект; |
|
|
√ |
гипотетический процесс развития |
√ |
основное понятие математической |
|
|
|
экономического объекта |
|
экономики |
|
|
|
|
|
|
|
|
76 Структура кибернетической системы - это совокупность ее элементов и связей между ними, по которым могут проходить сигналы и воздействия которая включает:
√входы - элементы системы, к которым приложены входные воздействия или на которые поступают входные сигналы;
√выходы - элементы системы, которые осуществляют воздействие или передают сигнал в другую систему;
77 Под экономической системой, как одной из сложнейших управляемых систем понимается сложная вероятностная динамическая система, охватывающая процессы:
√производства
√обмена
√распределения
√потребления материальных благ
78 Структурными единицами экономической системы являются:
√системы большого масштаба
√отрасли экономики - системы второго порядка
√субъекты хозяйствования - производственные подсистемы отраслей экономики
√структурные подразделения субъектов хозяйствования - подсистемы предприятий, организаций
√домохозяйства
79 Экономическая система включает экономико-управляющие преобразователи:
√трудовые ресурсы
√материально-вещественные ресурсы
√природные ресурсы
√управляемую деятельность
√управляющую деятельность
80 По характеру перехода от одного состояния в другое системы делятся на
√статические
√динамические
√детерминированные
√стохастические
81 Процесс моделирования обязательно включает:
√выбор исследуемого объекта
√построение абстракций
√умозаключения по аналогии
√конструирование научных гипотез
82 Экономико-математическое моделирование - это процесс перевода исследуемых экономических объектов с языка экономики на язык:
√математики
83Экономико-математические модели, включают:
√некоторое число переменных величин для формализации модели объекта
√информационную базу данных объекта
√выражение взаимосвязей, характеризующих объект, в виде уравнений и неравенств
√критерии эффективности, выражаемые в виде математического соотношения - целевой функции
84 Экономико-математические методы - это обобщенное название комплекса экономических и математических дисциплин, включающих:
√экономическую кибернетику
√эконометрику
√методы принятия оптимальных решений
√специфические методы и дисциплины экономики
√экспериментальные методы изучения экономики
85 Экономической информация (совокупность сведений об экономической системе и ее среде, необходимых для решения конкретной задачи управления) классифицируется как:
√нормативная
√статистическая
√оперативно-управляющая
√научная
86 Экономическая информация состоит из информационных потоков и в зависимости от происхождения и назначения условно подразделяется на следующие виды:
√входная информация
√информация числовой конкретизации модели
√выходная информация
√связывающая информация
91 Содержательная (экономическая) постановка экономико-математической модели заключается в выделении основных элементов:
√исходные данные
√искомые переменные
√пределы, в которых могут находиться значения искомых величин в полученном решении
√зависимости между переменными
√критерии, по которым следует искать решение задачи
87Экономико-математические модели включают в себя следующие виды:
√прикладные модели, применяемые при решении конкретных задач прогнозирования, планирования, и управления в экономике;
√описательные, или дескриптивные, модели, которые описывают состояние тех или иных экон. показателей, и дают вероятностный прогноз динамики их изменения;
√балансовые модели, кот.представляют собой систему балансовых уравнений, удовлетворяющих требованиям наличия ресурса и его использования;
√оптимизационные модели в виде систем уравнений, которые включают уравнение - так называемый функционал, или критерий оптимальности;
√микромодели, отражающие функционирование и структуру отдельного звена экономической системы (например, предприятия) или состояние и
развитие отдельных социальноэкономических процессов.
88 Чтобы найти наилучшее решение многовариантной задачи с помощью методов математического моделирования, необх. следующее:
√дать качественную постановку задачи, т.е. словесно изложить суть задачи с указанием всех известных и неизвестных параметров, ограничительных условий и цели (целей) решения;
√сформировать на основании качественной постановки задачи ее математическую модель – абстрактное отображение реального процесса в виде количественных закономерностей (мат. уравнений и неравенств);
√включить в математическую модель ограничительные условия задачи (система ограничений) и критерий эффективности (функция цели), выражающий (ая) поставленную цель;
√реализовать математическую модель одним из множества методов
математического программирования;
98Последовательность вычислений, выполняемых при решении задачи с помощью Microsoft Excel:
√составление математической модели
√ввод условий задачи
√нахождение допустимого решения
√нахождение оптимального решения
√вариантный анализ полученного решения
89 Процесс постановки и реализации экономических задач методами математического моделирования основывается на общих принципах моделирования и состоит из пяти этапов.
√постановка экономической задачи, изложение сути задачи
√построение экономико-математической модели, т.е. формализация поставленной экономической задачи
√подготовка исходной информации в соответствии с содержательной частью задачи и избранным математическим методом
√численное решение задачи
√экономическая интерпретация результатов математического решения
задачи и их применение
90 Важнейшим звеном кибернетического моделирования является системный анализ, в результате которого производится формирование описания объекта:
√разбиваются на части сложные объекты (элементы)
√определяются связи этих элементов, их свойства, количественные и качественные значения свойств
√устанавливаются количественные и логические соотношения между ними, выражаемые в виде уравнений,
неравенств
92 Этап математического моделирования системный синтез включает:
√составление математической модели задачи (математическая постановка)
√построение экономико-математической модели объекта
√определение методов (алгоритмов) решения задачи
√производится математическое описание исследуемого экономического объекта или процесса
93 Во время формирования (создания) модели и ее интерпретации необходимо понимать следующее.
√какие ситуации поддаются моделированию
√как получить нужные для построения модели данные или как извлечь их из больших массивов данных
√какие существуют методы анализа моделей, помогающие в принятии управленческих решений
√что можно сделать, чтобы извлечь максимальную пользу из интерпретации модели и реализации решения
94 Модели широко используются благодаря тому, что заставляют выполнить следующие действия:
√явно определить цели
√определить и зафиксировать типы решений, которые влияют на достижение этих целей
√выявить и зафиксировать взаимосвязи и компромиссы между этими решениями
√тщательно изучить входящие в них переменные и определить возможность
их измерения
95 Компонентами математической постановки задачи оптимизации являются
√целевая функция F
√ограничения gi
√граничные условия
96 Среди линейных моделей математического программирования выделяют типы моделей:
√модель общей задачи линейного программирования
√модель транспортной задачи линейного программирования
√модель распределительной задачи линейного программирования
√модель ассортиментной задачи линейного программирования
97 Модель транспортной задачи линейного программирования состоит в нахождении решения перевозки груза от поставщиков к потребителям с целью минимизации транспортных затрат, при условии:
√объем поставок i-гo поставщика должен равняться количеству имеющегося у него груза
√объем поставок j-му потребителю должен быть равен его спросу
√запас груза у поставщиков должен равняться суммарному спросу потребителей
√размер поставок должен выражаться неотрицательным числом
√общая сумма затрат на перевозку груза должна быть минимальной
99 По характеру постановки и цели решения задачи транспортная модель подразделяется на разновидности:
√модель минимизации транспортных затрат
√модель назначений
√модель сбыта
√модель управления запасами