Одномерное нормальное распределение

Подробнее

Размер

1.21M

Добавлен

26.10.2022

Скачиваний

20

Добавил

Вадим Дмитриевич
Текстовая версия:

ТИТУЛЬНЫЙ ЛИСТ ОФОРМИТЕ СОГЛАСНО ВАШИМ ТРЕБОВАНИЯМ


СОДЕРЖАНИЕ


ВВЕДЕНИЕ

Нормальный закон распределения (часто называемый законом Гаусса) играет исключительно важную роль в теории вероятностей и занимает среди других законов распределения особое положение. Это - наиболее часто встречающийся на практике закон распределения. Главная особенность, выделяющая нормальный закон среди других законов, состоит в том, что он является предельным законом, к которому приближаются другие законы распределения при весьма часто встречающихся типичных условиях.

Так, к примеру, сумма достаточно большого числа независимых случайных величин, подчиненных каким угодно законам распределения (при соблюдении некоторых весьма нежестких ограничений), приближенно подчиняется нормальному закону.

Большинство встречающихся на практике случайных величин, таких, например, как ошибки измерений, ошибки стрельбы и т.д., могут быть представлены как суммы весьма большого числа сравнительно малых слагаемых - элементарных ошибок, каждая из которых вызвана действием отдельной причины, не зависящей от остальных.

Каким бы законам распределения ни были подчинены отдельные элементарные ошибки, особенности этих распределений, в сумме большого числа слагаемых нивелируются, и сумма оказывается подчиненной закону, близкому к нормальному.

Актуальность работы обусловлена значимостью выбранной темы. Нормальное (гауссовское) распределение занимает центральное место в теории и практике вероятностно-статистических исследований. В качестве непрерывной аппроксимации к биномиальному распределению его впервые рассматривал А. Муавр в 1733 г. Через некоторое время нор­мальное распределение снова открыли и изучили К. Гаусс (1809 г.) и -П. Лаплас, которые пришли к нормальной функции в связи с ра­ботой по теории ошибок наблюдений. Во многих случайных величинах, изучаемых в технике и других областях, естественно видеть суммарный аддитивный эффект большого числа независимых причин. Но центральное место нормального закона не следует объяснять его универсальной приложимостью.

В этом смысле нормальный закон - один из многих типов распределения, имеющихся в природе, однако с относительно большим удельным весом практической приложимости.

Объект исследования. Одномерное нормальное распределение на примере предприятия по добыче железной руды «ЭРДЭНЭТ»

Предмет исследования. Эконометрика.

Цель работы. Рассмотреть одномерное нормальное распределение, в частности следует провести разработку экономико-математической модели на примере предприятия по добыче железной руды.

Задачи работы:

Структура работы. Работа состоит из введения, теоретической и практической части в виде двух глав, заключения и библиографического списка.


ГЛАВА 1. ОДНОМЕРНОЕ НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ

1.1 Одномерное нормальное распределение и связанные с ним хи-квадрат распределение

Нормальное распределение, также известное как распределение Гаусса, является наиболее важным распределением вероятностей в статистике для независимых случайных величин. Большинство людей узнают его знакомую колоколообразную кривую в статистических отчетах.1

Нормальное распределение — это непрерывное распределение вероятностей, которое симметрично относительно среднего значения, большинство наблюдений сосредоточено вокруг центрального пика, а вероятности для значений, удаленных от среднего, сужаются одинаково в обоих направлениях. Экстремальные значения в обоих хвостах распределения также маловероятны. Хотя нормальное распределение является симметричным, не все симметричные распределения являются нормальными. Например, t-распределение Стьюдента, распределение Коши и логистическое распределение являются симметричными.

Как и любое распределение вероятности, нормальное распределение описывает, как распределены значения переменной. Это наиболее важное распределение вероятностей в статистике, поскольку оно точно описывает распределение значений для многих природных явлений. Характеристики, которые являются суммой многих независимых процессов, часто имеют нормальное распределение. Например, рост, кровяное давление, погрешность измерений и баллы IQ соответствуют нормальному распределению.

При нормальном распределении данные распределены симметрично, без перекосов. При построении графика данные имеют форму колокола, когда большинство значений группируется вокруг центральной области и сужается по мере удаления от центра.2

Все виды переменных в естественных и социальных науках имеют нормальное или приблизительно нормальное распределение. Рост, вес при рождении, способность к чтению, удовлетворенность работой или баллы SAT — вот лишь несколько примеров таких переменных.

Поскольку нормально распределенные переменные встречаются так часто, многие статистические тесты разработаны для нормально распределенных совокупностей.

Понимание свойств нормальных распределений означает, что вы можете использовать инференциальную статистику для сравнения различных групп и получения оценок о совокупностях по выборкам.

Нормальные распределения имеют ключевые характеристики, которые легко заметить на графиках:

Среднее значение — это параметр местоположения, а стандартное отклонение - параметр масштаба.3

Среднее значение определяет, где находится центр пика кривой. Увеличение среднего значения смещает кривую вправо, а уменьшение - влево.

Стандартное отклонение растягивает или сжимает кривую. Малое стандартное отклонение приводит к узкой кривой, а большое стандартное отклонение - к широкой кривой.


Эмпирическое правило. Эмпирическое правило, или правило 68-95-99,7, говорит вам, где находится большинство ваших значений в нормальном распределении:4

Пример: Использование эмпирического правила в нормальном распределении

Вы собираете результаты теста SAT у студентов нового курса подготовки к экзаменам. Данные соответствуют нормальному распределению со средним баллом (M) 1150 и стандартным отклонением (SD) 150.

Следуя эмпирическому правилу:

Эмпирическое правило — это быстрый способ получить общее представление о ваших данных и проверить, нет ли выбросов или экстремальных значений, которые не следуют этому шаблону.5

Если данные из небольших выборок не следуют этому шаблону, то другие распределения, такие как t-распределение, могут быть более подходящими. Как только вы определите распределение вашей переменной, вы сможете применить соответствующие статистические тесты.

Центральная предельная теорема. Центральная предельная теорема является основой для работы нормальных распределений в статистике.

В научных исследованиях, чтобы получить хорошее представление о среднем значении популяции, в идеале необходимо собрать данные из нескольких случайных выборок внутри популяции. Выборочное распределение среднего — это распределение средних по этим различным выборкам.

Центральная предельная теорема показывает следующее:

Закон больших чисел: По мере увеличения размера выборки (или количества выборок) выборочное среднее приближается к среднему значению популяции.

При нескольких больших выборках выборочное распределение среднего нормально распределено, даже если ваша исходная переменная не является нормально распределенной.

Параметрические статистические тесты обычно предполагают, что выборки происходят из нормально распределенных популяций, но центральная предельная теорема означает, что это предположение не обязательно выполнять, если у вас достаточно большая выборка.

Вы можете использовать параметрические тесты для больших выборок из совокупностей с любым типом распределения, если выполняются другие важные предположения. Обычно большой считается выборка размером 30 или более.6

Для малых выборок предположение о нормальности является важным, поскольку выборочное распределение среднего неизвестно. Для получения точных результатов вы должны быть уверены, что популяция нормально распределена, прежде чем использовать параметрические тесты с малыми выборками.

Формула нормальной кривой. Получив среднее и стандартное отклонение нормального распределения, вы можете подогнать нормальную кривую к вашим данным с помощью функции плотности вероятности.


В функции плотности вероятности площадь под кривой говорит о вероятности. Нормальное распределение — это распределение вероятности, поэтому общая площадь под кривой всегда равна 1 или 100%.

Формула для нормальной функции плотности вероятности выглядит довольно сложной. Но для ее использования достаточно знать среднее значение и стандартное отклонение.7

Для любого значения x можно подставить в формулу среднее и стандартное отклонение, чтобы найти плотность вероятности переменной, принимающей это значение x.

Пример: используя функцию плотности вероятности.

Вы хотите узнать вероятность того, что баллы SAT в вашей выборке превысят 1380.

На вашем графике функции плотности вероятности вероятность — это заштрихованная область под кривой, которая лежит справа от места, где баллы SAT равны 1380.


Вы можете найти значение вероятности этого результата, используя стандартное нормальное распределение.8

Стандартное нормальное распределение, также называемое z-распределением, — это особое нормальное распределение, в котором среднее значение равно 0, а стандартное отклонение равно 1.

Любое нормальное распределение — это версия стандартного нормального распределения, которое было растянуто или сжато и сдвинуто по горизонтали вправо или влево.


В то время как отдельные наблюдения в нормальном распределении обозначаются как x, в z-распределении они обозначаются как z. Любое нормальное распределение можно преобразовать в стандартное нормальное распределение, превратив отдельные значения в z-баллы.9

Z-баллы показывают, на сколько стандартных отклонений от среднего находится каждое значение.

Чтобы найти z-score значения, достаточно знать среднее и стандартное отклонение распределения.

Мы преобразуем нормальные распределения в стандартное нормальное распределение по нескольким причинам:

Нахождение вероятности с помощью z-распределения. Каждое z-значение связано с вероятностью, или p-значением, которое говорит вам о вероятности появления значений ниже этого z-значения. Если преобразовать отдельное значение в z-балл, то можно найти вероятность того, что все значения до этого значения встречаются в нормальном распределении.

Пример: Нахождение вероятности с помощью z-распределения.

Чтобы найти вероятность того, что баллы SAT в вашей выборке превысят 1380, сначала найдите z-балл.

Среднее значение нашего распределения равно 1150, а стандартное отклонение - 150. Показатель z говорит вам, на сколько стандартных отклонений от среднего значения находится 1380 баллов.

Для z-балла, равного 1,53, p-значение равно 0,937. Это вероятность того, что баллы SAT будут 1380 или меньше (93,7%), и это площадь под кривой слева от заштрихованной области.

Чтобы найти заштрихованную площадь, отнимите 0,937 от 1, которая является общей площадью под кривой.

Вероятность x>1380 = 1 - 0,937 = 0,063

Это означает, что, скорее всего, только 6,3% баллов SAT в вашей выборке превышают 1380.

Распределение хи-квадрат. Случайная величина имеет распределение Хи-квадрат, если она может быть записана как сумма квадратов независимых стандартных нормальных переменных.10

Суммы такого рода очень часто встречаются в статистике, особенно при оценке дисперсии и проверке гипотез.

Далее мы выведем формулы для среднего значения, дисперсии и других характеристик распределения хи-квадрат.

Степени свободы. Ниже мы докажем, что случайная величина X имеет распределение Хи-квадрат, если она может быть записана в виде:


где, являются взаимно независимыми стандартными нормальными случайными величинами.11

Число n переменных - единственный параметр распределения, называемый параметром степеней свободы. Он определяет как среднее значение (равное n), так и дисперсию (равную 2n).

Случайные величины хи-квадрат характеризуются следующим образом.

Пусть X - непрерывная случайная величина. Пусть ее поддержкой является множество положительных действительных чисел:

Пусть . Мы говорим, что X имеет распределение Хи-квадрат с n степенями свободы тогда и только тогда, когда его функция плотности вероятности имеет вид

где c - константа:

и Г () - гамма-функция.

Чтобы лучше понять распределение Хи-квадрат, можно посмотреть на графики его плотности.

Для обозначения того, что случайная величина X имеет распределение Хи-квадрат с n степенями свободы, часто используется следующее обозначение:

где символ ~ означает "распределяется как".

Ожидаемое значение. Ожидаемое значение хи-квадрат случайной величины X равно:

Его можно вывести следующим образом:

В приведенном выше доказательстве используется функция плотности вероятности распределения. Альтернативное, более простое доказательство использует представление (продемонстрированное ниже) X как суммы квадратичных нормальных переменных. Дисперсия хи-квадрат случайной величины X равна

Она может быть получена благодаря обычной формуле дисперсии


1.2 Распределения Стьюдента и Снедекора-Фишера, их основные свойства

Распределение Стьюдента-Т - одно из самых важных статистических распределений, которые необходимо понимать. Оно также известно как распределение Т.

Распределение Стьюдента-Т широко используется в мире статистики. В частности, когда размер выборки мал и/или неизвестно стандартное отклонение популяции. Кроме того, важно, чтобы распределение имело колоколообразную кривую. Распределение Стьюдента может помочь нам получить значимую статистическую информацию из выборки. Кроме того, оно используется в статистических выводах.12

Распределение Стьюдента-Т используется, когда у нас нет большой выборочной совокупности, ~30 наблюдений, или когда недоступно стандартное отклонение совокупности.

Распределение Стьюдента-Т считается одним из самых больших прорывов в статистике. Его можно использовать для вывода значения из небольших выборок, когда стандартное отклонение популяции неизвестно. Это может быть применено к большому количеству мировых проблем.

Распределение Стьюдента t является аппроксимацией нормального распределения

Если построить график распределения Стьюдента T, то он будет очень похож на колоколообразную кривую. Поэтому распределение студента t напоминает нормальное распределение. Более того, свойства t-распределения ближе к нормальному распределению. Например, среднее значение распределения равно 0.

Наиболее важным моментом является то, что у распределения student-t более толстые хвосты, чем у нормального распределения. Это означает, что дисперсия переменных выше.

Наиболее важным компонентом являются степени свободы, которые всегда равны 1 минус количество выборок.

Рассмотрим, что мы собрали N независимых наблюдений из нормально распределенной совокупности. Мы можем преобразовать это распределение в распределение Стьюдента-Т, применив формулу:

Нам нужно получить среднее значение популяции и выборки, а также стандартное отклонение выборки. В приведенном выше уравнении популяция нормально распределена, имеет среднее значение M и стандартное отклонение S с n-1 степенями свободы (df), где n - размер выборки.

Чем больше выборка, тем ближе распределение Стьюдента T будет сходиться к нормальному распределению. Медиана Т-распределения равна 0.

По мере увеличения числа степеней свободы распределение сходится к нормальному распределению. Это происходит в соответствии с центральной предельной теоремой.

На этом рисунке показана кривая распределения вероятностей нормального распределения и распределения Стьюдента-Т:


Рисунок выше показывает, что хвосты распределения T сужаются при увеличении числа степеней свободы, и кривая распределения начинает напоминать нормальное распределение.

Критерий Стьюдента-t симметричен относительно 0. Он имеет более низкий пик, чем нормальное распределение, и более толстые хвосты. Это означает, что дисперсия в выборке выше.13

Теперь следует отметить, что если мы предполагаем, что наша переменная имеет распределение Стьюдента t, то это означает, что вероятность получения значения, отклоняющегося от среднего, выше, чем если бы мы использовали выборку, сформированную по нормальному распределению.

Пример, пояснение…

Случайная величина t имеет распределение Стьюдента, если она определяется так.

где X - нормированная нормальная случайная величина;

Y – величина Основные законы распределения вероятностей - определение и вычисление с примерами решения степенями свободы;

X и Y - независимые случайные величины.

Случайная величина t является функцией нормально распределенных нормированных случайных величин и называется безразмерной дробью Стьюдента. Плотность распределения случайной величины t определяется равенством

Числовые характеристики случайной величины t:

На рисунке ниже приведены кривые распределения Стьюдента. Кривые на рисунке ниже качественно напо­минают кривые нормального закона распределения с математическим ожиданием, равным нулю, и при Основные законы распределения вероятностей - определение и вычисление с примерами решения они стремятся к нормальному закону.14

Распределение F. В этом разделе будут изложены основы F-распределения.

F-распределение - одно из самых важных статистических распределений, которое также необходимо понимать. Оно очень тесно связано с распределением Хи-квадрат, поэтому я объясняю его после распределения Хи-квадрат. Также важно отметить, что F-распределение имеет два различных типа степеней свободы. Первая степень свободы в числителе, а вторая - в знаменателе.

Предположим, что есть две независимые случайные величины. Первая случайная величина A имеет dA степеней свободы, а вторая случайная величина B имеет dB степеней свободы. Будем также считать, что обе случайные величины имеют распределение хи-квадрат. Напомним, что распределение хи-квадрат — это когда случайная величина имеет нормальное распределение, но ее значения возведены в квадрат.15

Отношение распределений по степеням свободы будет иметь F-распределение со степенями свободы dA (числитель) и dB (знаменатель).

F-распределение используется, когда мы хотим оценить различия в вариациях двух выборок. Если посмотреть на график F-распределения, то по мере увеличения степеней свободы график очень напоминает распределение Хи-квадрат.

Кроме того, распределения имеют правый перекос. Когда мы увеличиваем число степеней свободы в числителе, правосторонний перекос уменьшается. Среднее значение распределения F = дБ/дБ-1.


ГЛАВА 2. РАЗРАБОТКА ЭКОНОМИКО-МАТЕМАТИЧЕСКОЙ МОДЕЛИ НА ПРИМЕРЕ ПРЕДПРИЯТИЯ ПО ДОБЫЧЕ ЖЕЛЕЗНОЙ РУДЫ «ЭРДЭНЭТ»

2.1 Постановка задачи

Предмет. Рассматриваются вопросы использования забалансовой руды и отходов обогащения в качестве ресурсной базы горнодобывающего предприятия в условиях истощения запасов руды в месторождении. Такой подход позволяет продлить срок действия предприятия в условиях закрытия рудника, снизить себестоимость продукции за счет переработки ресурсов техногенного месторождения, ликвидировать накопленные отходы. Горнодобывающее предприятие «Эрдэнэт» в Монголии ориентировано на добычу и переработку медно-молибденовой руды. К числу основных эколого-экономических проблем предприятия относятся исчерпание недр, ущерб от загрязнения окружающей среды, рост затрат на добычу и переработку сырья, низкие мировые цены на медь, образование большого количества отходов. Предлагается экономико-математическая модель управления природопользованием, которая учитывает степень вовлечения и переработки вскрышных пород, отходов обогащения и другие эколого-экономические параметры и их влияние на прибыль предприятия.

Цели. Методическое обоснование и разработка экономико-математической модели функционирования горнодобывающего предприятия, учитывающей влияние экологических факторов и производственных характеристик рудника на прибыль предприятия. Проводится оценка влияния изменения технических характеристик производственных подразделений на прибыль горнодобывающего предприятия.16

Методология. Используется модель оптимизации управления природопользованием с применением компьютерного моделирования. Построена экономико-математическая модель влияния экологических и производственных характеристик рудника на прибыль, использованы методы статистического и регрессионного анализа.17

Для анализа поставленной проблемы, а также поиска оптимальных путей ее решения предлагается использовать экономическую модель оптимизации управления предприятием с применением компьютерного моделирования, успешное применение которой было рассмотрено в более ранних работах. Одной из основных задач при этом является поиск эффективного механизма снижения затрат и увеличения прибыли предприятия.

Коэффициент вскрыши – показатель, используемый при открытой разработке месторождений полезных ископаемых, он представляет собой отношение количества пустых пород к количеству полезного ископаемого. Данный коэффициент может быть вычислен по следующей формуле:

K = Vв / Vи;

где К – коэффициент вскрыши, доли ед.;

Vв – объем вскрышных (пустых, относительно бедных по содержанию полезного компонента) пород, м3;

Vи – объем полезного ископаемого в добываемом сырье, м3.

2.2 Построение матрицы парных коэффициентов корреляции и разработка экономико-математической модели

Коэффициент корреляции отражает степень взаимосвязи между двумя показателями. Он всегда принимает значение от -1 до 1. Если коэффициент расположен около 0, то между переменными нет связи.

Если значение близко к единице (например, от 0. 9), то между наблюдаемыми объектами существует сильная прямая связь. Если коэффициент близок к другой крайней точке диапазона (-1), то между переменными существует сильная обратная связь. Если значение находится где-то посередине от 0 до 1 или от 0 до -1, то это слабая связь (прямая или обратная). Обычно эта связь не принимается во внимание: считается, что ее нет.

Таблица 1. Матрица взаимных корреляций18

X1

X2

X3

X4

X1

1

X2

0,769465

1

X3

0,653637

0,842856

1

X4

0,82988

0,760447

0,694914

1

В статистике мы часто заинтересованы в понимании взаимосвязи между двумя переменными.

Например, мы можем захотеть понять взаимосвязь между количеством часов, проведенных студентом за учебой, и полученной им экзаменационной оценкой.

Одним из способов количественной оценки этой связи является использование коэффициента корреляции Пирсона, который представляет собой меру линейной связи между двумя переменными. Он имеет значение от -1 до 1, где:

-1 означает полностью отрицательную линейную корреляцию между двумя переменными

0 указывает на отсутствие линейной корреляции между двумя переменными

1 указывает на абсолютно положительную линейную корреляцию между двумя переменными.

Чем дальше от нуля находится коэффициент корреляции, тем сильнее связь между двумя переменными.

Но в некоторых случаях мы хотим понять корреляцию между более чем одной парой переменных. В этих случаях мы можем создать корреляционную матрицу, которая представляет собой квадратную таблицу, показывающую коэффициенты корреляции между несколькими переменными.

На практике корреляционная матрица обычно используется по трем причинам:

1. Корреляционная матрица удобно обобщает набор данных.

Корреляционная матрица — это простой способ обобщить корреляции между всеми переменными в наборе данных.

Было бы очень трудно понять взаимосвязь между каждой переменной, просто глядя на необработанные данные. К счастью, корреляционная матрица может помочь нам быстро понять корреляцию между каждой парой переменных.

2. Корреляционная матрица служит диагностикой для регрессии.

Одно из ключевых предположений множественной линейной регрессии заключается в том, что ни одна независимая переменная в модели не имеет сильной корреляции с другой переменной в модели. Когда две независимые переменные сильно коррелируют, возникает проблема, известная как мультиколлинеарность, и это может затруднить интерпретацию результатов регрессии.

Один из самых простых способов обнаружения потенциальной проблемы мультиколлинеарности - посмотреть на корреляционную матрицу и визуально проверить, сильно ли коррелируют друг с другом какие-либо переменные.

3. Корреляционная матрица может быть использована в качестве исходных данных в других анализах.

Корреляционная матрица используется в качестве входных данных для других сложных анализов, таких как исследовательский факторный анализ и модели структурных уравнений.


2.3 Проверка значимости параметров разработанной модели по критерию Фишера и Стьюдента

После того как уравнение регрессии найдено, проводится оценка значимости как уравнения в целом, так и его отдельных параметров.

Для оценки значимости параметров уравнения множественной регрессии используют критерий Стьюдента. Напомним, что значимость параметров означает их отличие от нуля с высокой долей вероятности.

F-распределение названо в честь Рональда А. Фишера, одного из ведущих статистиков первой половины двадцатого века. В этой главе показано, что F-распределение представляет собой отношение двух случайных величин хи-квадрат и что при увеличении числа наблюдений F-распределение становится похожим на распределение хи-квадрат. Карл Пирсон популяризировал распределение хи-квадрат с 1900 года.

F-тест всей модели обычно используется для проверки общей значимости независимых переменных, включенных в регрессионную модель. Фактически, он используется настолько часто, что функция LINEST в Excel и большинство других статистических программ выдают эту статистику. Мы покажем, что существует множество других F-тестов, которые позволяют проверить множество конкурирующих моделей. Идея о том, что существуют конкурирующие модели, открывает дверь к сложному вопросу: как нам решить, какая модель является правильной? Один из способов ответить на этот вопрос - F-тест. На первый взгляд, в качестве ориентира можно рассмотреть такие показатели соответствия, как R2 или сумма квадратов остатков (SSR). Но у этой статистики есть серьезный недостаток - при включении дополнительных независимых переменных R2 и SSR гарантированно (практически говоря) улучшаются. Таким образом, наивная зависимость от этих показателей приводит к регрессии кухонной раковины - то есть, мы включаем столько переменных, сколько можем найти (пресловутая кухонная раковина) в попытке оптимизировать соответствие.

Проблема с регрессией кухонной раковины заключается в том, что для конкретной выборки она даст более высокий R2 или более низкий SSR, чем регрессия с меньшим количеством переменных X, но истинной моделью может оказаться модель с меньшим количеством переменных X.

F-тест дает возможность различать альтернативные модели. Он признает, что будут различия в показателях пригодности, когда одна модель сравнивается с другой, но требует, чтобы потеря пригодности была достаточно существенной, чтобы отвергнуть уменьшенную модель.

В целом, F-тест можно использовать для проверки любого ограничения на параметры в уравнении. Идея ограниченной регрессии является фундаментальной для логики F-теста, и поэтому она подробно рассматривается в следующем разделе. Поскольку F-распределение фактически является отношением двух случайных величин с распределением хи-квадрат (разделенных на соответствующие степени свободы).

Эффект Фишера изучает связь между уровнем инфляции, номинальными процентными ставками и реальными процентными ставками.

Он начинается с осознания того, что реальная процентная ставка = номинальная процентная ставка - ожидаемая инфляция.

Если вы положили деньги в банк и получаете номинальную процентную ставку 6%, а ожидаемая инфляция составляет 4%, то реальная покупательная способность ваших сбережений увеличивается на 2%.

Одним из следствий эффекта Фишера является то, что номинальные процентные ставки имеют тенденцию зеркально отражать инфляцию, что делает денежно-кредитную политику нейтральной.

Например, если Центральный банк увеличил предложение денег, а ожидаемая инфляция выросла с 4% до 7%, то для поддержания стабильной экономики Центральный банк повысит процентные ставки с 6% до 9%.

Если номинальные процентные ставки растут теми же темпами, что и инфляция, то реальный чистый эффект не оказывает существенного влияния.

Эластичность спроса к процентным ставкам. В периоды уверенности и роста цен на активы высокие реальные процентные ставки могут оказаться неэффективными для снижения спроса. Поэтому в некоторых случаях для достижения эффекта Центральным банкам может потребоваться повысить реальную процентную ставку.

Разрыв между инфляцией и номинальными процентными ставками. До 2008 года реальные процентные ставки положительные +2%. После 2009 года реальные процентные ставки становятся отрицательными.

Ловушка ликвидности. В ловушке ликвидности снижение номинальных процентных ставок не может оказать никакого влияния на рост расходов. Более низкие процентные ставки не стимулируют инвестиции, поскольку экономический климат препятствует инвестициям и расходам.

Разрыв между базовыми и реальными банковскими ставками. В некоторых обстоятельствах существует разрыв между базовыми ставками, установленными Центральным банком, и фактической процентной ставкой, устанавливаемой банками.

Международный эффект Фишера. Здесь используется эффект Фишера для прогнозирования связи между процентными ставками и изменениями обменного курса. Аргумент заключается в том, что если в стране более высокие номинальные процентные ставки, то это, как правило, приводит к обесцениванию валюты, поскольку более высокие номинальные ставки означают более высокую инфляцию.


2.4 Интерпретация параметров разработанной модели

Данные для расчетов представлены в табл. 2. В последнем столбце приведены значения корреляции между величиной чистой прибыли и соответствующей величиной технического или экономического параметра предприятия. Анализируя эти величины, можно прийти к выводу, что высокая степень корреляции обнаруживается между чистой прибылью и коэффициентом обогатимости (0,92), величиной горной массы (0,92), коэффициентом вскрыши (0,83) и размером капиталовложений (0,7).

С остальными параметрами обнаруживается слабая степень корреляции. Например, между чистой прибылью и добычей руды (0,08), содержанием меди в руде (0,43), себестоимостью медного концентрата (–0,88) и мировой ценой меди (–0,64), а значит, эти параметры слабо влияют на чистую прибыль и их можно исключить из дальнейшего рассмотрения.

Коэффициент вскрыши на руднике открытых работ за рассматриваемый период стабилизировался и составляет 0,66, в то же время коэффициент обогатимости на обогатительной фабрике после некоторого снижения в 2010–2011 гг. имеет некоторую тенденцию к росту.

Капитальные вложения на поддержание развития горно-обогатительного производства за рассматриваемый период значительно сократились, что в значительной мере связано с исчерпанием месторождения по добыче исходного сырья.19

В то же время объем добычи горной массы на предприятии остается стабильным и составляет порядка 18 млн м3.

Следует отметить, что в связи с исчерпанием и истощением запасов природного сырья, усложнением условий добычи руды, необходимостью переработки значительно большего количества горной массы для получения единицы готовой продукции в условиях уменьшения содержания полезного компонента в руде, значительно возросла себестоимость 1 т медного концентрата на данном предприятии.

Результаты. Установлено, что на изменение прибыли сильное влияние оказывают изменение значений коэффициента вскрыши и коэффициента обогатимости, а также добыча горной массы и капиталовложений.

Выводы. Увеличение прибыли может быть получено с увеличением коэффициента вскрыши на руднике открытых работ и коэффициента обогатимости на обогатительной фабрике, то есть на основе переработки накопленной забалансовой руды, что связано с уменьшением добычи первичного сырья и капиталовложений20

Таблица 2. Оценка показателей развития горнодобывающего предприятия «Эрдэнэт» с применением циклично-поточной технологии добычи и транспортировки руды из карьера в 2004–2015 гг.

Показатель

2004

2005

2006

2007

2008

2009

Чистая прибыль, тыс. долл.

143 360

84 410

48 656

39 658

38 906

Коэффициент вскрыши,

м33

0,68

0,73

0,75

0,69

0,67

0,67

Коэффициент обогатимости, т

48,9

49,1

47,7

46,6

47,1

47

Капитальные вложения на поддержание и развитие горно-обогатительного

производства, тыс. долл.

44 500

45 566

45 008

39 723

38 930

13 643

Горная масса, млн м3

18 410

28 650

18 550

18 780

19 430

15 400

Добыча руды, тыс. т

27 920

27 550

27 090

27 780

27 750

29 200

Содержание меди в руде, %

0,609

0,588

0,594

0,593

0,574

0,565

Себестоимость 1 т медного концентрата, долл.

268,35

292,54

610,28

978,24

1 226,7

772,67

Мировая цена 1 т меди,

долл.

2 866

3 679

6 722

7 119

6 956

5 150

Продолжение таблицы

Показатель

2010

2011

2012

2013

2014

2015

К*

Чистая прибыль, тыс. долл.

40 815

37 052

36 429

36 178

35 414

35 573

Коэффициент вскрыши, м33

0,65

0,66

0,66

0,66

0,66

0,66

0,83

Коэффициент

обогатимости, т

47

45,9

46,1

46,1

46,3

46,3

0,92

Капитальные вложения на поддержание и развитие

горно-обогатительного производства, тыс. долл.

9 971

3 458

6 994

11 086

6 037

4 131

0,7

Горная масса, млн м3

16 370

17 150

16 500

16 500

16 500

16 500

0,92

Добыча руды, тыс. т

27 575

29 724

27 000

26 000

25 200

25 100

0,08

Содержание меди в руде, %

0,548

0,535

0,53

0,5

0,4

0,35

0,43

Себестоимость 1 т медного

концентрата, долл.

1 280,3

1 140,3

1 284,6

1 290,1

1 295

1 310,1

–0,88

Мировая цена 1 т меди, долл.

7 535

8 425

8 500

7 400

6 390

5 495

–0,64

* Корреляция между величиной чистой прибыли и соответствующей величиной технического или экономического параметра предприятия.

Таблица 3. Дисперсионный анализ

Показатель

Коэффициент

Стандартная ошибка

t-статистика

P-значение

Y-пересечение

–914125

120582,4

–7,58091

0,000274

Переменная X1

534414,2

73476,21

7,273296

0,000344

Переменная X2

11155,07

2939,291

3,795156

0,009019

Переменная X3

–0,70282

0,134258

–5,23484

0,001948

Переменная X4

5,270398

0,630294

8,361803

0,000159

Таблица 4. Результаты дисперсионного анализа для проверки адекватности построенной модели

Показатель

df

SS

MS

F

Значимость F

Регрессия

4

1,1E+10

2,76E+09

183,4677

2,12E-06

Остаток

6

90149523

15024920

Итого...

10

1,11E+10

Таблица 5. Теоретическая и фактическая чистая прибыль горнодобывающего предприятия, тыс. долл. США

Год

Потенциальная (теоретическая) чистая прибыль

Фактическая чистая прибыль

2005

142 684

143 360

2006

84 916

84 410

2007

45 507

48 656

2008

44 379

39 658

2009

39 796

38 906

2010

36 801

40 815

2011

38 563

37 052

2012

34 883

36 429

2013

32 007

36 178

2014

37 787

35 414

2015

39 126

35 573

Таблица 6. Значения прогнозируемых максимальной, минимальной и средней теоретической чистой прибыли, тыс. долл. США

Показатель

Значение

Чистая прибыль максимальная

153 371,8

Чистая прибыль минимальная

23 995,72

Чистая прибыль средняя

53 080,15


ЗАКЛЮЧЕНИЕ

Эконометрика интересна тем, что она предоставляет инструменты, позволяющие извлекать полезную информацию о важных вопросах экономической политики из имеющихся данных. Эконометрика — это использование статистических методов для понимания экономических проблем и проверки теорий.

Эконометрика — это применение статистических методов к экономическим данным с целью придания эмпирического содержания экономическим отношениям. Основным инструментом эконометрики является модель множественной линейной регрессии. Эконометрика использует статистическую теорию и математическую статистику для оценки и развития эконометрических методов.

Эконометрика использует как статистические, так и математические теории для проверки экономических явлений. Она объединяет статистику, математику и экономическую теорию для количественной оценки любых данных. Используя эконометрику, экономисты могут помочь описать взаимосвязи между экономическими явлениями. Одним словом, эконометрика проверяет экономические теории, используя количественные данные. С ее помощью экономисты также могут установить тенденции, которые могут быть полезны при прогнозировании.

Эконометрика начинается с получения набора данных, которые соотносятся с определенной экономической теорией. Как только пользователи это сделают, им необходимо проанализировать данные. Затем они могут использовать различные инструменты эконометрики для установления взаимосвязи между данными. Обычно это может включать определение линейной зависимости. Однако пользователи также могут использовать сложные инструменты для включения нескольких переменных.

Во-вторых, насколько сложна эконометрика? Эконометрика — это, пожалуй, самая сложная подобласть во всей экономической дисциплине, поэтому, несмотря на то, что в названии этого курса есть слово "введение", вы ни в коем случае не должны ожидать, что этот предмет будет легким. Единственным предварительным условием для изучения этого предмета является Econ 1, но чем больше математики и статистики вы знаете, тем лучше.

В связи с этим, почему мы изучаем прикладную экономику?

Прикладная экономика — это применение экономической теории для определения вероятных результатов, связанных с различными возможными направлениями действий в реальном мире. Лучше понимая вероятные последствия выбора, сделанного отдельными людьми, предприятиями и политиками, мы можем помочь им сделать лучший выбор.

В чем разница между теоретической и прикладной эконометрикой?

В теоретической эконометрике вы изучаете свойства/поведение оценщика при определенных математических условиях. В прикладной эконометрике вы работаете над областью/отраслью/регионом, где вы используете теоретические результаты для получения практических/ связанных с областью выводов.

Экономика включает в себя теории или модели, которые обычно являются качественными утверждениями. Используя эконометрику, экономисты могут преобразовать их в количественные утверждения. Эконометрика использует статистику, экономические теории и математику для проверки экономических явлений. Она имеет большое значение по нескольким причинам, о которых говорилось выше.

Одномерные данные рассматриваемые в работе - этот тип данных состоит только из одной переменной. Таким образом, анализ одномерных данных является самой простой формой анализа, поскольку информация имеет дело только с одной изменяющейся величиной. В нем не рассматриваются причины или взаимосвязи, и основной целью анализа является описание данных и поиск закономерностей, существующих в них. Примером одномерных данных может служить рост.

Предположим, что записаны данные о росте семи учеников класса, есть только одна переменная - рост, и она не имеет отношения к какой-либо причине или взаимосвязи. Описание закономерностей, обнаруженных в данных этого типа, можно сделать, используя меры центральной тенденции (среднее, медиана и мода), дисперсии или разброса данных (диапазон, минимум, максимум, квартили, дисперсия и стандартное отклонение), а также с помощью таблиц распределения частот, гистограмм, круговых диаграмм, частотных многоугольников и гистограмм.


БИБЛИОГРАФИЧЕСКИЙ СПИСОК


Вакуленко, Е. С. Эконометрика (продвинутый курс). Применение пакета Stata: учебное пособие для вузов / Е. С. Вакуленко, Т. А. Ратникова, К. К. Фурманов. — Москва: Издательство Юрайт, 2022. — 246 с. — (Высшее образование). — ISBN 978-5-534-12244-2. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/496049 (дата обращения: 23.01.2022).

Галочкин, В. Т. Эконометрика: учебник и практикум для вузов / В. Т. Галочкин. — Москва: Издательство Юрайт, 2022. — 293 с. — (Высшее образование). — ISBN 978-5-534-14974-6. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/490094 (дата обращения: 23.01.2022).

Демидова, О. А. Эконометрика: учебник и практикум для вузов / О. А. Демидова, Д. И. Малахов. — Москва: Издательство Юрайт, 2022. — 334 с. — (Высшее образование). — ISBN 978-5-534-00625-4. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/489325 (дата обращения: 23.01.2022).

Демидова, О. А. Эконометрика: учебник и практикум для вузов / О. А. Демидова, Д. И. Малахов. — Москва: Издательство Юрайт, 2022. — 334 с. — (Высшее образование). — ISBN 978-5-534-00625-4. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/489325 (дата обращения: 23.01.2022).

Евсеев, Е. А. Эконометрика: учебное пособие для вузов / Е. А. Евсеев, В. М. Буре. — 2-е изд., испр. и доп. — Москва: Издательство Юрайт, 2022. — 186 с. — (Высшее образование). — ISBN 978-5-534-10752-4. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/492423 (дата обращения: 23.01.2022).

Евсеев, Е. А. Эконометрика: учебное пособие для вузов / Е. А. Евсеев, В. М. Буре. — 2-е изд., испр. и доп. — Москва: Издательство Юрайт, 2022. — 186 с. — (Высшее образование). — ISBN 978-5-534-10752-4. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/492423 (дата обращения: 23.01.2022).

Иванченко, И. С. Производные финансовые инструменты: оценка стоимости деривативов: учебник для вузов / И. С. Иванченко. — Москва: Издательство Юрайт, 2022. — 261 с. — (Высшее образование). — ISBN 978-5-534-11386-0. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/495817 (дата обращения: 23.01.2022).

Костюнин, В. И. Эконометрика: учебник и практикум для вузов / В. И. Костюнин. — Москва: Издательство Юрайт, 2022. — 285 с. — (Высшее образование). — ISBN 978-5-534-02660-3. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/489041 (дата обращения: 23.01.2022).

Костюнин, В. И. Эконометрика: учебник и практикум для вузов / В. И. Костюнин. — Москва: Издательство Юрайт, 2022. — 285 с. — (Высшее образование). — ISBN 978-5-534-02660-3. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/489041 (дата обращения: 23.01.2022).

Красс, М. С. Математика в экономике: математические методы и модели: учебник для бакалавров / М. С. Красс, Б. П. Чупрынов; ответственный редактор М. С. Красс. — 2-е изд., испр. и доп. — Москва: Издательство Юрайт, 2019. — 541 с. — (Высшее образование). — ISBN 978-5-9916-3138-9. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/426162 (дата обращения: 23.01.2022).

Красс, М. С. Математика в экономике: математические методы и модели: учебник для бакалавров / М. С. Красс, Б. П. Чупрынов; ответственный редактор М. С. Красс. — 2-е изд., испр. и доп. — Москва: Издательство Юрайт, 2019. — 541 с. — (Высшее образование). — ISBN 978-5-9916-3138-9. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/426162 (дата обращения: 23.01.2022).

Кремер, Н. Ш. Математика для экономистов: от арифметики до эконометрики. Учебно-справочное пособие: учебник для вузов / Н. Ш. Кремер, Б. А. Петко, И. М. Тришин; под общей редакцией Н. Ш. Кремера. — 5-е изд., испр. и доп. — Москва: Издательство Юрайт, 2022. — 760 с. — (Высшее образование). — ISBN 978-5-534-14218-1. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/488582 (дата обращения: 23.01.2022).

Кремер, Н. Ш. Эконометрика: учебник и практикум для вузов / Н. Ш. Кремер, Б. А. Путко; под редакцией Н. Ш. Кремера. — 4-е изд., испр. и доп. — Москва: Издательство Юрайт, 2022. — 308 с. — (Высшее образование). — ISBN 978-5-534-08710-9. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/488678 (дата обращения: 23.01.2022).

Малугин, В. А. Математическая статистика: учебное пособие для среднего профессионального образования / В. А. Малугин. — Москва: Издательство Юрайт, 2022. — 218 с. — (Профессиональное образование). — ISBN 978-5-534-09872-3. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/493395 (дата обращения: 23.01.2022).

Малугин, В. А. Теория вероятностей и математическая статистика: учебник и практикум для среднего профессионального образования / В. А. Малугин. — Москва: Издательство Юрайт, 2022. — 470 с. — (Профессиональное образование). — ISBN 978-5-534-06572-5. — Текст: электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/493390 (дата обращения: 23.01.2022).

Горно-обогатительный комбинат в городе Эрдэнэт — URL: https://www.erdenetmc.mn (дата обращения: 23.01.2022).

Горно-обогатительный комбинат в городе Эрдэнэт — URL: https://www.erdenetmc.mn (дата обращения: 23.01.2022).

Горно-обогатительный комбинат в городе Эрдэнэт — URL: https://www.erdenetmc.mn (дата обращения: 23.01.2022).

Горно-обогатительный комбинат в городе Эрдэнэт — URL: https://www.erdenetmc.mn (дата обращения: 23.01.2022).

Горно-обогатительный комбинат в городе Эрдэнэт — URL: https://www.erdenetmc.mn (дата обращения: 23.01.2022).