Вход

Эконометрика ИНЖЭКОН

Рекомендуемая категория для самостоятельной подготовки:
Контрольная работа*
Код 299539
Дата создания 11 февраля 2014
Страниц 34
Мы сможем обработать ваш заказ (!) 29 марта в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
730руб.
КУПИТЬ

Описание

Контрольная работа по Эконометрике (ИНЖЭКОН) 21 вариант. Все 4 задания. ...

Содержание

Задание №1.
На основе данных, приведенных в Приложении 1 и соответствующих Вашему варианту (таблица 2), требуется:
1. Рассчитать коэффициент линейной парной корреляции и построить уравнение линейной парной регрессии одного признака от другого. Один из признаков, соответствующих Вашему варианту, будет играть роль факторного (х), другой – результативного (y). Причинно-следственные связи между признаками установить самим на основе экономического анализа. Пояснить смысл параметров уравнения.
2. Определить теоретический коэффициент детерминации и остаточную (необъясненную уравнением регрессии) дисперсию. Сделать вывод.
3. Оценить статистическую значимость уравнения регрессии в целом на пятипроцентном уровне с помощью F-критерия Фишера. Сделать вывод.
4. Выполнить прогноз ожидаемого значения признака-результата y при прогнозном значении признака-фактора х, составляющим 105% от среднего уровня х. Оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал с вероятностью 0,95.
21 11 60 1,4

Задание № 2

На основе данных, приведенных в Приложении и соответствующих Вашему варианту (таблица 2), требуется:
1. Построить уравнение множественной регрессии. При этом признак-результат и один из факторов остаются теми же, что и в первом задании. Выберите дополнительно еще один фактор из приложения 1 (границы наблюдения должны совпадать с границами наблюдения признака-результата, соответствующего Вашему варианту). При выборе фактора нужно руководствоваться его экономическим содержанием или другими подходами. Пояснить смысл параметров уравнения.
2. Рассчитать частные коэффициенты эластичности. Сделать вывод.
3. Определить стандартизованные коэффициенты регрессии (-коэффициенты). Сделать вывод.
4. Определить парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции; сделать выводы.
5. Оценить значимость параметров уравнения регрессии с помощью t-критерия Стьюдента, а также значимость уравнения регрессии в целом с помощью общего F-критерия Фишера. Предложить окончательную модель (уравнение регрессии). Сделать выводы.
Задание № 3

На основе данных, приведенных в таблице 3 и соответствующих Вашему варианту (таблица 4) провести идентификацию модели и описать процедуру оценивания параметров уравнений структурной формы модели.
21 y12 y21 y32

Задание № 4

На основе данных, приведенных в таблице 4 и соответствующих Вашему варианту (таблица 5), постройте модель временного ряда. Для этого требуется:
1. Проанализировать автокорреляцию уровней временного ряда, выявить и охарактеризовать его структуру.
2. Построить линейную аналитическую модель, характеризующую зависимость уровней ряда от времени.
3. Проверить значимость параметров полученного линейного тренда и дать их экономическую интерпретацию.
4. На основе полученной модели сделать прогноз на следующие два квартала с учетом выявленной сезонности.
Основные показатели развития производственной фирмы
за период с 1996 по 2001 гг. (по сопоставимой оценке)
21 1 12 3

Введение

Введение не зачем тут.

Фрагмент работы для ознакомления

2281,44
36503,04
200704
42
2072
20,03
80
401,2009
6400
1602,4
41502,16
165760
43
1178
20,65
120
426,4225
14400
2478
24325,7
141360
44
1304
20,19
88
407,6361
7744
1776,72
26327,76
114752
45
1308
20,24
104
409,6576
10816
2104,96
26473,92
136032
46
1416
20,27
94
410,8729
8836
1905,38
28702,32
133104
47
1185
20,69
107
428,0761
11449
2213,83
24517,65
126795
48
1220
19,85
82
394,0225
6724
1627,7
24217
100040
49
1311
19,87
84
394,8169
7056
1669,08
26049,57
110124
50
1288
20,2
101
408,04
10201
2040,2
26017,6
130088
51
918
20,33
98
413,3089
9604
1992,34
18662,94
89964
52
809
20,2
89
408,04
7921
1797,8
16341,8
72001
53
1188
20,46
118
418,6116
13924
2414,28
24306,48
140184
54
1394
20,17
90
406,8289
8100
1815,3
28116,98
125460
55
1435
20,62
123
425,1844
15129
2536,26
29589,7
176505
56
1514
19,79
107
391,6441
11449
2117,53
29962,06
161998
57
1577
20,34
97
413,7156
9409
1972,98
32076,18
152969
58
1579
20,51
126
420,6601
15876
2584,26
32385,29
198954
59
1210
20,04
147
401,6016
21609
2945,88
24248,4
177870
60
1448
20,39
88
415,7521
7744
1794,32
29524,72
127424
сумма
63494,00
1009,87
4986,0
20401,17
519158,0
100903,1
1284796
6525660,0
среднее
1269,88
20,20
99,72
408,02
10383,16
2018,06
25695,93
130513,20
диспер
122857,86
0,09
448,04
147,07
сигма
350,51
0,30
21,17
12,13
2.1. При выборе формы уравнения множественной регрессии предпочтение отдается линейной функции:
yi=a+b1·x1i+ b2·x2i+...+ bm·xmi+ui
в виду четкой интерпретации параметров.
Данное уравнение регрессии называют уравнением регрессии в естественном (натуральном) масштабе. Коэффициент регрессии bj при факторе хj называют условно-чистым коэффициентом регрессии. Он измеряет среднее по совокупности отклонение признака-результата от его средней величины при отклонении признака-фактора хj на единицу, при условии, что все прочие факторы модели не изменяются (зафиксированы на своих средних уровнях).
Если не делать предположения о значениях прочих факторов, входящих в модель, то это означало бы, что каждый из них при изменении хj также изменялся бы (так как факторы связаны между собой), и своими изменениями оказывали бы влияние на признак-результат.
Расчет параметров уравнения линейной множественной регрессии
Параметры уравнения множественной регрессии можно оценить методом наименьших квадратов, составив и решив систему нормальных линейных уравнений.
Кроме того, для линейной множественной регрессии существует другой способ реализации МНК при оценке параметров - через -коэффициенты (через параметры уравнения регрессии в стандартных масштабах).
у2=а0+а1*х1+а2*х2
n*a0+a1*x1+a2*x2=y
a0*x1+a1*x12+a2*x1*x2=x1*y
a0*x2+a1*x2*x1+a2*x22=x2*y
а0=-4213,09
а1=238,5
а2= 6,68
У2=-4213,09+238,5*х1+6,68х2
При увеличении х2 на 1 у увеличивается на 6,68, а при увеличении х1 на 1 у увеличивается на 238,5
Модель регрессии в стандартном масштабе предполагает, что все значения исследуемых признаков переводятся в стандарты (стандартизованные значения) по формулам:
, j=1;m,
где хji - значение переменной хji в i-ом наблюдении.
.
Таким образом, начало отсчета каждой стандартизованной переменной совмещается с ее средним значением, а в качестве единицы изменения принимается ее среднее квадратическое отклонение . Если связь между переменными в естественном масштабе линейная, то изменение начала отсчета и единицы измерения этого свойства не нарушат, так что и стандартизованные переменные будут связаны линейным соотношением:
.
2.2.
Частные коэффициенты эластичности Эj рассчитываются по формуле: . Частный коэффициент эластичности показывают, на сколько процентов в среднем изменяется признак-результат y с изменением признака-фактора хj на один процент от своего среднего уровня при фиксированном положении других факторов модели. В случае линейной зависимости Эj рассчитываются по формуле: , где – оценка коэффициента регрессии при j–ом факторе.
Э1=3,79
Э2=0,52
То есть на 3,79% в среднем изменяется признак-результат y с изменением признака-фактора х1 на 1% процент от своего среднего уровня при фиксированном положении Х2.
То есть на 052% в среднем изменяется признак-результат y с изменением признака-фактора х2 на один процент от своего среднего уровня при фиксированном положении Х1.
2.3.
(х-хср)(у-уср)
(х2-х2ср)(у-уср)
(х2-х2ср)(х-хср)
Урас
(y-ypac)^2
50,71
2564,63
3,49
1421,191
1748,00015
74,64
-5436,97
-1,18
1301,465
381263,209
-0,62
164,63
-0,28
1219,425
996,998602
6,64
-500,89
-0,30
1253,291
15057,5346
-6,35
-1174,73
1,26
1391,617
39448,5865
37,46
1658,19
4,61
1442,179
3156,03934
29,83
12018,07
2,75
1511,817
14204,6001
-105,77
7572,15
-3,70
1324,36
168625,373
20,21
1308,31
3,35
1117,348
4051,54737
218,26
3033,51
5,47
1062,015
19604,3147
-2,86
-197,05
4,56
1090,16
36419,9485
5,84
333,27
0,49
1327,224
33,3650985
229,08
8792,27
15,36
1582,891
2411,67062
385,63
18868,63
18,05
926,5517
85002,4203
140,35
5044,23
6,88
1060,586
12451,3599
3,57
-3026,21
-0,05
1310,052
272537,92
211,93
12955,63
13,08
1569,058
25262,6912
-124,47
2656,47
-1,31
1246,134
277587,672
168,80
8706,07
8,78
1510,388
28429,976
30,95
3830,71
3,47
1091,591
43,4467605
23,32
990,19
7,40
1052
26243,9819
3,44
-2999,81
-0,45
1143,584
77515,4643
311,75
46844,31
26,18
751,4994
52211,9731
26,30
-313,45
-0,14
1252,813
51898,666
12,60
321,43
0,12
1242,319
25382,6609
71,11
-337,33
-0,62
1344,874
14671,5282
116,32
12756,27
10,72
1573,349
4712,89145
430,32
53608,47
29,59
748,1601
130436,584
55,12
6632,11
1,14
1168,386
215654,798
-11,39
-769,05
1,02
1354,412
31475,0507
90,12
6411,63
2,12
1393,048
159162,53
-134,27
-15817,81
3,30
1098,269
948151,655
-41,58
-1863,33
9,18
1513,25
112392,734
-0,25
-399,89
0,09
1189,851
13029,9075
1,62
163,15
0,18
1308,621
0,38564977
10,61
-835,81
-0,42
1248,998
27889,6511
-41,81
-617,93
3,59
1435,979
62990,4142
17,33
883,87
6,16
1068,695
22893,2084
-13,46
-646,41
5,15
1086,821
50256,4275
0,05
23,19
0,00
1279,048
80,144183
-46,66
605,23
-0,23
1290,019
138398,254
-1,20
4940,63
-0,03
1198,914
152033,054
-21,50
-1496,77
4,80
1454,58
71064,8274
-3,40
-1206,45
0,27
1198,437
38244,8925
69,78
3843,99
9,84
1526,129
8304,43358
-99,45
1777,19
-2,97
1221,33
85655,8125
43,80
-835,37
-0,39
1285,726
84840,3365
96,63
8123,67
8,22
1519,927
3489,60066
9,43
-2831,13
-7,44
1548,066
114288,819
34,31
-2087,57
-2,26
1237,551
44288,7101
Сумма 2382,78
194038,32
198,88
63494,00
4155996,07
Стандартизированные частные коэффициенты регрессии - -коэффициенты (j) показывают, на какую часть своего среднего квадратического отклонения у изменится признак-результат y с изменением соответствующего фактора хj на величину своего среднего квадратического отклонения (хj) при неизменном влиянии прочих факторов (входящих в уравнение).
По коэффициентам эластичности и -коэффициентам могут быть сделаны противоположные выводы. Причины этого: а) вариация одного фактора очень велика; б) разнонаправленное воздействие факторов на результат.
Коэффициент j может также интерпретироваться как показатель прямого (непосредственного) влияния j-ого фактора (xj) на результат (y). Во множественной регрессии j-ый фактор оказывает не только прямое, но и косвенное (опосредованное) влияние на результат (т.е. влияние через другие факторы модели). Косвенное влияние измеряется величиной: , где m- число факторов в модели. Полное влияние j-ого фактора на результат равное сумме прямого и косвенного влияний измеряет коэффициент линейной парной корреляции данного фактора и результата – rxj,y.
=20,44%
=40%
на у наибольшее влияние оказывает фактор х2, так как ему соответствует наибольшее абсолютное значение бета-коэффициента.
2.4.
Коэффициент частной корреляции измеряет «чистое» влияние фактора на результат при устранении воздействия прочих факторов модели.
Для расчета частных коэффициентов корреляции могут быть использованы парные коэффициенты корреляции.
Для случая зависимости y от двух факторов можно вычислить 2 коэффициента частной корреляции:
,
(фактор х2 фиксирован).
(фактор х1 фиксирован).
Это коэффициенты частной корреляции 1-ого порядка (порядок определяется числом факторов, влияние которых устраняется).
Частные коэффициенты корреляции, рассчитанные по таким формулам изменяются от –1 до +1. Они используются не только для ранжирования факторов модели по степени влияния на результат, но и также для отсева факторов. При малых значениях ryxm/x1,x2…xm-1 нет смысла вводить в уравнение m-ый фактор, т.к. его чистое влияние на результат несущественно.
Коэффициенты множественной детерминации и корреляции характеризуют совместное влияние всех факторов на результат.
По аналогии с парной регрессией можно определить долю вариации результата, объясненной вариацией включенных в модель факторов (2), в его общей вариации (2y). Ее количественная характеристика – теоретический множественный коэффициент детерминации (R2y(x1,...,xm)). Для линейного уравнения регрессии данный показатель может быть рассчитан через -коэффициенты, как:
.
- коэффициент множественной корреляции. Он принимает значения от 0 до 1 (в отличии от парного коэффициента корреляции, который может принимать отрицательные значения). Поэтому R не может быть использован для интерпретации направления связи. Чем плотнее фактические значения yi располагаются относительно линии регрессии, тем меньше остаточная дисперсия и, следовательно, больше величина Ry(x1,...,xm). Таким образом, при значении R близком к 1, уравнение регрессии лучше описывает фактические данные и факторы сильнее влияют на результат. При значении R близком к 0 уравнение регрессии плохо описывает фактические данные и факторы оказывают слабое воздействие на результат.
-линейный коэффициент корреляции
х1=0,3
х2=21,17
у=350,51
ryx1=0,45 величины не сильно коррелированны.
ryx2=0,52 величины не сильно коррелированны
rx2x1=0,63
ryx1(x2)==0,19 связь прямая
ryx2(x1)=0,34 связь слабая
rx1x2(y)==0,5 связь прямая слабая
коэффициенты детерминации
Ryx2(x1)=0,04
Ryx1(x2)=0,12
Rx1x2(y)=0,26
Ry=0,3
2.5. Оценка значимости полученного уравнения множественной регрессии.
Оценка значимости уравнения множественной регрессии осуществляется путем проверки гипотезы о равенстве нулю коэффициент детерминации рассчитанного по данным генеральной совокупности: или b1= b2=…=bm=0 (гипотеза о незначимости уравнения регрессии, рассчитанного по данным генеральной совокупности).
Для ее проверки используют F-критерий Фишера.
При этом вычисляют фактическое (наблюдаемое) значение F-критерия, через коэффициент детерминации R2y(x1,...,xm), рассчитанный по данным конкретного наблюдения:
=2,38 где n-число наблюдений; h – число оцениваемых параметров (в случае двухфакторной линейной регрессии h=3).
По таблицам распределения Фишера-Снедоккора находят критическое значение F-критерия (Fкр)=2,99. Для этого задаются уровнем значимости  (обычно его берут равным 0,05) и двумя числами степеней свободы k1=h-1 и k2=n-h.
Сравнивают фактическое значение F-критерия (Fнабл) с табличным Fкр(;k1;k2). Если Fнабл<Fкр(;k1;k2), то гипотезу о незначимости уравнения регрессии не отвергают. Если Fнабл>Fкр(;k1;k2), то выдвинутую гипотезу отвергают и принимают альтернативную гипотезу о статистической значимости уравнения регрессии. Не Отвергаем.
По Стьюденту.
В качестве основной (нулевой) гипотезы выдвигают гипотезу о незначимом отличии от нуля параметра или статистической характеристики в генеральной совокупности. Наряду с основной (проверяемой) гипотезой выдвигают альтернативную (конкурирующую) гипотезу о неравенстве нулю параметра или статистической характеристики в генеральной совокупности. В случае если основная гипотеза окажется неверной, мы принимаем альтернативную. Для проверки этой гипотезы используется t-критерий Стьюдента.
Найденное по данным наблюдений значение t-критерия (его еще называют наблюдаемым или фактическим) сравнивается с табличным (критическим) значением, определяемым по таблицам распределения Стьюдента (которые обычно приводятся в конце учебников и практикумов по статистике или эконометрике). Табличное значение определяется в зависимости от уровня значимости () и числа степеней свободы, которое в случае линейной парной регрессии равно (n-2), n-число наблюдений.
Если фактическое значение t-критерия больше табличного (по модулю), то основную гипотезу отвергают и считают, что с вероятностью (1-) параметр или статистическая характеристика в генеральной совокупности значимо отличается от нуля.
Если фактическое значение t-критерия меньше табличного (по модулю), то нет оснований отвергать основную гипотезу, т.е. параметр или статистическая характеристика в генеральной совокупности незначимо отличается от нуля при уровне значимости .
Для параметра b критерий проверки имеет вид:
,
где - оценка коэффициента регрессии, полученная по наблюдаемым данным;
– стандартная ошибка коэффициента регрессии.
Для линейного парного уравнения регрессии стандартная ошибка коэффициента вычисляется по формуле:
.
1=139,2 2=1,99 t1=0,05 t2=120,1
Числитель в этой формуле может быть рассчитан через коэффициент детерминации и общую дисперсию признака-результата: .
Для параметра a критерий проверки гипотезы о незначимом отличии его от нуля имеет вид:
, где - оценка параметра регрессии, полученная по наблюдаемым данным;
– стандартная ошибка параметра a.
Tкритическое(0,05;48)=2,02<Tнабл => отвергаем первое.
Задание № 3
На основе данных, приведенных в таблице 3 и соответствующих Вашему варианту (таблица 4) провести идентификацию модели и описать процедуру оценивания параметров уравнений структурной формы модели.
21
y12
y21
y32
y1=b31*y3+а21*х2+a31·x3
y2= b12·y1+b32*y3+а32*х3
y3=b13·y1+ а23·х2+a33*x3
Не всегда получается описать адекватно сложное социально-экономическое явление с помощью только одного соотношения (уравнения). Кроме того, некоторые переменные могут оказывать взаимные воздействия и трудно однозначно определить, какая из них является зависимой, а какая независимой переменной. Поэтому при построении эконометрической модели прибегают к системам уравнений.
В любой эконометрической модели в зависимости от конечных прикладных целей ее использования все участвующие в ней переменные подразделяются на:
Экзогенные (независимые) – значения которых задаются «извне», автономно, в определенной степени они являются управляемыми (планируемыми) (X);
Эндогенные (зависимые) - значения которых определяются внутри модели, или взаимозависимые (Y).
Лаговые – экзогенные или эндогенные переменные эконометрической модели, датированные предыдущими моментами времени и находящиеся в уравнении с текущими переменными. Например:
yt – текущая эндогенная переменная,
yt-1 – лаговая эндогенная переменная (отстоящая от текущей на 1 период назад),
yt-2 – тоже лаговая эндогенная переменная (отстоящая от текущей на 2 периода).
Предопределенные переменные – переменные, определяемые вне модели. К ним относятся лаговые и текущие экзогенные переменные (xt, xt-1), а также лаговые эндогенные переменные (yt-1).
Все эконометрические модели предназначены для объяснения текущих значений эндогенных переменных по значениям предопределенных переменных.
В дальнейшем для простоты будем рассматривать в качестве предопределенных переменных только текущие экзогенные переменные (х).
1. Система взаимозависимых (совместных, одновременных) уравнений, когда зависимые переменные в одних уравнениях входят в левую часть (т.е. выступают в роли признаков-результатов), а в других уравнениях – в правую часть системы (т.е. выступают в роли признаков-факторов) одновременно:
Название «система одновременных уравнений» подчеркивает тот факт, что в системе одни и те же переменные одновременно рассматриваются как зависимые в одних уравнениях и как независимые в других.
В отличие от предыдущих систем каждое уравнение системы одновременных уравнений не может рассматриваться самостоятельно, и для нахождения его параметров традиционный МНК неприменим, т.к. нарушаются предпосылки, лежащие в основе МНК. В результате оценки параметров получаются смещенными.
В эконометрике эта система уравнений также называется структурной формой модели.
Некоторые из уравнений системы могут быть представлены в виде тождеств, т.е. параметры этих уравнений являются константами.
От структурной формы легко перейти к так называемой приведенной форме модели. Число уравнений в приведенной форме равно числу эндогенных переменных модели. В каждом уравнении приведенной формы эндогенная переменная выражается через все предопределенные переменные модели:
Так как правая часть каждого из уравнений приведенной формы содержит только предопределенные переменные и остатки, а левая часть только одну из эндогенных переменных, то такая система является системой независимых уравнений. Поэтому параметры каждого из уравнений системы в приведенной форме можно определить независимо обычным МНК.
Зная оценки этих приведенных коэффициентов можно определить параметры структурной формы модели. Но не всегда, а только если модель является идентифицируемой.
Проблема идентификации.
Модель считается точно идентифицированной, если все ее уравнения точно идентифицированны.
Если среди уравнений модели есть хотя бы одно сверхидентифицированное уравнение, то вся модель считается сверхидентифицированной.
Если среди всех уравнений модели есть хотя бы одно неидентифицированное, то вся модель считается неидентифицированной.
Уравнение называется точно идентифицированным, если оценки структурных параметров можно однозначно (единственным способом) найти по коэффициентам приведенной модели.
Уравнение сверхидентифицировано, если для некоторых структурных параметров можно получить более одного численного значения.
Уравнение называется неидентифицированным, если оценки его структурных параметров невозможно найти по коэффициентам приведенной модели.
Правила идентификации- необходимое и достаточное условия идентификации (применяются только к структурной форме модели).
Введем следующие обозначения:
M- число предопределенных переменных в модели;
m- число предопределенных переменных в данном уравнении;
K – число эндогенных переменных в модели;
k – число эндогенных переменных в данном уравнении.
Необходимое (но недостаточное) условие идентификации уравнения модели:
Для того чтобы уравнение модели было идентифицируемо, необходимо, чтобы число предопределенных переменных, не входящих в уравнение, было не меньше «числа эндогенных переменных, входящих в уравнение минус 1», т.е. : M-m>=k-1;
Если M-m=k-1 , уравнение точно идентифицированно.
Если M-m>k-1, уравнение сверхидентифицированно.
Эти правила следует применять в структурной форме модели.
Наши уравнения точно идентифицированы.
Оценка точно идентифицированного уравнения осуществляется с помощью косвенного метода наименьших квадратов (КМНК).
Алгоритм КМНК включает 3 шага:
1) составление приведенной формы модели и выражение каждого коэффициента приведенной формы через структурные параметры;
2) применение обычного МНК к каждому уравнению приведенной формы и получение численных оценок приведенных параметров;
3) определение оценок параметров структурной формы по оценкам приведенных коэффициентов, используя соотношения, найденные на шаге 1.
Оценка сверхидентифицированного уравнения осуществляется при помощи двухшагового метода наименьших квадратов.
Алгоритм двухшагового МНК включает следующие шаги:
1) составление приведенной формы модели;
2) применение обычного МНК к каждому уравнению приведенной формы и получение численных оценок приведенных параметров;
3) определение расчетных значений эндогенных переменных, которые фигурируют в качестве факторов в структурной форме модели;
4) определение структурных параметров каждого уравнения в отдельности обычным МНК, используя в качестве факторов входящие в это уравнение предопределенные переменные и расчетные значения эндогенных переменных, полученные на шаге 1 y1=b31*y3+а21*х2+a31·x3
y2= b12·y1+b32*y3+а32*х3
y3=b13·y1+ а23·х2+a33*x3
В этой системе y1, y2,y3 - эндогенные переменные (K=3);
x1, x2, x3 - предопределенные переменные (M=3).
K-1=2; K+M=6.
Рассмотрим 1 уравнение k1=2; m1=2;
M-m1=1 = k1-1=1, следовательно, 1-ое уравнение точно идентифицированно
Рассмотрим 2 уравнение k1=3; m1=1;
M-m1=2 = k1-1=2, следовательно, 2-ое уравнение точно идентифицированно
Рассмотрим 3 уравнение k1=2; m1=2;
M-m1=1 = k1-1=1, следовательно, 3-ое уравнение точно идентифицированно
Вся модель точно идентифицированна
Рассмотрим, как выполняется достаточное условие идентификации для каждого уравнения системы. Для того, чтобы оно выполнялось необходимо, чтобы определитель матрицы А (матрицы коэффициентов при переменных, не входящих в это уравнение) был равен К-1=2.
Составим матрицу А для 1-ого уравнения системы. В 1-ом уравнении отсутствует переменная системы у2, x1. Поэтому матрица А будет иметь вид:
y1=b31*y3+а21*х2+a31·x3
y2= b12·y1+b32*y3+а32*х3

Список литературы

...
Очень похожие работы
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00554
© Рефератбанк, 2002 - 2024