Здесь можно найти учебные материалы, которые помогут вам в написании курсовых работ, дипломов, контрольных работ и рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


Реферат/Курсовая Эвристические методы периодизации

Информация:

Тип работы: Реферат/Курсовая. Добавлен: 04.06.13. Сдан: 2012. Страниц: 28. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Министерство  науки и образования Российской Федерации
Федеральное Агентство образования 
 

НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ  И УПРАВЛЕНИЯ - «НИХН» 
 
 

Кафедра статистики 
 
 
 

КУРСОВАЯ  РАБОТА 

По дисциплине: «Анализ временных рядов и  прогнозирование» 

Тема: «Эвристические методы периодизации» 
 
 
 
 
 

Выполнила: _____________________________ студентка   группы   №    БС-52
                                                                                 Корниченко Мария Алексеевна
                                                                                 Зачетная    книжка    № 051156
Проверила: ______________________________Глинский Владимир Васильевич
                                                    профессор к.э.н                                                                                     
                                                                                  
 
 
 
 
 
 
 
 
 
 
 
 

Новосибирск 2007
 


Содержание 
 

 

Введение 

 
     Изучение  динамики и состояния экономических  и социальных процессов относится  к числу существенных направлений на современном этапе развития любой страны мира.
     Как известно эти явления описываются  не одним показателем, а системой показателей. Среди многочисленных проблем, возникших при статистическом исследовании социально –экономической динамики, важное место занимает задача выделения однородных периодов развития  - задача периодизации.
     Периодизация  может осуществляться  разными  методами. Одним из направлений этих методов являются эвристические  методы.
     Эвристические методы прогнозирования основаны на приемах вычисления и процедурах, вытекающих из опыта и интуиции специалистов, осуществляющих прогноз. И используются в тех случаях, когда применение строгих математических моделей не обеспечивает достоверных результатов прогноза из-за того, что лежащие в их основе предпосылки не соответствуют реальным свойствам поведения прогнозируемого процесса или объекта, что является актуальностью данной работы.
     Целью работы является изучение методологии  эвристических методов,  реализация их на практике по показателям здоровья России и анализ полученных данных , что достигается с помощью рассмотрения следующих вопросов:
     1.   Понятие периодизации  и ее возможность;
     2.   Понятие однородности периодов;
     3.   Методология эвристических методов;
     4.   Достоинства и недостатки данных методов;

1. Понятие периодизации, необходимость и возможность.

1.1 Сущность и условия временной периодизации.

 
     Главное условие осуществления статистических расчетов – однородность данных. Иначе говоря, типология исходной информации представляет собой начальный, обязательный этап анализа.
     Как правило, качественному скачку в  динамике процесса, приводящему к  смене закономерности, предшествует его непрерывное количественное изменение. Следовательно, при изучении хронологических рядов, охватывающих большие периоды времени, важно расчленять их на однородные интервалы. Однородность совокупности реализуется по средством типологической группировки. В хронологических рядах этим целям призвана служить периодизация – разбиение динамических рядов на интервалы однокачественного развития. Периодизация важна и в историческом аспекте как процесс определения однородных периодов общественного развития.
     По  существу, периодизация является своеобразной типологической группировкой, в которой  в качестве элементов совокупности, подлежащей разбиению, выступают уровни изолированного или комплексного хронологического ряда. Периодизация, с одной стороны, дает важную информацию о процессе, с другой- закладывает основы для последующего анализа динамики, так как обеспечивает возможность применения методов многомерной статистики; адекватное их использование возможно лишь в однородных сферах. Однако, в отличие от типологической группировки, периодизация исключительно редко используется в расчетах, соответственно и  теория ее применения практически не разработана, нет устоявшихся корректных статистических методов ее реализации. Причин данной ситуации несколько, и основная заключается в противоречивости различных условий применения алгоритмов корреляционно-регрессионного анализа(КРА) в рядах динамики. Как известно, к числу основных условий применения КРА относятся:
     1)наличие  случайной выборки из генеральной  совокупности;
     2)достаточно  большое число наблюдений;
     3)независимость  наблюдений;
     4)значительное  превышение численности единиц  совокупности числа факторов( в 6-8 раз)
     5)однородность  совокупности;
     6)количественный  уровень оценки переменных.
     Нельзя  не заметить противоречие между пунктом 5, с одной стороны, и пунктами 2 и 4 – с другой. Интервалы однокачественной динамики в реальности могут быть невелики по величине; в то же время значительные хронологические промежутки часто формируются разными законами развития. В анализе рядов динамики приоритет отдается количественным подходам к содержанию статистических исследований, что связано с выполнением условий 2 и 4 и соответственно с игнорированием условия 5.
     Итак, особенность исследований динамики состоит в том,  что одновременное  выполнение приведенных выше условий  вряд ли возможно. В этом случае обязательным является  выполнение однородности, даже в ущерб прочим условиям.
     В том случае, когда рассматривают  уровни ряда, то получают периодизацию состояния. Если же абсолютные приросты или темпы поста или прироста выполняется периодизация динамики процесса. В случаи периодизации могут  быть использованы следующие названия периодов: крупный, средний, мелкий(предприятие); низкое, среднее, высокое(здоровье), а если периодизацию динамики: подъем, стабильность, спад. 
 
 

1.2 Однородность временных рядов.

 
     Следует разобраться что же значит однородность временных рядов.
     Однородными принято считать такие хронологические  интервалы, в пределах которых изменение  уровней ряда подчинено одному закону развития. Это определение, вполне корректно  с теоретических  позиций, мало что  дает в  практическом аспекте. Поэтому в дальнейшем однородным будем считать временной промежуток, соответствующий одной из следующих ситуаций, имеющих корректную интерпретацию:  
     1) - равенство уровней ряда(здесь и далее равенство понимается в статистическом смысле);
     2) - равенство абсолютных приростов(постоянная скорость изменения уровней ряда);
     3) -равенство вторых абсолютных разностей(постоянно ускоренное или замедленное изменение уровней ряда);
     4) - равенство цепных темпов роста.
     Здесь , - отдельные моменты или промежутки времени;
      - цепные абсолютный прирост;
      - вторая разность уровней  ряда динамики.
     Традиционно наметка однокачественных периодов осуществляется в соответствии с теоретическим анализом применительно к той науке, в рамках которой рассматривается изучаемый процесс. При этом стараются учитывать прежде всего крупные аномалии(войны, эпидемии, землетрясения),смену руководства страны и пр.

2. Эвристические методы  периодизации.

2.1 Предварительные  процедуры.

 
     Прежде  чем прибегнуть к помощи методов  сравнительного анализа, необходимо  выполнить определенные преобразования. Исходным и одновременно самым важным шагом, предопределяющим правильность конечных результатов, является формирование матрицы наблюдений. Эта матрица содержит наиболее полную характеристику изучаемого множества и благодаря этому играет важнейшую роль в проводимом исследовании. В качестве элементов данной матрицы мы можем рассматривать уровни ряда, абсолютные приросты, темпы роста или темпы прироста.
      Допустим, у  нас имеется множество из m элементов, описываемых k признаками; тогда каждую единицу можно интерпретировать как точку n-мерного пространства с координатами, равными значениям k признаков для рассматриваемой единицы. Вышеуказанную матрицу наблюдений можно представить следующим образом: 
 
 
 
 

     Где m- число единиц, n-число признаков, - значение признака kдля единицы i.
     Признаки, включенные в матрицу наблюдений, неоднородны, поскольку описывают  разные свойства объектов. Кроме того, различаются их единицы измерения, что еще более затрудняет выполнение некоторых арифметических действий, необходимых в отдельных процедурах. Поэтому необходимо привести данные в сопоставимый вид, это можно сделать либо с помощью стандартизации или с помощью нормирования.
     Стандартизация  производится в соответствии с формулой
      ,    причем        ; 
     Где k = 1,2,…,n ; - значение признака k для единицы i; - среднее арифметическое значение признака k; - стандартное отклонение признака k; - стандартизованное значение.
      Нормирование  проводится в соответствии с формулами:
                     или 

     После приведения данных в сопоставимый вид  переходят к заключительной процедуре  – расчету элементов матрицы сходства . Сходство может рассматриваться в 2-х аспектах.
     1)сходными считаются годы(моменты времени), между которыми незначимые расстояния, и соответственно в качестве матрицы сходства берется матрица расстояний: чем меньше расстояние между годами тем они имеют больше сходство по данной системе показателей. В настоящее время существует более 10 алгоритмов расчета расстояний между объектами, но чаще используются 2 алгоритма:
     Среднее абсолютное расстояние      (i,j=1,2,…,m)
     Среднее Эвклидово расстояние  
      После исчисления расстояния между всеми единицами данной совокупности получаем матрицу расстояний. Ее можно представить в следующем виде: 
 
 
 
 

     Где символ обозначает расстояние между элементами i и j.
     Элементы  этой матрицы служат основой для  проведения исследований с помощью таксономических процедур. Они обладают следующими свойствами:
                     1. =0
                     2. =
                     3. неравенство треугольника <= +
     Те  методы классификации, в которых  используется в качестве матрицы  сходства матрица расстояний, называются таксономическими.
     2)В  качестве матрицы сходства может  быть использована матрица коэффициентов корреляции.
     Эту матрицу можно представить следующим  образом:
       
 
 
 
 
 

     Где символ обозначает линейный коэффициент корреляции признаков l и k.
     Свойства  матрицы корреляции:
                    1. =1
                    2. =
                    3. 
     Методы  классификации основанные на матрицах корреляции называются факторными.
     В данном случае чем выше взаимосвязь  между моментами времени по изучаемой  системе показателей тем выше их сходство.

  2.1 Вроцлавская таксономия: дендрит.

 
     Метод вроцлавской таксономии часто называют методом дендритов. Под дендритом  понимают ломаную, которая может  разветвляться, но не может содержать  замкнутых линий, и такая, что  любые две точки множества Z ею соединены.Этим методом получают нелинейное упорядочение изучаемых единиц, что, с одной стороны, полнее характеризует действительность, но, с другой стороны, создает больше трудностей при интерпретации. Нелинейное упорядочение характеризуется отсутствием явной иерархии, выражающимся в том, что некоторые единицы могут быть связаны с большим числом других единиц. В этом случае отсутствует четко определяемый порядок, не известно, какой элемент  является предшествующим, а какой последующим.
      Рассматриваемые случаи упорядочения можно представить графически в  виде точек или кружков(со вписанными в них обозначаемыми единиц), связанных  отрезками. Точки, изображающие единицы, чаще всего называются вершинами, а  отрезки – связями(дугами). Упомянутые  линейный и нелинейный способы упорядочения иллюстрируют рис.1 и рис.2.
         

     Рис.2.1 Линейное упорядочение единиц
     
       
 

     Рис.2.2 Нелинейные упорядочения единиц
     Предоставленные на рисунках упорядочения, очевидно, не исчерпывают все возможные ситуации. В связи с этим возникает задача выбора наилучшего упорядочения, заключающегося в нахождении такого дендрита, в котором смежные единицы будут иметь различающиеся значения признаков. Выполнение этого условия приведет к упорядочению с наименьшими расстояниями между отдельными элементами. В оптимальном дендрите – с наименьшей суммой длин связей – смежные объекты в наименьшей степени отличаются друг от друга. Поэтому при сравнении различных упорядочений объектов и выборе наилучшего упорядочения исходят из длины связей дендрита.
     Построение  оптимального дендрита заключается  в установлении связей между единицами, наименее отличающимися друг от друга. С этой целью из составленной матрицы  расстояний выбирают единицы с близкими значениями признаков. Поиск таких  единиц проводится путем нахождения наименьших чисел в каждом столбце (или строке) матрицы. Искомые ближайшие единицы обозначены  номерами строк(или столбцов), в которых находятся наименьшие числа. Если, например, надо найти единицу, наименее отличающуюся от i, то достаточно отыскать наименьшее число в столбце j. Пусть этим числом будет элемент , находящийся в строке i. Тогда ближайшей к единице iбудет единица j.
     Способ  построения оптимального дендрита состоит  из нескольких этапов. На первом этапе устанавливаются связи каждой из исследуемых единиц с ближайшими единицами.
     Для удобства описания выполняемых операций предположим, что у нас имеется  множество единиц, обозначаемых символами 1,2,3,4,5,6,7,8,9. Далее предположим, что  в этом множестве из девяти элементов получены следующие сочетания ближайших единиц(рис.3).
       
 
 

     Рис.2.3 Сочетание ближайших единиц
     Нетрудно  заметить, что некоторые связи встречаются дважды, например 1-3 и 3-1. Поскольку при построении дендрита очередность установления связей не играет роли, одно из повторяющихся сочетаний всегда исключаются. Подобное исключение проводится для всех выделенных пар связей. Это приводит к тому, что остаются связи 2-7 и 8-9, а связи 7-2 и 9-8 отбрасываются. Для оставшихся двух связей характерно наличие единицы, обозначаемой номером 5, поэтому связи 4-5 и 5-6 объединяют в один общий набор. В результате получаются четыре отдельных конструкций, называемые скоплениями 1-го порядка(рис.4).
       
 

     Рис.2.4 Скопления 1-го порядка.
      Полученные  скопления не удовлетворяют основному условию дендрита, а именно они не связаны в единое целое. Для выполнения этого требования выбирается наименьшее расстояние между единицами, входящими в различные скопления 1-го порядка. Соответствующий отрезок становится связью между двумя скоплениями. В результате получают скопление 2-го порядка. Процесс останавливаем на том шаге, когда все точки множества будут соединены ломаной(рис.5). 
 

     Рис.2.5 Дендрит, построенный на единицах исследуемого множества
     Разбиение оптимального дендрита на группы однородных элементов может осуществляться одним из 2-х способов:
     1)Искусственное  разбиение. Пусть на основании  некоторой априорной информации  нам известно число однородных  грум и пусть это число равно  k. Тогда разбиение осуществляется очень просто: из дендрита удаляются k-1самых длинных связей.
     2)Естественное  разбиение. Что произвести подобное  естественное разбиение, необходимо  выполнить следующие действия. Прежде  всего, связи дендрита, построенного  на единицах изучаемого множества,  упорядочиваются по убыванию их длины. Затем строятся отношения длин соседних связей:
     
,

     Где - упорядоченные длины связей, - отношения длин связей.
     Следующая операция заключается в нахождении значения k, для которого выполняется соотношение, являющееся основанием разбиения множества естественным образом.  Этой цели служит неравенство:
     
  (для k=2,3,…,n-1)

     Может оказаться, что в ряду вычисленных  отношений приведенное неравенство  будет выполнятся  несколько раз. В этом случае вводится дополнительное условие. Оно позволяет выбрать лучшее из двух естественных разбиений и . Это дополнительное условие определяется соотношением . Если оно выполняется, то можно утверждать, что лучшим является разбиение на k частей.

2.2 Метод шаров.

 
     Перед описанием этого метода дадим  геометрическую модель для простейшего  случая двумерного пространства. Единицы  исследуемого множества характеризуются только двумя признаками и изображаются точками на плоскости. Тогда их можно представить как множество точек с координатами ( ) при i=1,…,w, причем w- число элементов множества.
     Для выполнения дальнейших преобразований необходимо знать некоторую величину . Если эта величина известна, то поступают следующим образом. Из каждой точки , как центра, строится круг радиусом . Затем подсчитывается число точек, находящихся внутри каждого круга. Тем самым находится первое подмножество. Элементами его являются элементы круга, содержащего наибольшее число точек. Если есть несколько кругов с одним и тем же числом точек, то первое подмножество образуют точки круга, центр которого расположен ближе всего к началу системы координат.
     Дальнейшее  разбиение производится подобным же образом, но число элементов множества  уменьшается за счет элементов первого  подмножества
     
     
     
     
     
     Рис.2.6 Разбиение множества единиц, характеризуемых двумя признаками.
     На  рис. 2.6 показано расположение пяти точек-единиц. Поскольку эти единицы описываются  только двумя признаками, их можно  поместить на плоскости. После вычерчивания кругов и подсчета числа точек  в них не трудно убедится, что первое подмножество образуют точки- единицы заштрихованного круга.
     Опишем  теперь общий порядок действий, относящихся  к пространству произвольной размерности.
     Пусть дано множество точек с координатами ( ), причем i=1,2,…,w. Для каждой точки строится шар заданного радиуса :
     
.

     Затем подсчитывается  число точек  ,находящихся внутри каждого шара: , где обозначает подмножество i множества . Оно образовано точками , удовлетворяющими условию .
     Если  обозначить через  , объем подмножества , то   - величина, определяющая первое выделяемое подмножество. В случае существования нескольких подмножеств с максимальным объемом исчисляют расстояния центров выбранных шаров от начала системы координат. Первое подмножество образуют единицы, содержащиеся в шаре, ближе всего находящегося от начала системы координат. Это подмножество обозначаем символом .
     Дальнейшие  действия производятся таким же самым  образом , только относятся не ко всем объектам, а лишь к тем, которые остались после исключения первого подмножества. Это значит, что при дальнейшем выделении подмножеств рассматривается множество .
     Описанная процедура, очевидно, продолжается до момента полного исчерпания множества .
     Теперь  осталось выяснить проблему, связанную с оценкой величины . При оценке этой величины рассматривают два случая:
     В первом 
     Во  втором , причем ; , где i,j=1,2,…,w.
     Величина  остается постоянной.
     В результате применения рассмотренного метода получаются подмножества, однородные в смысле изотропности, т.е. подмножества точек-данных, которые расположены в многомерном пространстве так, что по форме облако рассеивания больше похоже на шар чем на эллипсоид.
     С точки зрения потребностей экономического моделирования  подобные подмножества представляют собой результат искусственного , навязанного, а не естественного разбиения исследуемой совокупности объектов. При таком способе разбиения существует потенциальная  возможность разделить  действительно однородные объекты. Подобное  нежелательное разбиение может возникнуть вследствие того, что в значениях признаков присутствуют обе компоненты( структуры и потенциала).

2.3 Метод корреляционных плеяд.

 
     Метод корреляционных плеяд самый первый из эвристических методов классификации  данных и он наименее формализован. Выглядит этот метод очень трудоемким особенно это становится явным при достаточно большом числе объектов.
     Преимущество  этого метода в том что он учитывает  все связи он не отбрасывает как  два предыдущих метода «не нужную информацию». Исторически метод корреляционных плеяд применяется и используется до сих пор к матрицам корреляции. Но в принципе технику этого метода можно применить и получить корректные данные на матрицах расстояний.
     Осуществляется  следующим образом:
     В матрице  коэффициентов корреляции выбирается максимальный  по абсолютной величине коэффициент корреляции( не считая диагональных). Пусть им оказался . Чертим два кружка, соответствующие признакам и , и соединяем их линией, над которой пишем значение . Затем находим наибольший по абсолютной величине коэффициент  в -том столбце матрицы корреляции( он будет соответствовать признаку, наиболее тесно после связанному с ). Выбираем больший из этих двух коэффициентов. Пусть им оказался . Чертим кружок , соединяем его с кружком , над связью пишем . Далее находим признаки, наиболее тесно связанные с двумя последними рассмотренными( в данном случае и ), и повторяя процедуру выбора, выбираем из двух соответствующих коэффициентов корреляции наибольший по абсолютной величине. Продолжая построение, на каждом шаге находим признак, наиболее тесно связанный с одним из двух признаков, отобранных на предыдущем этапе. Построение чертежа завершим, когда в нем окажется m кружков(m - число признаков). Выбираем пороговую величину h и исключаем из схемы связи, соответствующие меньшим чем h коэффициентам парной корреляции. Величину h  выбираем до тех пор, пока не получим нормальных групп(плеяд) признаков(h является порогом, при переходе через который происходит рассеивание групп на отдельные, не связанные признаки).
     Может быть предложен более формальный подход к реализации метода корреляционных плеяд, заключающийся в следующем. В завершенном чертеже m кружков соединяют от (m-1) до (m(m-1):2) связей. Очевидно, что исключение не каждой связи приводит к появлению новой неодноэлементной группы(плеяды) признаков, поэтому оставим на чертеже только существенные связи, т.е. те, исключая которые мы обязательно увеличиваем число плеяд. Их будет m-1. В результате получим тот же дендрит. Для выделения корреляционных групп теперь можно применить те же критерии, что и в методе дендритов.

3. Периодизация здоровья в Российской Федерации за 1991- 2005 гг.

3.1 Предварительные  процедуры.

 
     В качестве параметров здоровья в стране взяты: смертность, рождаемость, общая продолжительность жизни, продолжительность жизни мужчин, продолжительность жизни женщин, детская смертность, заболеваемость населения злокачественными новообразованиями, т.е исходная информация представлена виде комплексного ряда динамики(таблица 1).                                                                                              
           Таблица 1
     Показатели  здоровья по РФ за 1991- 2005 гг
     
Годы Смертность (на тыс.) Рождаемость (на тыс.) Общая продолжительность  жизни (лет) Продолжительность жизни мужчин (лет) Продолжительность жизни женщин (лет) Детская смертность (на тыс. родившихся) Заболеваемость  населения злокачественными новообразованиями (на 100 тыс.)
  1991 11,4 12,1 69,01 63,46 74,27 17,8 266
1992 12,2 10,7 67,89 62,02 73,75 18,0 272
1993 14,5 9,4 65,14 58,91 71,88 19,9 276
1994 15,7 9,6 63,98 57,59 71,18 18,6 280
1995 15,0 9,3 64,64 58,27 71,70 18,1 279
1996 14,2 8,9 65,89 59,75 72,49 17,4 288
1997 13,8 8,6 66,64 60,75 72,89 17,2 295
1998 13,6 8,8 67,02 61,30 72,93 16,5 302
1999 14,7 8,3 65,93 59,93 72,38 16,9 304
2000 15,4 8,7 65,27 59,00 72,20 15,3 307
2001 15,6 9,0 65,23 58,92 72,17 14,6 311
2002 16,2 9,7 64,95 58,68 71,90 13,3 314
2003 16,4 10,2 64,85 58,55 71,84 12,4 317
2004 16,0 10,4 65,27 58,89 72,30 11,6 328
2005 16,1 10,2 65,30 58,87 72,39 11,0 330
 
     Затем переводим данные в сопоставимый вид, с помощью стандартизации данных. Для этого необходимо рассчитать вспомогательные показатели: среднее  значение и среднее квадратическое отклонение. Рассчитанные показатели представлены в таблице 2                                                
 

       Таблица 2 
                 Вспомогательные показатели для расчета
                            стандартизованных данных                                 
показатели Смертность (на тыс.) Рождаемость (на тыс.) Общая продолжительность  жизни (лет) Продолжительность жизни мужчин (лет) Продолжительность жизни женщин (лет) Детская смертность (на тыс. родившихся) Заболеваемость  населения злокачественными новообразованиями (на 100 тыс.)
среднее значение 14,720 9,593 65,801 59,659 72,418 15,907 297,933
среднее квадратическое отклонение 1,429 0,964 1,284 1,531 0,764 2,646 19,699
 
А стандартизованные  данные примут следующий вид (таблица 3)
           
  Таблица 3
Стандартизованные показатели здоровья
Годы Смертность (на тыс.) Рождаемость (на тыс.) Общая продолжительность  жизни (лет) Продолжительность жизни мужчин (лет) Продолжительность жизни женщин (лет) Детская смертность (на тыс. родившихся) Заболеваемость  населения злокачественными новообразованиями (на 100 тыс.)
1991 -2,3236 2,5994 2,4986 2,4831 2,4235 0,7156 -1,6210
1992 -1,7637 1,1476 1,6267 1,5423 1,7431 0,7912 -1,3165
1993 -0,1540 -0,2005 -0,5144 -0,4896 -0,7040 1,5093 -1,1134
1994 0,6859 0,0069 -1,4175 -1,3520 -1,6200 1,0179 -0,9104
1995 0,1960 -0,3042 -0,9036 -0,9077 -0,9396 0,8290 -0,9611
1996 -0,3639 -0,7190 0,0696 0,0592 0,0942 0,5644 -0,5042
1997 -0,6439 -1,0301 0,6535 0,7126 0,6177 0,4888 -0,1489
1998 -0,7838 -0,8227 0,9493 1,0719 0,6700 0,2242 0,2064
1999 -0,0140 -1,3412 0,1007 0,1768 -0,0497 0,3754 0,3080
2000 0,4759 -0,9264 -0,4132 -0,4308 -0,2853 -0,2293 0,4603
2001 0,6159 -0,6153 -0,4443 -0,4830 -0,3245 -0,4939 0,6633
2002 1,0358 0,1106 -0,6623 -0,6398 -0,6779 -0,9852 0,8156
2003 1,1758 0,6291 -0,7401 -0,7248 -0,7564 -1,3253 0,9679
2004 0,8958 0,8365 -0,4132 -0,5026 -0,1544 -1,6277 1,5263
2005 0,9658 0,6291 -0,3898 -0,5157 -0,0366 -1,8545 1,6278
 
     А уже по стандартизованным данным рассчитываем матрицу расстояний по среднему Эвклидову расстоянию1. Результаты представлены в таблице 4. 

                                             Матрица расстояний                                     Таблица 4

и т.д.................


  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0 0,813 2,424 2,994 2,662 2,182 2,000 1,895 2,446 2,667 2,690 2,820 2,876 2,749 2,809

Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.