Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
При удалении изображения файл на диске сохраняется, но происходит стирание всех его вхождений в чертеж, описания и относящихся к нему связей.
1. Выбрать в меню Insert / Image Manager (Вставка / Диспетчер изображений) или нажать кнопку Image (Изображение) на панели инструментов
Reference (Ссылки) для вызова диспетчера растровых изображений.
2. В диалоговом окне Image Manager (Диспетчер растровых изображений)
(рис. 11.3) выделить имя изображения и нажать кнопку Delete (Удалить)
для удаления отмеченного растрового изображения.
3. Нажать кнопку ОК для выхода из диалогового окна.
Глава 3. регрессионный анализ данных в сфере управления (двумерный случай)
Виды регрессионных моделей
Довольно часто исследователь сталкивается с необходимостью анализа данных, преследуя конечную цель – построение математических моделей.
Математические модели широко применяются в бизнесе, экономике, общественных науках, даже в исследованиях политических процессов. Их роль не ограничивается анализом сущности происходящих процессов. Модели, если они адекватны описываемым явлениям, могут быть использованы для прогноза значений зависимой переменной в будущем или для других наборов значений объясняющих (независимых) переменных. Первая задача носит название экстраполяция, вторая – интерполяция.
Для анализа и/или прогноза применяются три основных класса моделей:
- тренда:
y (t) = T (t) + e t, (3.1)
где T (t) – временной тренд заданного параметрического вида (например, линейный T (t) = a + bt), где e t — случайная компонента;
- сезонности:
y (t) = S (t) + e t, (3.2)
где S (t) – периодическая (сезонная) компонента, e t – случайная компонента;
- тренда и сезонности:
y (t) = T (t) + S (t) + e t (аддитивная) (3.3)
или
y (t) = T (t) × S (t) + e t (мультипликативная), (3.4)
где T (t) – временной тренд заданного параметрического вида, S (t) – периодическая (сезонная) компонента, e t – случайная компонента.
Кроме этих простейших, к моделям временных рядов относится также множество более сложных моделей, таких как модели адаптивного прогноза, модели авторегрессии и скользящего среднего и др. Все эти модели имеют общую черту: они объясняют поведение временного ряда, основываясь только на его предыдущих значениях. Такие модели могут применяться для изучения и прогнозирования объема продаж билетов на различные виды транспорта, спроса на товары сезонного ассортимента, краткосрочного прогноза процентных ставок и т.п.
Дата публикования: 2014-11-02; Прочитано: 982 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!