Технология имитационного моделирования в среде MS Excel

В частности  асимметрию распределения переменной V в данном случае можно считать несущественной, чего нельзя сказать о распределениях других величин.

Осуществим  оценку значимости коэффициента асимметрии для распределения Q. Наиболее простым способом получения такой оценки является определение стандартной (среднеквадратической) ошибки асимметрии, рассчитываемой по формуле:

 

 (5)

 

где n – число значений случайной величины (в данном случае – 20).

Если  отношение коэффициента асимметрии s к величине ошибки s as меньше трех (т.е.: s /s as < 3), то асимметрия считается несущественной, а ее наличие объясняется воздействием случайных факторов. В противном случае асимметрия статистически значима и факт ее наличия требует дополнительной интерпретации. Осуществим оценку значимости коэффициента асимметрии для рассматриваемого примера.

Введем  в любую ячейку ЭТ формулу:

=1,037325221/КОРЕНЬ (6*19/21*23) (Результат: 0,092834252).

Поскольку отношение s /s as < 3, асимметрию следует считать несущественной. Таким образом наше первоначальное предположение о правосторонней скошенности распределения Q не подтвердилась.

Для рассматриваемого примера наличие левосторонней асимметрии может считаться отрицательным моментом, так как это означает, что большая часть распределения лежит ниже математического ожидания, т.е. большие значения Q являются менее вероятными.

Аналогичным способом можно осуществить проверку значимости величины эксцесса – е. Формула для расчета стандартной ошибки эксцесса имеет следующий вид:

 

 (6)

 

где n – число значений случайной величины.

Если  отношение e /s ex < 3, эксцесс считается  незначительным и его величиной  можно пренебречь.

Для вычисления коэффициента асимметрии в этой формуле  использована статистическая функция СКОС(). Формула для проверки значимости показателя эксцесса задается аналогичным образом. Числителем этой формулы будет функция ЭКСЦЕСС (), а знаменателем соотношение (6), реализованное средствами MS Excel.

Оставшиеся  показатели описательной статистики (рис. 12) представляют меньший интерес. Величина «Интервал» определяется как разность между максимальным и минимальным значением случайной величины (численного ряда). Параметры «Счет» и «Сумма» представляют собой число значений в заданном интервале и их сумму соответственно.

Последняя характеристика «Уровень надежности»  показывает величину доверительного интервала  для математического ожидания согласно заданному уровню надежности или  доверия. По умолчанию уровень надежности принят равным 95%.

Для рассматриваемого примера это означает, что с  вероятностью 0, 95 (95%) величина математического ожидания NPV попадет в интервал 3992,63 ± 972,35.

Расчет  доверительного интервала для среднего значения можно также осуществить  с помощью специальной статистической функции ДОВЕРИТ ().

Дополнение  «Анализ данных» содержит целый  ряд других полезных инструментов, позволяющих быстро и эффективно осуществить требуемый вид обработки  данных. Вместе с тем, большинство  из них требует осмысленного применения и соответствующей подготовки пользователя в области математической статистики.

 

Заключение

 

Имитационное моделирование позволяет учесть максимально возможное число факторов внешней среды для поддержки принятия управленческих решений и является наиболее мощным средством анализа инвестиционных рисков. Необходимость его применения в отечественной финансовой практике обусловлена особенностями российского рынка, характеризующегося зависимостью от внеэкономических факторов и высокой степенью неопределенности.

Результаты  имитации могут быть дополнены вероятностным  и статистическим анализом и в  целом обеспечивают менеджера наиболее полной информацией о степени  влияния ключевых факторов на ожидаемые  результаты и возможных сценариях  развития событий.

К недостаткам  рассмотренного подхода следует  отнести:

• трудность понимания и восприятия имитационных моделей, учитывающих большое число внешних и внутренних факторов, вследствие их математической сложности и объемности;
• при разработке реальных моделей может возникнуть необходимость привлечения специалистов или научных консультантов со стороны;
• относительную неточность полученных результатов, по сравнению с другими методами численного анализа и др.

Несмотря  на отмеченные недостатки, в настоящее  время имитационное моделирование  является основой для создания новых  перспективных технологий управления и принятия решений в сфере  бизнеса, а развитие вычислительной техники и программного обеспечения  делает этот метод все более доступным  для широкого круга специалистов-практиков.

 

 

Библиография

 

1. А.А. Емельянов. Структурный анализ и динамические имитационные модели в экономике. – М.: Финансы и статистика, 2005.
2. Н.Б. Кобелев Основы имитационного моделирования сложных экономических задач. – М.: Дело. 2006.
3. Д. Круглински, С. Уингоу, Дж. Шеферд. Microsoft Excel – справочник пользователя. Спб.:Питер., 2010.
4. А.А. Емельянов, Е.А. Власова, Р.В. Дума. Имитационное моделирование экономических процессов. М. Финансы и статистика, 2005
5. Е.В. Бережная, В.И. Бережной. Математические методы моделирования экономических систем. М.: 2006.
6. А.А. Емельянов. Имитационное моделирование экономических процессов. М.: 2005.

 

Размещено на Allbest.ru