Modelado matemático basado en funciones de densidad de distribución normal

• Iuliia Pinkovetskaia Departamento de Análisis Económico y Gestión del Estado, Universidad Estatal de Ulyanovsk http://orcid.org/0000-0002-8224-9031
• Yulia Nuretdinova Departamento de Seguridad Económica, Contabilidad y Auditoría, Universidad Estatal de Ulyanovsk http://orcid.org/0000-0002-2356-4162
• Ildar Nuretdinov Departamento de Finanzas y Crédito, Universidad Agraria Estatal de Ulyanovsk, que lleva el nombre de P. A. Stolypin, Ulyanovsk, 432600, Rusia http://orcid.org/0000-0003-2511-4031
• Natalia Lipatova Departamento de Teoría Económica y Economía de la Agricultura, Universidad Agraria del Estado de Samara, Kinel, 446430, Rusia http://orcid.org/0000-0002-3167-7271

DOI: https://doi.org/10.46925//rdluz.33.04

Palabras clave: Modelado matemático; funciones de distribución normal; pruebas estadísticas; regiones; indicadores

Resumen

Una de las tareas urgentes en muchos estudios científicos modernos es el análisis comparativo de indicadores que caracterizan grandes conjuntos de objetos similares ubicados en diferentes regiones. Dadas las diferencias significativas entre las regiones comparadas, dicho análisis debería llevarse a cabo utilizando indicadores relativos. El objetivo del estudio fue utilizar las funciones de densidad de la distribución normal para modelar datos empíricos que describen los conjuntos comparados de objetos ubicados en diferentes regiones. El enfoque metodológico se basó en los teoremas de Chebyshev y Lyapunov. Los resultados de la investigación se enfocan en las principales etapas de la construcción de funciones de distribución normales y los histogramas correspondientes, así como la determinación de los parámetros de dichas funciones. El trabajo posee un grado de originalidad, ya que proporciona respuestas a cuestiones tales como la justificación de la base de información necesaria; la realización de experimentos computacionales y el desarrollo de opciones alternativas para la generación de funciones de densidad de distribución normal; evaluación integral de la calidad de las funciones obtenidas mediante tres pruebas estadísticas: Pearson, Kolmogorov-Smirnov, Shapiro-Wilk; identificación de patrones que caracterizan la distribución de indicadores de los conjuntos de objetos considerados. Se dan ejemplos de modelos de datos empíricos utilizando funciones de distribución para estimar la proporción de empresas innovadoras en el número total de empresas en las regiones de Rusia.

Citas

Afeez B., Maxwell O., Otekunrin O., Happiness O. (2018). Selection and Validation of Comparative Study of Normality Test. American Journal of Mathematics and Statistics. 8(6), 190-201.

Allanson P. (1992). Farm size structure in England and Wales, 1939–89. Journal of Agricultural Economics, 43, 137-148.

Balaev A.I. (2014). Modelling Financial Returns and Portfolio Construction for the Russian Stock Market. International Journal of Computational Economics and Econometrics, 1/2(4), 32-81.

Dubrov A.M., Mkhitaryan V.S. & Troshin L.I. (2000). Multidimensional statistical methods. Moscow, Finance and Statistics.

Federal State Statistics Service. Science and innovation. Available at: https://rosstat.gov.ru/folder/14477?print=1 (accessed 15.01.2021).

Filatov S.V. (2008). Some questions of improving methods of complex assessment of the financial condition of the enterprise. Scientific and practical journal, Economics, Statistics and Informatics. Vestnik UMO, 3, 56-62.

Gmurman V.E. (2003). Theory of probability and mathematical statistics. Moscow, Higher School.

Heinhold I. & Gaede K. (1964). Ingenieur statistic. München; Wien: Springler Verlag.

Khodasevich G.B. (2021). Processing of experimental data on a computer. Basic concepts and operations of experimental data processing. Available at: http://opds.sut.ru/old/electronic_manuals/oed/f02.htm (accessed 15.01.2021).

Kramer H. (1999). Mathematical methods of statistics. Princeton, University Press

Kremer N.S. (2009). Probability theory and Mathematical statistics. Moscow, UNITY-DANA.

Harrison R.H. (1985). Choosing the Optimum Number of Classes in the Chi-Square Test for Arbitrary Power Levels The Indian Journal of Statistics. 47(3), 319-324.

Mathematical Encyclopedia (in 5 volumes). (1977). edited by I. M. Vinogradov. Moscow, Soviet encyclopedia.

On the development of small and medium businesses in the Russian Federation. Federal Law No. 209-FZ of 24.07.07. ConsultantPlus.

Orlov A.I. (2004). Econometrica. Moscow, Exam.

Pearson E.S., D’Agostino R.B. & Bowmann K.O. (1977). Test for departure from normality: Comparison of powers. Biometrika, 64, 231-246.

Pinkovetskaia I.S. (2015). Methodology of research of indicators of activity of entrepreneurial structures. Proceedings of the Karelian Scientific Center of the Russian Academy of Sciences, 3, 83-92.

Pinkovetskaia I.S. (2013). Entrepreneurship in the Russian Federation: genesis, state, prospects of development. Ulyanovsk, Ulyanovsk State University.

Pinkovetskaia I.S. (2012). Comparative analysis of entrepreneurial structures in Russia. Bulletin of the NGUEU, 1, 155-164.

Rahman M. & Wu H. (2013). Tests for normality: A comparative study. Far East Journal of Mathematical Sciences. April. 75(1), 143-164.

Razali N. & Yap B.W. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2(1), 21-33.

Seier E. & Bonett D.G. (2002). A test of Normality with high uniform power. Computational statistics & Data Analysis. 40, 435-445.

Shapkin A.S. (2003). Economic and financial risks. Evaluation, management, investment portfolio. Moscow, Publishing and Trading Corporation "Dashkov & K".

Shapiro S.S. & Wilk M.B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3-4), 591-611.

Shapiro S.S., Wilk M.B. & Chen H.G. (1968). A comparative study of various tests for normality. Journal of the American Statistical Association, 63, 1343-1372.

Storm R. (1970). Probability theory. Mathematical statistics. Statistical quality control. Moscow, Mir.

Sturgess H. (1926). The choice of a classic intervals. Journal of the American Statistical Association, 21(153), 65-66.

Totmyanina K.M. (2011). Review of models of probability of default. Financial risk management, 01(25), 12-24.

Van der Waerden B.L. (1969). Mathematical Statistics. UK, George Allen & Unwin Ltd.

Vince R. (1992). The Mathematics of Money Management: Risk Analysis Techniques for Traders. New York, John Wiley & Sons.

Wentzel E.S. (2010). The theory of probability. Moscow, KnoRus.

Yap B.W. & Sim C.H. (2011). Comparisons of various types of normality tests, Journal of Statistical Computation and Simulation, 81(12), 2141-2155.

Yazici B. & Asma S. (2007). A comparison of various tests of normality. Journal of Statistical Computation and Simulation, 77(2), 175-183.