Учебное пособие. Вся информация о товаре. Код товара: 34816690. Книгопечатная продукция (2015). Статистика для бакалавров. Учебное пособие О. Учебное пособие для бакалавров. Цена: 667 руб. Учебное пособие» по привлекательной цене. Купить книгу Нечаева В., Ляховецкий А., Кремянская Е., Климова Н. Статистика : учебное пособие / А.М. Ляховецкий, Е.В. Кремянская, Н.В. Климова и др. В качестве учебного пособия для студентов высших тистки в соответствии с программой подготовки бакалавров. Ляховецкий А.М. Статистика : Учебное пособие для бакалавров / А.М. Ляхо- вецкий, Н.В. Климова, Е.В. Кремянская, под редакцией В.И. Краткий курс по статистике : Учебное пособие Скорая помощь студенту. Климова Н.В., Ляховецкий А.М., Кремянская Е.В. Бакалавриат 11296321. В учебном пособии рассмотрены основные вопросы теории статистики курса Экономическая статистика : понятие и задачи. Учебник для академического бакалавриата. Нечаева В., Ляховецкий А., Кремянская Е., Климова Н. МОДЕЛИРОВАНИЕ СОВРЕМЕННЫХ ТЕНДЕНЦИЙ РИСК- ОРИЕНТИРОВАННОГО АУДИТА С ПРИМЕНЕНИЕМ ТЕОРЕМЫ БАЙЕСА1. Швырёва О. И. Основные показатели рынка аудиторских услуг в Российской Федерации . Авдеева З. К., Коврига, С. Формирование стратегии развития социально- экономических объектов на основе когнитивных карт. Бондаренко П. С. Теория вероятностей и математическая статистика: учеб. Бондаренко, Г. В. Горелова, И. А. Краснодар: Кубанский ГАУ 2. Вайнштейн Л. А., Зубаков В. Д. Выделение сигналов на фоне случайных помех. Госэнергоиздат, 1. Шлейфер Прикладная теория статистических решений / Под ред. Благовещенского. Деловая статистика и вероятностные методы в управлении и бизнесе: учеб. Жминько С. И. Теория аудита: уч. Жминько, О. И. Швырева, М. Ф. Сафонова, И. Н. Практикум по анализу данных на компьютере: Учебно- практическое пособие / И. А. Паклин; под ред. Модели и методы прикладных систем исследований (практикум): учеб. Трубилина, И. А. Курно Основы теории шансов и вероятностей / Ред. Статистика: Учебное пособие для бакалавров / А. М. Ляховецкий, Е. В. Кремянская, Н. В. Климова / Под редакцией В. И. Нечаева Краснодар: Кубанский ГАУ, 2. Экономический анализ в аудите: учеб. Мельник В. Г. Байесовские методы машинного обучения (курс лекций, Д. П. Ветров, Д. А. Кропотов), 2. Вероятностные модели: байесовские сети . Графические модели в машинном обучении . Информационная технология моделирования сложных систем с помощью нечетких когнитивных карт / П. И. Математика больших данных . Но вторая половина двадцатого века открывает новые возможности применения данной теоремы, реализуя их в создании байесовских сетей, которые представляют собой графическую модель распределения вероятностей между признаками, связанными причинно- следственной зависимостью. Такой подход к анализу процессов и явлений с привлечением информации, выраженной в априорных значениях (то есть заведомо известных и основанных на статистических данных или мнениях экспертов) и совокупности свидетельств, которые доказывают или опровергают исходные гипотезы относительно исследуемого объекта, позволяет через взаимозависимую характеристику элементов построить прогноз вероятности появления ожидаемого события. Подобная оценка может играть значительную роль в механизмах принятия решений при условии хорошего качества модели и правильного обоснования и разъяснения полученных результатов. Важно отметить, что настоящее исследование затрагивает актуальные вопросы, поскольку с развитием высоких технологий и увеличением объемов информации, требующей структуризации, встает необходимость ее «очистки» от элементов, отсутствие которых могло бы ускорить процесс обработки данных и улучшить качество их оценки. Целью научной работы является обоснование применимости байесовских сетей в оценке результатов риск- ориентированного аудита. К задачам можно отнести: 1) раскрытие технологии байесовских сетей и их применимости в различных отраслях; 2) выявление основных факторов, влияющих на распределение результатов аудита по видам аудиторских заключений; 3) критический анализ существующей картины распределения выданных аудиторских заключений по результатам проверки аудиторских организаций; 4) математическое обоснование факторов, определяющих качество аудита. Научная новизна исследования состоит в обосновании технологии выявления причин некачественного аудита, обусловленного формированием неадекватного мнения в аудиторском заключении вследствие недобросовестной оценки рисков аудиторами, с применением теории байесовских сетей. Практическая значимость исследования обусловлена ее рациональностью и высокой эффективностью при осуществлении внешнего контроля качества работы аудиторов и аудиторских организаций саморегулируемыми организациями и Росфиннадзором. В ходе исследования были применены методы сравнения и аппроксимации. При построении модели была использована аналитическая программа Netica. Теоретический аппарат байесовских сетей и его практическое применение. Отображение изучаемых объектов и событий в форме удобной для восприятия становится возможным благодаря применению моделирования. Создание модели, то есть упрощенной копии оригинала с сохранением важных для конечного вывода свойств, является первым шагом на пути структурирования исходных данных. Затем осуществляется непосредственный анализ преобразованной информации и выбор правильных или оптимальных решений, если наличие таковых было предусмотрено условием задачи. Различают два типа математических моделей – детерминированные и стохастические. В первых поведение параметров можно предсказать достаточно точно, зная их динамику лишь на отдельном интервальном отрезке, так как конкретным входным данным будут соответствовать единственно верные значения на выходе. В стохастических же моделях величины носят случайный характер и задаются путем распределения вероятностей. Такое внутреннее устройство позволяет заключать лишь условные выводы, которые вследствие своей оценочной природы должны быть качественно интерпретированы. Таким образом, модели, построенные при помощи байесовских сетей, следует отнести к стохастическим. Их особенность – выражение количественных и качественных связей между показателями через число от нуля до единицы, которое будет являться вероятностью события, определенного фактическими данными проведенных экспериментов или посредством экспертных оценок. Помимо этого, можно выделить ещё одну характерную черту байесовского подхода, отличающую его от классического представления о возможности возникновения конкретного исхода, – интерпретация случайности. Случайность, с точки зрения методологии Байеса, есть мера нашего незнания. То есть, чем больше факторов, оказывающих влияние на конечный результат, нам известно, тем более точную вероятность его появления мы сможем спрогнозировать. В трудах французского экономиста и математика Огюстена Курно также прослеживается схожая интерпретация, разделяющая понятия возможности как выражающей нечто объективное и вероятности, которая несет в себе субъективный смысл, не отражая действительно существующего соотношения между вещами, и может оказаться различной для широкого круга лиц в зависимости от объема их знания и незнания . Если вероятность позволяет нам предсказывать неизвестные результаты, основанные на известных параметрах, то постановка обратной задачи дает возможность оценивать неизвестные элементы прогноза, опираясь на знания известных результативных показателей. То есть в первом случае рассматриваемая функция зависит от события, а во втором – от параметра при фиксированном событии, что позволяет определить правдоподобие выбранных величин, оказывающих влияние на результат; P(B) – распределение вероятностей, то есть сумма всех исходов данного события; P(A/B) – апостериорное распределение – условное распределение вероятностей какой- либо величины, рассматриваемое в противоположность ее безусловному или априорному распределению. Данная формула свидетельствует о том, что оценка вероятностной величины Y может меняться в зависимости от объема знаний относительно наблюдаемых и скрытых X, которые оказывают влияние на конечную вероятностную величину. Рассмотрим экономический пример для наглядного представления применения байесовских сетей на практике. Заменим привычные обозначения событий А и В на Н и Е, где Н является экспертной оценкой или гипотезой, а В – доказательством этой гипотезы. Тогда формула Байеса для поставленной задачи будет иметь вид: (4)i = 1, m. Распределим вероятности событий на основе правила Байеса по базе знаний экспертной системы для вычисления апостериорных вероятностей гипотез при условии наблюдаемых свидетельств, благодаря чему сможем получить информацию об оценочных суждениях для каждого из имеющихся доказательств. Пусть в БЗ имеется три гипотезы: – H1 (высокая надежность фирмы); – H2 (средняя надежность фирмы); – H3 (низкая надежность фирмы). Априорные вероятности которых будут , , , соответственно; и два условно независимых свидетельства: – E1 (наличие прибыли у фирмы); – E2 (своевременные расчеты с бюджетом). Представим распределение этих вероятностей в табл. Таблица 1. Распределение вероятностей по заданным условиям. Появление дополнительных фактов, влияющих на гипотезу, будет варьировать ее вероятность, приближая к 0 или 1 в зависимости от качества новой взаимосвязи. Предположим, что имеются H1, H2 и H3, но только одно свидетельство – E1, появление которого является достоверным. Тогда апостериорное распределение имеет вид: , (5)i = 1, 2, 3. Подставим в формулу данные из таблицы.. Таким образом, вероятность того, что при условии наличия прибыли предприятие будет иметь высокую степень надежности, будет равна 0,4. Следовательно, после появления достоверного события E1 доверие к гипотезе H1 возрастает, к H2 –незначительно снижается, а к H3 сокращается в четыре раза. Полученное решение также можно изобразить графически (рис. Подобный способ представления данных в виде вершин графов, которые являются событиями, характеризуемыми случайной величиной, и дуг – вероятностных зависимостей, может более наглядно продемонстрировать возможные варианты распределения показателей. Для того чтобы оценить выбранный параметр, необходимо найти отношение вероятности появления конечного события ко всем остальным подобным значениям, которые появляются на соседних вершинах, но исходят от других «родителей» (рис. Графическое представление распределения вероятностей. Рис. Графическое представление оценки выбранного параметра. Итак, после рассмотрения имеющего примера с наличием лишь одного из свидетельств добавим к решению независимое от E1 достоверное событие E2 и получим формулу Байеса следующего вида: , (6)i = 1, 2, 3. Тогда апостериорные распределения каждой из гипотез будут равны: Исходя из полученных результатов, можно заключить, что при одновременном появлении в вероятностной модели двух свидетельств – наличия прибыли и своевременного расчета с бюджетом – в БЗ остаются только две гипотезы H1 и H2, среди которых 6.
|
