<< Пред.           стр. 1 (из 2)           След. >>

Список литературы по разделу

 Учебник по имитационному моделированию
 экономических процессов.
 
 Содержание.
 
 
 
 1. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ
 
 2. Моделирование экономических процессов
 
 3. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ
 (ИНВЕСТИЦИОННЫХ РИСКОВ)
 3.1. Моделирование рисков инвестиционных проектов
 3.2. Технология имитационного моделирования в среде ППП EXCEL
 3.2.1. Имитационное моделирование с применением функций ППП EXCEL
 3.2.2. Имитация с инструментом "Генератор случайных чисел"
 3.2.3. Статистический анализ результатов имитации
 4. Расчет сетевой модели
 
 5. Построение календарного графика и распределение ресурсов
 
 6. Модели управления запасами
 
 7. Однопродуктовая статическая модель с разрывами цен.
 
 8. Многопродуктовая статическая модель с ограничениями на емкость складских помещений.
 
 9. Принятие решений в задачах с неполной информацией.
 
 10. Критерий "ожидаемое значение - дисперсия".
 
 11. Критерий предельного уровня.
 
 Вниз
 
 1. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ
 В русском языке прилагательное "имитационный" часто используют как синоним прилагательных "сходный", "похожий". Среди словосочетаний "математическая модель", "аналоговая модель", "статистическая модель", пара - "имитационная модель", появившаяся в русском языке, наверное, в результате неточности перевода, постепенно приобрела новое, отличное от первоначального значение. Указывая, что данная модель имитационная, мы обычно подчеркиваем, что в отличие от других типов абстрактных моделей, в этой модели сохранены и легко узнаваемы такие черты моделируемого объекта, как структура, связи между компонентами, способ передачи информации. С имитационными моделями также обычно связывают и требование иллюстрации их поведения с помощью принятых в данной прикладной области, графических образов. Недаром имитационными обычно называют модели предприятий, экологические и социальные модели.
 С учетом последнего замечания, имитационная модель рассматривается нами специальная форма математической модели, в которой:
 * декомпозиция системы на компоненты производится с учетом структуры проектируемого или изучаемого объекта;
 * в качестве законов поведения, могут использоваться экспериментальные данные, полученные в результате натурных экспериментов;
 * а поведение системы во времени иллюстрируется заданными динамическими образами.
 Имитационное моделирование на цифровых вычислительных машинах является одним из наиболее мощных средств исследования, в частности, сложных динамических систем. Как и любое компьютерное моделирование, оно дает возможность проводить вычислительные эксперименты с еще только проектируемыми системами и изучать системы, натурные эксперименты с которыми, из-за соображений безопасности или дороговизны, не целесообразны. В тоже время, благодаря своей близости по форме к физическому моделированию, это метод исследования доступен более широкому кругу пользователей.
 В настоящее время, когда компьютерная промышленность, предлагает разнообразнейшие средства моделирования, любой квалифицированный инженер, технолог или менеджер должен уметь уже не просто моделировать сложные объекты, а моделировать их с помощью современных технологий, реализованных в форме графических сред или пакетов визуального моделирования.
 Пакеты визуального моделирования
  "Сложность изучаемых и проектируемых систем приводит к необходимости создания специальной, качественно новой техники исследования, использующей аппарат имитации - воспроизведения на ЭВМ специально организованными системами математических моделей функционирования проектируемого или изучаемого комплекса".(стр. 182)
 Н.Н. Моисеев "Математические задачи системного анализа". М.: Наука, 1981, 488с. Это требование было трудно выполнимым до повсеместного проникновения в исследовательскую деятельность персонального компьютера с графическим дисплеем (для нашей страны это в подавляющем большинстве случаев Intel-совместимый компьютер с операционной системой MS Windows) и появления специального программного обеспечения - пакетов визуального моделирования. Системы автоматизации моделирования, разработанные в 60-70-е годы (Simula, SLAM, НЕДИС и другие), были еще слишком сложны для широкого пользователя, прежде всего из-за сложности текстовой формы описания модели и отсутствия программных реализаций эффективных численных методов (в 70-е годы был единственный пакет GEAR, все современные численные пакеты датируются 80 годами).
 Пакеты же визуального моделирования позволяют пользователю вводить описание моделируемой системы в естественной для прикладной области и преимущественно графической форме (например, в буквальном смысле рисовать функциональную схему, размещать на ней блоки и соединять их связями), а также представлять результаты моделирования в наглядной форме, например, в виде диаграмм или анимационных картинок.
 Одним из главных достоинств систем визуального моделирования является то, что они позволяют пользователю не заботится о программной реализации модели, как о последовательности исполняемых операторов, и тем самым создают на компьютере некоторую чрезвычайно удобную среду, в которой можно создавать виртуальные, "квазиаппаратные" параллельно функционирующие системы и проводить эксперименты с ними. Графическая среда становится похожей на физический испытательный стенд, только вместо тяжелых металлических ящиков, кабелей и реальных измерительных приборов, осциллографов и самописцев пользователь имеет дело с их образами на экране дисплея. Образы можно перемещать, соединять и разъединять с помощью мыши. Кроме того, пользователь может видеть и оценивать результаты моделирования по ходу эксперимента и, при необходимости, активно в него вмешиваться.
 Программная реализация виртуального стенда скрыта от пользователя. Для проведения экспериментов не требуется никаких особых знаний о компьютере, операционной системе и математическом обеспечении. Можно сказать, что виртуальный стенд превращает цифровую вычислительную машину в невиданно точную и удобную аналоговую. Таким образом, прогресс средств автоматизации моделирования приводит нас на следующем витке спирали развития к истокам вычислительной техники.
 Еще одной важной особенностью современного пакета автоматизации моделирования является использование технологии объектно-ориентированного моделирования, что позволяет резко расширить границы применимости и повторного использования уже созданных и подтвердивших свою работоспособность моделей.
 Успех новой технологии резко расширил круг пользователей визуальных пакетов моделирования, что обострило вечную проблему достоверности получаемых решений. Графическая оболочка скрывает от пользователя сложную процедуру получения численного решения. В то же время, автоматический выбор нужного для решения конкретной задачи численного метода и настройка его параметров часто являются далеко не тривиальной задачей. В результате появляется опасность быстрого получения красиво оформленных, но неправильных результатов.
 Объектно-ориентированное моделирование
  "Вместе с ростом числа ЭВМ и задач трудности технологические и организационные все больше стали преобладать над трудностями "чисто научными". Сейчас масштаб и объем этих трудностей настолько вырос, что можно говорить, что задача их преодоления сама стала задачей науки и представляет собой проблему фундаментального значения".
 Н.Н. Яненко, В.И. Карначук, А.И. Коновалов. "Проблемы математической технологии"/ Численные методы механики сплошной среды. Новосибирск, ВЦ СО АН СССР, 8, 3, 1977. Основные понятия
 Объектно-ориентированное моделирование (ООМ) предполагает поддержку классов и экземпляров блоков, а также наследования и полиморфизма блоков.
 Класс определяет некоторый шаблон или прототип блока (например, бассейн вообще). Оперируя с классом, например "Бассейн", нельзя говорить о конкретном значении уровня воды в нем, так как в определении класса присутствуют только информация о типах и именах используемых переменных, но не об их значениях.
 Экземпляр блока - это конкретный представитель класса блоков, например, Бассейн_1 и Бассейн_2. Каждый экземпляр имеет свои собственные значения переменных (уровни воды в двух бассейнах могут быть разными). При создании нового экземпляра могут быть конкретизированы его параметры - специальные константы, которые не могут быть, как и любые константы, изменены в процессе функционирования, но могут оказаться разными для различных экземпляров. В функциональную схему могут входить несколько экземпляров одного и того же класса, например, выходная труба блока Бассейн_1 может являться входной для блока Бассейн_2.
 Экземпляры могут быть статическими и динамическими. Статический экземпляр создается при создании модели и уничтожается при ее уничтожении. Например, каскад бассейнов явно является статической структурой. Динамические экземпляры создаются и уничтожаются в ходе моделирования. Например, при моделировании работы системы ПВО число самолетов в зоне видимости радиолокатора переменно.
 Вообще говоря, понятия класса и экземпляра поддерживались явно или неявно практически всеми языками моделирования. В противном случае достаточно сложно моделировать системы с множеством однотипных блоков и невозможно моделировать системы с динамической структурой.
 Более сложными понятиями ООМ являются наследование и полиморфизм.
 Часто возникает необходимость создать новый класс "такой же, но ...". Например, нужно описать бассейн с подогревом воды, дополнив описание стандартного бассейна нужными деталями. В этом новом классе "Бассейн_с_подогревом" описание интерфейса и динамики уровня воды будет точно таким же, как и в классе "Бассейн". К нему добавится свое описание тепловых потоков и динамики температуры.
 Можно просто перенести в описание нового класса элементы описания старого и добавить новые. Но можно объявить новый класс прямым потомком старого. В этом случае класс "Бассейн" будет являться суперклассом (родителем, базовым классом) для класса "Бассейн_с_подогревом", а тот в свою очередь будет являться подклассом (потомком, производным классом) по отношению к классу "Бассейн". В этом случае производный класс автоматически унаследует все элементы описания своего базового класса. Следует отметить, что наследование не означает простого копирования. Между классами возникает постоянная связь: если в классе "Бассейн" добавить новую переменную состояния (например, показатель хлорированности воды), то она автоматически появится в классе "Бассейн_с_подогревом".
 Полиморфизм означает возможность использования вместо экземпляра блока некоторого базового класса экземпляра любого его производного класса. Например, для радиолокационной станции все сопровождаемые объекты являются экземплярами класса "Летательный_аппарат" и характеризуются только положением и вектором скорости. На самом же деле эти объекты могут являться самыми разнообразными потомками класса "Летательный_аппарат" от B-52 до птеродактиля.
 Библиотеки классов
 Наличие богатых библиотек классов является серьезным преимуществом той или иной системы моделирования. В этом случае модель может строиться механически из экземпляров стандартных классов с их параметрической настройкой. Возможности среды увеличиваются, если библиотеки классов создаются самим прикладным пользователем.
 Следует отметить, что при построении библиотеки классов чрезвычайно удобным оказывается использование неориентированных блоков, поскольку это дает возможность создавать блоки, максимально независимые от внешнего окружения.
 Численное решение
 Традиционная технология численного моделирования требует весьма аккуратного выбора и настройки численного метода (иногда даже несколько раз по ходу решения) и тщательного исследования погрешности результатов. Знание особенностей решаемой системы уравнений (например, что она линейная) может на порядки увеличить скорость решения. Анализ свойств решаемой системы и настройка метода - трудная задача даже для специалистов. Доверить эту работу пользователю визуальных пакетов не представляется возможным. Кроме того, при использовании стандартных библиотечных классов пользователь просто не знает, с какими уравнениями он имеет дело.
 Максимально удобным для численного решения является явное представление моделируемой системы в виде такой гибридной, в которой все скачкообразные изменения значений переменных выполняются только во время переходов, а непрерывные поведения соответствуют поведениям простых динамических система с гладкими правыми частями, для каждой из которых автоматически может быть подобран соответствующий численный метод. Наипростейшим случаем является ситуация, когда приходится интегрировать только дифференциальные уравнения. При этом не надо забывать, что этот "наипростейший" случай на протяжении уже многих лет является предметов изучения многих специалистов в разных странах.
 Таким образом, задача численного нахождения решения распадается на несколько:
 1) выявление скрытой гибридности в описании непрерывных систем и построение гибридной системы, где узлам приписаны "хорошо" решаемые системы уравнений;
 2) автоматическое определение численных особенностей текущей эквивалентной системы для уравнений;
 3) автоматический выбор численного метода для текущей эквивалентной системы, позволяющего получить хотя бы качественно правильное решение;
 4) определение точки переключения - границы существования текущей эквивалентной системы, задаваемой условиями срабатывания переходов.
 Существующие подходы к визуальному моделированию сложных динамических систем
 В настоящее время существует великое множество визуальных средств моделирования. Договоримся не рассматривать в этой работе пакеты, ориентированные на узкие прикладные области (электроника, электромеханика и т.д.), поскольку, как отмечалось выше, элементы сложных систем относятся, как правило, к различным прикладным областям. Среди оставшихся универсальных пакетов (ориентированных на определенную математическую модель), мы не будем обращать внимание на пакеты, ориентированные на математические модели, отличные от простой динамической системы (уравнения в частных производных, статистические модели), а также на чисто дискретные и чисто непрерывные. Таким образом, предметом рассмотрения будут универсальные пакеты, позволяющие моделировать структурно-сложные гибридные системы.
 Их можно условно разделить на три группы:
 1) пакеты "блочного моделирования":
 2) пакеты "физического моделирования":
 3) пакеты, ориентированные на схему гибридного автомата.
 Это деление является условным прежде всего потому, что все эти пакеты имеют много общего: позволяют строить многоуровневые иерархические функциональные схемы, поддерживают в той или иной степени технологию ООМ, предоставляют сходные возможности визуализации и анимации. Отличия обусловлены тем, какой из аспектов сложной динамической системы сочтен наиболее важным.
 Пакеты "блочного моделирования" ориентированы на графический язык иерархических блок схем. Элементарные блоки являются либо предопределенными, либо могут конструироваться с помощью некоторого специального вспомогательного языка более низкого уровня. Новый блок можно собрать из имеющихся блоков с использованием ориентированных связей и параметрической настройки. В число предопределенных элементарных блоков входят чисто непрерывные, чисто дискретные и гибридные блоки.
 К достоинствами этого подхода следует отнести, прежде всего, чрезвычайную простоту создания не очень сложных моделей даже не слишком подготовленным пользователем. Другим достоинством является эффективность реализации элементарных блоков и простота построения эквивалентной системы. В то же время при создании сложных моделей приходится строить довольно громоздкие многоуровневые блок-схемы, не отражающие естественной структуры моделируемой системы. Другими словами, этот подход работает хорошо, когда есть подходящие стандартные блоки.
 Наиболее известными представителями пакетами "блочного моделирования" являются:
 - подсистема SIMULINK пакета MATLAB (MathWorks, Inc.; http://www.mathworks.com);
 - EASY5 (Boeing)
 - подсистема SystemBuild пакета MATRIXX (Integrated Systems, Inc. );
 - VisSim (Visual Solution; http://www.vissim.com).
 Пакеты "физического моделирования" позволяют использовать неориентированные и потоковые связи. Пользователь может сам определять новые классы блоков. Непрерывная составляющая поведения элементарного блока задается системой алгебро-дифференциальных уравнений и формул. Дискретная составляющая задается описанием дискретных событий (события задаются логическим условием или являются периодическими), при возникновении которых могут выполняться мгновенные присваивания переменным новых значений. Дискретные события могут распространяться по специальным связям. Изменение структуры уравнений возможно только косвенно через коэффициенты в правых частях (это обусловлено необходимостью символьных преобразований при переходе к эквивалентной системе).
 Подход очень удобен и естественен для описания типовых блоков физических систем. Недостатками являются необходимость символьных преобразований, что резко сужает возможности описания гибридного поведения, а также необходимость численного решения большого числа алгебраических уравнений, что значительно усложняет задачу автоматического получения достоверного решения.
 К пакетам "физического моделирования" следует отнести:
 "20-SIM" (Controllab Products B.V; http://www.rt.el.utwente.nl/20sim/);
 - Dymola (Dymasim; http://www.dynasim.se);
 - Omola, OmSim (Lund University; http://www.control.lth.se/~cace/omsim.html);
 Как обобщение опыта развития систем этого направления междунородной группой ученых разработан язык Modelica (The Modelica Design Group; http://www.dynasim.se/modelica), предлагаемый в качестве стандарта при обмене описаниями моделей между различными пакетами.
 Пакеты, основанные на использовании схемы гибридного автомата, позволяют очень наглядно и естественно описывать гибридные системы со сложной логикой переключений. Необходимость определения эквивалентной системы при каждом переключении заставляет использовать только ориентированные связи. Пользователь может сам определять новые классы блоков. Непрерывная составляющая поведения элементарного блока задается системой алгебро-дифференциальных уравнений и формул. К недостаткам следует также отнести избыточность описания при моделировании чисто непрерывных систем.
 К этому направлению относится пакет Shift (California PATH: http://www.path.berkeley.edu/shift), а также отечественный пакет Model Vision Studium. Пакет Shift в большей стпени ориентирован на описание сложных динамических структур, а пакет MVS - на описание сложных поведений.
 Заметим, что между вторым и третьим направлениями нет непреодолимой пропасти. В конце концов, невозможность из совместного использования обусловлена лишь сегодняшними вычислительными возможностями. В то же время, общая идеология построения моделей практически совпадает. В принципе, возможен комбинированный подход, когда в структуре модели должны выделяться составные блоки, элементы которых имеют чисто непрерывное поведение, и однократно преобразовываться к эквивалентному элементарному. Далее уже совокупное поведение этого эквивалентного блока должно использоваться при анализе гибридной системы.
 
 Содержание
 
 
 В начало
 
 Вниз
 
 Исходная информация по
 ИМИТАЦИОННОМУ МОДЕЛИРОВАНИЮ ИНВЕСТИЦИОННЫХ РИСКОВ
 
 3. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ИНВЕСТИЦИОННЫХ РИСКОВ
 АНАЛИЗ ФИНАНСОВЫХ ОПЕРАЦИЙ
 СОДЕРЖАНИЕ
 3.1. Моделирование рисков инвестиционных проектов
 3.2. Технология имитационного моделирования в среде ППП EXCEL
 3.2.1. Имитационное моделирование с применением функций ППП EXCEL
 3.2.2. Имитация с инструментом "Генератор случайных чисел"
 3.2.3. Статистический анализ результатов имитации
 
 Имитационное моделирование (simulation) является одним из мощнейших методов анализа экономических систем.
 В общем случае, под имитацией понимают процесс проведения на ЭВМ экспериментов с математическими моделями сложных систем реального мира.
 Цели проведения подобных экспериментов могут быть самыми различными - от выявления свойств и закономерностей исследуемой системы, до решения конкретных практических задач. С развитием средств вычислительной техники и программного обеспечения, спектр применения имитации в сфере экономики существенно расширился. В настоящее время ее используют как для решения задач внутрифирменного управления, так и для моделирования управления на макроэкономическом уровне. Рассмотрим основные преимущества применения имитационного моделирования в процессе решения задач финансового анализа.
 Как следует из определения, имитация - это компьютерный эксперимент. Единственное отличие подобного эксперимента от реального состоит в том, что он проводится с моделью системы, а не с самой системой. Однако проведение реальных экспериментов с экономическими системами, по крайней мере, неразумно, требует значительных затрат и вряд ли осуществимо на практике. Таким образом, имитация является единственным способом исследования систем без осуществления реальных экспериментов.
 Часто практически невыполним или требует значительных затрат сбор необходимой информации для принятия решений. Например, при оценке риска инвестиционных проектов, как правило, используют прогнозные данные об объемах продаж, затратах, ценах и т.д.
 Однако чтобы адекватно оценить риск необходимо иметь достаточное количество информации для формулировки правдоподобных гипотез о вероятностных распределениях ключевых параметров проекта. В подобных случаях отсутствующие фактические данные заменяются величинами, полученными в процессе имитационного эксперимента (т.е. сгенерированными компьютером).
 При решении многих задач финансового анализа используются модели, содержащие случайные величины, поведение которых не поддается управлению со стороны лиц, принимающих решения. Такие модели называют стохастическими. Применение имитации позволяет сделать выводы о возможных результатах, основанные на вероятностных распределениях случайных факторов (величин). Стохастическую имитацию часто называют методом Монте-Карло.
 Существуют и другие преимущества имитации. Подробное изложение основ имитационного моделирования и его применения в различных сферах можно найти в соответствующей литературе.
 Мы же рассмотрим технологию применения имитационного моделирования для анализа рисков инвестиционных проектов в среде ППП EXCEL.
 3.1. Моделирование рисков инвестиционных проектов
 Имитационное моделирование представляет собой серию численных экспериментов призванных получить эмпирические оценки степени влияния различных факторов (исходных величин) на некоторые зависящие от них результаты (показатели).
 В общем случае, проведение имитационного эксперимента можно разбить на следующие этапы.
 1. Установить взаимосвязи между исходными и выходными показателями в виде математического уравнения или неравенства.
 2. Задать законы распределения вероятностей для ключевых параметров модели.
 3. Провести компьютерную имитацию значений ключевых параметров модели.
 4. Рассчитать основные характеристики распределений исходных и выходных показателей.
 5. Провести анализ полученных результатов и принять решение.
 Результаты имитационного эксперимента могут быть дополнены статистическим анализом, а также использоваться для построения прогнозных моделей и сценариев.
 Осуществим имитационное моделирование анализа рисков инвестиционного проекта на основании данных примера, используемого ранее для демонстрации метода сценариев в главе 5. Для удобства, приведем его условия еще раз.
 Пример 3.1.
 Фирма рассматривает инвестиционный проект по производству продукта "А". В процессе предварительного анализа экспертами были выявлены три ключевых параметра проекта и определены возможные границы их изменений (табл. 3.1). Прочие параметры проекта считаются постоянными величинами (табл. 3.2).
 Таблица 3.1.
 Ключевые параметры проекта по производству продукта "А"
 Показатели Сценарий Наихудший Наилучший Вероятный Объем выпуска - Q 150 300 200 Цена за штуку - P 40 55 50 Переменные затраты - V 35 25 30 Таблица 3.2
 Неизменяемые параметры проекта по производству продукта "А"
 Показатели Наиболее вероятное значение Постоянные затраты - F 500 Амортизация - A 100 Налог на прибыль - T 60% Норма дисконта - r 10% Срок проекта - n 5 Начальные инвестиции - I0 2000 Первым этапом анализа согласно сформулированному выше алгоритму является определение зависимости результирующего показателя от исходных. При этом в качестве результирующего показателя обычно выступает один из критериев эффективности: NPV, IRR, PI.
 Предположим, что используемым критерием является чистая современная стоимость проекта NPV:
 (3.1)
 где:
 NCFt - величина чистого потока платежей в периоде t.
 По условиям примера, значения нормы дисконта r и первоначального объема инвестиций I0 известны и считаются постоянными в течение срока реализации проекта (табл. 3.2).
 В целях упрощения будем полагать, что генерируемый проектом поток платежей имеет вид аннуитета. Тогда величина потока платежей NCF для любого периода t одинакова и может быть определена из следующего соотношения:
 (3.2).
 Следующими этапом проведения анализа является выбор законов распределения вероятностей ключевых переменных.
 По условиям примера ключевыми варьируемыми параметрами являются: переменные расходы V, объем выпуска Q и цена P. Диапазоны возможных изменений варьируемых показателей приведены в табл. 3.1. При этом будем исходить из предположения, что все ключевые переменные имеют равномерное распределение вероятностей.
 Реализация третьего этапа может быть осуществлена только с применением ЭВМ, оснащенной специальными программными средствами. Поэтому прежде чем приступить к третьему этапу - имитационному эксперименту, познакомимся с соответствующими средствами ППП EXCEL, автоматизирующими его проведение.
 3.2. Технология имитационного моделирования в среде ППП EXCEL
 Проведение имитационных экспериментов в среде ППП EXCEL можно осуществить двумя способами - с помощью встроенных функций и путем использования инструмента "Генератор случайных чисел" дополнения "Анализ данных" (Analysis ToolPack). Для сравнения ниже рассматриваются оба способа. При этом основное внимание уделено технологии проведения имитационных экспериментов и последующего анализа результатов с использованием инструмента "Генератор случайных чисел".
 3.2.1 Имитационное моделирование с применением функций ППП EXCEL
 Следует отметить, что применение встроенных функций целесообразно лишь в том случае, когда вероятности реализации всех значений случайной величины считаются одинаковыми. Тогда для имитации значений требуемой переменной можно воспользоваться математическими функциями СЛЧИС() или СЛУЧМЕЖДУ(). Форматы функций приведены в табл. 3.3.
 Таблица 3.3.
 Математические функции для генерации случайных чисел
 Наименование функции Формат функции Оригинальная версия Локализованная версия RAND СЛЧИС СЛЧИС() - не имеет аргументов RANDBETWEEN СЛУЧМЕЖДУ СЛУЧМЕЖДУ(нижн_граница; верхн_граница) Функция СЛЧИС()
 Функция СЛЧИС() возвращает равномерно распределенное случайное число E, большее, либо равное 0 и меньшее 1, т.е.: 0 E < 1. Вместе с тем, путем несложных преобразований, с ее помощью можно получить любое случайное вещественное число. Например, чтобы получить случайное число между a и b, достаточно задать в любой ячейке ЭТ следующую формулу:
 =СЛЧИС()*(b-a)+a
 Эта функция не имеет аргументов. Если в ЭТ установлен режим автоматических вычислений, принятый по умолчанию, то возвращаемый функцией результат будет изменяться всякий раз, когда происходит ввод или корректировка данных. В режиме ручных вычислений пересчет всей ЭТ осуществляется только после нажатия клавиши [F9].
 Настройка режима управления вычислениями производится установкой соответствующего флажка в подпункте "Вычисления" пункта "Параметры" темы "Сервис" главного меню.
 В целом применение данной функции при решении задач финансового анализа ограничено рядом специфических приложений. Однако ее удобно использовать в некоторых случаях для генерации значений вероятности событий, а также вещественных чисел.
 Функция СЛУЧМЕЖДУ(нижн_граница; верхн_граница)
 Как следует из названия этой функции, она позволяет получить случайное число из заданного интервала. При этом тип возвращаемого числа (т.е. вещественное или целое) зависит от типа заданных аргументов.
 В качестве примера, сгенерируем случайное значение для переменной Q (объем выпуска продукта). Согласно табл. 3.1, эта переменная принимает значения из диапазона 150 - 300.
 Введите в любую ячейку ЭТ формулу:
 =СЛУЧМЕЖДУ(150; 300) (Результат: 210)
 (Читатель может получить другой результат - любое число из заданного диапазона)
 Если задать аналогичные формулы для переменных P и V, а также формулу для вычисления NPV и скопировать их требуемое число раз, можно получить генеральную совокупность, содержащую различные значения исходных показателей и полученных результатов. После чего, используя рассмотренные в предыдущих главах статистические функции, нетрудно рассчитать соответствующие параметры распределения и провести вероятностный анализ.
 Продемонстрируем изложенный подход на решении примера 3.1. Перед тем, как приступить к разработке шаблона, целесообразно установить в ЭТ режим ручных вычислений. Для этого необходимо выполнить следующие действия.
 1. Выбрать в главном меню тему "Сервис".
 2. Выбрать пункт "Параметры" подпункт "Вычисления".
 3. Установить флажок "Вручную" и нажать кнопку "ОК".
 Приступаем к разработке шаблона. С целью упрощения и повышения наглядности анализа выделим для его проведения в рабочей книге ППП EXCEL два листа.
 Первый лист - "Имитация", предназначен для построения генеральной совокупности (рис. 3.1). Определенные в данном листе формулы и собственные имена ячеек приведены в табл. 3.4. и 3.5.
 
 Рис. 3.1. Лист "Имитация"
 Таблица 3.4.
 Формулы листа "Имитация"
 Ячейка Формула Е7 =B7+10-2 A10 =СЛУЧМЕЖДУ($B$3;$C$3) A11 =СЛУЧМЕЖДУ($B$3;$C$3) B10 =СЛУЧМЕЖДУ($B$4;$C$4) B11 =СЛУЧМЕЖДУ($B$4;$C$4) C10 =СЛУЧМЕЖДУ($B$5;$C$5) C11 =СЛУЧМЕЖДУ($B$5;$C$5) D10 =(B10*(C10-A10)-Пост_расх-Аморт)*(1-Налог)+Аморт D11 =(B11*(C11-A11)-Пост_расх-Аморт)*(1-Налог)+Аморт E10 =ПЗ(Норма;Срок;-D10)-Нач_инвест E11 =ПЗ(Норма;Срок;-D11)-Нач_инвест Таблица 3.5.
 Имена ячеек листа "Имитация"
 Адрес ячейки Имя Комментарии Блок A10:A11 Перем_расх Переменные расходы Блок B10:B11 Количество Объем выпуска Блок C10:C11 Цена Цена изделия Блок D10:D11 Поступления Поступления от проекта NCFt Блок E10:E11 ЧСС Чистая современная стоимость NPV Первая часть листа (блок ячеек А1.Е7) предназначена для ввода диапазонов изменений ключевых переменных, значения которых будут генерироваться в процессе проведения эксперимента. В ячейке В7 задается общее число имитаций (экспериментов). Формула, заданная в ячейке Е7, вычисляет номер последней строки выходного блока, в который будут помещены полученные значения. Смысл этой формулы будет раскрыт позже.
 Вторая часть листа (блок ячеек А9.Е11) предназначена для проведения имитации. Формулы в ячейках А10.С11 генерируют значения для соответствующих переменных с учетом заданных в ячейках В3.С5 диапазонов их изменений. Обратите внимание на то, что при указании нижней и верхней границы изменений используется абсолютная адресация ячеек.
 Формулы в ячейках D10.E11 вычисляют величину потока платежей и его чистую современную стоимость соответственно. При этом значения постоянных переменных берутся из следующего листа шаблона - "Результаты анализа".
 Лист "Результаты анализа" кроме значений постоянных переменных содержит также функции, вычисляющие параметры распределения изменяемых (Q, V, P) и результатных (NCF, NPV) переменных и вероятности различных событий. Определенные для данного листа формулы и собственные имена ячеек приведены в табл. 3.6 и 3.7. Общий вид листа показан на рис. 3.2.
 Таблица 3.3.
 Формулы листа "Результаты анализа"
 Ячейка Формула B8 =СРЗНАЧ(Перем_расх) B9 =СТАНДОТКЛОНП(Перем_расх) B10 =B9/B8 B11 =МИН(Перем_расх) B12 =МАКС(Перем_расх) C8 =СРЗНАЧ(Количество) C9 =СТАНДОТКЛОНП(Количество) C10 =C9/C8 C11 =МИН(Количество) C12 =МАКС(Количество) D8 =СРЗНАЧ(Цена) D9 =СТАНДОТКЛОНП(Цена) D10 =D9/D8 D11 =МИН(Цена) D12 =МАКС(Цена) E8 =СРЗНАЧ(Поступления) E9 =СТАНДОТКЛОНП(Поступления) E10 =E9/E8 E11 =МИН(Поступления) E12 =МАКС(Поступления) F8 =СРЗНАЧ(ЧСС) F9 =СТАНДОТКЛОНП(ЧСС) F10 =F9/F8 F11 =МИН(ЧСС) F12 =МАКС(ЧСС) F13 =СЧЁТЕСЛИ(ЧСС;"<0") F14 =СУММЕСЛИ(ЧСС;"<0") F15 =СУММЕСЛИ(ЧСС;">0") Е18 =НОРМАЛИЗАЦИЯ(D18;$F$8;$F$9) F18 =НОРМСТРАСП(E18) Таблица 3.7.
 Имена ячеек листа "Результаты анализа"
 Адрес ячейки Имя Комментарии B2 Нач_инвест Начальные инвестиции B3 Пост_расх Постоянные расходы B4 Аморт Амортизация D2 Норма Норма дисконта D3 Налог Ставка налога на прибыль D4 Срок Срок реализации прока
 Рис. 3.2. Лист "Результаты анализа"
 Поскольку формулы листа содержат ряд новых функций, приведем необходимые пояснения.
 Функции МИН() и МАКС() вычисляют минимальное и максимальное значение для массива данных из блока ячеек, указанного в качестве их аргумента. Имена и диапазоны этих блоков приведены в табл. 3.7.
 Функция СЧЕТЕСЛИ() осуществляет подсчет количества ячеек в указанном блоке, значения которых удовлетворяют заданному условию. Функция имеет следующий формат:
 =СЧЕТЕСЛИ(блок; "условие").
 В данном случае, заданная в ячейке F13, эта функция осуществляет подсчет количества отрицательных значений NPV, содержащихся в блоке ячеек ЧСС (см. табл. 3.7).
 Механизм действия функции СУММЕСЛИ() аналогичен функции СЧЕТЕСЛИ(). Отличие заключается лишь в том, что эта функция суммирует значения ячеек в указанном блоке, если они удовлетворяют заданному условию. Функция имеет следующий формат:
 =СУММЕСЛИ(блок; "условие").
 В данном случае, заданные в ячейках F14.F15, функции осуществляет подсчет суммы отрицательных (ячейка F14) и положительных (ячейка F14) значений NPV, содержащихся в блоке ЧСС. Смысл этих расчетов будет объяснен позже.
 Две последние формулы (ячейки Е18 и F18) предназначены для проведения вероятностного анализа распределения NPV и требуют небольшого теоретического отступления.
 В рассматриваемом примере мы исходим из предположения о независимости и равномерном распределении ключевых переменных Q, V, P. Однако какое распределение при этом будет иметь результатная величина - показатель NPV, заранее определить нельзя.
 Одно из возможных решений этой проблемы - попытаться аппроксимировать неизвестное распределение каким-либо известным. При этом в качестве приближения удобнее всего использовать нормальное распределение. Это связано с тем, что в соответствии с центральной предельной теоремой теории вероятностей при выполнении определенных условий сумма большого числа случайных величин имеет распределение, приблизительно соответствующее нормальному.
 В прикладном анализе для целей аппроксимации широко применяется частный случай нормального распределения - т.н. стандартное нормальное распределение. Математическое ожидание стандартно распределенной случайной величины Е равно 0: M(E) = 0. График этого распределения симметричен относительно оси ординат и оно характеризуется всего одним параметром - стандартным отклонением , равным 1.
 Приведение случайной переменной E к стандартно распределенной величине Z осуществляется с помощью т.н. нормализации - вычитания средней и последующего деления на стандартное отклонение:
 (3.3).
 Как следует из (3.3), величина Z выражается в количестве стандартных отклонений. Для вычисления вероятностей по значению нормализованной величины Z используются специальные статистические таблицы.
 В ППП EXCEL подобные вычисления осуществляются с помощью статистических функций НОРМАЛИЗАЦИЯ() и НОРМСТРАСП().
 Функция НОРМАЛИЗАЦИЯ(x; среднее; станд_откл)
 Эта функция возвращает нормализованное значение Z величины x, на основании которого затем вычисляется искомая вероятность p(E x). Она реализует соотношение (3.3). Функция требует задания трех аргументов:
 х - нормализуемое значение;
 среднее - математическое ожидание случайной величины Е;
 станд_откл - стандартное отклонение.
 Полученное значение Z является аргументом для следующей функции - НОРМСТРАСП().
 Функция НОРМСТРАСП(Z)
 Эта функция возвращает стандартное нормальное распределение, т.е. вероятность того, что случайная нормализованная величина Е будет меньше или равна х. Она имеет всего один аргумент - Z, вычисляемый функцией НОРМАЛИЗАЦИЯ().
 Нетрудно заметить, что эти функции следует использовать в тандеме. При этом наиболее эффективным и компактным способом их задания является указание функции НОРМАЛИЗАЦИЯ() в качестве аргумента функции - НОРМСТРАСП(), т.е.:
 =НОРМСТРАСП(НОРМАЛИЗАЦИЯ(x; среднее; станд_откл)).
 С целью повышения наглядности, в проектируемом шаблоне функции заданы раздельно (ячейки Е18 и F18).
 Сформируйте данный шаблон и сохраните его на магнитном диске под именем SIMUL_1.XLT. Приступаем к имитационному эксперименту. Для его проведения необходимо выполнить следующие шаги.
 1. Ввести значения постоянных переменных (табл. 3.2) в ячейки В2.В4 и D2.D4 листа "Результаты анализа".
 2. Ввести значения диапазонов изменений ключевых переменных (табл. 3.1) в ячейки В3.С5 листа "Имитация".
 3. Задать в ячейке В7 требуемое число экспериментов.
 4. Установить курсор в ячейку А11 и вставить необходимое число строк в шаблон (номер последней строки будет вычислен в Е7).
 5. Скопировать формулы блока А10.Е10 требуемое количество раз.
 6. Перейти к листу "Результаты анализа" и проанализировать полученные результаты.
 Рассмотрим реализацию выделенных шагов более подробно. Выполнение первых трех пунктов не должно вызвать особых затруднений. Введите значения постоянных переменных в ячейки В2.В4 листа "Результаты анализа". Введите значения диапазонов изменений ключевых переменных в ячейки В3.С5 листа "Имитация". Укажите в ячейке В7 число проводимых экспериментов, например - 500. Установите табличный курсор в ячейку А11.
 На следующем шаге необходимо вставить в шаблон нужное количество строк (498) (Поскольку первая и последняя строка блока уже определены, число вставляемых строк равно: 500 - 2 = 498). Однако выделение такого количества строк при помощи указателя мыши - достаточно трудоемкая операция. К счастью ППП EXCEL предоставляет более эффективные процедуры для выполнения подобных операций. В частности, в данном случае можно воспользоваться операцией перехода, которую также удобно применять и для выделения больших диапазонов ячеек.
 Нажмите функциональную клавишу [F5]. На экране появится окно диалога "Переход" (рис. 3.3).
 
 Рис. 3.3. Окно диалога "Переход"
 Для перехода к нужному участку электронной таблицы достаточно указать в поле "Ссылка" адрес или имя соответствующей ячейки (блока). В данном случае, таким адресом будет любая ячейка последней вставляемой строки, номер которой вычислен в ячейке Е7 (508). Например, в качестве адреса перехода может быть указана ячейка А508.
 Введите в поле "Ссылка" адрес: А508 и нажмите комбинацию клавиш [SHIFT] + [ENTER]. Результатом выполнения этих действий будет выделение блока А11.А508. После чего осуществите вставку строк любым из известных вам способов.
 Теперь необходимо заполнить вставленные строки формулами блока ячеек А10.Е10. Для этого выполните следующие действия.
 1. Выделите и скопируйте в буфер блок ячеек А10.Е10.
 2. Нажмите комбинацию клавиш [CTRL] + [SHIFT] + [].
 3. Нажмите клавишу [ENTER].
 4. Нажмите клавишу [F9] (Этот пункт выполняется в том случае, если был установлен режим ручного пересчета).
 Результатом выполнения этих действий будет заполнение блока А10.Е509 случайными значениями ключевых переменных V, Q, P и результатами вычислений величин NCF и NPV. Фрагмент результатов имитации, полученных автором, приведен на рис. 3.4 (Необходимо все время помнить о случайной природе эксперимента. Полученные вами результаты будут отличаться от приведенных). Соответствующие проведенному эксперименту результаты анализа приведены на рис. 3.5.
 
 Рис. 3.4. Результаты имитации
 
 Рис. 3.5. Результаты анализа
 Нетрудно заметить, что по результатам имитационного анализа риск проекта значительно ниже. Величина ожидаемой NPV меньше результата предыдущего анализа (3361,96 и 4502,30 соответственно). Однако величина стандартного отклонения также существенно ниже (2271,31 и 4673,62) и не превышает значения NPV. Коэффициент вариации (0,68) меньше 1, таким образом риск данного проекта в целом ниже среднего риска инвестиционного портфеля фирмы. Результаты вероятностного анализа показывают, что шанс получить отрицательную величину NPV не превышает 7%. Еще больший оптимизм внушают результаты анализа распределения чистых поступлений от проекта NCF. Величина стандартного отклонения здесь составляет всего 42% от среднего значения. Таким образом с вероятностью более 90% можно утверждать, что поступления от проекта будут положительными величинами.
 Сумма всех отрицательных значений NPV в полученной генеральной совокупности (ячейка F14) может быть интерпретирована как чистая стоимость неопределенности для инвестора в случае принятия проекта. Аналогично сумма всех положительных значений NPV (ячейка F15) может трактоваться как чистая стоимость неопределенности для инвестора в случае отклонения проекта. Несмотря на всю условность этих показателей, в целом они представляют собой индикаторы целесообразности проведения дальнейшего анализа.
 В данном случае они наглядно демонстрируют несоизмеримость суммы возможных убытков по отношению к общей сумме доходов (-11691,92 и 1692669,76 соответственно).
 На практике одним из важнейших этапов анализа результатов имитационного эксперимента является исследование зависимостей между ключевыми параметрами. Как было показано в предыдущей главе, количественная оценка вариации напрямую зависит от степени корреляции между случайными величинами. Методы оценки степени зависимости, а также технология ее автоматизации путем применения специальных инструментов ППП EXCEL, будут продемонстрированы ниже. Здесь же мы ограничимся визуальным (графическим) исследованием. На рис. 3.6 приведен график распределения значений ключевых параметров V, P и Q, построенный на основании 75 имитаций.
 Нетрудно заметить, что в целом, вариация значений всех трех параметров носит случайный характер, что подтверждает принятую ранее гипотезу о их независимости. Для сравнения ниже приведен график распределений потока платежей NCF и величины NPV (рис. 3.7).
 
 Рис. 3.6 Распределение значений параметров V, P и Q
 
 Рис. 3.7. Зависимость между NCF и NPV
 Как и следовало ожидать, направления колебаний здесь в точности совпадают и между этими величинами существует сильная корреляционная связь, близкая к функциональной. Дальнейшие расчеты показали, что величина коэффициента корреляции между полученными распределениями NCF и NPV оказалась равной 1.
 Подводя итоги отметим, что в целом применение рассмотренной технологии проведения имитационных экспериментов в среде EXCEL - достаточно трудоемкий процесс, который к тому же ограничивается случаем равномерного распределения исследуемых переменных.
 Гораздо более удобным и эффективным способом решения таких задач в среде ППП EXCEL является использование специального инструмента анализа - "Генератор случайных чисел".
 3.2.2. Имитация с инструментом "Генератор случайных чисел"
 Этот инструмент предназначен для автоматической генерации множества данных (генеральной совокупности) заданного объема, элементы которого характеризуются определенным распределением вероятностей. При этом могут быть использованы 7 типов распределений: равномерное, нормальное, Бернулли, Пуассона, биномиальное, модельное и дискретное. Применение инструмента "Генератор случайных чисел", как и большинства используемых в этой работе функций, требует установки специального дополнения "Пакет анализа".
 Для демонстрации техники применения этого инструмента изменим условия примера 3.1, определив вероятности для каждого сценария развития событий следующим образом (табл. 3.8). Мы также будем исходить из предположения о нормальном распределении ключевых переменных. Количество имитаций оставим прежним - 500.
 Таблица 3.8.
 Вероятностные сценарии реализации проекта
 
 Показатели Сценарий Наихудший
 P = 0.25 Наилучший
 P = 0.25 Вероятный
 P = 0.5 Объем выпуска - Q 150 300 200 Цена за штуку - P 40 55 50 Переменные затраты - V 35 25 30 Приступим к формированию шаблона. Как и в предыдущем случае, выделим в рабочей книге два листа: "Имитация" и "Результаты анализа".
 Формирование шаблона целесообразно начать с листа "Результаты анализа" (рис. 3.8.).
 
 Рис. 3.8. Лист "Результаты анализа" (шаблон II)
 Как следует из рис. 3.8 этот лист практически соответствует ранее разработанному для решения предыдущей задачи (см. рис. 3.2). Отличие составляют лишь формулы для расчета вероятностей, которые приведены в табл. 3.9.
 Таблица 3.9.
 Формулы листа "Результаты анализа" (шаблон II)
 Ячейка Формула В17 =НОРМРАСП(0;B8;B9;1) В18 =НОРМРАСП(B11;B8;B9;1) В19 =НОРМРАСП(B12;B8;B9;1)-НОРМРАСП(B8+B9;B8;B9;1) В20 =НОРМРАСП(B8;B8;B9;1)-НОРМРАСП(B8-B9;B8;B9;1) С17 =НОРМРАСП(0;C8;C9;1) С18 =НОРМРАСП(C11;C8;C9;1) С19 =НОРМРАСП(C12;C8;C9;1)-НОРМРАСП(C8+C9;C8;C9;1) С20 =НОРМРАСП(C8;C8;C9;1)-НОРМРАСП(C8-C9;C8;C9;1) D17 =НОРМРАСП(0;D8;D9;1) D18 =НОРМРАСП(D11;D8;D9;1) D19 =НОРМРАСП(D12;D8;D9;1)-НОРМРАСП(D8+D9;D8;D9;1) D20 =НОРМРАСП(D8;D8;D9;1)-НОРМРАСП(D8-D9;D8;D9;1) E17 =НОРМРАСП(0;E8;E9;1) E18 =НОРМРАСП(E11;E8;E9;1) E19 =НОРМРАСП(E12;E8;E9;1)-НОРМРАСП(E8+E9;E8;E9;1) E20 =НОРМРАСП(E8;E8;E9;1)-НОРМРАСП(E8-E9;E8;E9;1) F17 =НОРМРАСП(0;F8;F9;1) F18 =НОРМРАСП(F11;F8;F9;1) F19 =НОРМРАСП(F12;F8;F9;1)-НОРМРАСП(F8+F9;F8;F9;1) F20 =НОРМРАСП(F8;F8;F9;1)-НОРМРАСП(F8-F9;F8;F9;1) Используемые в нем собственные имена ячеек также взяты из аналогичного листа предыдущего шаблона (см. табл. 3.7).
 Для быстрого формирования нового листа "Результаты анализа" выполните следующие действия.
 1. Загрузите предыдущий шаблон SIMUL_1.XLT и сохраните его под другим именем, например - SIMUL_2.XLT
 2. Удалите лист "Имитация". Для этого установите указатель мыши на ярлычок этого листа и нажмите правую кнопку. Результатом выполнения этих действий будет появления списка операций в виде контекстного меню. Выберите операцию "Удалить". Подтвердите свое решение нажатием кнопки "ОК" в появившемся диалоговом окне.
 3. Перейдите в лист "Результаты анализа". Удалите строки 17-18. Откорректируйте заголовок ЭТ.
 4. Добавьте формулы из табл. 3.9. Для этого введите соответствующие формулы в ячейки блока В17.В20 и скопируйте их в блок С17.F20. Введите соответствующие комментарии.
 5. Сверьте полученную таблицу с рис. 3.8.
 Перейдите к следующему листу и присвойте ему имя - "Имитация". Приступаем к его формированию (рис. 3.9).
 
 Рис. 3.9. Лист "Имитация" (шаблон II)
 Первая часть этого листа (блок ячеек А1.Е10) предназначена для ввода исходных данных и расчета необходимых параметров их распределений. Напомним, что нормальное распределение случайной величины характеризуется двумя параметрами - математическим ожиданием (средним) и стандартным отклонением. Формулы расчета указанных параметров для ключевых переменных модели заданы в блоках ячеек В7.D7 и B8.D8 соответственно (см. табл. 3.11). Для удобства определения формул и повышения их наглядности блоку ячеек Е3.Е5 присвоено имя "Вероятности" (см. табл. 3.10).
 Таблица 3.10.
 Имена ячеек листа "Имитация" (шаблон II)
 Адрес ячейки Имя Комментарии Блок Е3:Е5 Вероятности Вероятность значения параметра Блок A13:A512 Перем_расх Переменные расходы Блок B13:B512 Количество Объем выпуска Блок C13:C512 Цена Цена изделия Блок D13:D512 Поступления Поступления от проекта NCF Блок E13:E512 ЧСС Чистая современная стоимость NPV Таблица 3.11.
 Формулы листа "Имитация" (шаблон II)
 Ячейка Формула В7 =СУММПРОИЗВ(B3:B5; Вероятности) В8 {=КОРЕНЬ(СУММПРОИЗВ((B3:B5 - B7)^2; Вероятности))} С7 =СУММПРОИЗВ(C3:C5; Вероятности) С8 {=КОРЕНЬ(СУММПРОИЗВ((C3:C5 - C7)^2; Вероятности))} D7 =СУММПРОИЗВ(D3:D5; Вероятности) D8 {=КОРЕНЬ(СУММПРОИЗВ((D3:D5 - D7)^2; Вероятности))} E10 =B10+13 -1 D13 =(B13*(C13-A13)-Пост_расх-Аморт)*(1-Налог)+Аморт E13 =ПЗ(Норма; Срок; -D13) - Нач_инвест Обратите внимание на то, что для расчета стандартных отклонений используются формулы-массивы, правила задания которых были рассмотрены в предыдущей главе. Для формирования блока формул достаточно определить их для ячеек В7.В8 и затем скопировать в блок С7.D8.
 Формула в ячейке Е10 по заданному числу имитаций (ячейка В10) вычисляет номер последней строки для блоков, в которых будут храниться сгенерированные значения ключевых переменных.
 Ячейки D13.E13 содержат уже знакомые нам формулы для расчета величины потока платежей NCF и его чистой современной стоимости NPV.
 Сформируйте элементы оформления листа "Имитация", определите необходимые имена для блоков ячеек (табл. 3.10) и задайте требуемые формулы (табл. 3.11). Сверьте полученную ЭТ с рис. 3.9. Сохраните полученный шаблон под именем SIMUL_2.XLT.
 Введите исходные значения постоянных переменных (табл. 3.2) в ячейки В2.В4 и D2.D4 листа "Результаты анализа". Перейдите к листу "Имитация". Введите значения ключевых переменных и соответствующие вероятности (табл. 3.8). Полученная в результате ЭТ должна иметь вид рис. 3.10.
 
 Рис. 3.10. Лист "Имитация" после ввода исходных данных
 Установите курсор в ячейку А13. Приступаем к проведению имитационного эксперимента.
 1. Выберите в главном меню тему "Сервис" пункт "Анализ данных". Результатом выполнения этих действий будет появление диалогового окна "Анализ данных", содержащего список инструментов анализа.

<< Пред.           стр. 1 (из 2)           След. >>

Список литературы по разделу