Xreferat.com » Рефераты по математике » Регресійний аналіз інтервальних даних

Регресійний аналіз інтервальних даних

width="25" height="26" align="BOTTOM" border="0" /> - оцінку МНК, знайдену за відхиленими похибкам даних.

Тоді


Регресійний аналіз інтервальних даних


Введемо поняття нотни.

Означення: Величину максимально можливого (по абсолютній величині) відхилення, викликаного похибками спостережень Регресійний аналіз інтервальних даних, відомого статистику значення f(y) від істинного значення f(x), тобто


Nf(x) = sup | f(y) - f(x) |,


де супремум береться по безлічі можливих значень вектора похибки Регресійний аналіз інтервальних даних, будемо називати нотною.

Якщо функція f має частинні похідні другого порядку, а обмеження на похибку мають вигляд


Регресійний аналіз інтервальних даних (3.1.4)


причому Регресійний аналіз інтервальних даних мало, то збільшення функції f з точністю до нескінченно малих більш високого порядку описується головним лінійним членом, тобто

Регресійний аналіз інтервальних даних


Щоб одержати асимптотичний (при Регресійний аналіз інтервальних даних) вираз для нотни, досить знайти максимум і мінімум лінійної функції (головного лінійного члена) на кубі, заданому нерівностями (4.1.4). Легко бачити, що максимум досягається, якщо покласти


Регресійний аналіз інтервальних даних


а мінімум, що відрізняється від максимуму тільки знаком, досягається при Регресійний аналіз інтервальних даних. Отже, нотна з точністю до нескінченно малих більше високого

порядку має вигляд


Регресійний аналіз інтервальних даних (3.1.5)


Цей вираз назвемо асимптотичною нотною.

Покладемо:


Регресійний аналіз інтервальних даних


Будемо називати n(1) нижньою нотною, а n(2) верхньою нотною.

Припустимо, що при безмежному зростанні числа вимірів n, тобто при

Регресійний аналіз інтервальних даних вектора n(1), n(2) прямують до постійних значень Регресійний аналіз інтервальних даних відповідно. Тоді Регресійний аналіз інтервальних даних будемо називати нижньою асимптотичною нотною, а Регресійний аналіз інтервальних даних- верхньою асимптотичною нотною.

Розглянемо довірчу множину Регресійний аналіз інтервальних даних для вектора параметрів Регресійний аналіз інтервальних даних, тобто замкнута зв'язна множина точок в r-мірному евклідовому просторі така, що Регресійний аналіз інтервальних даних де α - довірча ймовірність, що відповідає Bα (α ≈ 1). Інакше кажучи, Регресійний аналіз інтервальних даних є область розсіювання випадкового вектора Регресійний аналіз інтервальних даних з довірчою ймовірністю α і числом досвідів n.

З визначення верхньої й нижньої нотни треба, щоб завжди


Регресійний аналіз інтервальних даних


Відповідно до визначення нижньої асимптотичної нотни й верхньої асимптотичної нотни можна вважати, що Регресійний аналіз інтервальних даних при досить великій кількості спостережень n. Цей багатомірний інтервал описує r-мірний гіперпаралелепіпед P.

Розіб'ємо P на L гіперпаралелепіпедів. Нехай Регресійний аналіз інтервальних даних - внутрішня точка k-го гіперпаралелепіпеда. З огляду на властивості довірчої множини і спрямовуючи L до нескінченності, можна стверджувати, що


Регресійний аналіз інтервальних даних


де Регресійний аналіз інтервальних даних

Таким чином, безліч C характеризує невизначеність при оцінюванні вектора Регресійний аналіз інтервальних даних. Його можна назвати довірчою множиною в статистиці інтервальних даних.

Введемо деяку міру М(X), що характеризує "величину" множини Регресійний аналіз інтервальних даних. По визначенню міри вона задовольняє умові: якщо

Регресійний аналіз інтервальних даних і Регресійний аналіз інтервальних даних то Регресійний аналіз інтервальних даних


Прикладом такої міри є площа для r = 2 і об’єма для r = 3. Тоді:


М(C) = М(P) + М(F), (3.1.6)


де F = C P. Тут М(F) характеризує міру статистичної невизначеності, у більшості випадків вона спадає при збільшенні числа досвідів n. У той же час М(P) характеризує міру інтервальної невизначеності, і, як правило, М(P) прагне до деякої постійної величини при збільшенні числа досвідів n. Нехай тепер потрібно знайти те число досвідів, при якому статистична невизначеність становить δ-ю частина загальної невизначеності, тобто


М(F) = δ М(C), (4.1.7)


де δ < 1. Тоді, підставивши співвідношення (4.1.7) у рівність (4.1. 6) і вирішивши рівняння відносно n, одержимо шукане число досвідів. В асимптотичній математичній статистиці інтервальних даних воно називається "раціональним обсягом вибірки".


3.2 Метод найменших квадратів для лінійної моделі


Розглянемо найбільш важливий для практики окремий випадок МНК, коли модель є лінійною.

Для простоти опису перетворень пронормуємо змінні хij,уi. Наступним чином:


Регресійний аналіз інтервальних даних

де


Регресійний аналіз інтервальних даних


Тоді


Регресійний аналіз інтервальних даних


Надалі будемо вважати, що розглянуті змінні пронормовані описаним образом, і верхні індекси опустимо. Для полегшення демонстрації основних ідей приймемо досить природні припущення.

1. Для розглянутих змінних існують наступні межі:


Регресійний аналіз інтервальних даних


2. Кількість досвідів n таке, що можна користуватися асимптотичними результатами, отриманими при Регресійний аналіз інтервальних даних

3. Погрішності виміру задовольняють одному з наступних типів обмежень:

Тип 1. Абсолютні погрішності виміру обмежені згідно (4.1.3):

Тип 2. Відносні погрішності виміру обмежені:


Регресійний аналіз інтервальних даних


Тип 3. Обмеження накладені на суму погрішностей:

Регресійний аналіз інтервальних даних


Перейдемо до обчислення нотни оцінки МНК. Справедлива рівність:


Регресійний аналіз інтервальних даних


Скористаємося наступною теоремою з теорії матриць.

Теорема. Якщо функція f(λ) розкладається в степеневий ряд у колі збіжності |λ – λ0| < r, тобто


Регресійний аналіз інтервальних даних


то це розкладання зберігає силу, якщо скалярний аргумент замінити будь-якою матрицею А, характеристичні числа якої λk, k = 1,…,n, лежать всередині кола збіжності.


Регресійний аналіз інтервальних даних


Легко переконатися, що:


Регресійний аналіз інтервальних даних


Це випливає з послідовності рівностей:

Регресійний аналіз інтервальних даних


Застосуємо наведену вище теорему з теорії матриць, припускаючи

А = Δ Z і приймаючи, що власні числа цієї матриці задовольняють нерівності |λk|<1. Тоді одержимо:


Регресійний аналіз інтервальних даних


Підставивши останнє співвідношення на закінчення згаданої теореми, одержимо:


Регресійний аналіз інтервальних даних


Для подальшого аналізу знадобиться допоміжне твердження. Виходячи із припущень 1-3, доведемо, що:


Регресійний аналіз інтервальних даних


Доведення. Справедлива рівність


Регресійний аналіз інтервальних даних

де Регресійний аналіз інтервальних даних - спроможні і незміщені оцінки дисперсій і коефіцієнтів коваріації, тобто


Регресійний аналіз інтервальних даних


тоді


Регресійний аналіз інтервальних даних


де Регресійний аналіз інтервальних даних


Інакше кажучи, кожен елемент матриці, позначеної як о(1/n), є нескінченно малою величиною порядку 1/n. Для розглянутого випадку cov(x) = E, тому


Регресійний аналіз інтервальних даних


Припустимо, що n досить велике і можна вважати, що власні числа матриці о(1/n) менше одиниці по модулю, тоді


Регресійний аналіз інтервальних даних


що і було потрібно довести.

Підставимо доведене асимптотичне співвідношення у формулу для приростуРегресійний аналіз інтервальних даних*,одержимо

Регресійний аналіз інтервальних даних


Виразимо ΔРегресійний аналіз інтервальних даних* відносно приросту ΔХ, ΔY до 2-гo порядку


Регресійний аналіз інтервальних даних


Перейдемо від матричної до скалярної форми, опускаючи індекс (R):


Регресійний аналіз інтервальних даних


Будемо шукати max(|ΔРегресійний аналіз інтервальних данихk*|) по Δxij і Δyi (i=1,…, п;j=1,…, m). Для цього розглянемо всі три раніше введених типи обмежень на похибки виміру.

Тип 1 (абсолютні похибки виміру обмежені). Тоді:

Регресійний аналіз інтервальних даних


Тип 2 (відносні похибки виміру обмежені). Аналогічно одержимо:


Регресійний аналіз інтервальних даних


Тип З (обмеження накладені на суму похибок). Припустимо, що |ΔРегресійний аналіз інтервальних данихk*| досягає максимального значення при таких значеннях погрішностей Δxij і Δyi,

які ми позначимо як:


Регресійний аналіз інтервальних даних


тоді:


Регресійний аналіз інтервальних даних


Через лінійність останнього вираження і виконання обмеження типу 3:


Регресійний аналіз інтервальних даних


Для спрощення запису зробимо наступні заміни:

Регресійний аналіз інтервальних даних


Тепер для досягнення поставленої мети можна сформулювати наступне завдання, що розділяється на m типових завдань оптимізації:


Регресійний аналіз інтервальних даних


при обмеженнях


Регресійний аналіз інтервальних даних


Перепишемо функції, що мінімізуємо, в наступному вигляді:


Регресійний аналіз інтервальних даних


Очевидно, що fik > 0.

Легко бачити, що

Регресійний аналіз інтервальних даних


Отже, необхідно вирішити nm завдань


Регресійний аналіз інтервальних даних


при обмеженнях "типу рівності":


Регресійний аналіз інтервальних даних


Сформульоване завдання пошуку екстремуму функції. Воно легко вирішується. Оскільки


Регресійний аналіз інтервальних даних


то максимальне відхилення МНК - оцінки k-ого параметра дорівнює


Регресійний аналіз інтервальних даних


3.3 Парна регресія


Найбільш простий і одночасно найбільше широко застосовуваний окремий випадок парної регресії розглянемо докладніше. Модель має вигляд


Регресійний аналіз інтервальних даних (3.3.1)


Тут xi - значення фактора (незалежної змінної), Регресійний аналіз інтервальних даних - значення відгуку (залежної змінної), Регресійний аналіз інтервальних даних - статистичні похибки, Регресійний аналіз інтервальних даних - невідомі параметри, оцінювані методом найменших квадратів. Модель (3.3.1) може бути записана у вигляді:


Регресійний аналіз інтервальних даних (3.3.2)


якщо покласти


Регресійний аналіз інтервальних даних


Природно прийняти, що похибки факторів описуються матрицею


Регресійний аналіз інтервальних даних


У розглянутій моделі інтервального методу найменших квадратів

Регресійний аналіз інтервальних даних


де X, Регресійний аналіз інтервальних даних- спостережувані значення фактора і відгуку, XR, yR - істині значення змінних, Регресійний аналіз інтервальних даних - погрішності вимірів змінних. Нехай Регресійний аналіз інтервальних даних- оцінка методу найменших квадратів, обчислена за спостережуваним значенням змінних, Регресійний аналіз інтервальних даних - аналогічна оцінка, знайдена за істинним значенням. Відповідно до раніше проведених міркувань


Регресійний аналіз інтервальних даних (3.3.3)


з точністю до нескінченно малих більш високого порядку по Регресійний аналіз інтервальних даних і Регресійний аналіз інтервальних даних. У формулі (3.3.3) використане позначення Регресійний аналіз інтервальних даних. Обчислимо праву частину в (3.3.3), виділимо головний лінійний член і знайдемо нотну.

Легко бачити, що


Регресійний аналіз інтервальних даних (3.3.4)


де підсумовування проводиться від 1 до n. Для спрощення позначень надалі і до кінця дійсного пункту не будемо вказувати ці межі підсумовування. З (3.3.4) випливає, що


Регресійний аналіз інтервальних даних (3.3.5)

Легко підрахувати, що


Регресійний аналіз інтервальних даних (3.3.6)


ПокладемоРегресійний аналіз інтервальних даних


Регресійний аналіз інтервальних даних


Тоді знаменник в (3.3.5) дорівнює Регресійний аналіз інтервальних даних. З (3.3.5) і (3.3.6) випливає, що


Регресійний аналіз інтервальних даних (3.3.7)


Тут і далі опустимо індекс і, по якому проводиться підсумовування. З (3.3.5) і (3.3.7) випливає:


Регресійний аналіз інтервальних даних (3.3.8)

де

Регресійний аналіз інтервальних даних

Регресійний аналіз інтервальних даних

Регресійний аналіз інтервальних даних


Обчислимо основний множник в (3.3.3)

Регресійний аналіз інтервальних даних (3.3.9)


де

Регресійний аналіз інтервальних даних


Перейдемо до обчислення другого члена з Регресійний аналіз інтервальних даних в (3.3.3). Маємо


Регресійний аналіз інтервальних даних (3.3.10)


де

Регресійний аналіз інтервальних даних


Складаючи праві частини (3.3.9) і (3.3.10) і помножуючи на у, одержимо остаточний вид члена з Регресійний аналіз інтервальних даних в (3.3.3):


Регресійний аналіз інтервальних даних (3.3.11)


де

Регресійний аналіз інтервальних даних


Регресійний аналіз інтервальних даних


Для обчислення нотни виділимо головний лінійний член. Спочатку знайдемо частинні похідні. Маємо


Регресійний аналіз інтервальних даних (3.3.12)


Регресійний аналіз інтервальних даних


Якщо обмеження мають вигляд


Регресійний аналіз інтервальних даних


то максимально можливе відхилення оцінки а* параметра а через погрішності Регресійний аналіз інтервальних даних таке:


Регресійний аналіз інтервальних даних (3.3.13)


де похідні задані формулою (3.3.12).


Розділ IV. Програмний продукт «Інтервальне значення параметрів»


4.1 Текст програми


restart:with(LinearAlgebra):

Klassic ocenki_parametrov:

> ocenki_parametrov:=proc(viborka,nomer_zavis_koord)

local kol_strok,kol_stolbcov,matrica_X,vektor_Y_1,vektor_Y,

X_transpon,otvet_prom,otvet;

kol_strok:=RowDimension(viborka):

kol_stolbcov:=ColumnDimension(viborka):

matrica_X:=DeleteColumn(viborka,nomer_zavis_koord..nomer_zavis_koord):

vektor_Y_1:=DeleteColumn(viborka,1..nomer_zavis_koord-1):

vektor_Y:=DeleteColumn(vektor_Y_1,2..kol_stolbcov-nomer_zavis_koord+1):

X_transpon:=Transpose(matrica_X):

otvet_prom:=MatrixInverse(MatrixMatrixMultiply(X_transpon,matrica_X)):

otvet:=MatrixMatrixMultiply(MatrixMatrixMultiply(otvet_prom,X_transpon),vektor_Y):

end proc:

Notna ocenki_parametrov:

> notna_ocenki_parametrov:=proc(viborka,nomer_zavis_koord,pogr)

local kol_strok, kol_stolbcov, matrica_X,vektor_Y_1, vektor_Y,

n,m,j,k,c,i,pogr_Y,pogr_X,vector_beta,pod_sum_vnutr,summa_vnutr,sum_vnesh,pod_summa_2,summa_2,summa;

global otv:

kol_strok:=RowDimension(viborka):

kol_stolbcov:=ColumnDimension(viborka):

matrica_X:=DeleteColumn(viborka,nomer_zavis_koord..nomer_zavis_koord):

vektor_Y_1:=DeleteColumn(viborka,1..nomer_zavis_koord-1):

vektor_Y:=DeleteColumn(vektor_Y_1,2..kol_stolbcov-nomer_zavis_koord+1):

m:=kol_stolbcov-1:

n:=kol_strok:

pod_sum_vnutr:=array(1..n):

summa_vnutr:=array(1..m):

sum_vnesh:=array(1..m):

pod_summa_2:=array(1..n):

summa_2:=array(1..m):

summa:=array(1..m):

pogr_Y:=pogr[nomer_zavis_koord]:

pogr_X:=array(1..m):

for i to m do

if i<nomer_zavis_koord then

pogr_X[i]:=pogr[i]:

else pogr_X[i]:=pogr[i+1]:

end if:

end do:

vector_beta:=ocenki_parametrov(viborka,nomer_zavis_koord):

for k to m do

for j to m do

for i to n do

pod_sum_vnutr[i]:=abs(2*matrica_X[i,k]*vector_beta[k,1]/(m-1) +matrica_X[i,j]*vector_beta[j,1]-

vektor_Y[i,1]/(m-1))*pogr_X[k] +abs(matrica_X[i,k]*vector_beta[j,1])*pogr_X[j]:

end do:

summa_vnutr[j]:=sum('pod_sum_vnutr[ii]','ii'=1..n):

end do:

sum_vnesh[k]:=sum('summa_vnutr[jj]','jj'=1..k-1)+sum('summa_vnutr[jj]','jj'=k+1..m):

for c to n do

pod_summa_2[c]:=abs(matrica_X[c,k]):

end do:

summa_2[k]:=sum('pod_summa_2[d]','d'=1..n)*pogr_Y:

summa[k]:=(sum_vnesh[k]+summa_2[k])/n:

end do:

otv:=summa:

end proc:

Final

> interval_znachen_param:=proc(viborka,nomer_zavis_koord,pogr)

Local razmer,massiv_interv_koeff,parametric,notna,i:

global interv:

razmer:=ColumnDimension(viborka)-1:

massiv_interv_koeff:=array(1..razmer):

interv:=Matrix(1..razmer,1..2):

parametri:=ocenki_parametrov(viborka,nomer_zavis_koord,pogr):

notna:=notna_ocenki_parametrov(viborka,nomer_zavis_koord,pogr):

for i to razmer do

massiv_interv_koeff[i]:=parametri[i,1]:

interv[i,1]:=massiv_interv_koeff[i]-notna[i]:

interv[i,2]:=massiv_interv_koeff[i]+notna[i]:

end do:

interv:

end proc:

> generator_viborki:=proc(DIGITS,obem_vibork,distrib,parametr)

global VIBORK:

local i:

Digits:=DIGITS:

VIBORK:=array(1..obem_vibork):

if distrib=NORMAL then

for i to obem_vibork do

VIBORK[i]:=stats[random, normald[0,parametr]](1):

end do:

VIBORK:

end if:

end proc:

> real_viborka:=proc(DIGITS,kol_razb,distrib,parametr,model)

global mass_Y,mass_X1,mass_X2:

local oshibki,nom,i,j:

mass_Y:=array(1..(kol_razb+1)^2):

mass_X1:=array(1..(kol_razb+1)^2):

mass_X2:=array(1..(kol_razb+1)^2):

oshibki:=generator_viborki(DIGITS,(kol_razb+1)^2,distrib,parametr):

nom:=0:

for i from 0 to kol_razb do

for j from 0 to kol_razb do

nom:=nom+1:

mass_Y[nom]:=eval(model,{x1=i/kol_razb,x2=j/kol_razb})+oshibki[nom]:

mass_X1[nom]:=evalf(i/kol_razb):

mass_X2[nom]:=evalf(j/kol_razb):

end do:

end do:

mass_Y:

end proc:

> okrug_real_viborka:=proc(DIGITS,digits_okrug,kol_razb,distrib,

parametr,model)

global VIB:

local okrug_mass_Y,okrug_mass_X1,okrug_mass_X2:

Digits:=digits_okrug:

okrug_mass_Y:=array(1..(kol_razb+1)^2):

okrug_mass_X1:=array(1..(kol_razb+1)^2):

okrug_mass_X2:=array(1..(kol_razb+1)^2):

VIB:=Matrix(1..(kol_razb+1)^2,1..3):

okrug_mass_Y:=real_viborka(DIGITS,kol_razb,distrib,parametr,model):

okrug_mass_X1:=mass_X1:

okrug_mass_X2:=mass_X2:

for i to (kol_razb+1)^2 do

VIB[i,1]:=okrug_mass_Y[i]:

VIB[i,2]:=okrug_mass_X1[i]:

VIB[i,3]:=okrug_mass_X2[i]:

end do:

VIB:

end proc:

> with(plots):

grafic_ocenok:=proc(DIGITS,digits_okrug,kol_razb,distrib,parametr,model,pogr,perek)

global ViBVreM,INTERVAL:

local gg1n,gg1v,s, gg2n,gg2v,ggg1n,g1, ggg2n,g2,g21,

ggg2v,g22,ggg1v:

gg1n:=array(2..kol_razb):

gg1v:=array(2..kol_razb):

for s from 2 to kol_razb do

ViBVreM:=okrug_real_viborka(DIGITS,digits_okrug,s,distrib,parametr,model):

INTERVAL:=interval_znachen_param(ViBVreM,1,pogr):

gg1n[s]:=INTERVAL[1,1]:

gg1v[s]:=INTERVAL[1,2]:

gg2n[s]:=INTERVAL[2,1]:

gg2v[s]:=INTERVAL[2,2]:

end do:

ggg1n:=[seq([b,gg1n[b]],b=2..kol_razb)]:

g1:=plot(ggg1n,'colour'='blue',legend="Нижня межа");

ggg1v:=[seq([b,gg1v[b]],b=2..kol_razb)]:

g2:=plot(ggg1v,'colour'='green',legend="Верхня межа");

ggg2n:=[seq([b,gg2n[b]],b=2..kol_razb)]:

g21:=plot(ggg2n,'colour'='blue',legend="Нижня межа");

ggg2v:=[seq([b,gg2v[b]],b=2..kol_razb)]:

g22:=plot(ggg2v,'colour'='green',legend="Верхня межа");

if perek =1 then

gt:=plot(2,t=0..kol_razb,'colour'='red',legend="Істинне значення"):

display([g1,g2,gt],'title'="Обчислення першого коефіціента регресіі",'titlefont'=[TIMES,BOLD,18]):

else

gt:=plot(-4,t=0..kol_razb,'colour'='red',legend="Істинне значення"):

display([g21,g22,gt],'title'="Обчислення другого коефіціента регресіі",'titlefont'=[TIMES,BOLD,18]):

end if:

end proc:


4.2 Опис програми


Основним результатом дипломної роботи є програмний продукт. В роботі представлена програма під назвою «Інтервальне значення параметрів», яка реалізує знаходження інтервалів для коефіцієнтів регресії. Під час роботи ця програма використовує допоміжні процедури, які обчислюють класичну оцінку коефіцієнтів регресії та нотну. Програма написана в прикладному математичному пакеті Maple, який являється одним з самих потужних інтелектуальних систем комп`ютерної алгебри. Результати програми представлені на графіках.

Програма складається з чотирьох процедур та реалізації графічного інтерфейсу.

Спочатку відбувається підключення необхідних модулів:

restart;

with(LinearAlgebra):

with(plots):

with(stats):

Надалі розглянемо процедури, які були використані в даній програмі.

Розглянемо процедуру під назвою ocenki_parametrov. Ця процедура отримує вхідні дані, які вводить користувач та знаходить оцінки коефіцієнтів лінійної регресії за допомогою методу найменших квадратів (МНК). В ній оголошені такі змінні: viborka– це вибірка з якою ми будемо працювати, вона вводиться з клавіатури користувачем; nomer_zavis_koord –вектор Y.

В процедурі задані локальні змінні, які використовуються у якомусь невеликому відрізку програми, це може бути невеликий цикл тощо.

В якості локальних змінних оголошенні kol_strok- кількість строк матриці matrica_X що вводиться з клавіатури користувачем, kol_stolbcov- кількість стовпчиків даної матриці, X_transpon- транспонована матриця до матриці Х, vektor_Y- вектор спостережень, otvet- вектор-стовпчик оцінок коефіцієнтів, що знаходяться за формулою Регресійний аналіз інтервальних даних.


otvet:=MatrixMatrixMultiply(MatrixMatrixMultiply(otvet_prom,X_transpon),vektor_Y):.


Розглянемо процедуру під назвою Notna ocenki_parametrov. Ця процедура отримує вхідні дані, які вводить користувач та знаходить нотну. В ній оголошені такі змінні: viborka– це вибірка з якою ми будемо працювати, вона вводиться з клавіатури користувачем; nomer_zavis_koord –вектор Y, pogr – це похибка, її користувач визначає самостійно і

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: