Завдання 6.
Рассмотрим фрагмент результатов исследования успешности деятельности команды – малой группы, ориентированной на решение деловой задачи и состоящей из молодых специалистов (инженеров-программистов), коллективно принимающих решение, выполняющих сложные работы в различном составе. Задача состоит в исследовании структуры данной команды и качественном описании характеристик каждой подгруппы. В качестве характеристик были рассмотрены: зависимость от групповых стандартов, ответственность, работоспособность, трудовая активность, понимание цели, организованность, мотивация. Матрица смешения для 9 сотрудников приведена ниже.
№ з/п |
Залежність від роб. станд. |
Відповід.
|
Роб. активн. |
Робочо-спроможність |
Розуміння цілі |
Мотивація |
1 |
2.0 |
7.0 |
9.0 |
8.0 |
10.0 |
3.0 |
2 |
4.0 |
2.0 |
8.0 |
8.0 |
8.0 |
1.0 |
3 |
2.0 |
3.0 |
9.0 |
7.0 |
8.0 |
1.0 |
4 |
7.0 |
3.0 |
5.0 |
6.0 |
4.0 |
0.0 |
5 |
2.0 |
2.0 |
5.0 |
3.0 |
7.0 |
2.0 |
6 |
4.0 |
3.0 |
5.0 |
5.0 |
5.0 |
2.0 |
7 |
5.0 |
4.0 |
4.0 |
5.0 |
5.0 |
3.0 |
8 |
6.0 |
1.0 |
4.0 |
4.0 |
7.0 |
0.0 |
9 |
5.0 |
3.0 |
3.0 |
5.0 |
4.0 |
2.0 |
Используя метрику Евклида, получаем симметричную матрицу расстояний, которая является основой для кластерного анализа.
Завдання 7.
Исходный файл данных содержит следующую информацию об автомобилях и их владельцах:
марка автомобиля – первая переменная;
стоимость автомобиля – вторая переменная;
возраст водителя – третья переменная;
стаж водителя – четвертая переменная;
возраст автомобиля – пятая переменная;
№ з/п |
Марка автомобіля |
Ціна автомобіля |
Вік водія |
Стаж водія |
Вік автомобіля |
1 |
Acura |
0.521 |
25 |
3 |
10 |
2 |
Audi |
0.866 |
24 |
3 |
1 |
3 |
BMW |
0.496 |
29 |
3 |
4 |
4 |
Buick |
0.614 |
50 |
25 |
9 |
5 |
Corvette |
1.235 |
62 |
38 |
15 |
6 |
Chrysler |
0.614 |
43 |
21 |
9 |
7 |
Dodge |
0.706 |
26 |
1 |
5 |
8 |
Eagle |
0.614 |
20 |
1 |
1 |
9 |
Ford |
0.706 |
54 |
10 |
11 |
10 |
Honda |
0.429 |
38 |
8 |
7 |
11 |
Isuzu |
0.798 |
27 |
5 |
3 |
12 |
Mazda |
0.126 |
51 |
20 |
10 |
13 |
Mercedes |
1.051 |
46 |
25 |
4 |
14 |
Mitsub. |
0.614 |
28 |
2 |
7 |
15 |
Nissan |
0.429 |
31 |
6 |
6 |
16 |
Olds |
0.614 |
45 |
16 |
4 |
17 |
Pontiac |
0.614 |
40 |
16 |
2 |
18 |
Porsche |
3.454 |
41 |
8 |
8 |
19 |
Saab |
0.588 |
29 |
5 |
2 |
20 |
Toyota |
0.059 |
36 |
13 |
1 |
21 |
VW |
0.706 |
38 |
15 |
6 |
22 |
Volvo |
0.219 |
42 |
19 |
4 |
Целью данного анализа является разбиение автомобилей и их владельцев на классы, каждый из которых соответствует определенной рисковой группе. Наблюдения, попавшие в одну группу, характеризуются одинаковой вероятностью наступления страхового случая, которая впоследствии оценивается страховщиком.
Использование кластер-анализа для решения данной задачи наиболее эффективно. В общем случае кластер-анализ предназначен для объединения некоторых объектов в классы (кластеры) таким образом, чтобы в один класс попадали максимально схожие, а объекты различных классов максимально отличались друг от друга. Количественный показатель сходства рассчитывается заданным способом на основании данных, характеризующих объекты.
Общий уровень рентабельности коммерче-ского банка (К7) ха рактеризуется соотноше-нием прибыли и доходов, т .е .учитывает сте-пень покрытия в прибыли «бремени» не только
операционных, но и трансакционных издержек управления .А в аспекте эффективности более
адекватно описывает существующие возмож-ности развития коммерческого банка значение
показателя рентабельности доходных активов (К6) .В дальнейшем его величина может быть в
результате факторного анализа уточнена с по-мощью ряда коэффициентов, перечень и алго-ритмы которых представлены в табл .2 .
Основным показателем доходности банка яв-ляется показа тель, отражающий отдачу соб-ственного капитала (К1) .Показатель доходности банка K1 детерминированно прямо определяется
прибыльностью активов К2, и обратно — уровнем достаточности капитала К3 .Поэтому для
банков более привлекательной является тактика балансирования на грани риска в условиях наи-меньшего покрытия активов собственным капи-талом .Однако пределы достаточности капитала
ограничены нормативными требованиями обеспечения надёжности вложений .В связи с чем
безграничным резервом увеличения доходности остаётся повышение степени прибыльности активов (К2), определяемой ростом их доходности (К4) и снижением затратности по размещению ак-тивов (К5) .
Для определения оптимальных критериев кластеризации биллингов проведем следующий
эксперимент. В качестве исходных данных рассмотрим такой экземплярItog (Табл. 1), который изначально можно разбить на определенное число кластеров. Перемешаем«наблюдения» между собой так, чтобы максимально усложнить задачу кластеризации. Применим к этим данным различные комбинации метрик и алгоритмов кластеризации, как это описано в пункте1.4. Та комбинация, результатом работы которой будет разбиение, максимально похожее на изначальное, будет оптимальной для кластеризации биллингов.
