
- •1. Алгоритм решения задачи из теории запасов
- •2. Анализ надежности статистических моделей
- •3. Использование критерии игр(Вальда, Гурвиц) для наилучшего варианта
- •4. Использование критериев теории игр (Сэвидж, Лаплас) для выбора наилучшего варианта.
- •6.Методы исследования функций классического анализа в экономике
- •7.Методы линейного программирования
- •8. Методы отбора главных критериев.
- •9. Методы отбора факторов статистических моделей.
- •10. Методы прогнозирования на основе моделей
- •11. Методы расчета весов важности критериев
- •12. Методы решения многокритериальных задач в дискретной постановке.
- •13. Методы решения многокритериальных задач
- •14. Методы улучшения оптимального решения
- •16. Составление оптимального графика работы персонала
- •17. Экспертные методы прогнозирования.
1. Алгоритм решения задачи из теории запасов
гл. критерием в решении таких задач является минимизация совокупных затрат на хранение и транспортировку запасов.
Система с фиксированным интервалом времени между заказами:
Опр-е интервала вр м-ду заказами производится с учетом оптимального размера заказа , который позволяет минимизировать совокупные затраты на хранение запасов и повторение заказа. Интервал времени м-ду заказами : T=(2Со / Ch D)1/2 Со - затраты на поставку единицы заказываемого продукта; D-потребность в заказываемом продукте; Ch-затраты на хранение единицы заказываемого продукта.
Размер заказа РЗ=МЖЗ-ТЗ+ОП
МЖЗ - максимально желательный запас; ТЗ – текущий запас; ОП – ожидаемое потребление за время поставки
МЖЗ = ГарантЗ+T*Дневн потребление
Дневн потр = 1/кол-во раб. дней
ГарантЗ = Макс потр за время поставки – Ожидаемое потр за вр поставки
Ожидаемое потр за вр поставки = Вр поставки * Дневн потребл
Система с фиксированным размером заказа:
Оптим размер заказа q = (2Co D / Ch)1/2
2. Анализ надежности статистических моделей
1. Коэффициент множественной корреляции R (от 0 до 1) показывает силу совокупного влияния всех х-сов на у. R=0,7 это граница
2. Коэффициент детерминации R^2 показывает процент существенных факторов, которые мы включили в модель. Если R2 <0,5, то опять нужно определять сильно влияющие х.
3. Нормированный коэффициент детерминации R2норм = 1-(1- R2)*(n-1)/(n-N-1). n - количество наблюдений, N – количество х в правой части модели. y=b0+b1*x1+b2*x2+…R2норм д быть >=0,5. Если меньше, то необходимо увеличить n количество наблюдений.
4. Регрессия SS – функция, описывающая зависимость математического ожидания зависимой переменной у от значений х. Дает объяснение * объясненной регрессией и необъясненной.
5. Критерий Фишера F говорит о том, нужно ли усложнять модель, строить модель более высокого порядка. Это отношение двух дисперсий:F=бy^2 / бy^2. Дисперсия – мера рассеивания данных около ср. значений (это средне квадратическое отклонение в квадрате). y- - у среднее, y~ - у с крышечкой по модели. y-2 =i (yi-yср)2 / n у по модели отличается от у исходных данных, т.к. модель не идеальная. Если F<2,6 то нужно строить модель большего порядка. Нужно снизить разрыв между точками модели.
6. Стандартная ошибка. Если значение коэффициента < его ошибки, то такой коэффициент не надежен, значит не надежен и х при этом коэффициенте. Его скорее всего не следует учитывать в этой модели, а лучше привлекать другие х. – корректировка модели.
7. t-статистика – это модификация 6 критерия. tст= коэфф/его ошибка = |bi | / бbi д быть >1 Этот критерий однозначно говорит, нужно ли отбирать другой коэффициент, а этот исключить. А в критерии 6 это неизвестно, например когда значение коэффициента чуть больше его ошибки.
8. P-значение. Каждый коэффициент в модели имеет доверительные интервалы. Р д быть <0,05 Иначе доверительный интервал коэффициента будет захватывать 0, а 0*х=0, т.е. х выпадает из модели, а этого допустить нельзя.
9. Нижние 95%, верхние 95%. Нижняя и верхняя граница доверительного интервала. Этот критерий аналог 8, но он показывает конкретные значения (границы коэффициентов в зависимости от доверительных интервалов). Нужно рассмотреть, перескакивает ли оно 0.
10. Стандартное отклонение = yi / остат д быть <1 по модулю.
остат - если взять ряд остатков (разница между ИД и тем, что получилось по модели) и найти для этого ряда среднеквадратическое отклонение остат = [i (yi-yср)2 / n]1/2 . Потому что если остаток сопоставим с его ошибкой, то это плохо для модели.