1. Алгоритм аналізу економічного ризику

Крок1-аналіз та діагностика економічної (управлінської) ситуації, пов’язаної з певним об’єктом(проектом) і обтяженої ризиком. Визначення головних завдань, основних суперечностей (неузгодженості), домінуючих тенденцій.

Крок2-Виявлення інтересів основних учасників подій, їхнього ставлення до ризику

Крок3-Виявлення управлінських цілей, методів та засобів їх досягнення

Крок4-Аналіз основних чинників(параметрів), які впливають на прийняття рішень, розподіл їх на керовані та некеровані параметри ризику

Крок5-Здобуття інформації про можливі діапазони значень некерованих параметрів (чинників) ризику

Крок6-Генерація набору альтернативних варіантів проекта (об’єкта, способу дій)

Крок7-Виявлення пріоритетів (системних критеріїв) суб’єкта ризику щодо різних варіантів проекту (об’єкта, способу дій)

Крок8-Оцінювання згенерованих альтернативних варіантів. Вибір їх підмножини, що найкраще відповідає вимогам суб’єкта ризику

Крок9-Розробка відповідного способу дій (програми), яка була б найкращою (найбільш ефективною) з погляду переведення обтяженої ризиком ситуації у більш сприятливу.

2. Алгоритм графічного розв’язання задачі нелінійного програмування

Алгоритм графічного методу розв’язування задачі лінійного програмування складається з таких кроків:

1. Будуємо прямі, рівняння яких дістаємо заміною в обмеженнях задачі (2.18) знаків нерівностей на знаки рівностей.

2. Визначаємо півплощини, що відповідають кожному обмеженню задачі.

3. Знаходимо багатокутник розв’язків задачі лінійного програмування.

4. Будуємо вектор , що задає напрям зростання значення цільової функції задачі.

5. Будуємо пряму с₁х₁ + с₂х₂ = const, перпендикулярну до вектора .

6. Рухаючи пряму с₁х₁ + с₂х₂ = const в напрямку вектора (для задачі максимізації) або в протилежному напрямі (для задачі мінімізації), знаходимо вершину багатокутника розв’язків, де цільова функція набирає екстремального значення.

7. Визначаємо координати точки, в якій цільова функція набирає максимального (мінімального) значення, і обчислюємо екстремальне значення цільової функції в цій точці.

3. Алгоритм Дарбіна-Уотсона

Для перевірки наявності автокореляції залишків можна застосувати чотири методи, один із яких це метод Дарбіна-Уотсона. Алгоритм цього методу наступний:

Крок 1. Приймається гіпотеза r₁=0 і мінімізується на основі 1МНК сума квадратів: . Отже, так само й далі обчислюються параметри для моделі .

Крок 2. Знаходяться залишки і на основі критерію Дарбіна — Уотсона перевіряється нульова гіпотеза відносно автокореляції залишків. Якщо гіпотеза відхиляється, то переходять до кроку 3.

Крок 3. На даному кроці мінімізується сума квадратів відхилень:

де і— оцінки параметрів, знайдені на першому кроці 1МНК. У результаті параметр r₂ визначається як коефіцієнт регресії залишків, знайдених 1МНК, на їх лагові змінні, які стосуються минулого періоду.

Крок 4. Використовуючи значення оцінки параметра r₂, визначають оцінки параметрів і на основі 1МНК, який застосовується до перетворених данихі.

Крок 5. Визначаються залишки і перевіряються на наявність автокореляції. Якщо гіпотеза про наявність автокореляції відхиляється, то ітератив­ний процес припиняється. У противному разі переходимо до кроку 3, де використовуються знайдені оцінки параметрів і.

Коли ітеративний процес припиняється, то виконується перевірка значущості параметрів з допомогою останньої економетричної моделі. У такому разі звичайні формули дадуть обгрунтовані оцінки дисперсій залишків.