![](/user_photo/2706_HbeT2.jpg)
- •§ 1. Балансовые модели
- •1. Войти в excel
- •1. В первом столбце таблицы перечислены “чистые отрасли”, более или менее цельные, самостоятельные (энергетика, металлургия, машиностроение, оборонка, сельское хозяйство и т.Д.)
- •§ 3. Общая постановка задачи линейного программирования. Симплекс- метод
- •1. Множество решений системы (1) из § 2 является выпуклым многогранником (напомним, что выпуклое множество вместе с любыми двумя точками содержит все точки соединяющего их отрезка).
- •2. Вершины многогранника называются угловыми точками.
- •2. Приводим задачу к каноническому виду:
- •3. Составляем исходную симплекс-таблицу (заметим, что в разных учебных пособиях форма симплекс- таблицы различна!):
- •4. Проверяем опорное решение на оптимальность: если все элементы оценочной строки неотрицательны, то опорное решение оптимально. В нашем случае это не так.
- •1. Если в оценочной строке последней симплекс- таблицы все коэффициенты при балансовых переменных больше 0, то оптимальное решение единственно.
- •§ 4. Двойственные задачи (dual problem).
- •1. Построение математической модели:
- •§ 5. Транспортная задача (transportation
- •1. Вывести весь груз поставщиков (запасы)
- •2. Удовлетворить весь спрос потребителей
- •3. Минимизировать суммарные затраты.
- •1. Нахождение начального опорного плана (угловой точки).
- •2. Проверка опорного плана на оптимальность.
- •3. Переход к новому опорному плану, лучшему, чем предыдущему.
- •4. Проверка опорного плана на оптимальность.
- •1. Нахождение начального опорного плана (угловой точки).
- •2. Проверка опорного плана на оптимальность.
- •3. Переход к новому опорному плану, лучшему, чем предыдущему.
- •50 Изделий из Стокгольма в Лион
- •1. Нахождение начального опорного плана (угловой точки).
- •2. Проверка опорного плана на оптимальность.
- •§ 6 Задача о назначениях (assignment problem).
- •1. Образовать таблицу затрат с.
- •§ 7 Задачи нелинейного программирования
- •§ 8 Игры двух лиц с нулевой суммой (theory of games).
- •1. Наличие двух игроков а и в, с противоположными целями. Поэтому игру и называют антагонистической.
- •2. Наличие у каждого игрока конечного числа ходов, называемых также чистыми стратегиями. Каждый игрок знает чистые стратегии соперника, но не знает какую чистую стратегию тот применит.
- •3. Игроки независимо выбирают чистые стратегии (ходы), после чего игра (партия) заканчивается и каждому игроку выплачивается выигрыш, причем сумма выигрышей равна нулю.
- •4. Все возможные выигрыши аij игрока а сосредоточены в платежной матрице:
- •2. Пусть игрок а обладает 4 чистыми стратегиями. Будут ли следующие векторы смешанными стратегиями?
- •2. Пусть игрок а имеет две чистых стратегии.
- •§ 10 Сведение матричных игр с нулевой суммой к задачам линейного программирования
- •§ 11. Итерационный метод (Брауна – Робинсона).
- •§ 12. Игры с природой (статистические решения)
- •1. Критерий крайнего оптимизма.
- •2. Критерий Вальда
- •3. Критерий Гурвица
- •4. Критерий Сэвиджа
- •5. Критерий Лапласа
- •1. Критерий крайнего оптимизма.
- •§ 13. Модели принятия решений с помощью деревьев решений.
- •1. Изображаем дерево решений, указывая все этапы процесса принятия решений.
- •1. Изображаем дерево решений, указывая все этапы процесса принятия решений.
- •1. Оптимизация 4-го шага, т.Е. Решение задачи:
- •2. Оптимизация 3-го шага, т.Е. Решение задачи:
- •3. Оптимизация 2-го шага, т.Е. Решение задачи:
- •4. Оптимизация 1- го шага → табл.5
- •5. Обратный ход – окончательный оптимальный набор шаговых уравнений
- •80, Третьему- 40, четвертому - 40.
- •§ 15 Вероятностные модели
- •2. Формирование оптимального портфеля акций
- •1 3, 14, 23. Ясно, что точки 1 и 2 не доминируются другими. Они и образуютПарето - оптимальное множество. Среди них и нужно выбрать оптимальную.
- •1. Предоставить окончательный выбор лицу, принимающему решение (например, совету директоров).
- •2. Воспользоваться объединяющей взвешивающей формулой:
- •§ 17. Математическая модель управления запасами
- •1. В момент полного исчерпания запасов склада мгновенно поступает ранее заказанная партия запасов в количестве q.
- •2. С другой стороны со скоростью V ед. Запасов/ ед. Времени запасы отпускаются потребителям:
- •§ 18. Моделирование социально- экономической структуры общества.
- •§ 16. Дисперсионный анализ
- •1. Пусть х- случайная величина, определяющая результативный признак , в данном случае- производительность. Фактор а- методика обучения.
- •3. Подсчитываем факторную дисперсию:
- •4. Подсчитываем остаточную дисперсию:
- •5. Вычисляем значение критерия Фишера:
- •7. Находим число степеней свободы числителя (v1 ) и
- •§ 19. Имитационное моделирование (model simulation)
- •4. Итоговая оценка суммарных издержек:
- •5. Итоговая оценка суммарных издержек:
- •§ 19. Моделирование социально- экономической структуры общества.
- •1. Афанасьев м.Ю., Суворов б.Р. Исследование операций в экономике.-м.: Инфра-м, 2003.
3. Подсчитываем факторную дисперсию:
( оценивает степень влияния данного фактора на результирующий признак).
QА = 5(17-19)2 + 5(21-19)2 +5(19-19)2 = 40
4. Подсчитываем остаточную дисперсию:
(оценивает влияние иных, остаточных причин на результирующий признак).
Qост = (15-17)2+ (18-17)2+ (19-17)2+ (22-17)2 + (11-17)2 +
(22-21)2+ (27-21)2+ (18-21)2+ (21-21)2 + (17-21)2 +
(18-19)2+ (24-19)2+ (16-19)2+ (22-19)2 + (15-19)2 =192
Если эти дисперсии значимо отличаются, то это свидетельствует о существенном влиянии фактора, в противном случае - принимается, что фактор не оказывает существенного влияния. С целью сравнения дисперсий
5. Вычисляем значение критерия Фишера:
Fнабл.
=
6. Выбираем уровень значимости α = 0,05
7. Находим число степеней свободы числителя (v1 ) и
знаменателя (v2 ):
v1 = к – 1 =2
v2 = N– k =15 – 3=12
По таблице критерия Фишера (одна из таблиц математической статистики) находим: Fкр = 3,885
8. Так как наблюдаемое значение критерия (1,25) не превосходит критического значения (3,885), то принимается гипотеза о несущественности влияния фактора А при уровне значимост 0,05.
(в противном случае гипотезу следовало бы отвергнуть).
Итак, тип методики обучения не оказывает значимого влияния на производительность работников.
Файл ANOVA-1
Обозначения в EXCEL таблице:
SS |
df |
MS |
QA – факт. дисп. |
k - 1 |
QA/(k-1) |
Qост – остаточн. дисп. |
N - k |
Qост/(N-k) |
§ 19. Имитационное моделирование (model simulation)
Методы теории вероятностей позволяют строить математические модели, имитируя, шаг за шагом, развитие бизнес - экономического процесса (организация снабжения, управление запасами, банковское обслуживание, сервисное обслуживание автомобилей, функционирование мартеновского цеха и т.д.).
На таких копиях реального процесса, называемых имитационными моделями и реализуемых на компьютере, можно проигрывать различные варианты организации системы, находить наилучшие, оптимальные варианты. Проиграв модель в течение длительного промежутка времени, можно рассчитать значения итоговых показателей (прибыль, производительность, издержки и т.п.) и рекомендовать руководителю внести те или иные изменения уже в структуру и параметры уже реального процесса.
Отметим, что в процессе моделирования, непременно возникнет необходимость найти, какое значение примет случайная величина в результате испытания. Например, какова длительность разливки стали, каков срок подачи шихты и т.д.
Эту важную информацию получают по схеме:
опытные данные- частоты появления возможных значений случайной величины- вероятности значений-построение функции распределения-таблица случайных чисел [11] – восстановление значения случайной величины.
Пример - имитационная модель управления запасами.
Компания - посредник продает автомобильные аккумуляторы, закупая их от внешнего производителя. Как только текущий запас аккумуляторов окажется ниже 6 штук, оформляется заказ на очередную партию из 10 штук. Начальный запас на складе- 10 аккумуляторов. Каждый заказ обходится в 10 у.е. Затраты на хранение 5 у.е/ день. Упущенная выгода (штраф за дефицит) 80 у.е.
Менеджмент компании, стремясь сократить издержки, решил создать имитационную модель и на ней подобрать оптимальные параметры процесса.
Предварительные статистические исследования (обязательная стадия!) дали возможность построить ряды распределения и функции распределения случайных величин.
1. Х- спрос на аккумуляторы.
Ряд распределения:
Х |
0 |
1 |
2 |
3 |
4 |
5 |
р |
0,05 |
0,05 |
0,10 |
0,50 |
0,20 |
0,10 |
Функция распределения F(x) = P(X < x):
Рис. 18.1
2. У - длительность поставки партии, дней.
Ряд распределения:
У |
1 |
2 |
3 |
р |
0,20 |
0,30 |
0,50 |
Функция распределения F(у):
Рис. 18.2
И М И Т А Ц И О Н Н А Я М О Д Е Л Ь
(условимся выбирать случайные числа из второго столбца таблицы случайных чисел [1]).
День |
Пост. партии (штук) |
Теку- щий запас |
СЧ |
Спрос (рис.18.1) |
Конечн. запас |
Деф. |
По дача заказа |
СЧ |
Срок подачи (рис.18.2) |
1 |
0 |
10 |
06 |
1 |
9 |
0 |
нет |
- |
- |
2 |
0 |
9 |
63 |
3 |
6 |
0 |
нет |
- |
- |
3 |
0 |
6 |
57 |
3 |
3 |
0 |
да |
02 |
1 |
4 |
10 |
13 |
94 |
5 |
8 |
0 |
нет |
- |
- |
5 |
0 |
8 |
52 |
3 |
5 |
0 |
да |
69 |
3 |
6 |
0 |
5 |
33 |
3 |
2 |
0 |
нет |
- |
- |
7 |
0 |
2 |
32 |
3 |
0 |
1 |
нет |
- |
- |
8 |
10 |
10 |
30 |
3 |
7 |
0 |
нет |
- |
- |
9 |
0 |
7 |
48 |
3 |
4 |
0 |
да |
88 |
3 |
10 |
0 |
4 |
14 |
2 |
2 |
0 |
нет |
- |
- |
11 |
0 |
2 |
02 |
0 |
2 |
0 |
нет |
- |
- |
12 |
10 |
12 |
83 |
4 |
8 |
0 |
нет |
- |
- |
13 |
0 |
8 |
05 |
1 |
7 |
0 |
нет |
- |
- |
14 |
0 |
7 |
34 |
3 |
4 |
0 |
да |
55 |
3 |
15 |
0 |
4 |
09 |
1 |
3 |
0 |
нет |
- |
- |
70 1 4
Расчет итоговых показателей моделирования
1. Математическое ожидание суммарного запаса: 70/15 =4,7
2. Математическое ожидание дефицита: 1/15 =0,06
3. Математическое ожидание числа заказов: 4/15 =0,27