- •2. Примеры экономических задач.
- •4.Этапы решения экономических задач математическими методами.
- •5.Принципы построения экономико-математических моделей.
- •12.Критерий оптимальности в стандартном симплекс-методе
- •6. Построение экономико-математических моделей
- •7.Формы задач линейного программирования
- •17. Теоремы двойственности
- •3. Классификация моделей и задач в математическом программировании
- •Классификация моделей.
- •1.Предмет и задачи курса. Методы и область применения дисциплины.
- •9. Геометрическая интерпретация задач линейного программирования.
- •10. Алгоритм решения задач линейного программирования графическим методом.
- •11.Построение опорных планов в симплексном методе решения злр
- •13. Алгоритм симплекс-методу
- •8.Свойства задач линейного программирования.
- •16.Симметричные двойственные задачи
- •14 Вырожденность в задачах линейного программирования.
- •19.Оценки как мера дефицитности ресурсов в рентабельности отдельных видов продукции
- •20. Экономический смысл 3 теоремы двойственности
- •15. Симплекс метод с искусственным базисом
- •18.Задача рационального использования ресурсов. Экономический смысл ограничений двойственных задач, их переменных и их оптимальных решений
- •21. Модели транспортной задачи
- •22. Методы составления начальных опорных планов транспортной задачи
- •27. Решение злп с использованием пк.
- •28. Определение дефицитных видов ресурсов и убыточных видов продукции.
- •23. Методы потенциалов решения транспортной задачи
- •24. Тз с ограничениями на пропускные способности
- •29. Определение границ утойчивости двоственных оценок
- •25. Транспортная задача по критерию времени
- •26. Задача о назначениях
- •30. Постановка задачи целочисленного линейного программирования
- •30. Понятие об отдельных подклассах задач
- •34. Метод ветвей и границ
- •38. Метод множителей лагранжа
- •40. Выпуклое множество. Теорема куна-таккера
- •50.Качественный анализ риска
- •65. Проверка временного ряда на наличие тренда
- •55. Понятие доверительного интервала
- •56. Проверка гипотез
- •57. Точечный и интервальный прогноз
- •59.Система одновременных уравнений
- •60. Основные положения регрессионного анализа
- •66 Методы сглаживания и выравнивания динамических рядов.
- •54. Оценка ковариационной матрицы
- •63. Виды эконометрических моделей динамики
- •42. Игра как мате. Модель конфликта
- •37. Постановка задачи нелинейного программирования
- •53. Построение модели линейной регрессии
- •33. Метод гомори
- •47. Сведение матричных игр к злп
- •61. Линейная модель множественной регрессии
- •43. Матричные игры двух лиц
- •51. Способы количественной оценки рисков
- •52. Принятие решений в условиях риска
- •64.Тренд, виды трендов
- •49. Общая схема управления рисками
- •31. Условно-оптимальное решение
- •45. Решение матричных игр графическим способом
- •44. Доминирование строк и столбцов
- •46.Аналитический метод решения игр
- •35. Причины возникновения и примеры нелинейностей в оптимизационных экономических задачах
- •32. Составление дополнительных ограничений
46.Аналитический метод решения игр
Пусть дана платежная матрица игры, приведенной к нормальной форме
Пусть рi – частота применения i-той чистой стратегии игроком A. qi – частота применения j-той чистой стратегии игроком B.
Мат. ожидание выигрыша для игрока A при условии, чтоB выбрал свою стратегиюΨ1, определяется как: 15
Математическое ожидание выигрыша для A равно: (16)
. Математическое ожидание проигрыша дляB равно:
.
Найдем значения pi и qj , максимизирующие математическое ожидание выигрыша A и, соответственно, проигрыша B. Для нахождения условного экстремума запишем функцию Лагранжа, имеющую следующий вид: (18)
,
где ʋ – цена игры.
Найдем частные производные функции Лагранжа по всем аргументам:
,
,
…………………………
,
(19)
,
……………………
,
,
.
Получили систему (m+n+2)-x уравнений со столькими же неизвестными. Решая ее, находим значения pi и qj , т.е. оптимальные смешанные стратегии
; .
Подставляя найденные значения pi и qj в выражение (17), находим цену игры. Аналогично можно составить функцию Лагранжа и систему (m+n+2)-x уравнений для игрока B. Системы уравнений должны совпасть, что следует из совпадения выражений для математических ожиданий выигрыша игрока A и проигрыша игрока B.
Решение системы уравнений во многих случаях целесообразно проводить по формулам Крамера, которые для системы уравнений типа (20)
имеют вид:
где , – соответствующие миноры определителя D. Для использования формул Крамера систему вида (19) необходимо предварительно привести к виду (20). Если система (19) не имеет решения в области значений pi и qj , лежащих в пределах [0;1], значит некоторые из чистых стратегий являются неактивными и, следовательно, частные производные функции Лагранжа по вероятности их использования не равны цене игры, т.е. в соответств.уравнении из системы (19) необходимо вместо =ʋ поставить знак неравенства: < ʋ – для любого из первых 1+m уравнений; или >ʋ – для любого из уравнений (m+1)+(m+n).
Согласно свойствам смешанных оптимальных стратегий, если частная производная функции Лагранжа по pi (qj ) меньше (больше) цены игры, то соответствующая вероятность pi (qj ) равна 0 (т.е. стратегия неактивная). Учитывая, что соответствующее значение pi (qj ) равно нулю и, понижая таким образом порядок системы (19), приходим к системе совместных уравнений, имеющих решение в интервале [0;1]. Для игр размерности 2×n или m×2 целесообразно проводить проверку стратегий на активность графическим методом.
41. ОПТИМУМ, ОПТИМАЛЬНОСТЬ – с точки зрения математики, оптимум функции есть такое ее экстремальное значение, которое либо больше других значений той же функции (тогда это глобальный или, лучше, абсолютный максимум), либо меньше других значений – тогда это глобальный (абсолютный) минимум.
Термин “оптимум” употребляется в трех значениях: 1) наилучший вариант из возможных состояний системы – его ищут, “решая задачи на О.”; 2) наилучшее направление изменений (поведения) системы (“выйти на О.”); 3) цель развития, когда говорят о “достижении О.”.
Термин “оптимальность” означает характеристику качества принимаемых решений (оптимальное решение задачи, оптимальный план, оптимальное управление), характеристику состояния системы или ее поведения (оптимальная траектория, оптимальное распределение ресурсов, оптимальное функционирование системы) и т. п.
Это не абсолютные понятия: нельзя говорить об оптимальности вообще, вне условий и без точно определенных критериев оптимальности. Решение, наилучшее в одних условиях и с точки зрения одного критерия, может оказаться далеко не лучшим в других условиях и по другому критерию. Приходится учитывать также фактор устойчивости решения.
В общей задаче математического программирования вектор переменных является точкой глобального О. (решением задачи), если он принадлежит допустимому множеству и целевая функция принимает на этом множестве значение, не меньшее (при задаче на максимум) или не большее (при задаче на минимум), чем в любой другой допустимой точке. Соответственно, точкой локального О. является вектор инструментальных переменных, принадлежащий допустимому множеству, на котором значение функции больше (меньше) или равно значениям функции в некоторой малой окрестности этого вектора. Очевидно, что глобальный О. является и локальным: обратное же утверждение было бы неверным.
Для решения задач используются экономико-математические методы, кот. классифицируются по различным признакам: По классификационному признаку “оптимальности”: оптимизационные — позволяют искать решение по заданному критерию оптимальности; неоптимизационные — поиск ведется без критерия оптимальности. По признаку “получения точного решения”: точные; приближенные. Метод относят к точным , если алгоритм метода позволяет получить только единственное решение. Метод относят к приближенным, если в поиске решения используется стохастическая информация и решение можно получить с любой степенью точности, а также если применение метода не гарантирует получения единственного решения по заданному критерию оптимальности.