- •1. Процесс принятия решений. Три условия принятия решений.
- •2. Принятие решений в условиях определенности. Структура с одним иерархическим уровнем.
- •3. Принятие решений в условиях определенности. Структура с двумя иерархическими уровнями.
- •4. Принятие решений в условиях определенности. Понятие веса и комбинированного веса.
- •5. Принятие решений в условиях определенности. Понятие матрицы парных сравнений.
- •6. Принятие решений в условиях определенности. Понятие нормализованной матрицы.
- •7. Принятие решений в условиях определенности. Пример согласованной матрицы.
- •8. Принятие решений в условиях определенности. Условие согласованности.
- •9. Принятие решений в условиях определенности. Коэффициент согласованности.
- •10. Принятие решений в условиях риска. Сравнение альтернативных решений.
- •11. Принятие решений в условиях риска. Понятие дерева решений.
- •12. Принятие решений в условиях риска. Связь между «состоянием природы» и ожидаемым платежом.
- •13. Принятие решений в условиях риска. Альтернатива на примере ремонта автомобилей.
- •14. Принятие решений в условиях риска. Критерий выбора периодичности ремонта автомобилей.
- •15. Принятие решений в условиях риска. Зависимость вероятности поломки автомобиля от срока эксплуатации.
- •16. Принятие решений в условиях риска. Априорные вероятности.
- •17. Принятие решений в условиях риска. Апостериорные вероятности.
- •18. Принятие решений в условиях риска. Вероятностные соотношения, отражающие мнение специалиста при принятии решения на основе эксперимента над исследуемой системой.
- •19. Принятие решений в условиях риска. Дерево решений при использовании апостериорных вероятностей.
- •20. Принятие решений в условиях риска. Вероятность совместного появления событий m и .
- •21. Принятие решений в условиях риска. Абсолютная вероятность.
- •22. Принятие решений в условиях риска. Выражение для апостериорной вероятности.
- •23. Принятие решений в условиях риска. Понятие функции полезности.
- •24. Принятие решений в условиях риска. Графическое изображение функции полезности.
- •25. Принятие решений в условиях риска. Процедура построения функции полезности.
- •26. Принятие решений в условиях риска. Понятие критерия ожидаемого значения.
- •27. Принятие решений в условиях риска. Составляющие критерия ожидаемого значения – дисперсия.
- •28. Принятие решений в условиях риска. Понятие критерия предельного уровня.
- •29. Принятие решений в условиях риска. Использование критерия предельного уровня в сфере массового обслуживания.
- •30. Принятие решений в условиях риска. Критерий наиболее вероятного исхода.
- •31. Принятие решений в условиях неопределенности. Критерий Лапласа.
- •32. Принятие решений в условиях неопределенности. Минимаксный критерий.
- •33. Принятие решений в условиях неопределенности. Критерий Сэвиджа.
- •34. Принятие решений в условиях неопределенности. Критерий Гурвица.
- •35. Марковские процессы. Понятие матрицы переходных вероятностей и матрицы доходов.
- •36. Марковские процессы. Стационарная стратегия.
- •37. Марковские процессы. Основной смысл решений, принимаемых садовником.
- •38. Марковские процессы. Представление задачи садовника как задачи динамического программирования с конечным числом этапов (основные элементы).
- •39. Марковские процессы. Ожидаемый доход, обусловленный одним переходом.
- •40. Марковские процессы. Понятие обратной прогонки в задаче динамического программирования.
- •41. Марковские процессы. Рекуррентное уравнение динамического программирования при условии изменения переходных вероятностей и функции дохода во времени.
- •42. Марковские процессы. Коэффициент дисконтирования. Его учет в рекуррентном уравнении динамического программирования при конечном числе этапов.
- •43. Марковские процессы. Общая характеристика методов решения задачи с бесконечным числом этапов.
- •44. Марковские процессы. Алгоритм метода полного перебора. Общая характеристика.
- •45. Марковские процессы. Пример вычисления долгосрочных стационарных вероятностей в методе полного перебора в модели с бесконечным числом этапов.
- •46. Марковские процессы. Характеристика результирующей таблицы в методе полного перебора в методе с бесконечным числом этапов.
- •47. Марковские процессы. Недостаток метода полного перебора в модели с бесконечным числом этапов.
- •48. Марковские процессы. Модификация рекуррентного уравнения в методе итераций по стратегиям при бесконечном числе этапов.
- •49. Марковские процессы. Необходимость применения итеративной процедуры в методе итераций по стратегиям при бесконечном числе этапов.
- •50. Марковские процессы. Алгоритм метода итераций по стратегиям при бесконечном числе этапов. Общая характеристика.
- •1.Шаг оценивания параметров:
- •2.Шаг улучшения стратегии:
- •51. Марковские процессы. Критерий выбора оптимального решения в методе итераций по стратегиям при бесконечном числе этапов.
- •52. Марковские процессы. Пример шага оценивания параметров в методе итераций по стратегиям при бесконечном числе этапов.
- •53. Марковские процессы. Пример шага улучшения стратегии в методе итераций по стратегиям при бесконечном числе этапов.
- •58. Марковские процессы. Выражение (основа) для формулировки марковской задачи в виде задачи линейного программирования.
- •59. Марковские процессы. Формулировка Марковской задачи в виде задачи линейного программирования. Постановка задачи.
- •60. Марковские процессы. Пример формулировки задачи садовника без дисконтирования при бесконечном числе этапов в виде задачи линейного программирования.
- •61. Вероятное динамическое программирование. Рекуррентное уравнение об инвестировании.
- •62. Вероятное динамическое программирование. Модель дп для задачи инвестирования.
- •63. Вероятное динамическое программирование. Уравнение состояния для задачи инвестирования.
- •64. Вероятное динамическое программирование. Этап расчета в задаче инвестирования.
- •65. Вероятное динамическое программирование. Понятие максимизация вероятности достижениями.
- •66. Вероятное динамическое программирование. Полная вероятность и функция состояния в задаче максимизации вероятности достижения цели.
- •67. Вероятное динамическое программирование. Пример этапа расчета в задаче максимизация вероятности достижения цели.
- •68. Вероятное динамическое программирование. Модель дп в задаче азартная игра.
- •69. Вероятное динамическое программирование. Функция состояния в задаче азартная игра.
- •70. Вероятное динамическое программирование. Пример этапа в задаче азартная игра.
- •71. Вероятностное динамическое программирование. Оптимальная последовательность действий в задаче азартная игра.
- •72. Методы прогнозирования. Прогнозирование с использованием скользящего среднего. Основные понятия.
- •73. Методы прогнозирования. Выбор количества элементов массива для расчета в методе скользящего среднего.
- •74. Методы прогнозирования. Понятие экспоненциального сглаживания.
- •75. Методы прогнозирования. Рекуррентная формула в методе экспоненциального сглаживания.
- •76. Понятие регрессионного анализа.
- •77. Метод наименьших квадратов.
- •78. Понятие доверительный интервал для среднего значения оценки.
- •79. Понятие интервала предсказаний
- •80. Понятие коэффициента корреляции
- •81. Понятие тренда во временном ряду.
- •82. Модель аддитивных компонентов.
- •83. Модель мультипликативных компонентов.
82. Модель аддитивных компонентов.
Модель аддитивных компонентов: Yt = St+It+Tt, где St – сезонность, It – непредсказуемость, Tt – тренд.
Аддитивная сезонность, демпфированный тренд. В этой модели анализа временных рядов прогнозы простого экспоненциального сглаживания "улучшаются" демпфированным трендом [сглаживается независимо с параметром Ф(фи)] и аддитивной сезонной компонентой (сглаживается с параметром ). Для вычисления сглаженных значений в первом сезоне необходимы начальные значения сезонных компонент. Далее S0 и T0 (начальный тренд) вычисляются по формуле: T0 = (1/Ф)*(Mk-M1)/[(k-1)*p]
где - параметр сглаживания k - число полных сезонных циклов Mk - среднее на последнем сезонном цикле M1 - среднее на первом сезонном цикле p - длина сезонного цикла и S0 = M1 - p*T0/2
Аддитивная сезонность, линейный тренд. В этой модели анализа временных рядов в прогнозе учитывается как линейный тренд [сглаживаемый независимо с параметром (гамма)], так и аддитивная сезонная компонента [с параметром (дельта). Для вычисления сглаженных значений в первом сезоне необходимы начальные значения сезонных компонент. Далее S0 и T0 (начальный тренд) вычисляются по формуле:T0 = (Mk-M1)/((k-1)*p
Где k число полных сезонных циклов Mk среднее на последнем сезонном цикле M1 среднее на первом сезонном цикле p длина сезонного цикла и S0 = M1 - T0/2
Аддитивная сезонность, с исключенным трендом. Эта модель в анализе временных рядов частично эквивалентна модели простого экспоненциального сглаживания. Однако, дополнительно в каждом прогнозе учитывается аддитивная сезонная компонента, которая сглаживается независимо Эта модель могла бы, например, подойти для прогноза месячных ожидаемых осадков.
Аддитивная сезонность, экспоненциальный тренд. В этой модели анализа временных рядов простое экспоненциальное сглаживание применяется для обеих компонент: экспоненциального тренда [сглаживание производится с параметром (гамма)] и аддитивной сезонной компоненты [сглаживается с параметром (дельта)]. Для вычисления сглаженных значений в первом сезоне необходимы начальные значения сезонных компонент. Далее S0 и T0 (начальный тренд) вычисляются по формуле:T0 = exp((log(Mk) - log(M1))/p) Где k число полных сезонных циклов Mk среднее на последнем сезонном цикле M1 среднее на первом сезонном цикле p длина сезонного цикла и S0 = exp(log(M1) - p*log(T0)/2)
83. Модель мультипликативных компонентов.
Модель мультипликативных компонентов: , где – сезонность, – непредсказуемость, – тренд.
Мультипликативная сезонность, демпфированный тренд. В этой модели анализа временных рядов прогнозы простого экспоненциального сглаживания «улучшаются» демпфированным трендом (сглаживается независимо с параметром ) и аддитивной сезонной компонентой (сглаживается с параметром ). и (начальный тренд) вычисляются по формуле:
,
где - параметр сглаживания;
- число полных сезонных циклов;
- среднее на последнем сезонном цикле;
- среднее на первом сезонном цикле;
- длина сезонного цикла,
и .
Мультипликативная сезонность, линейный тренд. В этой модели анализа временных рядов простое экспоненциальное сглаживание применяется для прогноза обеих компонент: линейного тренда (сглаживается с параметром ) и мультипликативной сезонной компоненты (сглаживается с параметром ). и (начальный тренд) вычисляются по формуле:
и
Мультипликативная сезонность, с исключенным трендом. Эта модель в анализе временных рядов частично эквивалентна модели простого экспоненциального сглаживания. Однако, дополнительно в каждом прогнозе учитывается мультипликативная сезонная компонента, которая сглаживается независимо.
Мультипликативная сезонность, экспоненциальный тренд. В этой модели анализа временных рядов простое экспоненциальное сглаживание применяется для обеих компонент: экспоненциального тренда (сглаживается с параметром ) и мультипликативной сезонной компоненты (сглаживается с параметром ). и (начальный тренд) вычисляются по формуле:
и .