- •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.
- •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.
- •1. Понятие эс
- •2. Назначение и области применения экспертных систем
- •3 . Структура экспертной системы
- •4. Основные классы и виды экспертных систем
- •5. Продукционные экспертные системы. Основные компоненты продукционной экспертной системы
- •6. Продукционные экспертные системы. Прямая и обратная цепочки вывода
- •7. Продукционные экспертные системы. Простая диагностирующая экспертная система
- •8. Продукционные экспертные системы. Формальное представление продукционной экспертной системы
- •9. Нейлоровские диагностирующие системы. Общие понятия
- •10. Нейлоровские диагностирующие системы. Байесовский подход
- •11. Нейлоровские диагностирующие системы. Элементы механизма логического вывода
- •12. Нейлоровские диагностирующие системы. Цены свидетельств — косвенная цепочка рассуждений
- •13. Нейлоровские диагностирующие системы. Правила остановки
- •14. Нейлоровские диагностирующие системы. Структура базы знаний
- •15. Нейлоровские диагностирующие системы. Алгоритм логического вывода
58. Марковские процессы. Выражение (основа) для формулировки марковской задачи в виде задачи линейного программирования.
Марковскую задачу принятия решений при бесконечном числе этапов как с дисконтированием, так и без можно сформулировать и решить как задачу линейного программирования. Рассмотрим сначала случай без дисконтирования.
Марковская задача без дисконтирования при бесконечном числе этапов сводится к нахождению оптимальной стратегии , соответствующей
где - множество всех возможных стратегий, здесь , представляют установившиеся вероятности марковской цепи . Подобная задача была решена полным перебором всех стратегий .
Приведенная задача служит основой для формулировки марковской задачи принятия решений в виде задачи линейного программирования. Однако необходимо преобразовать переменные задачи таким образом, чтобы оптимальное решение автоматически определяло оптимальное действие (альтернативу) , когда система находится в состоянии . Совокупность всех оптимальных действий определяет оптимальную стратегию .
59. Марковские процессы. Формулировка Марковской задачи в виде задачи линейного программирования. Постановка задачи.
Задача без дисконтирования.
Введем обозначение: - условная вероятность выбора альтернативы , когда система находится в состоянии . Тогда задачу можно представить в следующем виде.
Максимизировать
При ограничениях
Преобразование этой задачи в задачу линейного программирования:
Обозначим для всех и . По определению величина представляет собой совместную вероятность пребывания в состоянии и принятия решения . Из теории вероятностей известно, что . Следовательно, . Поэтому очевидно, что ограничение можно записать в виде: .
Ограничение также автоматически вытекает из способа определения через . Таким образом, задачу можно записать в виде
Максимизировать
При ограничениях
,
Задача с дисконтированием.
Минимизировать
При ограничениях
Двойственной к приведенной задаче является задача
Максимизировать
При ограничениях
60. Марковские процессы. Пример формулировки задачи садовника без дисконтирования при бесконечном числе этапов в виде задачи линейного программирования.
Формулировка задачи садовника без дисконтирования в виде задачи линейного программирования
Максимизировать
При ограничениях
Оптимальным решением является , , , .Это означает, что . Таким образом, оптимальная стратегия требует выбора альтернативы 2 (k=2) при . Оптимальное значение равно 4,7(6/59)+3,1(31/59)+0,4(22/59)=2,256.
76. Понятие регрессионного анализа.
Данный анализ определяет связь между зависимой величиной (например, спрос на продукцию) и независимой величиной (например, временем). Часто применяемая формула регрессии, описывающая зависимость между переменной y и независимой переменной x, имеет вид:
,
где - неизвестные параметры. Случайная ошибка имеет нулевое математическое ожидание и постоянную дисперсию (т.е. дисперсия случайной величины одинакова для всех наблюдаемых значений y).
Самая простая регрессионная модель предполагает, что зависимая переменная линейна относительно независимой переменной, т.е.
Константы a и b определяются из временного ряда с использованием метода наименьших квадратов.
77. Метод наименьших квадратов.
Регрессионный анализ определяет связь между зависимой величиной и независимой величиной . Для описания функциональной зависимости применяются различные формулы регрессии. Процесс построения регрессионной зависимости аналогичен для разных функций.
Чтобы понять основные положения регрессионного анализа можно использовать самую простейшую модель: , параметры и несущественные. Они определяются из временного ряда с помощью различных методов, наиболее известным из них является метод наименьших квадратов, в соответствии с которым значения этих констант соответствуют минимуму суммы квадратов разностей между наблюдаемыми и вычисляемыми величинами. Чтобы найти значения и записывается функция:
Значения коэффициентов и определяются из условия минимума значения функции :
Решение системы дает и :
,