- •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
8. Принятие решений в условиях определенности. Условие согласованности.
Матрицы сравнений являются согласованными, если все столбцы нормализованной матрицы идентичны. Матрицы сравнения размерностью всегда являются согласованными. Это объясняется тем, что свойство согласованности требует линейной зависимости столбцов (и строк) матрицы, а столбцы матрицы сравнений являются зависимыми.
С математической точки зрения согласованность матрицы А (матрицы парных сравнений) означает, что . Это условие согласованности должно выполняться для матриц третьего и более порядков.
9. Принятие решений в условиях определенности. Коэффициент согласованности.
Свойство согласованности необходимо проверять для любой матрицы, однако для матрицы этого ненужно. Идеально согласованной матрицы не существует, поэтому для определения уровня согласованности необходима количественная мера.
Идеально согласованная матрица А порождает нормализованную матрицу N, в которой все столбцы одинаковы.
Отсюда следует, что матрица сравнений А может быть получена из матрицы N путем деления элементов i-ого столбца на (это процесс, обратный к нахождению матрицы N из A).
Получаем:
Используя приведенное определение A, имеем:
В компактной форме условие согласованности матрицы А формулируется следующим образом: матрица А будет согласованной тогда и только тогда, когда
, где
- вектор-столбец относительных весов ,
Когда матрица А не является согласованной, относительный вес является средним значением n-элементов i-й строки нормализованной матрицы N.
, где
. Чем ближе к , тем более согласованной является матрица сравнения.
В результате вычисляется коэффициент согласованности в виде:
, где
Стохастический коэффициент согласованности определяется эмпирическим путем как среднее значение коэффициента для большой выборки генерированных случайным образом матриц сравнения А.
Коэффициент согласованности используется для проверки согласованности матрицы сравнения А следующим образом. Если , уровень несогласованности является приемлемым. В противном случае уровень несогласованности матрицы сравнения А является высоким и лицу, принимающему решение, рекомендуется проверить элементы парного сравнения матрицы А в целях получения более согласованной матрицы.
Значение определяется следующим образом: для любой строки i матрицы сравнения можно записать такое выражение:
Если же просуммировать последнее выражение, то получится:
Это значит, что величину можно определить путем вычисления столбца с последующим суммированием.
10. Принятие решений в условиях риска. Сравнение альтернативных решений.
Если решение принимается в условиях риска, то стоимости альтернативных решений обычно описываются вероятностными распределениями. По этой причине принимаемое решение основывается на использовании критерия ожидаемого значения, в соответствии с которым альтернативные решения сравниваются с точки зрения максимизации ожидаемой прибыли или минимизации ожидаемых затрат. В данном случае предполагается что прибыль (затраты), связанная с каждым альтернативным решением, является случайной величиной.
11. Принятие решений в условиях риска. Понятие дерева решений.
Дерево решений. Рассматривается ситуация с принятием решений при наличии конечного числа альтернатив и матрицы доходов.
Пример: Предположим, что вы хотите вложить на фондовой бирже 10 000 долларов в акции одной из двух компаний: A или В. Акции компании А являются рискованными, но могут принести 50% прибыли от суммы инвестиции на протяжении следующего года. Если условия фондовой биржи будут неблагоприятны, сумма инвестиции может обесцениться на 20%. Компания В обеспечивает безопасность инвестиций с 15% прибыли в условиях повышения котировок на бирже и только 5% - в условиях понижения котировок. Все аналитические публикации, с которыми можно познакомиться (а они всегда есть в изобилии в конце года), с вероятностью 60% прогнозируют повышение котировок и с вероятностью 40% - понижение котировок. В какую компанию следует вложить деньги?
Информация. Связанная с принятием решений, суммирована в следующую таблицу:
Альтернативное решение |
прибыль от инвестиции за один год |
|
при повышении котировок ($) |
при понижении котировок ($) |
|
Акции компании А |
5000 |
-2000 |
Акции компании В |
1500 |
500 |
вероятность события |
0,6 |
0,4 |
Эта задача может быть представлена в виде дерева решений:
На рисунке используются два типа вершин: квадрат представляет “решающую” вершину, кружок – “случайную” вершину. Из “решающей” вершины 1 выходят две ветви, представляющие альтернативы, связанные с покупкой акций компании А и В. Ветви, выходящие из “случайных” вершин 2 и 3, соответствуют случаям повышения и понижения котировок на бирже с вероятностями их появления и соответствующими платежами.
Прибыль, получаемая при двух альтернативах рассчитывается следующим образом:
А:
В:
Согласно этим расчетам правильным решением будет покупка акций компании А.
Вероятности 0,6 и 0,4 называются состоянием природы. При n состояний природы и m альтернатив можно записать выражение для определения прибыли:
, где
Наилучшим решением будет то, которое соответствует или , в зависимости от того, является ли платеж в задаче доходом или убытком.