- •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
78. Понятие доверительный интервал для среднего значения оценки.
Регрессионный анализ определяет связь между зависимой величиной y и независимой величиной x. Для описания функциональной зависимости применяются различные формулы регрессии.
Процесс построения регрессионных зависимостей аналогичен друг другу. Чтобы понять основные положения регрессионного анализа можно использовать самую простейшую модель: y=a+bx.
Константы a и b – неизвестные. Они определяются из временного ряда с помощью различных методов. Наиболее известным из них является метод наименьших квадратов.
Чтобы оценить значения полученных величин a и b используется понятие "доверительного интервала" (в каких пределах можно доверять результатам).
Доверительный интервал для среднего значения оценки при х = х0 (т.е. для у0 = а + bх0):
,
где - коэффициент Стьюдента;
- вероятность, с которой доверяют результатам.
79. Понятие интервала предсказаний
Интервал предсказания говорит об отдельных предсказаниях значений зависимой переменной, т.е. интервал предсказания для предсказанного значения зависимой переменной предоставляет сведения о диапазоне значений, в котором предположительно будут располагаться значения зависимой переменной при проведении дополнительных наблюдений (с заданным уровнем уверенности).
Как и следовало ожидать, интервал предсказания для значения прогнозируемой величины является более широким, чем доверительный интервал для среднего значения оценки.
80. Понятие коэффициента корреляции
Корреляция – связь между двумя величинами (одна величина – зависимая, другая – независимая).
Коэффициент корреляции r – является наиболее значимым среди многочисленных коэффициентов, использующихся для проверки того, насколько модель соответствует исходным данным.
Коэффициент корреляции r может изменяться в пределах -1…+1.
Если r = ±1, то модель идеально подходит для описания зависимости. При r = 0 величины Y и X могут быть независимыми. В общем случае, чем ближе r к 1, тем лучше подходит модель. На практике значение r является удовлетворительным при значении 1…0,75
Коэффициент корреляции r вычисляется по формуле:
где n – количество испытуемых точек.
- средние значения.
81. Понятие тренда во временном ряду.
В методе прогнозирования с использованием скользящего среднего основное предположение состоит в том, что временной ряд является устойчивым в том смысле, что его члены есть производные случайного процесса , где - неизвестный постоянный параметр, который оценивается на основе представленной информации, а - случайная ошибка, имеющая нулевое мат.ожидание и постоянную дисперсию.
Рассмотрим пример: имеются данные за 12 месяцев:
Месяц, t |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
Спрос, |
46 |
56 |
54 |
43 |
57 |
56 |
67 |
62 |
50 |
56 |
47 |
56 |
Ч тобы проверить применимость метода скользящего среднего, проанализируем приведенные данные. Для этого построим график и линию тренда.
Чтобы определить тренд, необходимо определить коэффициент автокорреляции (связь между величиной и периодом отставания по времени). Корреляция – связь между двумя величинами, одна из которых – зависимая, а другая – независимая. Коэффициент корреляции всегда меняется от «+1» до «-1». При коэффициенте корреляции = 0 можно сказать, что эти величины независимы.
График показывает, что наблюдается тенденция к возрастанию значений с течением времени (см. линию тренда). Это означает, что скользящее среднее не будет хорошим предсказателем для будущего спроса. В частности использование большой базы n для скользящего среднего неприемлемо в этом случае, т.к. это приведет к подавлению наблюдаемой тенденции в изменении данных. Следовательно, если мы используем небольшое значение для базы n, то будем находиться в лучшем положении с т.з. отображения упомянутой тенденции в изменении данных.