- •Автокорреляционная функция, коррелограмма и выявление структуры временного ряда.
- •Автокорреляция уровней временного ряда. Свойства коэффициента временной автокорреляции.
- •Аналитическое выравнивание временного ряда. Ошибки спецификации при выборе вида тренда.
- •Балансовый метод планирования. Области применения. Преимущества модели «затраты-выпуск».
- •Временные параметры событий сетевых моделей: ранний срок, поздний срок, резерв времени. Критические события.
- •Геометрическая интерпретация злп. Графическая интерпретация целевой функции. Особые случаи при графическом решении злп.
- •Граф-аналитический метод решения злп. Геометрическая интерпретация и графическое решение злп.
- •Коэффициент напряженности работы в сетевой модели. Пути снижения напряженности работ.
- •Коэффициенты прямых и косвенных материальных затрат в матричных моделях баланса. Основные уравнения математической модели балансового метода планирования.
- •Краткая характеристика симплексного м-метода линейного программирования. Геометрическая интерпретация симплексного метода.
- •Критерий оптимальности. Возможность решения задач с различными целевыми функциями в одной и той же области допустимых решений. Случай многокритериальных задач.
- •Линейная и нелинейная регрессия
- •Матрица (математическая модель) открытой транспортной задачи. Условный потребитель (получатель). Характеристика задач, решаемых этим методом.
- •Множественная регрессия
- •Моделирование одномерных временных рядов. Основные элементы временного ряда
- •Моделирование сезонных и циклических колебаний. Аддитивная и мультипликативная модель временного ряда. Процесс построения модели.
- •Общая формулировка задачи линейного программирования (злп). Каноническая форма злп.
- •Приведение общей задачи линейного программирования к канонической форме
- •Общая формулировка задачи линейного программирования (злп). Матричная форма записи.
- •Описание матрицы модели «затраты-выпуск» на примере межотраслевого баланса. Уравнения баланса для потребляющих и производящих отраслей
- •Определение и формулы для расчета сумм tss, rss и ess. Проверка общего качества уравнения регрессии на основе проверки значимости коэффициента детерминации r2.
- •Определение и формула Истинный коэффициент детерминации модели зависимости случайной величины y от факторов X определяется следующим образом:
- •Основные понятия эволюционно-симулятивной методологии.
- •Общие сведения
- •Основные теоремы двойственности и их экономическое содержание
- •Основные теоремы теории равновесных случайных процессов
- •Особые случаи симплексного метода.
- •Оценка параметров линейной модели парной регрессии. Суть метода наименьших квадратов.
- •Оценка спецификации модели. Проверка гипотез, относящихся к коэффициентам уравнения парной линейной регрессии.
- •Понятие «временной ряд» и «анализ временного ряда».
- •Понятие «корреляционный анализ»
- •Понятие «модель временного ряда». Модели временных рядов
- •Понятие «регрессия» и «регрессионный анализ».
- •Понятие «эконометрическая модель». Предмет, цели и задачи эконометрики.
- •Понятие двойственности в задаче линейного программирования.
- •Понятие двойственности в задаче линейного программирования. Основные теоремы двойственности.
- •Понятие критического пути в сетевой модели. Построение линейной диаграммы проекта.
- •Понятие социально-экономического процесса. Общие закономерности социально-экономического развития (цикл «инновации-инвестиции»)
- •Правила нахождения коэффициентов новой симплексной таблицы. Оценка оптимальности плана при решении задач на максимум и минимум целевой функции.
- •Правила составления исходной матрицы и первого (опорного, базисного) плана симплексного м-метода линейного программирования.
- •Предмет, цели и задачи эконометрики. Связь эконометрики с другими областями знаний. Типы выборочных данных в эконометрике.
- •Преимущества и недостатки моделей, использующих коэффициенты прямых затрат, в сравнении с моделями, использующими коэффициенты полных затрат.
- •Применение метода наименьших квадратов для регрессионного анализа.
- •Принципы построения эконометрических моделей. Виды переменных эконометрических моделей.
- •Прогнозирование по уравнению парной линейной регрессии. Точечный и интервальный прогнозы значений результативного признака.
- •Прогнозирование по уравнению парной линейной регрессии. Точечный прогноз. Интервальные прогнозы для средних и индивидуальных значений результативного признака.
- •Разложение временных рядов на компоненты
- •Расчет опорного (базисного) плана транспортной задачи методом «северо-западного угла». Формулы расчета потенциалов занятых клеток и расчета оценок свободных клеток матрицы транспортной задачи.
- •Симплексный м-метод линейного программирования. Симплекс-таблица. Правило прямоугольника.
- •Симплекс-таблица. Получение первого опорного решения. Последовательность оптимизации симплекс методом.
- •Способы формализации различных экономических и управленческих задач, заданных в содержательном виде. Задача о раскрое материалов.
-
Линейная и нелинейная регрессия
Линейная регрессия
Линейная регрессия предполагает, что функция зависит от параметров линейно. При этом линейная зависимость от свободной переменной необязательна,
В случае, когда функция линейная регрессия имеет вид
здесь — компоненты вектора .
Значения параметров в случае линейной регрессии находят с помощью метода наименьших квадратов. Использование этого метода обосновано предположением о гауссовском распределении случайной переменной.
Нелинейная регрессия.
Нелинейные регрессионные модели — модели вида
которые не могут быть представлены в виде скалярного произведения
где — параметры регрессионной модели, — свободная переменная из пространства , — зависимая переменная, — случайная величина и — функция из некоторого заданного множества.
-
Матрица (математическая модель) открытой транспортной задачи. Условный потребитель (получатель). Характеристика задач, решаемых этим методом.
Исходные данные задачи могут быть представлены в виде:
-
вектора А=(a1,a2,...,am) запасов поставщиков
-
вектора B=(b1,b2,...,bn) запросов потребителей
-
матрицы стоимостей (С):
;
Переменными (неизвестными) транспортной задачи являются xij , i=1,2,...,m j=1,2,...,n — объемы перевозок от i-го поставщика каждому j-му потребителю. Эти переменные могут быть записаны в виде матрицы перевозок.
Математическая формулировка транспортной задачи такова: найти переменные задачи X=(xij), i=1,2,...,m; j=1,2,...,n, удовлетворяющие системе ограничений, условиям неотрицательности и обеспечивающие минимум целевой функции.
Область применения: Транспортные задачи линейного программирования тесно связаны с детерминированными динамическими задачами исследования операций, в том числе и с многошаговыми задачами принятия решений в условиях определенности, имеющими большое прикладное значение.
Транспортная задача (или задача прикрепления поставщиков к потребителям) явилась одним из первых примеров оптимизации на линейных сетях. Задача стала типовой для промышленных фирм, имеющих несколько предприятий, складов, рынков сбыта или оптовых баз. Модель главным образом применяется при решении плановых задач. В этом случае стратегические решения сводятся к выбору транспортных маршрутов, по которым продукция различных предприятий доставляется на несколько складов или в различные конечные пункты назначения.
-
Множественная регрессия
Суть регрессионного анализа: построение математической модели и определение ее статистической надежности.
Вид множественной линейной модели регрессионного анализа:
Y = b0 + b1xi1 + ... + bjxij + ... + bkxik + ei
где ei - случайные ошибки наблюдения, независимые между собой, имеют нулевую среднюю и дисперсию s.
Назначение множественной регрессии: анализ связи между несколькими независимыми переменными и зависимой переменной.
Экономический смысл параметров множественной регрессии Коэффициент множественной регрессии bj показывает, на какую величину в среднем изменится результативный признак Y, если переменную Xj увеличить на единицу измерения, т. е. является нормативным коэффициентом.
Матричная запись множественной линейной модели регрессионного анализа:
Y = Xb + e
где Y - случайный вектор - столбец размерности (n x 1) наблюдаемых значений результативного признака (y1, y2,..., yn); X - матрица размерности [n x (k+1)] наблюдаемых значений аргументов; b - вектор - столбец размерности [(k+1) x 1] неизвестных, подлежащих оценке параметров (коэффициентов регрессии) модели; e - случайный вектор - столбец размерности (n x 1) ошибок наблюдений (остатков).
На практике рекомендуется, чтобы n превышало k не менее, чем в три раза.
Задачи регрессионного анализа Основная задача регрессионного анализа заключается в нахождении по выборке объемом n оценки неизвестных коэффициентов регрессии b0, b1,..., bk. Задачи регрессионного анализа состоят в том, чтобы по имеющимся статистическим данным для переменных Xi и Y:
-
получить наилучшие оценки неизвестных параметров b0, b1,..., bk;
-
проверить статистические гипотезы о параметрах модели;
-
проверить, достаточно ли хорошо модель согласуется со статистическими данными (адекватность модели данным наблюдений).
Построение моделей множественной регрессии состоит из следующих этапов:
-
выбор формы связи (уравнения регрессии);
-
определение параметров выбранного уравнения;
-
анализ качества уравнения и поверка адекватности уравнения эмпирическим данным, совершенствование уравнения.
Множественная регрессия:
-
Множественная регрессия с одной переменной
-
Множественная регрессия с двумя переменными
-
Множественная регрессия с тремя переменными