I dolazi nakon “pukih laži” i “otvorenih laži”, pripisanih Benjaminu Disraeliju, koji je bio četrdeseti i četrdeset drugi (razdoblja padaju u drugu polovicu 19. stoljeća) premijer Velike Britanije. Međutim, u naše se vrijeme poriče autorstvo Disraelija, koje je reklamirao Mark Twain. No, kako god bilo, mnogi stručnjaci i dalje ponavljaju ovu frazu u svojim radovima ili čiji su glavni sadržaj metode statističke analize. U pravilu zvuči kao vic, u kojem ima samo zrnce šale...
Statistika je grana specifičnog znanja koja opisuje postupak prikupljanja, analize i interpretacije velikih količina podataka, kako kvalitativnih tako i kvantitativnih. Tiče se raznih znanstvenih ili praktičnih područja života. Na primjer, primijenjena statistika pomaže u odabiru prave statističke metode za obradu svih vrsta podataka za analizu. Pravni poslovi iz područja prekršaja i nadzora nad njima. Mathematical razvija matematičke metode koje omogućuju sistematizaciju i korištenje dobivenih informacija u praktične ili znanstvene svrhe. Demografski podaci opisuju obrasce upita koji su relevantniji za lingviste i internet.
Korištenje statističke metode datira najmanje u 5. stoljeće pr. Jedan od najranijih zapisa nalazi se u knjizi napisanoj u 9. stoljeću nove ere. e. Arapski filozof, liječnik, matematičar i glazbenik Al-Kindi. Detaljno je opisao kako se koristi analiza frekvencija (histogram). Nova kronika, koja datira iz 14. stoljeća i opisuje povijest Firence, smatra se jednim od prvih pozitivnih statističkih djela u povijesti. Sastavio ih je firentinski bankar Giovanni Villani, a sadrže mnogo podataka o stanovništvu, upravi, trgovini i trgovini, obrazovanju i vjerskim mjestima.
Ranu upotrebu statistike odredila je želja države da izgradi demografski i ekonomski zdravu politiku. Njegov opseg proširen je početkom 19. stoljeća kako bi uključio prikupljanje podataka i analizu općenito. Danas ovo područje znanja naširoko koriste vladine agencije, poslovne, prirodne i društvene znanosti. Njegove matematičke osnove, čija je potreba proizašla iz studija Kockanje, utemeljeni su još u 17. stoljeću razvojem teorije vjerojatnosti od strane francuskih matematičara i Pierrea de Fermata. Statistiku je prvi opisao Carl Friedrich Gauss oko 1794.
Brz i stabilan rast računalne snage od druge polovice 20. stoljeća značajno je utjecao na razvoj primijenjene statistike. Računalna revolucija stavila je novi naglasak na svoje eksperimentalne i empirijske komponente. Sada dostupno veliki broj opći i posebni programi s kojima možete jednostavno primijeniti bilo koju statističku metodu, bilo da se radi o kontrolnim dijagramima, histogramima, kontrolnim listama, metodi stratifikacije, Ishikawa shemi ili Pareto analizi.
Statistika je danas jedan od ključnih alata za učinkovito poslovanje i organizaciju proizvodnje. Omogućuje vam razumijevanje i mjerenje trendova varijabilnosti, što rezultira poboljšanom kontrolom procesa, kao i poboljšanom kvalitetom proizvoda i usluga. Na primjer, menadžeri koji koriste statističke kvalitete obično donose informirane odluke, stoga menadžment radi učinkovito i donosi očekivane rezultate. Stoga je statistika u ovom slučaju ključni i možda jedini pouzdani alat.
Sposobnost odabira i pravilne primjene statističke metode omogućuje vam da dobijete pouzdane zaključke i da ne dovedete u zabludu one kojima se podaci analize pružaju. Stoga često spominjanje stare izreke o 3 stupnja laži od strane stručnjaka treba smatrati upozorenjem na pogreške koje mogu dovesti u zabludu i činiti temelj donesene odluke s razornim posljedicama.
ovisno o vrsti podatka “na ulazu”:2.1. Brojke.
2.2. Konačnodimenzionalni vektori.
2.3. Funkcije (vremenske serije).
2.4. Objekti nenumeričke prirode.
Najzanimljivija klasifikacija temelji se na onim problemima kontrolinga za koje se koriste ekonometrijske metode. Ovim pristupom blokovi se mogu dodijeliti:
3.1. Podrška predviđanju i planiranju.
3.2. Praćenje kontrolirani parametri i otkrivanje anomalija.
3.3. podrška odlučivanje, i tako dalje.
Koji čimbenici određuju učestalost korištenja pojedinih alata ekonometrijskog kontrolinga? Kao i kod drugih primjena ekonometrije, postoje dvije glavne skupine čimbenika - zadaci koji se rješavaju i kvalifikacije stručnjaka.
U praktičnoj primjeni ekonometrijskih metoda u radu regulatora potrebno je koristiti odgovarajuće programske sustave. Opći statistički sustavi poput SPSS, Statgraphics, Statistica, ADDA, i više specijaliziranih Statcon, SPC, NADIS, REST(prema statistici podataka intervala), Matrixer i mnogi drugi. Masovno uvođenje softverskih proizvoda jednostavnih za korištenje, uključujući suvremene ekonometrijske alate za analizu specifičnih ekonomskih podataka, može se smatrati jednim od učinkovite načine ubrzanje znanstvenog i tehnološkog napretka, širenje suvremenih ekonometrijskih spoznaja.
Ekonometrija se stalno razvija. Primijenjena istraživanja dovode do potrebe za dubljom analizom klasičnih metoda.
Dobar primjer za raspravu su metode za ispitivanje homogenosti dvaju uzoraka. Postoje dva agregata, a mi moramo odlučiti jesu li različiti ili isti. Da bi se to postiglo, iz svakog od njih uzima se uzorak i koristi se jedna ili druga statistička metoda za provjeru homogenosti. Prije otprilike 100 godina predložena je Studentova metoda koja se i danas široko koristi. Međutim, ima čitavu hrpu nedostataka. Prvo, prema Studentu, distribucije elemenata uzorka moraju biti normalne (Gaussove). U pravilu to nije tako. Drugo, nije usmjerena na provjeru homogenosti općenito (tzv. apsolutna homogenost, tj. podudarnost funkcija distribucije koje odgovaraju dvjema populacijama), već samo na provjeru jednakosti matematičkih očekivanja. No, treće, nužno je pretpostaviti da se varijance za elemente dvaju uzoraka podudaraju. Međutim, provjera jednakosti varijanci, a posebice normalnosti, puno je teža od jednakosti matematičkih očekivanja. Stoga se Studentov t test obično koristi bez provođenja takvih provjera. I onda zaključci temeljeni na Studentovom kriteriju vise u zraku.
Teorijski napredniji stručnjaci okreću se drugim kriterijima, na primjer, Wilcoxonovom testu. Neparametarski je, tj. ne oslanja se na pretpostavku normalnosti. Ali nije bez nedostataka. Ne može se koristiti za provjeru apsolutne homogenosti (podudarnosti funkcija distribucije koje odgovaraju dvjema populacijama). To se može učiniti samo pomoću tzv. dosljedni kriteriji, posebno Smirnovljevi kriteriji i tip omega-kvadrata.
S praktičnog gledišta, Smirnovljev kriterij ima nedostatak - njegova statistika ima samo mali broj vrijednosti, distribucija mu je koncentrirana u malom broju točaka i nije moguće koristiti tradicionalne razine značajnosti od 0,05 i 0,01. .
Pojam "visoke statističke tehnologije". U pojmu “visoke statističke tehnologije” svaka od tri riječi ima svoje značenje.
“Visoka”, kao iu drugim područjima, znači da se tehnologija temelji na suvremenim dostignućima teorije i prakse, posebice teorije vjerojatnosti i primijenjene matematičke statistike. Istodobno, "temeljeno na suvremenim znanstvenim dostignućima" znači, prvo, da matematička osnova tehnologije u okviru odgovarajućeg znanstvena disciplina dobiven relativno nedavno, i drugo, da su algoritmi za izračun razvijeni i opravdani u skladu s njim (i nisu tzv. "heuristički"). S vremenom, ako novi pristupi i rezultati ne natjeraju na preispitivanje procjene primjenjivosti i mogućnosti tehnologije ili njezinu zamjenu suvremenijom, “visoka ekonometrijska tehnologija” prelazi u “klasičnu statističku tehnologiju”. Kao npr metoda najmanjih kvadrata. Dakle, visoke statističke tehnologije plod su nedavnih ozbiljnih znanstveno istraživanje. Ovdje su dva ključna koncepta - “mladost” tehnologije (u svakom slučaju ne starija od 50 godina, a još bolje, ne starija od 10 ili 30 godina) i oslanjanje na “visoku znanost”.
Izraz "statistički" je poznat, ali ima mnogo nijansi. Postoji više od 200 definicija pojma "statistika".
Konačno, pojam “tehnologija” se relativno rijetko koristi u odnosu na statistiku. Analiza podataka obično uključuje niz postupaka i algoritama koji se izvode uzastopno, paralelno ili na složeniji način. Konkretno, mogu se razlikovati sljedeće tipične faze:
- planiranje statističke studije;
- organiziranje prikupljanja podataka prema optimalnom ili barem racionalnom programu (planiranje uzorkovanja, kreiranje organizacijska struktura te odabir tima stručnjaka, obuka osoblja koje će prikupljati podatke, kao i voditelja obrade podataka itd.);
- neposredno prikupljanje podataka i njihovo bilježenje na određene medije (uz kontrolu kvalitete prikupljanja i odbacivanje pogrešnih podataka iz razloga predmetnog područja);
- primarni opis podataka (izračun različitih karakteristika uzorka, funkcija distribucije, neparametarske procjene gustoće, izrada histograma, korelacijskih polja, raznih tablica i dijagrama itd.),
- procjena određenih numeričkih ili nenumeričkih karakteristika i parametara distribucija (primjerice, neparametarska intervalna procjena koeficijenta varijacije ili ponovno uspostavljanje odnosa između odziva i faktora, tj. procjena funkcije),
- testiranje statističkih hipoteza (ponekad njihovih lanaca - nakon testiranja prethodne hipoteze, donosi se odluka o testiranju jedne ili druge sljedeće hipoteze),
- dublje proučavanje, tj. primjena različitih algoritama za multivarijantnu statističku analizu, dijagnostičkih i klasifikacijskih algoritama, statistika nenumeričkih i intervalnih podataka, analiza vremenskih serija itd.;
- provjera stabilnosti dobivenih procjena i zaključaka o dopuštenim odstupanjima početnih podataka i premisa korištenih vjerojatnosno-statističkih modela, dopuštene transformacije mjernih ljestvica, posebice proučavanje svojstava procjena metodom množenja uzoraka ;
- primjena dobivenih statističkih rezultata u primijenjene svrhe (na primjer, za dijagnosticiranje specifičnih materijala, izradu prognoza, odabir investicijskog projekta iz predloženih opcija, pronalaženje optimalnog načina za provedbu tehnološkog procesa, zbrajanje rezultata ispitivanja uzoraka tehničkih uređaja , itd.),
- izrada završnih izvješća, posebno namijenjenih onima koji nisu stručnjaci za ekonometrijske i statističke metode analize podataka, uključujući i menadžment – “donositelje odluka”.
Moguće je i drugačije strukturiranje statističkih tehnologija. Važno je naglasiti da kvalificirana i učinkovita uporaba statističkih metoda nipošto nije testiranje jedne pojedinačne statističke hipoteze ili procjena parametara jedne dane distribucije iz fiksne obitelji. Operacije ove vrste samo su građevni blokovi statističke tehnologije. S druge strane, udžbenici i monografije statistike i ekonometrije obično govore o pojedinačnim gradivnim blokovima, ali ne raspravljaju o problemima njihovog organiziranja u tehnologiju namijenjenu primijenjenoj uporabi. Prijelaz s jednog statističkog postupka na drugi ostaje u sjeni.
Problem "spajanja" statističkih algoritama zahtijeva posebno razmatranje, jer se kao rezultat korištenja prethodnog algoritma često krše uvjeti primjenjivosti sljedećeg. Konkretno, rezultati promatranja mogu prestati biti neovisni, njihova distribucija se može promijeniti itd.
Na primjer, kod testiranja statističkih hipoteza veliki značaj imaju razinu značaja i moći. Metode za njihovo izračunavanje i njihovo korištenje za testiranje jedne hipoteze obično su dobro poznate. Ako se najprije testira jedna hipoteza, a zatim, uzimajući u obzir rezultate njezina testiranja, druga, tada konačni postupak, koji se može smatrati i testiranjem neke (složenije) statističke hipoteze, ima karakteristike (razinu značajnosti i moć) koje se u pravilu ne mogu jednostavno izraziti u smislu karakteristika dvokomponentnih hipoteza, pa su stoga obično nepoznate. Kao rezultat toga, konačni postupak se ne može smatrati znanstveno utemeljenim; on se odnosi na heurističke algoritme. Naravno, nakon odgovarajućeg proučavanja, primjerice, metodom Monte Carlo, to može postati jedan od znanstveno utemeljenih postupaka primijenjene statistike.
Dakle, postupak ekonometrijske ili statističke analize podataka je informacija tehnološki proces, drugim riječima, jedna ili druga informacijska tehnologija. U ovom trenutku bilo bi neozbiljno govoriti o automatizaciji cjelokupnog procesa ekonometrijske (statističke) analize podataka, jer postoji previše neriješenih problema koji izazivaju rasprave među stručnjacima.
Cijeli arsenal trenutno korištenih statističkih metoda može se podijeliti u tri toka:
- visoke statističke tehnologije;
- klasične statističke tehnologije,
- niske statističke tehnologije.
Potrebno je osigurati da se u određenim studijama koriste samo prve dvije vrste tehnologija. Pritom pod klasičnim statističkim tehnologijama podrazumijevamo tehnologije časne starosti koje su zadržale svoju znanstvenu vrijednost i značaj za suvremenu statističku praksu. Ovi su metoda najmanjih kvadrata, Kolmogorova, Smirnovljeva statistika, omega kvadrat, neparametarski Spearmanov i Kendallov koeficijent korelacije i mnogi drugi.
Imamo red veličine manje ekonometričara nego u SAD-u i Velikoj Britaniji (American Statistical Association ima više od 20.000 članova). Rusiji je potrebna obuka novih stručnjaka - ekonometričara.
Do kakvih god novih znanstvenih rezultata došlo, ako oni ostanu nepoznati studentima, nova generacija istraživača i inženjera prisiljena je njima ovladati, djelujući sama, ili ih čak ponovno otkriti. Ugrubo rečeno, možemo reći sljedeće: oni pristupi, ideje, rezultati, činjenice, algoritmi koji su bili uključeni u tečajeve i odgovarajuće nastavna sredstva- čuvaju i koriste potomci, oni koji nisu uključeni nestaju u prahu knjižnica.
Točke rasta. Pet je aktualnih područja u kojima se razvija moderna primijenjena statistika, tj. pet “točaka rasta”: neparametrija, robusnost, bootstrap, intervalna statistika, statistika objekata nenumeričke prirode. Ukratko raspravimo ove trenutne trendove.
Neparametrija ili neparametrijska statistika omogućuje vam izvlačenje statističkih zaključaka, procjenu karakteristika distribucije i testiranje statističkih hipoteza bez slabo potkrijepljenih pretpostavki da je funkcija distribucije elemenata uzorka dio određene parametarske obitelji. Na primjer, rašireno je mišljenje da je statistika često podložna normalna distribucija. Međutim, analiza specifičnih rezultata promatranja, posebice pogrešaka mjerenja, pokazuje da se u velikoj većini slučajeva stvarne distribucije značajno razlikuju od normalnih. Nekritičko korištenje hipoteze normalnosti često dovodi do značajnih pogrešaka, na primjer, kada se odbacuju outlieri, tijekom statističke kontrole kvalitete iu drugim slučajevima. Stoga je preporučljivo koristiti neparametarske metode u kojima se na funkcije distribucije rezultata promatranja postavljaju samo vrlo slabi zahtjevi. Obično se pretpostavlja samo njihov kontinuitet. Do danas je korištenjem neparametarskih metoda moguće riješiti gotovo isti raspon problema koji su prethodno rješavani parametrijskim metodama.
Glavna ideja rada na robusnosti (stabilnosti): zaključci bi se trebali malo promijeniti male promjene početni podaci i odstupanja od pretpostavki modela. Ovdje postoje dvije skupine zadataka. Jedan je proučavanje robusnosti uobičajenih algoritama za rudarenje podataka. Drugi je potraga za robusnim algoritmima za rješavanje određenih problema.
Sam pojam „robustnost” nema jasno značenje. Uvijek je potrebno specificirati određeni probabilističko-statistički model. Međutim, Tukey-Huber-Hampelov model "začepljenja" obično nije praktično koristan. Usmjeren je na “vaganje repova”, au stvarnim situacijama “repovi su odsječeni” apriornim ograničenjima rezultata promatranja povezanih, primjerice, s korištenim mjernim instrumentima.
Bootstrap je grana neparametarske statistike koja se oslanja na intenzivnu upotrebu informacijske tehnologije. Glavna ideja je "množenje uzoraka", tj. u dobivanju skupa mnogih uzoraka nalik onome dobivenom u eksperimentu. Pomoću ovog skupa mogu se procijeniti svojstva različitih statističkih postupaka. Najjednostavniji način"množenje uzorka" sastoji se od isključivanja jednog rezultata promatranja iz njega. Isključimo prvo promatranje, dobivamo uzorak sličan izvornom, ali s veličinom smanjenom za 1. Zatim vraćamo isključeni rezultat prvog promatranja, ali isključujemo drugo promatranje. Dobivamo drugi uzorak, sličan originalnom. Zatim vraćamo rezultat drugog promatranja, i tako dalje. Postoje i drugi načini "reprodukcije uzoraka". Na primjer, možete koristiti izvorni uzorak za konstruiranje jedne ili druge procjene distribucijske funkcije, a zatim koristiti statističke testove za simulaciju niza uzoraka iz elemenata u primijenjenoj statistici to je uzorak, tj. skup nezavisnih identično raspoređenih slučajnih elemenata. Koja je priroda ovih elemenata? U klasičnoj matematičkoj statistici elementi uzorka su brojevi ili vektori. A u nenumeričkoj statistici, elementi uzorka su objekti nenumeričke prirode koji se ne mogu zbrajati i množiti brojevima. Drugim riječima, objekti nenumeričke prirode leže u prostorima koji nemaju vektorsku strukturu.
Dati koncept statističkih odluka za jedan dijagnostički parametar i za donošenje odluke u prisutnosti zone nesigurnosti. Objasniti proces donošenja odluka u različitim situacijama. Kakva je veza između granica odlučivanja i vjerojatnosti pogrešaka prve i druge vrste? Metode koje se razmatraju su statističke...
Podijelite svoj rad na društvenim mrežama
Ako vam ovaj rad ne odgovara, na dnu stranice nalazi se popis sličnih radova. Također možete koristiti gumb za pretraživanje
Predavanje 7
Predmet. METODE STATISTIČKIH RJEŠENJA
Cilj. Dati koncept statističkih odluka za jedan dijagnostički parametar i za donošenje odluke u prisutnosti zone nesigurnosti.
Edukativni. Objasniti proces donošenja odluka u različitim situacijama.
Razvojni. Razviti logično mišljenje i prirodno – znanstveni svjetonazor.
Edukativni . Razviti interes za znanstvena dostignuća i otkrića u telekomunikacijskoj industriji.
Podržava: informatika, matematika, računalna tehnika i MP, sustavi za programiranje.
Osigurano: Staž
Metodička podrška i oprema:
Metodološki razvoj u razred.
Nastavni plan.
Radni program.
Sigurnosni brifing.
Tehnička nastavna sredstva: osobno računalo.
Pružanje poslova:
Radne bilježnice
Tijek predavanja.
Organiziranje vremena.
Analiza i provjera domaćih zadaća
Odgovori na pitanja:
- Što vam omogućuje da odredite Bayesova formula?
- Koje su osnove Bayesove metode?Daj formulu. Definirajte točno značenje svih veličina uključenih u ovu formulu.
- Što to značiimplementacija određenog skupa značajki K* je određujući?
- Objasnite princip nastankadijagnostička matrica.
- Što to znači odlučujuće pravilo prihvaćanja?
- Definirajte metodu sekvencijalne analize.
- Kakav je odnos između granica odlučivanja i vjerojatnosti pogrešaka prve i druge vrste?
Sažetak predavanja
Metode koje se razmatraju su statističke. U statističkim metodama odlučivanja, pravilo odlučivanja odabire se na temelju određenih uvjeta optimalnosti, na primjer, uvjeta minimalnog rizika. Porijeklom iz matematičke statistike kao metoda za testiranje statističkih hipoteza (rad Neymana i Pearsona), metode koje se razmatraju našle su široku primjenu u radaru (detekcija signala na pozadini smetnji), radiotehnici, općoj teoriji komunikacije i drugim područjima. Statističke metode rješavanja uspješno se koriste u problemima tehničke dijagnostike.
STATISTIČKA RJEŠENJA ZA JEDAN DIJAGNOSTIČKI PARAMETAR
Ako je stanje sustava karakterizirano jednim parametrom, tada sustav ima jednodimenzionalni prostor značajki. Podjela je napravljena u dvije klase (diferencijalna dijagnoza ili dihotomija).(bifurkacija, sekvencijalna podjela na dva dijela koji nisu međusobno povezani.) ).
Sl. 1 Statističke distribucije gustoća vjerojatnosti dijagnostičkog parametra x za ispravni D 1 i neispravno stanje D 2
Važno je da područja servisiranja D 1 i neispravan D 2 stanja se sijeku i stoga je fundamentalno nemoguće odabrati vrijednost x 0, na kojoj nije bilo bile bi pogrešne odluke.Zadatak je odabrati x 0 je na neki način bio optimalan, na primjer, dao je najmanji broj pogrešnih odluka.
Lažna uzbuna i promašena meta (defekt).Ovi pojmovi koji su se ranije susreli jasno su povezani s radarskom tehnologijom, ali se lako tumače u dijagnostičkim zadacima.
Poziva se lažna uzbunaslučaj kada se donese odluka o prisutnosti kvara, ali u stvarnosti je sustav u dobrom stanju (umjesto D 1 se prihvaća kao D 2 ).
Nedostatak cilja (defekt)donošenje odluke o radnom stanju, dok sustav sadrži kvar (umjesto D 2 se prihvaća kao D 1 ).
U teoriji upravljanja te se pogreške nazivajurizik dobavljača i rizik kupca. Očito je da ove dvije vrste pogrešaka mogu imati različite posljedice ili različite ciljeve.
Vjerojatnost lažnog alarma jednaka je vjerojatnosti dva događaja: prisutnost ispravnog stanja i vrijednost x > x 0 .
Srednji rizik. Vjerojatnost donošenja pogrešne odluke sastoji se od vjerojatnosti lažnog alarma i propuštanja defekta (matematičko očekivanje) rizika.
Naravno, cijena pogreške je relativna, ali mora uzeti u obzir očekivane posljedice lažnog alarma i propuštanja kvara. Kod problema s pouzdanošću, cijena propuštanja kvara obično je znatno veća od cijene lažnog alarma.
Metoda minimalnog rizika. Vjerojatnost donošenja pogrešne odluke definira se kao minimiziranje ekstremne točke prosječnog rizika od pogrešnih odluka uz najveću vjerojatnost, tj. izračunava se minimalni rizik nastanka događaja na dostupnost informacija o što većem broju sličnih događaja.
riža. 2. Ekstremne točke prosječnog rizika pogrešnih odluka
Riža. 3. Točke ekstrema za dvogrbu distribuciju
Omjer gustoće vjerojatnosti distribucije x u dva stanja naziva se omjerom vjerojatnosti.
Prisjetimo se da dijagnoza D 1 odgovara dobrom stanju, D 2 neispravno stanje predmeta; S 21 trošak lažne uzbune, C 12 trošak promašaja cilja (prvi indeks prihvaćeno stanje, drugi važeći); S 11 < 0, С 22 < 0 цены правильных решений (условные выигрыши). В большинстве практических задач условные выигрыши (поощрения) для правильных решений не вводятся.
Često je zgodno uzeti u obzir ne omjer vjerojatnosti, već logaritam ovog omjera. Ovo ne mijenja rezultat, jer logaritamska funkcija monotono raste sa svojim argumentom. Izračun za normalnu i neke druge distribucije pri korištenju logaritma omjera vjerojatnosti pokazuje se nešto jednostavnijim. Uvjet minimalnog rizika može se dobiti iz drugih razmatranja koja će se kasnije pokazati važnima.
Metoda minimalnog broja pogrešnih odluka.
Vjerojatnost pogrešne odluke za pravilo odluke
U problemima pouzdanosti, razmatrana metoda često daje "neoprezne odluke", budući da se posljedice pogrešnih odluka značajno razlikuju jedna od druge. Obično je trošak propuštanja kvara znatno veći od troška lažnog alarma. Ako su naznačeni troškovi približno isti (za nedostatke s ograničenim posljedicama, za neke kontrolne zadatke itd.), tada je uporaba metode potpuno opravdana.
Minimax metoda je namijenjenaza situaciju u kojoj nema preliminarnih statističkih informacija o vjerojatnosti dijagnoza D 1 i D 2 . Razmatra se “najgori slučaj”, odnosno najnepovoljnije vrijednosti P 1 i P 2 , što dovodi do najveće vrijednosti (maksimuma) rizika.
Za unimodalne distribucije može se pokazati da vrijednost rizika postaje minimax (tj. najmanja među maksimalnim vrijednostima uzrokovanim "nepovoljnom" vrijednošću Pi ). Imajte na umu da za P 1 = 0 i P 1 = 1 nema rizika od donošenja pogrešne odluke, budući da situacija nema neizvjesnosti. U P 1 = 0 (svi proizvodi su neispravni) curenja x 0 → -oo i svi su objekti doista prepoznati kao neispravni; kod P 1 = 1 i P 2 = 0 x 0 → +oo i sukladno postojećem stanju svi objekti su klasificirani kao uporabni.
Za srednje vrijednosti 0< Pi < 1 риск возрастает и при P 1 = P 1* postaje maksimum. Metoda koja se razmatra koristi se za odabir vrijednosti x 0 na način da za najnepovoljnije vrijednosti Pi gubici povezani s pogrešnim odlukama bili bi minimalni.
riža . 4. Određivanje granične vrijednosti dijagnostičkog parametra minimax metodom
NeymanPearson metoda. Kao što je već navedeno, procjene troškova pogrešaka često su nepoznate i njihovo je pouzdano određivanje povezano s velikim poteškoćama. Pritom je jasno da u sv s l u Kod čajeva je poželjno, pri određenoj (prihvatljivoj) razini jedne od grešaka, minimizirati vrijednost druge. Ovdje se središte problema pomiče na razuman izbor prihvatljive razine pogreške s uz pomoć prethodno iskustvo ili intuitivnih razloga.
Metoda NeymanPearson minimizira vjerojatnost promašaja cilja na danoj prihvatljivoj razini vjerojatnosti lažnog alarma.Dakle, vjerojatnost lažnog alarma
gdje je A navedena prihvatljiva razina vjerojatnosti lažnog alarma; R 1 vjerojatnost dobrog stanja.
Imajte na umu da obično Ovaj stanje se naziva uvjetna vjerojatnost lažnog alarma (faktor P 1 odsutan). U zadacima tehničke dijagnostike, vrijednosti P 1 i P 2 u većini slučajeva poznati su iz statističkih podataka.
Tablica 1. Primjer - Rezultati izračuna korištenjem statističkih metoda rješavanja
|
Ne. |
metoda |
Granična vrijednost |
Vjerojatnost lažnog alarma |
Vjerojatnost propuštanja kvara |
Srednji rizik |
|
|
Metoda minimalnog rizika |
7,46 |
0,0984 |
0,0065 |
0,229 |
||
|
Metoda minimalnog broja grešaka |
9,79 |
0,0074 |
0,0229 |
0,467 |
||
|
Minimax metoda |
Osnovna opcija |
5,71 |
0,3235 |
0,0018 |
0,360 |
|
|
opcija 2 |
7,80 |
0,0727 |
0,0081 |
0,234 |
||
|
NeymanPearson metoda |
7,44 |
0,1000 |
0,0064 |
0,230 |
||
|
Metoda najveće vjerojatnosti |
8,14 |
0,0524 |
0,0098 |
0,249 |
||
Iz usporedbe je jasno da metoda minimalnog broja pogrešaka daje neprihvatljivo rješenje, budući da su troškovi pogrešaka bitno različiti. Granična vrijednost ove metode dovodi do značajne vjerojatnosti propuštanja greške. Minimax metoda u glavnoj verziji zahtijeva vrlo veliki razgradnju uređaja koji se proučavaju (otprilike 32%), budući da se temelji na najmanje povoljnom slučaju (vjerojatnost neispravnog stanja P 2 = 0,39). Korištenje metode može biti opravdano ako ne postoje čak ni neizravne procjene vjerojatnosti neispravnog stanja. U primjeru koji se razmatra, metodom minimalnog rizika dobiveni su zadovoljavajući rezultati.
- STATISTIČKA RJEŠENJA UZ PRISUTNOST ZONE NESIGURNOSTI I DRUGIH GENERALIZACIJA
Pravilo odlučivanja u prisutnosti zone neizvjesnosti.
U nekim slučajevima, kada je potrebna visoka pouzdanost prepoznavanja (visoki trošak pogrešaka u promašaju mete i lažnih alarma), preporučljivo je uvesti zonu nesigurnosti (zonu odbijanja prepoznavanja). Pravilo odluke bit će sljedeće
na odbijanje priznanja.
Naravno, neprepoznavanje je nepoželjan događaj. To ukazuje na to da dostupne informacije nisu dovoljne za donošenje odluke i da su potrebne dodatne informacije.
riža. 5. Statistička rješenja u prisutnosti zone nesigurnosti
Određivanje prosječnog rizika. Vrijednost prosječnog rizika u prisutnosti zone odbijanja priznanja može se izraziti sljedećom jednakošću
gdje je C o trošak odbijanja priznanja.
Imajte na umu da C o > 0, inače zadatak gubi smisao (“nagrada” za neprepoznavanje). Na isti način C 11 < 0, С 22 < 0, так как ispravne odluke ne treba novčano kažnjavati.
Metoda minimalnog rizika u prisutnosti zone neizvjesnosti. Odredimo granice područja odlučivanja na temelju minimalnog prosječnog rizika.
Ako ne potičete dobre odluke (C 11 = 0, C 22 = 0) i ne plaćaju za odbijanje priznanja (C 0 = 0), tada će područje nesigurnosti zauzeti cijelo područje promjene parametra.
Prisutnost zone nesigurnosti omogućuje osiguranje određenih razina pogreške odbijanjem prepoznavanja u "sumnjivim" slučajevima
Statistička rješenja za više država.Gore su razmotreni slučajevi kada su se donosile statističke odluke d Razlikovati dva stanja (dihotomija). U principu, ovaj postupak omogućuje odvajanje n države, svaki put kombinirajući rezultate za državu D 1 i D 2. Ovdje pod D 1 odnosi se na bilo koja stanja koja ispunjavaju uvjet „ne D 2 " Međutim, u nekim je slučajevima od interesa razmotriti pitanje u izravnoj formulaciji: statistička rješenja za klasifikaciju n države.
Gore smo razmatrali slučajeve kada je stanje sustava (proizvoda) karakterizirano jednim parametrom x i odgovarajućom (jednodimenzionalnom) distribucijom. Stanje sustava karakteriziraju dijagnostički parametri x 1 x 2, ..., x n ili vektor x:
x= (x 1 x 2,...,x n).
M Metoda minimalnog rizika.
Metode minimalnog rizika i njegovi posebni slučajevi (metoda minimalnog broja pogrešnih odluka, metoda maksimalne vjerojatnosti) najlakše se generaliziraju na višedimenzionalne sustave. U slučajevima kada statistička metoda rješavanja zahtijeva određivanje granica područja odlučivanja, računska strana problema postaje znatno kompliciranija (Nayman-Pearson i minimax metoda).
Domaća zadaća: § sinopsis.
Učvršćivanje materijala:
Odgovori na pitanja:
- Što je lažni alarm?
- Što znači promašiti cilj (defekt)?
- Dajte objašnjenjerizik dobavljača i rizik kupca.
- Navedite formulu za metodu minimalnog broja pogrešnih odluka. Definirajte nepažljivu odluku.
- Za koje je slučajeve namijenjena minimax metoda?
- NeymanPearson metoda. Objasnite njegov princip.
- U koje svrhe se koristi zona neizvjesnosti?
Književnost:
Amrenov S. A. “Metode za praćenje i dijagnostiku komunikacijskih sustava i mreža” BILJEŠKE PREDAVANJA -: Astana, Kazahstansko državno agrotehničko sveučilište, 2005.
I.G. Baklanov Ispitivanje i dijagnostika komunikacijskih sustava. - M.: Eko-trendovi, 2001.
Birger I. A. Tehnička dijagnostika M.: “Strojarstvo”, 1978.240, str., ilustr.
ARIPOV M.N., DZHURAEV R.KH., JABBAROV S.YU.“TEHNIČKA DIJAGNOSTIKA DIGITALNIH SUSTAVA” - Taškent, TEIS, 2005.
Platonov Yu, Utkin G.Dijagnostika, popravak i preventiva osobnih računala. -M.: Hotline - Telecom, 2003.-312 str.: ilustr.
M.E.Bushueva, V.V.BelyakovDijagnoza kompleksa tehnički sustavi Zbornik radova 1. sastanka na NATO projektu SfP-973799 Poluvodiči . Nižnji Novgorod, 2001
Malyshenko Yu.V. TEHNIČKA DIJAGNOSTIKA I. dio bilješke s predavanja
Platonov Yu, Utkin G.Dijagnostika smrzavanja i kvarova računala / Serija “Tehnomir”. Rostov na Donu: “Feniks”, 2001. 320 str.
STRANICA \* MERGEFORMAT 2
Drugi slični radovi koji bi vas mogli zanimati.vshm> |
|||
| 21092. | Ekonomske metode donošenja poslovnih odluka na primjeru Norma-2005 LLP | 127,94 KB | |
| Upravljačke odluke: bit zahtjeva i mehanizam razvoja. Menadžer svoje upravljačke aktivnosti provodi putem odluka. Ostvarivanje cilja istraživanja zahtijevalo je rješavanje sljedećih problema: teorijsko opravdanje ekonomskih metoda odlučivanja u sustavu poduzetništva; ispitivanje strukturiranja i internog upravljanja na temelju analize vanjskog i unutarnjeg okruženja poduzeća koje se proučava; analiza korištenja informacija o ekonomskim rezultatima... | |||
| 15259. | Metode korištene u analizi sintetskih analoga papaverina i višekomponentnih oblika lijekova na njihovoj osnovi 3.1. Kromatografske metode 3.2. Elektrokemijske metode 3.3. Fotometrijske metode Zaključak Popis l | 233,66 KB | |
| Drotaverin hidroklorid. Drotaverin hidroklorid je sintetski analog papaverin hidroklorida i sa stajališta kemijska struktura je derivat benzilizokinolina. Drotaverin hidroklorid pripada skupini lijekovi ima antispazmodičko djelovanje, antispazmodičko miotropno djelovanje i glavni je aktivni sastojak lijeka no-spa. Drotaverin hidroklorid Farmakopejska monografija za drotaverin hidroklorid predstavljena je u izdanju Farmakopeje. | |||
| 2611. | PROVJERA STATISTIČKIH HIPOTEZA | 128,56 KB | |
| Na primjer, hipoteza je jednostavna; i hipoteza: gdje je složena hipoteza jer se sastoji od beskonačnog broja jednostavnih hipoteza. Klasična metoda testiranje hipoteza U skladu sa zadatkom i na temelju uzoraka podataka formulira se hipoteza koja se naziva glavnom ili nultom. Istovremeno s postavljenom hipotezom razmatra se i suprotna hipoteza koja se naziva konkurentskom ili alternativnom. Budući da je hipoteza za populacija... | |||
| 7827. | Testiranje statističkih hipoteza | 14,29 KB | |
| Za testiranje hipoteze postoje dva načina prikupljanja podataka: promatranje i eksperiment. Mislim da neće biti teško odrediti koji su podaci promatranja znanstveni. Treći korak: spremanje rezultata Kao što sam već spomenuo u prvom predavanju, jedan od jezika kojim biologija govori je jezik baza podataka. Iz ovoga proizlazi kakva bi sama baza podataka trebala biti i koju zadaću ispunjava. | |||
| 5969. | Statistička istraživanja i obrada statističkih podataka | 766,04 KB | |
| Obuhvaća sljedeće teme: statističko promatranje, statistički sažetak i grupiranje, oblici izražavanja statističkih pokazatelja, promatranje uzorka, statističko proučavanje odnosa društveno-ekonomskih pojava i dinamike društveno-ekonomskih pojava, ekonomski indeksi. | |||
| 19036. | 2,03 MB | ||
| 13116. | Sustav za prikupljanje i obradu statističkih podataka “Meteorološko motrenje” | 2,04 MB | |
| Rad s bazama podataka i DBMS-ovima omogućuje mnogo bolju organizaciju rada zaposlenika. Jednostavnost rada i pouzdana pohrana podataka omogućuju vam da gotovo potpuno napustite papirnato računovodstvo. Rad s izvještajnim i statističkim informacijama značajno se ubrzava izračunom podataka. | |||
| 2175. | Analiza prostora odlučivanja | 317,39 KB | |
| Za 9. tip UML dijagrama, dijagrame slučajeva upotrebe, pogledajte U ovom tečaju nećemo detaljno analizirati UML dijagrame, već ćemo se ograničiti na pregled njihovih glavnih elemenata potrebnih za opće razumijevanje značenja onoga što je prikazano. u takvim dijagramima. UML dijagrami se dijele u dvije skupine: statički i dinamički dijagrami. Statički dijagrami Statički dijagrami predstavljaju ili entitete i odnose između njih koji su stalno prisutni u sustavu, ili sažetak informacija o entitetima i odnosima, ili entitete i odnose koji postoje u nekom... | |||
| 1828. | Kriteriji odluke | 116,95 KB | |
| Kriterij odlučivanja je funkcija koja izražava preferencije donositelja odluke (DM) i određuje pravilo prema kojem se odabire prihvatljiva ili optimalna opcija odlučivanja. | |||
| 10569. | Klasifikacija upravljačkih odluka | 266,22 KB | |
| Klasifikacija upravljačkih odluka. Izrada upravljačkog rješenja. Značajke upravljačkih odluka. Uobičajene i upravljačke odluke. Obične odluke su odluke koje donose ljudi u svakodnevnom životu. | |||
Kako se pristupi, ideje i rezultati teorije vjerojatnosti i matematičke statistike koriste u donošenju odluka?
Osnova je probabilistički model stvarne pojave ili procesa, tj. matematički model u kojem su objektivni odnosi izraženi u terminima teorije vjerojatnosti. Vjerojatnosti se prvenstveno koriste za opisivanje neizvjesnosti koje se moraju uzeti u obzir pri donošenju odluka. To se odnosi kako na nepoželjne prilike (rizike), tako i na one privlačne („sretna prilika”). Ponekad se slučajnost namjerno uvodi u situaciju, na primjer, prilikom izvlačenja ždrijeba, nasumičnog odabira jedinica za kontrolu, provođenja lutrije ili anketiranja potrošača.
Teorija vjerojatnosti dopušta korištenje jedne vjerojatnosti za izračun drugih od interesa za istraživača. Na primjer, koristeći vjerojatnost dobivanja grba, možete izračunati vjerojatnost da ćete u 10 bacanja novčića dobiti najmanje 3 grba. Takav izračun temelji se na probabilističkom modelu, prema kojem su bacanja novčića opisana uzorkom neovisnih pokušaja, a osim toga, grb i oznake su jednako mogući, pa je stoga vjerojatnost svakog od ovih događaja jednaka; do ½. Složeniji model je onaj koji razmatra provjeru kvalitete jedinice proizvodnje umjesto bacanja novčića. Odgovarajući probabilistički model temelji se na pretpostavci da je kontrola kvalitete različitih jedinica proizvodnje opisana nezavisnom shemom testiranja. Za razliku od modela bacanja novčića, potrebno je uvesti novi parametar - vjerojatnost p da je jedinica proizvodnje neispravna. Model će biti u potpunosti opisan ako pretpostavimo da sve proizvodne jedinice imaju istu vjerojatnost da budu neispravne. Ako je zadnja pretpostavka netočna, tada se broj parametara modela povećava. Na primjer, možete pretpostaviti da svaka jedinica proizvodnje ima vlastitu vjerojatnost da će biti neispravna.
Raspravljajmo o modelu kontrole kvalitete s vjerojatnošću neispravnosti p zajedničkom za sve jedinice proizvodnje. Da bi se “došlo do brojke” pri analizi modela potrebno je p zamijeniti nekom specifičnom vrijednošću. Da bi se to postiglo, potrebno je izaći iz okvira probabilističkog modela i okrenuti se podacima dobivenim tijekom kontrole kvalitete.
Matematička statistika rješava obrnuti problem u odnosu na teoriju vjerojatnosti. Cilj mu je na temelju rezultata opažanja (mjerenja, analiza, testova, eksperimenata) doći do zaključaka o vjerojatnostima na kojima se temelji probabilistički model. Na primjer, na temelju učestalosti pojavljivanja neispravnih proizvoda tijekom pregleda, mogu se izvući zaključci o vjerojatnosti neispravnosti (vidi Bernoullijev teorem gore).
Na temelju Chebyshevljeve nejednakosti izvedeni su zaključci o podudarnosti učestalosti pojavljivanja neispravnih proizvoda s hipotezom da vjerojatnost neispravnosti ima određenu vrijednost.
Dakle, primjena matematičke statistike temelji se na vjerojatnosnom modelu neke pojave ili procesa. Koriste se dva paralelna niza pojmova - oni koji se odnose na teoriju (probabilistički model) i oni koji se odnose na praksu (uzorkovanje rezultata promatranja). Na primjer, teorijska vjerojatnost odgovara učestalosti dobivenoj iz uzorka. Matematičko očekivanje (teorijska serija) odgovara aritmetičkoj sredini uzorka (praktična serija). Karakteristike uzorka u pravilu su procjene teoretskih. Istovremeno, količine vezane uz teorijski niz “nalaze se u glavama istraživača”, odnose se na svijet ideja (prema starogrčkom filozofu Platonu) i nisu dostupne za izravno mjerenje. Istraživači imaju samo ogledne podatke s kojima pokušavaju utvrditi svojstva teorijskog probabilističkog modela koji ih zanimaju.
Zašto nam je potreban probabilistički model? Činjenica je da se jedino pomoću njega svojstva utvrđena analizom određenog uzorka mogu prenijeti na druge uzorke, kao i na cjelokupnu tzv. opću populaciju. Izraz "populacija" koristi se kada se govori o velikoj, ali ograničenoj kolekciji jedinica koje se proučavaju. Na primjer, o ukupnosti svih stanovnika Rusije ili ukupnosti svih potrošača instant kave u Moskvi. Cilj marketinških ili socioloških istraživanja je prijenos izjava dobivenih na uzorku od stotina ili tisuća ljudi na populacije od nekoliko milijuna ljudi. U kontroli kvalitete, serija proizvoda djeluje kao opća populacija.
Za prijenos zaključaka iz uzorka na veću populaciju potrebne su neke pretpostavke o odnosu karakteristika uzorka sa karakteristikama ove veće populacije. Ove pretpostavke temelje se na odgovarajućem probabilističkom modelu.
Naravno, moguće je obraditi uzorke podataka bez korištenja jednog ili drugog probabilističkog modela. Na primjer, možete izračunati uzorak aritmetičke sredine, brojati učestalost ispunjavanja određenih uvjeta itd. Međutim, rezultati izračuna odnosit će se samo na određeni uzorak; prijenos zaključaka dobivenih uz njihovu pomoć na bilo koju drugu populaciju nije točan. Ova se aktivnost ponekad naziva "analiza podataka". U usporedbi s probabilističko-statističkim metodama, analiza podataka ima ograničenu obrazovnu vrijednost.
Dakle, primjena probabilističkih modela temeljenih na procjeni i testiranju hipoteza korištenjem karakteristika uzorka bit je probabilističko-statističkih metoda odlučivanja.
Naglašavamo da logika korištenja karakteristika uzorka za donošenje odluka temeljenih na teorijskim modelima uključuje istovremenu upotrebu dva paralelna niza koncepata, od kojih jedan odgovara probabilističkim modelima, a drugi podacima uzorka. Nažalost, u brojnim literaturnim izvorima, najčešće zastarjelim ili pisanim recepturama, ne pravi se razlika između uzorka i teorijskih karakteristika, što čitatelje dovodi u zabunu i pogreške u praktičnoj uporabi statističkih metoda.
METODE DONOŠENJA UPRAVLJAČKIH ODLUKA
Područja obuke
080200.62 “Menadžment”
isti je za sve oblike obrazovanja
Diplomirana kvalifikacija (diploma)
Neženja
Čeljabinsk
Metode donošenja upravljačkih odluka: Program rada akademske discipline (modul) / Yu.V. Podpovetnaya. – Chelyabinsk: Private Educational Institute of Higher Professional Education “South Ural Institute of Management and Economics”, 2014. – 78 str.
Metode donošenja upravljačkih odluka: Program rada akademske discipline (modula) smjera 080200.62 “Menadžment” je isti za sve oblike izobrazbe. Program je sastavljen u skladu sa zahtjevima Saveznog državnog obrazovnog standarda za visoko stručno obrazovanje, uzimajući u obzir preporuke i PropOPOP visokog obrazovanja u smjeru i profilu obuke.
Program je odobren na sjednici Nastavno-metodološkog vijeća 18. kolovoza 2014., protokol br. 1.
Program je odobren na sjednici Znanstvenog vijeća 18. kolovoza 2014., protokol br. 1.
Recenzent: Lysenko Yu.V. – doktor ekonomskih znanosti, profesor, pročel. Odjel za ekonomiju i upravljanje poduzećima Čeljabinskog instituta (podružnica) Savezne državne proračunske obrazovne ustanove visokog stručnog obrazovanja "REU nazvan po G.V. Plehanov"
Krasnoyartseva E.G. - direktor privatne obrazovne ustanove "Centar za poslovno obrazovanje Južnouralske trgovinsko-industrijske komore"
© Izdavačka kuća privatne obrazovne ustanove visokog stručnog obrazovanja "Južnouralski institut za menadžment i ekonomiju", 2014.
I Uvod…………………………………………………………………………………………...4
II Tematsko planiranje………………………………………………………...8
IV Alati za evaluaciju za kontinuirano praćenje napredovanja, srednju ovjeru na temelju rezultata svladavanja discipline i obrazovno-metodičku potporu za samostalan rad studenata………………………………………………….38
V Obrazovno-metodički i Informacijska podrška discipline ............76
VI Logistička potpora discipline………………………...78
I. UVOD
Program rada akademske discipline (modula) „Metode donošenja upravljačkih odluka“ namijenjen je implementaciji Federalnog državnog standarda viših strukovno obrazovanje u smjeru 080200.62 “Menadžment” i jednak je za sve oblike izobrazbe.
1 Svrha i ciljevi discipline
Svrha izučavanja ove discipline je:
Formiranje teorijsko znanje o matematičkim, statističkim i kvantitativnim metodama za razvoj, donošenje i provedbu upravljačkih odluka;
Produbljivanje znanja za istraživanje i analizu gospodarskih objekata, razvijanje teorijski utemeljenih ekonomskih i upravljačkih odluka;
Produbljivanje znanja iz područja teorije i metoda pronalaženja najboljih rješenja, kako u uvjetima izvjesnosti tako iu uvjetima neizvjesnosti i rizika;
Formiranje praktičnih vještina u učinkovitoj primjeni metoda i postupaka za odabir i donošenje odluka za provedbu ekonomske analize, tražeći najbolje rješenje problema.
2 Uvjeti za upis i mjesto discipline u strukturi preddiplomskog OPOP-a
Disciplina “Metode donošenja menadžerskih odluka” pripada temeljnom dijelu matematičko-prirodoslovnog ciklusa (B2.B3).
Disciplina se temelji na znanju, vještinama i kompetencijama koje student stječe proučavanjem sljedećih akademske discipline: “Matematika”, “Upravljanje inovacijama”.
Znanja i vještine stečene u procesu izučavanja discipline “Metode donošenja menadžerskih odluka” mogu se koristiti u izučavanju disciplina osnovnog dijela stručnog ciklusa: “Marketinška istraživanja”, “Metode i modeli u ekonomiji”.
3 Zahtjevi za rezultate svladavanja discipline "Metode donošenja upravljačkih odluka"
Proces proučavanja discipline usmjeren je na razvoj sljedećih kompetencija prikazanih u tablici.
Tablica - Struktura kompetencija formiranih kao rezultat proučavanja discipline
| Šifra kompetencije | Naziv kompetencije | Obilježja kompetencije |
| OK-15 | ovladati metodama kvantitativne analize i modeliranja, teorijskih i eksperimentalnih istraživanja; | znati/razumjeti: biti u mogućnosti: vlastiti: |
| OK-16 | razumijevanje uloge i značaja informacija i informacijskih tehnologija u razvoju suvremenog društva i ekonomskih znanja; | Kao rezultat toga, student mora: znati/razumjeti: - osnovni pojmovi i alati algebre i geometrije, matematička analiza, teorija vjerojatnosti, matematička i socio-ekonomska statistika; - osnovni matematički modeli odlučivanja; biti u mogućnosti: - rješavati standardne matematičke probleme koji se koriste pri donošenju upravljačkih odluka; - koristiti matematički jezik i matematička simbolika u konstrukciji organizacijskih i upravljačkih modela; - obraditi empirijske i eksperimentalne podatke; vlastiti: matematičke, statističke i kvantitativne metode za rješavanje tipičnih organizacijskih i upravljačkih problema. |
| OK-17 | ovladati osnovnim metodama, metodama i sredstvima dobivanja, pohranjivanja, obrade informacija, vještinama rada s računalom kao sredstvom upravljanja informacijama; | Kao rezultat toga, student mora: znati/razumjeti: - osnovni pojmovi i alati algebre i geometrije, matematičke analize, teorije vjerojatnosti, matematičke i socio-ekonomske statistike; - osnovni matematički modeli odlučivanja; biti u mogućnosti: - rješavati standardne matematičke probleme koji se koriste pri donošenju upravljačkih odluka; - koristiti matematički jezik i matematičke simbole pri konstruiranju organizacijskih i upravljačkih modela; - obraditi empirijske i eksperimentalne podatke; vlastiti: matematičke, statističke i kvantitativne metode za rješavanje tipičnih organizacijskih i upravljačkih problema. |
| OK-18 | sposobnost rada s informacijama u globalnim računalnim mrežama i korporativnim informacijskim sustavima. | Kao rezultat toga, student mora: znati/razumjeti: - osnovni pojmovi i alati algebre i geometrije, matematičke analize, teorije vjerojatnosti, matematičke i socio-ekonomske statistike; - osnovni matematički modeli odlučivanja; biti u mogućnosti: - rješavati standardne matematičke probleme koji se koriste pri donošenju upravljačkih odluka; - koristiti matematički jezik i matematičke simbole pri konstruiranju organizacijskih i upravljačkih modela; - obraditi empirijske i eksperimentalne podatke; vlastiti: matematičke, statističke i kvantitativne metode za rješavanje tipičnih organizacijskih i upravljačkih problema. |
Kao rezultat proučavanja discipline, student mora:
znati/razumjeti:
Osnovni pojmovi i alati algebre i geometrije, matematičke analize, teorije vjerojatnosti, matematičke i socio-ekonomske statistike;
Osnovni matematički modeli odlučivanja;
biti u mogućnosti:
Rješavanje tipičnih matematičkih problema koji se koriste u donošenju upravljačkih odluka;
Koristiti matematički jezik i matematičke simbole pri konstruiranju organizacijskih i upravljačkih modela;
Obraditi empirijske i eksperimentalne podatke;
vlastiti:
Korištenje matematičkih, statističkih i kvantitativnih metoda za rješavanje tipičnih organizacijskih i upravljačkih problema.
II TEMATSKO PLANIRANJE
SET 2011
SMJER: "Menadžment"
TRAJANJE STUDIJA: 4 godine
Redovni oblik obrazovanja
| Predavanja, sat. | Praktična lekcija, sat. | Laboratorijska nastava, sat. | Seminari | Tečajni rad, sat. | Samo sat vremena. | ||
| Tema 4.4 Stručne procjene | |||||||
| Tema 5.2 Modeli igre PR-a | |||||||
| Tema 5.3 Pozicijske igre | |||||||
| Ispit | |||||||
| UKUPNO |
Laboratorijska radionica
| Ne. | Intenzitet rada (sati) | ||
| Tema 1.3 Ciljna usmjerenost upravljačkih odluka | Laboratorijski rad br. 1. Traženje optimalnih rješenja. Primjena optimizacije u sustavima PR podrške | ||
| Tema 2.2 Glavne vrste modela teorije odlučivanja | |||
| Tema 3.3 Značajke mjerenja preferencija | |||
| Tema 4.2 Metoda parnih usporedbi | |||
| Tema 4.4 Stručne ocjene | |||
| Tema 5.2 Modeli igre PR-a | |||
| Tema 5.4 Optimalnost u obliku ravnoteže | |||
| Tema 6.3 Statističke igre s jednim eksperimentom |
Zapošljavanje 2011
SMJER: "Menadžment"
OBLIK STUDIJA: dopisni
1 Opseg discipline i vrste akademski rad
2 Dijelovi i teme discipline i vrste nastave
| Naziv odjeljaka i tema discipline | Predavanja, sat. | Praktična nastava, sat. | Laboratorijska nastava, sat. | Seminari | Samostalni rad, sat. | Nastavni rad, sat. | Samo sat vremena. |
| Odjeljak 1 Menadžment kao proces donošenja upravljačkih odluka | |||||||
| Tema 1.1 Funkcije i svojstva upravljačkih odluka | |||||||
| Tema 1.2 Proces donošenja upravljačkih odluka | |||||||
| Tema 1.3 Ciljna usmjerenost upravljačkih odluka | |||||||
| Odjeljak 2. Modeli i simulacija u teoriji odlučivanja | |||||||
| Tema 2.1 Modeliranje i analiza alternativa djelovanja | |||||||
| Tema 2.2 Glavne vrste modela teorije odlučivanja | |||||||
| Odjeljak 3. Odlučivanje u višekriterijskim uvjetima | |||||||
| Tema 3.1 Nekriterijske i kriterijske metode | |||||||
| Tema 3.2 Višekriterijski modeli | |||||||
| Tema 3.3 Značajke mjerenja preferencija | |||||||
| Odjeljak 4. Redoslijed alternativa na temelju uzimanja u obzir preferencija stručnjaka | |||||||
| Tema 4.1 Mjerenja, usporedbe i dosljednost | |||||||
| Tema 4.2 Metoda parnih usporedbi | |||||||
| Tema 4.3 Načela grupnog odabira | |||||||
| Tema 4.4 Stručne ocjene | |||||||
| Odjeljak 5. Donošenje odluka u uvjetima neizvjesnosti i sukoba | |||||||
| Tema 5.1 Matematički model PR problema u uvjetima neizvjesnosti i konflikta | |||||||
| Tema 5.2 Modeli igre PR-a | |||||||
| Tema 5.3 Pozicijske igre | |||||||
| Tema 5.4 Optimalnost u obliku ravnoteže | |||||||
| Odjeljak 6. Donošenje odluka u uvjetima rizika | |||||||
| Tema 6.1 Teorija statističkih odluka | |||||||
| Tema 6.2 Pronalaženje optimalnih rješenja u uvjetima rizika i neizvjesnosti | |||||||
| Tema 6.3 Statističke igre s jednim eksperimentom | |||||||
| Odjeljak 7. Donošenje odluka u neizrazitim uvjetima | |||||||
| Tema 7.1 Kompozicijski modeli PR-a | |||||||
| Tema 7.2 Klasifikacija modela PR-a | |||||||
| Ispit | |||||||
| UKUPNO |
Laboratorijska radionica
| Ne. | Broj modula (sekcije) discipline | Naziv laboratorijskog rada | Intenzitet rada (sati) |
| Tema 2.2 Glavne vrste modela teorije odlučivanja | Laboratorijski rad br. 2. Odlučivanje na temelju ekonomskih i matematičkih modela, modeli teorije čekanja, modeli upravljanja zalihama, modeli linearnog programiranja | ||
| Tema 4.2 Metoda parnih usporedbi | Laboratorijski rad br. 4. Metoda parnih usporedbi. Redoslijed alternativa na temelju parnih usporedbi i uzimajući u obzir preferencije stručnjaka | ||
| Tema 5.2 Modeli igre PR-a | Laboratorijski rad br. 6. Konstrukcija matrice igre. Svođenje igre s nultim zbrojem na problem linearnog programiranja i pronalaženje njegovog rješenja | ||
| Tema 6.3 Statističke igre s jednim eksperimentom | Laboratorijski rad br. 8. Izbor strategija u igri s eksperimentom. Korištenje posteriornih vjerojatnosti |
SMJER: "Menadžment"
TRAJANJE STUDIJA: 4 godine
Redovni oblik obrazovanja
1 Djelokrug discipline i vrste akademskog rada
2 Dijelovi i teme discipline i vrste nastave
| Naziv odjeljaka i tema discipline | Predavanja, sat. | Praktična nastava, sat. | Laboratorijska nastava, sat. | Seminari | Samostalni rad, sat. | Nastavni rad, sat. | Samo sat vremena. |
| Odjeljak 1 Menadžment kao proces donošenja upravljačkih odluka | |||||||
| Tema 1.1 Funkcije i svojstva upravljačkih odluka | |||||||
| Tema 1.2 Proces donošenja upravljačkih odluka | |||||||
| Tema 1.3 Ciljna usmjerenost upravljačkih odluka | |||||||
| Odjeljak 2. Modeli i simulacija u teoriji odlučivanja | |||||||
| Tema 2.1 Modeliranje i analiza alternativa djelovanja | |||||||
| Tema 2.2 Glavne vrste modela teorije odlučivanja | |||||||
| Odjeljak 3. Odlučivanje u višekriterijskim uvjetima | |||||||
| Tema 3.1 Nekriterijske i kriterijske metode | |||||||
| Tema 3.2 Višekriterijski modeli | |||||||
| Tema 3.3 Značajke mjerenja preferencija | |||||||
| Odjeljak 4. Redoslijed alternativa na temelju uzimanja u obzir preferencija stručnjaka | |||||||
| Tema 4.1 Mjerenja, usporedbe i dosljednost | |||||||
| Tema 4.2 Metoda parnih usporedbi | |||||||
| Tema 4.3 Načela grupnog odabira | |||||||
| Tema 4.4 Stručne ocjene | |||||||
| Odjeljak 5. Donošenje odluka u uvjetima neizvjesnosti i sukoba | |||||||
| Tema 5.1 Matematički model PR problema u uvjetima neizvjesnosti i konflikta | |||||||
| Tema 5.2 Modeli igre PR-a | |||||||
| Tema 5.3 Pozicijske igre | |||||||
| Tema 5.4 Optimalnost u obliku ravnoteže | |||||||
| Odjeljak 6. Donošenje odluka u uvjetima rizika | |||||||
| Tema 6.1 Teorija statističkih odluka | |||||||
| Tema 6.2 Pronalaženje optimalnih rješenja u uvjetima rizika i neizvjesnosti | |||||||
| Tema 6.3 Statističke igre s jednim eksperimentom | |||||||
| Odjeljak 7. Donošenje odluka u neizrazitim uvjetima | |||||||
| Tema 7.1 Kompozicijski modeli PR-a | |||||||
| Tema 7.2 Klasifikacija modela PR-a | |||||||
| Ispit | |||||||
| UKUPNO |
Laboratorijska radionica
| Ne. | Broj modula (sekcije) discipline | Naziv laboratorijskog rada | Intenzitet rada (sati) |
| Tema 1.3 Ciljna usmjerenost upravljačkih odluka | Laboratorijski rad br. 1. Traženje optimalnih rješenja. Primjena optimizacije u sustavima PR podrške | ||
| Tema 2.2 Glavne vrste modela teorije odlučivanja | Laboratorijski rad br. 2. Odlučivanje na temelju ekonomskih i matematičkih modela, modeli teorije čekanja, modeli upravljanja zalihama, modeli linearnog programiranja | ||
| Tema 3.3 Značajke mjerenja preferencija | Laboratorijski rad br. 3. Pareto optimalnost. Izgradnja sheme kompromisa | ||
| Tema 4.2 Metoda parnih usporedbi | Laboratorijski rad br. 4. Metoda parnih usporedbi. Redoslijed alternativa na temelju parnih usporedbi i uzimajući u obzir preferencije stručnjaka | ||
| Tema 4.4 Stručne ocjene | Laboratorijski rad br. 5. Obrada stručnih ocjena. Ocjene sporazuma stručnjaka | ||
| Tema 5.2 Modeli igre PR-a | Laboratorijski rad br. 6. Konstrukcija matrice igre. Svođenje igre s nultim zbrojem na problem linearnog programiranja i pronalaženje njegovog rješenja | ||
| Tema 5.4 Optimalnost u obliku ravnoteže | Laboratorijski rad br. 7. Bimatrične igre. Primjena načela ravnoteže | ||
| Tema 6.3 Statističke igre s jednim eksperimentom | Laboratorijski rad br. 8. Izbor strategija u igri s eksperimentom. Korištenje posteriornih vjerojatnosti |
SMJER: "Menadžment"
TRAJANJE STUDIJA: 4 godine
OBLIK STUDIJA: dopisni
1 Djelokrug discipline i vrste akademskog rada
2 Dijelovi i teme discipline i vrste nastave
| Naziv odjeljaka i tema discipline | Predavanja, sat. | Praktična nastava, sat. | Laboratorijska nastava, sat. | Seminari | Samostalni rad, sat. | Nastavni rad, sat. | Samo sat vremena. |
| Odjeljak 1 Menadžment kao proces donošenja upravljačkih odluka | |||||||
| Tema 1.1 Funkcije i svojstva upravljačkih odluka | |||||||
| Tema 1.2 Proces donošenja upravljačkih odluka | |||||||
| Tema 1.3 Ciljna usmjerenost upravljačkih odluka | |||||||
| Odjeljak 2. Modeli i simulacija u teoriji odlučivanja | |||||||
| Tema 2.1 Modeliranje i analiza alternativa djelovanja | |||||||
| Tema 2.2 Glavne vrste modela teorije odlučivanja | |||||||
| Odjeljak 3. Odlučivanje u višekriterijskim uvjetima | |||||||
| Tema 3.1 Nekriterijske i kriterijske metode | |||||||
| Tema 3.2 Višekriterijski modeli | |||||||
| Tema 3.3 Značajke mjerenja preferencija | |||||||
| Odjeljak 4. Redoslijed alternativa na temelju uzimanja u obzir preferencija stručnjaka | |||||||
| Tema 4.1 Mjerenja, usporedbe i dosljednost | |||||||
| Tema 4.2 Metoda parnih usporedbi | |||||||
| Tema 4.3 Načela grupnog odabira | |||||||
| Tema 4.4 Stručne ocjene | |||||||
| Odjeljak 5. Donošenje odluka u uvjetima neizvjesnosti i sukoba | |||||||
| Tema 5.1 Matematički model PR problema u uvjetima neizvjesnosti i konflikta | |||||||
| Tema 5.2 Modeli igre PR-a | |||||||
| Tema 5.3 Pozicijske igre | |||||||
| Tema 5.4 Optimalnost u obliku ravnoteže | |||||||
| Odjeljak 6. Donošenje odluka u uvjetima rizika | |||||||
| Tema 6.1 Teorija statističkih odluka | |||||||
| Tema 6.2 Pronalaženje optimalnih rješenja u uvjetima rizika i neizvjesnosti | |||||||
| Tema 6.3 Statističke igre s jednim eksperimentom | |||||||
| Odjeljak 7. Donošenje odluka u neizrazitim uvjetima | |||||||
| Tema 7.1 Kompozicijski modeli PR-a | |||||||
| Tema 7.2 Klasifikacija modela PR-a | |||||||
| Ispit | |||||||
| UKUPNO |
Laboratorijska radionica
| Ne. | Broj modula (sekcije) discipline | Naziv laboratorijskog rada | Intenzitet rada (sati) |
| Tema 2.2 Glavne vrste modela teorije odlučivanja | Laboratorijski rad br. 2. Odlučivanje na temelju ekonomskih i matematičkih modela, modeli teorije čekanja, modeli upravljanja zalihama, modeli linearnog programiranja | ||
| Tema 4.2 Metoda parnih usporedbi | Laboratorijski rad br. 4. Metoda parnih usporedbi. Redoslijed alternativa na temelju parnih usporedbi i uzimajući u obzir preferencije stručnjaka | ||
| Tema 5.2 Modeli igre PR-a | Laboratorijski rad br. 6. Konstrukcija matrice igre. Svođenje igre s nultim zbrojem na problem linearnog programiranja i pronalaženje njegovog rješenja | ||
| Tema 6.3 Statističke igre s jednim eksperimentom | Laboratorijski rad br. 8. Izbor strategija u igri s eksperimentom. Korištenje posteriornih vjerojatnosti |
SMJER: "Menadžment"
TRAJANJE OSPOSOBLJAVANJA: 3,3 godine
OBLIK STUDIJA: dopisni
1 Djelokrug discipline i vrste akademskog rada
2 Dijelovi i teme discipline i vrste nastave
