Перечисление.
| Интуитивные методы | |
| Индив. экспертные методы · интервью · аналитич. анализ · построение сценариев | Коллективные экспертн.методы · метод комиссий · метод генерации идей · метод Дельфи · матричный метод · матричный м-д экспертных оценок |
| Формализованные методы | |
| Методы прогнозной экстраполяции · метод наим. квадратов · метод экспоненциального сглаживания · метод скользящих средних · метод адаптивного сглаживания | Методы моделирования · структурное моделирование · сетевое · матричное · имитационное |
| Методы прогнозирования | ||||
| Фактографические | Комбиниро- ванные | Экспертные Прямые ЭО Эо с обратной связью | ||
| Опережающие методы | Метод аналогий | |||
| Математические | Исторические | |||
 Статистические методы
· Методы экстраполяции
· Методы моделирования статистич. групп
· Корреляционные
· регрессионные
| ||||
16. Первичные данные – информация непосредственно собранная в ходе исследования.
17.Вторичные данные - информация, собранная из внешних и внутренних источников, но для целей отличных от текущих.
18.Синдикативная информация - первичная информация, к-рую специальные информационно консультационные орг-ции обрабатывают, а затем продают своим подписчикам.
19. Методы получения информации первичной:
1)опрос(количественная оценка);
2)эксперимент;
3)имитация, наблюдения (качественная оценка).
Вторичные методы пол. инф-ции (виды анализа):
1 ) традиционный: а)внешний; б)внутренний;
2)формализованный анализ.
20. Методы формирования выборки:
- простой случайный отбор;
- систематический отбор;
- кластерный отбор;
- стратифицированный отбор.
21. Объем выборки – число случаев, включённых в выборочную совокупность. Определение объема выборки представляет собой сложный процесс, затрагивающий анализ ряда качественных и количественных факторов
22. Контур выборки - список всех предприятий, в которых мы будем проводить опрос.
23. Единица выборки - элемент генеральной совокупности, выступающий в качестве единицы счета при различных процедурах формирования выборки.
24. Прогноз временного ряда – содержать два вида компонент — систематическую и случайную составляющие.
Систематическая составляющая является результатом влияния постоянно действующих факторов.
Случайной составляющей называется случайный шум, или ошибка, воздействующая на временной ряд нерегулярно.
25. Тренд – устойчивая закономерность, наблюдаемая в течении длительного периода времени.
26. Методы экстраполяции трендов:
- м-д скользящего среднего
- м-д экспоненциального сглаживания
- корреляционный анализ
27. Модели временных рядов. 1. мод. авторегрессии; 2. проинтегрированного скользящего среднего; 3. смешанная модель. Анализ периодических колебаний направлен на: 1. выделение индексов сезонности; 2. рядов Фурье.
Модели скользящего среднего: Мультипликативная; Адаптивная
Цели анализа временных рядов: Выявление индекса сезонности; Выявление рядов Фурье
28. Компоненты временных рядов:
- Тренд
- Сезонность
- Цикличность
- Случайные колебания
29. Модели тренда: 1. ряды Фурье; 2. степенные ряды (полиномиальная модель); 3. укрупнение интервала; 4. сглаживание; 5. элементарные функции.
30. Аналитические функции выделения тренда:
1) линейная (
); 2) квадратичная (
); 3) гиперболическая (
);
4) экспоненциальная (
); 5) логарифмическая (
);
6) обратно-гиперболическая (
).
31. Суть многомерных методов прогнозирования - представляютвычислительные и графические средства для исследования различных форм ассоциаций: сходства, близости, группировки данных и т.д..
Идея кластерного анализа.
перегруппировать очень большое количество данных (объединить в группы на основе определенных признаков) - построить классификацию n-объектов с помощью объед. их в группу на осн. критерия миним. расстояния в прос-ве m-переменных.
Сущ. 3 подвида кластер. анализа:
1. Древовидная кластеризация 2 Кластеризация К-средних 3. Примен. нейронных сетей
Идея дискриминантного анализа
Дискриминантный анализ – позволяет проверить гипотезу о возможности классификации заданного мн-ва объектов n характер. некот. числом m – переменных на некот. число кластеров К.
Идея факторного анализа
Факторный анализ – позволяет большое число переменных каждого объекта min-ть и свести их к меньшему количеству независимых величин называемых факторами.
Цель факторного анализа – сокращ. числа переменных; опред. стр-ры взаимосвязи м/ду переменными; опред. корреляции значимости факторов.
36. Случаи применения экспертных оценок:
- когда нет достаточной статистической информации об изменении анализируемого показателя и влияющих на него факторов.
- когда показатели измеряются не численно, а выражаются качественными признаками.
- когда анализируемые показатели не м.б. описаны на основе эволюционного развития.
37. Методы экспертной оценки:
- Метод простого ранжирования
- Метод задания весовых коэффициентов
- Метод последовательных сравнений
- Метод парных сравнений.
38. Методы выбора эксперта:
- самооценка(созд.опросник, его заполн. кажд.эксперт, потом вычисл.ср.оценка и происх.отбор);
- оценка группой каждого специалиста; оценка на основе рез-тов прошлой деятельности;
- опр.компетентности кандидатов экспертизы(опр.уровня знаний).
39. Методы опроса экспертов:
- анкетирование;
- опрос (м.б.устным, записан на аудио-и видеопленку);
- метод Дельфи;
- метод круглого стола;
- метод мозгового штурма.
41. Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов. позволяет имитировать поведение системы во времени.
К имитационному моделированию прибегают, когда:
дорого или невозможно экспериментировать на реальном объекте;
невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические (случайные) переменные;
необходимо сымитировать поведение системы во времени.
42. Теория катастроф — раздел математики, включающий в себя теорию бифуркаций дифференциальных уравнений (динамических систем) и теорию особенностей гладких отображений.
.Виды:1) Каспоидные катастрофы(складка, сборка, ласточкин хвост, бабочка) 2) Омбилические (эллиптическая омбилика, гиперболическая, параболическая, вторая эллиптическая, символическая)
43. Применение нейросетевого прогнозирования – метод прогнозирования, основанный на использовании нейронных сетей. Является перспективной альтернативой традиционным методам решения нелинейных задач прогнозирования ввиду многократного повышения скорости сложных расчетов, однако требует значительных временных затрат на обучение нейронных сетей характеристикам изменения прогнозируемых временных рядов.
44. Требования, предъявляемые к моделям:
1)модель должна удовлетворять х-кам полноты и адаптивности;
2) модель д.б. достаточно абстрактной (с т.з. варьирования бол.набором переменных);
3) д.б.ограничение на время решения задачи;
4) модель д.б. ориентирована на существующие технические средства;
5)модель д. обеспечить получение полезной информации;
6)модель д. строиться с использование общепринятой терминологии;
7)модель д. предусматривать верификацию;
8) модель д. обладать свойством робастности (защита от «дураков»).
45. Верификация модели – оценка функциональной полноты модели.
46. Адекватность модели - проверяется с помощью статистических критериев и на основании фактографических данных.
