WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 3 | 4 || 6 |

б) Определить как количественно изменится оптимальное значение целевой функции, а также решение прямой и двойственной задач, если затраты первого ресурса для производства первого вида продукта (P1) уменьшится на 1, а затраты первого ресурса для производства второго вида продукции (P2) увеличатся на 1.

2. Осуществить построение доверительных интервалов прогноза изменения производственной программы фирмы, описанной в задаче текущего раздела Прогноз осуществляется с использованием статической имитационной модели. Последняя симплекс таблица представлена в Приложении 5.

В прогнозном периоде предполагаются следующие изменения:

-вектора коэффициентов целевой функции;

-вектора правых частей ограничений;

-вектор-столбца матрицы ограничений;

-вектор-строки матрицы ограничений.

1.3.2 Теоретико -игровые методы прогнозирования.

1.Три человека владели каждый третью частью акций. решение принимается большинством акций- значит, решение принимается, если за него проголосовали двое из этих трех. Рассмотрите возможные коалиции и способы их действий.

2. На рынке два продавца и один покупатель. Рассмотрите возможные коалиции и способы их действий.

3. Рассмотрите следующие биматричные игры в некооперативном варианте и выясните особенности действий игроков в этих играх:

(5,5) (- 4,6) (4,-3000) (10,6) (1,2) (5,1) й щ щ й щ а) б)й в) к (6,-4) (- 3,-3)ъ к (12,8) (5,4)ъ к(0,-200) (2,-300)ъ л ы л ы л ы Найдите множество оптимальности по Парето и переговорное множество в этих играх.

4.Рассмотрим задачу взаимодействия двух фирм на рынке одного товара.

Пусть xi –выпуск продукции i-ой фирмы. Произведенный обеими фирмами товар поступает на общий рынок. Прибыль i-ой фирмы равна (, ) = b (d - ( + )), где d > W x x x x x i 1 2 i 1 Предположим, что возможные выпуски фирм есть 0, d/4, d/3, d/2. Тогда моделью их взаимодействия будет биматричная игра с матрицей 4Х4, в ж ц которой элемент, = ( (id / 4, jd / 4), ( jd / 4,id / 4)). Найдите несколько з ч a b W W ij ij 1 и ш элементов этой матрицы, например, вблизи точек Курно и Стакельберга. если же предположить, что выпуски фирм могут принимать всевозможные значения в промежутке [0,d], то получится непрерывный аналог биматричной игры.

1 2 -ж ц з ч 5.Найти решение матричной игры з4 3 ч з1 - 7 2 ч и ш 2 2 - ж ц з ч 6. Укажите какие-нибудь границы для цены игры з- 4 4 ч з ч 1 - 5 и ш ж- 2 0 ц з ч 7. В матричной игре 8 -10 2 игроки играют со стратегиями:

з ч з 10 25 -10ч и ш 0.ж ц з ч первый, второй (0.5 0.5 0). Найдите средний выигрыш первого при з0.5ч з ч и ш такой игре. Является ли такая стратегия оптимальной для игрока ж-1 ц з ч 2 ч 8. Решите матричную игру:з. С помощью каких случайных з ч 4 з ч з 6 - 2ч и ш механизмов игроки могут реализовывать свои оптимальные стратегии 9. Отыскать ситуацию равновесия в биматричной игре студентпреподаватель, заданной следующим образом.

ж -1 ц ж - ц C = з ч з ч, П = з1 0 ч з и ш и- 2 -1ч ш 10. Записать характеристическую функцию игры. Игра моделирует ситуацию, описанную ниже.

Три предприятия используют для своей работы воду из одного водоема.

Сбрасывая воду обратно, они могут ее очищать либо нет. Предполагается, что если неочищенную воду сбрасывает не более одного предприятия, то вода остается пригодной к употреблению, если неочищенную воду сбрасывают не мене двух предприятий, то каждый пользователь воды несет убытки в размере трех единиц. Стоимость очистки воды обходится каждому из предприятий в одну единицу.

11. Определить С-ядро, предварительно записав характеристическую функцию игры. Игра моделирует ситуацию, описанную ниже.

Объединение из четырех фирм-производителей может вместе выпустить некоторый уникальный вид изделия. известно, что с этим заказом может справиться первая фирма с любой другой, либо все оставшиеся без первой.

ЛИТЕРАТУРА 1. Айвазян С.А. и др. Прикладная статистика: основы эконометрики. Том 2..

- М.: Юнити, 2001.

2. Блинов О.Е. Статистические имитационные модели прогнозирования. -М.:

ГАУ, 1991.

3. Воробьев Н.Н. Теория игр для экономистов-кибернетиков. -М.: Наука, 1985.

4. Гранберг А.Г. Динамические модели народного хозяйства. -М.:

Экономика, 1985.

5. Доугерти К. Введение в эконометрику. –М: МГУ, 6. Дудорин В.И. и др. Методы социально-экономического прогнозирования (общие методы прогнозирования). -М. :ГАУ, 1991.

7. Дудорин В.И. и др. Методы социально-экономического прогнозирования (специальные методы прогнозирования). -М.: ГАУ, 8. Капитоненко В.В., Писарева О.М. Модели рыночной экономики и равновесия: Учебное пособие/ ГАУ. М., 9. Катышев П.К., Пересецкий А.А. Сборник задач к начальному курсу Эконометрики. –М: Дело, 1999.

10.Колемаев В.А., Калинина В.Н. Теория вероятностей и математическая статистика. - М.: Инфра-М, 1997.

11.Литвак Б.Г. Экспертная информация: Методы получения и анализа. - М.:

Радио и связь, 1982.

12.Литвак Б.Г. Экспертные оценки и принятие решений. – М.: Патент, 1997.

13.Льюис К.Д. Методы прогнозирования экономических показателей. -М.:

Высшая школа, 1988.

14.Магнус Я.Р., и др. Эконометрика. Начальный курс. –М: Дело, 2000.

15.Практикум по эконометрике. /Под ред. РАН И.И. Елисеевой. –М:

Финансы и статистка, 2001 г.

16.Рабочая книга по прогнозированию / Отв. редактор И.В. Бестужев-Лада. - М.: Мысль, 1982.

17.Сборник задач по дисциплине " Моделирование рыночной экономики" для студентов специальности "Математические методы и исследование операций в экономике" -061800, -М.: ГАУ, 1996.

18.Сборник задач по дисциплине «Моделирование рыночной экономики» для студентов специальности «Математические методы и исследование операций в экономике» -061800. –М: ГАУ, 1996.

19.Статистическое моделирование и прогнозирование / под ред. А.Г.

Гранберга. -М.: Финансы и статистика, 1990.

20.Теория прогнозирования и принятия решений /под ред. С.А. Саркисяна. - М.: Высшая школа, 21.Эконометрика. Учебник. /Под ред. РАН И.И. Елисеевой. –М: Финансы и статистка, 2001 г.

Приложение 1. Результаты сглаживания динамического ряда с помощью простой скользящей средней для периода сглаживания m=3.

Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Simple moving average of 3 terms Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,159673 0,MAE 0,339048 0,MAPE 0,309529 0,ME -0,240476 0,MPE -0,220055 0,The StatAdvisor --------------This model assumes that the best forecast for future data is given by the average of the 3 most recent data values.You can select a different forecasting model by pressing the alternate mouse button and selecting Analysis Options.

The table also summarizes the performance of the currently selected model in fitting the previous data. It displays:

(1) the mean squared error (MSE) (2) the mean absolute error (MAE) (3) the mean absolute percentage error (MAPE) (4) the mean error (ME) (5) the mean percentage error (MPE) Each of the statistics is based on the one-ahead forecast errors, which are the differences between the data value at time t and the forecast of that value made at time t-1. The first three statistics measure the magnitude of the errors. A better model will give a smaller value. The last two statistics measure bias. A better model will give a value close to 0.0. In this case, the model was estimated from the first 17 data values. 3 data values at the end of the time series were withheld to validate the model. The table shows the error statistics for both the estimation and validation periods. If the results are considerably worse in the validation period, it means that the model is not likely to perform as well as otherwise expected in forecasting the future.

продолжение Приложение 2. Результаты сглаживания динамического ряда с помощью простой скользящей средней для периода сглаживания m=5.

Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Simple moving average of 5 terms Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,30159 0,MAE 0,462833 0,MAPE 0,42327 0,ME -0,455833 0,MPE -0,416849 0,The StatAdvisor --------------This model assumes that the best forecast for future data is given by the average of the 5 most recent data values.You can select a different forecasting model by pressing the alternate mouse button and selecting Analysis Options.

The table also summarizes the performance of the currently selected model in fitting the previous data. It displays:

(1) the mean squared error (MSE) (2) the mean absolute error (MAE) (3) the mean absolute percentage error (MAPE) (4) the mean error (ME) (5) the mean percentage error (MPE) Each of the statistics is based on the one-ahead forecast errors, which are the differences between the data value at time t and the forecast of that value made at time t-1. The first three statistics measure the magnitude of the errors. A better model will give a smaller value. The last two statistics measure bias. A better model will give a value close to 0.0. In this case, the model was estimated from the first 17 data values. 3 data values at the end of the time series were withheld to validate the model. The table shows the error statistics for both the estimation and validation periods. If the results are considerably worse in the validation period, it means that the model is not likely to perform as well as otherwise expected in forecasting the future.

продолжение Приложение 3. Результаты сглаживания динамического ряда с помощью простой модели Брауна со значением сглаживающего фильтра а=0.Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Simple exponential smoothing with alpha = 0,Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,326181 0,MAE 0,459061 0,MAPE 0,41959 0,ME -0,345388 0,MPE -0,316946 0,4. Результаты сглаживания динамического ряда с помощью линейной модели Брауна со значением сглаживающего фильтра а=0.Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Brown's linear exp. smoothing with alpha = 0,Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,176464 0,MAE 0,34374 0,MAPE 0,313454 0,ME -0,294976 0,MPE -0,268786 0, продолжение Приложение Forecast Table for Y Model: Brown's linear exp. smoothing with alpha = 0,V = withheld for validation Period Data Forecast Residual -----------------------------------------------------------------------------1 110,7 110,84 -0,2 110,43 110,87 -0,3 110,56 110,774 -0,4 110,75 110,751 -0,5 110,84 110,805 0,6 110,46 110,873 -0,7 110,56 110,764 -0,8 110,46 110,721 -0,9 110,05 110,648 -0,10 109,6 110,429 -0,11 109,31 110,094 -0,12 109,31 109,744 -0,13 109,25 109,502 -0,14 109,02 109,316 -0,15 108,54 109,102 -0,16 108,77 108,77 -0,17 109,02 108,64 0,18 109,44 108,662 V0,19 109,38 108,859 V0,20 109,53 108,984 V0,-----------------------------------------------------------------------------5. Результаты сглаживания динамического ряда с помощью простой модели Брауна со значением сглаживающего фильтра а=0.6/ Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Simple exponential smoothing with alpha = 0,Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,100696 0,MAE 0,253088 0,MAPE 0,230865 0,ME -0,166852 0,MPE -0,152588 0,6. Результаты сглаживания динамического ряда с помощью линейной модели Брауна со значением сглаживающего фильтра а=0. продолжение Приложение Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Brown's linear exp. smoothing with alpha = 0,Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,0752937 0,MAE 0,228438 0,MAPE 0,208312 0,ME 0,000828752 0,MPE 0,00107297 0,Forecast Table for Y Model: Brown's linear exp. smoothing with alpha = 0,V = withheld for validation Period Data Forecast Residual -----------------------------------------------------------------------------1 110,7 110,687 0,2 110,43 110,741 -0,3 110,56 110,411 0,4 110,75 110,521 0,5 110,84 110,781 0,6 110,46 110,919 -0,7 110,56 110,457 0,8 110,46 110,504 -0,9 110,05 110,412 -0,10 109,6 109,922 -0,11 109,31 109,35 -0,12 109,31 109,0 0,13 109,25 109,056 0,14 109,02 109,084 -0,15 108,54 108,872 -0,16 108,77 108,316 0,17 109,02 108,583 0,18 109,44 108,993 V0,19 109,38 109,573 V-0,20 109,53 109,546 V-0,-----------------------------------------------------------------------------7. Результаты сглаживания динамического ряда с помощью простой модели Брауна со значением сглаживающего фильтра а=0. продолжение Приложение Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Simple exponential smoothing with alpha = 0,Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,0789533 0,MAE 0,228816 0,MAPE 0,208676 0,ME -0,124097 0,MPE -0,113408 0,8. Результаты сглаживания динамического ряда с помощью линейной модели Брауна со значением сглаживающего фильтра а=0.Analysis Summary Data variable: Y Number of observations = Start index = Sampling interval = 1,0 year(s) Forecast Summary ---------------Forecast model selected: Brown's linear exp. smoothing with alpha = 0,Number of forecasts generated: Number of periods withheld for validation: Estimation Validation Statistic Period Period -------------------------------------------MSE 0,0813894 0,MAE 0,243593 0,MAPE 0,221975 0,ME 0,00477102 -0,MPE 0,00470013 -0, продолжение Приложение Forecast Table for Y Model: Brown's linear exp.

Pages:     | 1 |   ...   | 3 | 4 || 6 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.