VB. МЕТОДЫ МНОЖЕСТВЕННОГО РАНЖИРОВАНИЯ [c.217]
В этой части главы V мы изложим методы определения числа наблюдений, которое следует взять в каждой из k (k > 2) совокупностей Пг (i = 1,, К , чтобы выбрать лучшую совокупность В основном в этой части мы предполагаем, что лучшая совокупность просто имеет наибольшую среднюю В случае, когда нас интересует наименьшая средняя, можно пользоваться теми же процедурами для выбора наибольшей средней, применяя их к наблюдениям, умноженным на минус единицу В V В 5 мы кратко рассмотрим другие критерии выбора не по средним, а, допустим, по дисперсиям для других задач, формулируемых не как выбор лучшей совокупности, а как, например, полное ранжирование всех k совокупностей. Методы полного или частичного ранжирования называются методами множественного ранжирования (или ММР) в литературе их еще называют методами множественного выбора и принятия решений. При имитационном моделировании наблюдение можно определить как один прогон данной системы, т. е. как одну последовательность выходов системы, которые вместе дают несмещенную оценку искомой характеристики системы,представляющей интерес для экспериментатора (скажем, моделируемая история одного месяца дает одно наблюдение дохода за месяц). Различные варианты системы соответствуют различным совокупностям. В терминологии [c.217]
Мы хотим взять столько повторных реализаций, чтобы вероятность ошибки отвергнуть метод множественного ранжирования была мала. [c.283]
Были также измерены и стандартные отклонения для 16 откликов, которые оказались такими 0,0018, 0,0063, 0,0028, 0,0000, 0,0013, 0,0058, 0,0030, 0,0013, 0,0074, 0,0043, 0,0033, 0,0044, 0,0030, 0,0013,- 0,0052> 0,0033. Каждое стандартное отклонение получено по 400 параллельным опытам. Предположим, что все отклики нормально распределены с общей дисперсией (т. е. для шестнадцати стандартных отклонений предполагается общее среднее а). Используйте для проверки этой гипотезы критерий согласия, если хорошее согласие дают члены порядка не выше, чем двухфакторные взаимодействия. Примечание. Числа и этом примере получены методом Монте-Карло в эксперименте по множественному ранжированию при р = 0,99 из главы VI. [c.105]
Метод, применяющий дополняющие величины, заключается в том, что в повторных реализациях 1-й и 2-й, 3-й и 4-й и т. д., или в общем случае в г — 2 г" и г =2 г" — 1 (г" = 1,. .., п/2) пользуются их дополняющими случайными величинами. Так, первая реализация, например, использует случайные числа rlt rz,. .., а ее повторение — (1—гг), (1 — г2),. ... (Число случайных чисел на повтор случайно, как следует из правила останова последовательной процедуры множественного ранжирования соответственно последовательности случайных чисел не имеют постоянной длины.) Случайные числа для одной повторной реализации должны быть независимы, как независимы наблюдения это основная предпосылка ММР и она не нарушается в наших экспериментах по методу Монте-Карло. Такая предпосылка выполняется, когда употребляются дополняющие величины (или общие случайные числа). Дополняющие величины создают отрицательную корреляцию между откликами повторных реализаций с номерами г — 2 г" и г = = 2 г"—1. Предположим, что в повторной реализации большинство случайных чисел для лучшей совокупности мало так, что случайные величины xls, к которым применяется ММР, например, велики. Сравним случайные величины, имеющие экспоненциальный закон распределения, которые генерируются следующим образом [c.288]
Вследствие усложнения производственного процесса, с одной стороны, и воздействия внешних факторов, с другой-возрастает значение перспективного стратегического планирования. В связи с этим развитие методов системного анализа для обоснования управленческих решений приобретает особое значение. Он предполагает использование единого подхода к выбору целей, поскольку при решении проблем управления выявляются множественность и противоречивость целей, подлежащих уточнению, и необходимость их ранжирования. [c.314]
Один из наиболее распространённых методов обработки экспертной информации — метод парных сравнений. В этом методе эксперту предлагается последовательно сравнивать пары альтернатив, принадлежащие рассматриваемому множеству альтернатив А — [я,,...,яп]. Если решается задача ранжирования, т. е. упорядочения альтернатив по предпочтению, то для каждой из предъявляемых пар альтернатив эксперт должен указать более предпочтительную. Если решается задача классификации, т. е. деления альтернатив на классы по нек-рому признаку, то эксперт должен указать, какая пара альтернатив может быть отнесена к одному классу. При множественных сравнениях по- [c.557]
Заключает книгу пример, представленный в последней — шестой главе. Автор постарался собрать в этом примере весь арсенал средств статистики, применяемых в имитационном моделировании, и обратить их на исследование робастности одного из методов множественного ранжирования — метода Бехгофера—Блюменталя. Выбор именно такого примера интересен во многих отношениях, но нам представляется наиболее примечательным то обстоятельство, что в нем отчетливо показана роль имитационных моделей в решении внутренних проблем статистики, таких, например, как проблема робастности тех или иных процедур. Имитационное моделирование уже только поэтому заслуживало бы интенсивного развития и оправдало бы значительные затраты сил и средств, даже если бы оно ни на что больше не было пригодно. Как известно, это всего лишь одно из второстепенных применений имитационного моделирования. [c.6]
Нами не доказано, что выше приведенная последовательная процедура удовлетворяет требованию (97). Это эвристическая процедура, оенованная на том соображении, что последовательные варианты оценочных процедур работоспособны (см. обсуждение 65)). Далее мы приведем некоторые экспериментальные данные о применении формул для определения объема выборки (103) и (107). Но прежде чем приведем их, заметим, что если экспериментатор находит формулировку (97) более адекватной по сравнению с выбором, основанным на проверке гипотез либо определении доверительных интервалов, то он может применять методы множественного ранжирования (для k > 2 совокупностей), о которых идет речь в части В настоящей главы. [c.155]
Рассмотрите эксперимент Монте-Карло с некоторым методом множественного ранжирования. Каждое повторение показывает, работает метод или нет (i е. выбирается ли лучшая совокупность). Нуль-гипотеза состоит в том, что метод работает , т. е. Е (р)> Р . Определите число повторений, которое гаран-шрует ошибку I рода не более чем в 1% случаев, а ошибка II рода не должна мри этом превышать 10% для альтернативной гипотезы Н р = 0,85 (в то премя как Р = 0,90). [c.163]
Предметом конкретного исследования служит эксперимент по методу Монте-Карло с методом множественного ранжирования (ММР), разработанным Бехгофером и Блюменталем [Be hhofer, Blumenthal, 1962]. Цель эксперимента по методу Монте-Карло — исследовать робастность этой процедуры. [c.269]
Очевидно, что метод MIRR решает проблемы множественности и реинвестирования. По отношению к методу NVP метод MIRR дает одинаковые результаты при ранжировании в случаях [c.109]
Метод самоорганизующихся карт Кохонена может быть использован для представления многомерных данных по взаимным инвестиционным фондам в виде простой двумерной карты. Эти карты позволяют значительно повысить качество информации, традиционно публикуемой по взаимным фондам, предоставляя лучшую основу для выбора, сравнения и ранжирования данных. Пользуясь данными, публикуемыми компанией Morningstar, мы применим СОК для демонстрации четких различий и структурных особенностей данных по лучшим взаимным фондам. В качестве входных данных мы использовали показатели эффективности взаимных фондов, оценки рисков, приводимые компанией Morningstar, опыт ряда экспертов в области инвестиционной деятельности, а также данные о доле активов фондов, используемых для покрытия расходов. Метод СОК упрощает классификацию фондов и облегчает процесс принятия решений, позволяя классифицировать данные более осмысленно, чем при использовании множественного рангового критерия. [c.80]
Смотреть страницы где упоминается термин Методы множественного, ранжирования
: [c.94] [c.190] [c.269] [c.277] [c.181]Смотреть главы в:
Статические методы в имитационном моделировании Выпуск 2 -> Методы множественного, ранжирования