Статистический метод — ложь или объективные данные для принятия решений? Методы принятия управленческих решений Статистические методы принятия решений практикум.

28.01.2024

2. ОПИСАНИЕ НЕОПРЕДЕЛЕННОСТЕЙ В ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ

2.2. Вероятностно-статистические методы описания неопределенностей в теории принятия решений

2.2.1. Теория вероятностей и математическая статистика в принятии решений

Как используются теория вероятностей и математическая статистика? Эти дисциплины – основа вероятностно-статистических методов принятия решений. Чтобы воспользоваться их математическим аппаратом, необходимо задачи принятия решений выразить в терминах вероятностно-статистических моделей. Применение конкретного вероятностно-статистического метода принятия решений состоит из трех этапов:

Переход от экономической, управленческой, технологической реальности к абстрактной математико-статистической схеме, т.е. построение вероятностной модели системы управления, технологического процесса, процедуры принятия решений, в частности по результатам статистического контроля, и т.п.

Проведение расчетов и получение выводов чисто математическими средствами в рамках вероятностной модели;

Интерпретация математико-статистических выводов применительно к реальной ситуации и принятие соответствующего решения (например, о соответствии или несоответствии качества продукции установленным требованиям, необходимости наладки технологического процесса и т.п.), в частности, заключения (о доле дефектных единиц продукции в партии, о конкретном виде законов распределения контролируемых параметров технологического процесса и др.).

Математическая статистика использует понятия, методы и результаты теории вероятностей. Рассмотрим основные вопросы построения вероятностных моделей принятия решений в экономических, управленческих, технологических и иных ситуациях. Для активного и правильного использования нормативно-технических и инструктивно-методических документов по вероятностно-статистическим методам принятия решений нужны предварительные знания. Так, необходимо знать, при каких условиях следует применять тот или иной документ, какую исходную информацию необходимо иметь для его выбора и применения, какие решения должны быть приняты по результатам обработки данных и т.д.

Примеры применения теории вероятностей и математической статистики. Рассмотрим несколько примеров, когда вероятностно-статистические модели являются хорошим инструментом для решения управленческих, производственных, экономических, народнохозяйственных задач. Так, например, в романе А.Н.Толстого «Хождение по мукам» (т.1) говорится: «мастерская дает двадцать три процента брака, этой цифры вы и держитесь, - сказал Струков Ивану Ильичу».

Встает вопрос, как понимать эти слова в разговоре заводских менеджеров, поскольку одна единица продукции не может быть дефектна на 23%. Она может быть либо годной, либо дефектной. Наверно, Струков имел в виду, что в партии большого объема содержится примерно 23% дефектных единиц продукции. Тогда возникает вопрос, а что значит «примерно»? Пусть из 100 проверенных единиц продукции 30 окажутся дефектными, или из 1000 – 300, или из 100000 – 30000 и т.д., надо ли обвинять Струкова во лжи?

Или другой пример. Монетка, которую используют как жребий, должна быть «симметричной», т.е. при ее бросании в среднем в половине случаев должен выпадать герб, а в половине случаев – решетка (решка, цифра). Но что означает «в среднем»? Если провести много серий по 10 бросаний в каждой серии, то часто будут встречаться серии, в которых монетка 4 раза выпадает гербом. Для симметричной монеты это будет происходить в 20,5% серий. А если на 100000 бросаний окажется 40000 гербов, то можно ли считать монету симметричной? Процедура принятия решений строится на основе теории вероятностей и математической статистики.

Рассматриваемый пример может показаться недостаточно серьезным. Однако это не так. Жеребьевка широко используется при организации промышленных технико-экономических экспериментов, например, при обработке результатов измерения показателя качества (момента трения) подшипников в зависимости от различных технологических факторов (влияния консервационной среды, методов подготовки подшипников перед измерением, влияния нагрузки подшипников в процессе измерения и т.п.). Допустим, необходимо сравнить качество подшипников в зависимости от результатов хранения их в разных консервационных маслах, т.е. в маслах состава А и В . При планировании такого эксперимента возникает вопрос, какие подшипники следует поместить в масло состава А , а какие – в масло состава В , но так, чтобы избежать субъективизма и обеспечить объективность принимаемого решения.

Ответ на этот вопрос может быть получен с помощью жребия. Аналогичный пример можно привести и с контролем качества любой продукции. Чтобы решить, соответствует или не соответствует контролируемая партия продукции установленным требованиям, из нее отбирается выборка. По результатам контроля выборки делается заключение о всей партии. В этом случае очень важно избежать субъективизма при формировании выборки, т.е необходимо, чтобы каждая единица продукции в контролируемой партии имела одинаковую вероятность быть отобранной в выборку. В производственных условиях отбор единиц продукции в выборку обычно осуществляют не с помощью жребия, а по специальным таблицам случайных чисел или с помощью компьютерных датчиков случайных чисел.

Аналогичные проблемы обеспечения объективности сравнения возникают при сопоставлении различных схем организации производства, оплаты труда, при проведении тендеров и конкурсов, подбора кандидатов на вакантные должности и т.п. Всюду нужна жеребьевка или подобные ей процедуры. Поясним на примере выявления наиболее сильной и второй по силе команды при организации турнира по олимпийской системе (проигравший выбывает). Пусть всегда более сильная команда побеждает более слабую. Ясно, что самая сильная команда однозначно станет чемпионом. Вторая по силе команда выйдет в финал тогда и только тогда, когда до финала у нее не будет игр с будущим чемпионом. Если такая игра будет запланирована, то вторая по силе команда в финал не попадет. Тот, кто планирует турнир, может либо досрочно «выбить» вторую по силе команду из турнира, сведя ее в первой же встрече с лидером, либо обеспечить ей второе место, обеспечив встречи с более слабыми командами вплоть до финала. Чтобы избежать субъективизма, проводят жеребьевку. Для турнира из 8 команд вероятность того, что в финале встретятся две самые сильные команды, равна 4/7. Соответственно с вероятностью 3/7 вторая по силе команда покинет турнир досрочно.

При любом измерении единиц продукции (с помощью штангенциркуля, микрометра, амперметра и т.п.) имеются погрешности. Чтобы выяснить, есть ли систематические погрешности, необходимо сделать многократные измерения единицы продукции, характеристики которой известны (например, стандартного образца). При этом следует помнить, что кроме систематической погрешности присутствует и случайная погрешность.

Поэтому встает вопрос, как по результатам измерений узнать, есть л систематическая погрешность. Если отмечать только, является ли полученная при очередном измерении погрешность положительной или отрицательной, то эту задачу можно свести к предыдущей. Действительно, сопоставим измерение с бросанием монеты, положительную погрешность – с выпадением герба, отрицательную – решетки (нулевая погрешность при достаточном числе делений шкалы практически никогда не встречается). Тогда проверка отсутствия систематической погрешности эквивалентна проверке симметричности монеты.

Целью этих рассуждений является сведение задачи проверки отсутствия систематической погрешности к задаче проверки симметричности монеты. Проведенные рассуждения приводят к так называемому «критерию знаков» в математической статистике.

При статистическом регулировании технологических процессов на основе методов математической статистики разрабатываются правила и планы статистического контроля процессов, направленные на своевременное обнаружение разладки технологических процессов и принятия мер к их наладке и предотвращению выпуска продукции, не соответствующей установленным требованиям. Эти меры нацелены на сокращение издержек производства и потерь от поставки некачественных единиц продукции. При статистическом приемочном контроле на основе методов математической статистики разрабатываются планы контроля качества путем анализа выборок из партий продукции. Сложность заключается в том, чтобы уметь правильно строить вероятностно-статистические модели принятия решений, на основе которых можно ответить на поставленные выше вопросы. В математической статистике для этого разработаны вероятностные модели и методы проверки гипотез, в частности, гипотез о том, что доля дефектных единиц продукции равна определенному числу р 0 , например, р 0 = 0,23 (вспомните слова Струкова из романа А.Н.Толстого).

Задачи оценивания. В ряде управленческих, производственных, экономических, народнохозяйственных ситуаций возникают задачи другого типа – задачи оценки характеристик и параметров распределений вероятностей.

Рассмотрим пример. Пусть на контроль поступила партия из N электроламп. Из этой партии случайным образом отобрана выборка объемом n электроламп. Возникает ряд естественных вопросов. Как по результатам испытаний элементов выборки определить средний срок службы электроламп и с какой точностью можно оценить эту характеристику? Как изменится точность, если взять выборку большего объема? При каком числе часов Т можно гарантировать, что не менее 90% электроламп прослужат Т и более часов?

Предположим, что при испытании выборки объемом n электроламп дефектными оказались Х электроламп. Тогда возникают следующие вопросы. Какие границы можно указать для числа D дефектных электроламп в партии, для уровня дефектности D / N и т.п.?

Или при статистическом анализе точности и стабильности технологических процессов надлежит оценить такие показатели качества, как среднее значение контролируемого параметра и степень его разброса в рассматриваемом процессе. Согласно теории вероятностей в качестве среднего значения случайной величины целесообразно использовать ее математическое ожидание, а в качестве статистической характеристики разброса – дисперсию, среднее квадратическое отклонение или коэффициент вариации. Отсюда возникает вопрос: как оценить эти статистические характеристики по выборочным данным и с какой точностью это удается сделать? Аналогичных примеров можно привести очень много. Здесь важно было показать, как теория вероятностей и математическая статистика могут быть использованы в производственном менеджменте при принятии решений в области статистического управления качеством продукции.

Что такое «математическая статистика»? Под математической статистикой понимают «раздел математики, посвященный математическим методам сбора, систематизации, обработки и интерпретации статистических данных, а также использование их для научных или практических выводов. Правила и процедуры математической статистики опираются на теорию вероятностей, позволяющую оценить точность и надежность выводов, получаемых в каждой задаче на основании имеющегося статистического материала» . При этом статистическими данными называются сведения о числе объектов в какой-либо более или менее обширной совокупности, обладающих теми или иными признаками.

По типу решаемых задач математическая статистика обычно делится на три раздела: описание данных, оценивание и проверка гипотез.

По виду обрабатываемых статистических данных математическая статистика делится на четыре направления:

Одномерная статистика (статистика случайных величин), в которой результат наблюдения описывается действительным числом;

Многомерный статистический анализ, где результат наблюдения над объектом описывается несколькими числами (вектором);

Статистика случайных процессов и временных рядов, где результат наблюдения – функция;

Статистика объектов нечисловой природы, в которой результат наблюдения имеет нечисловую природу, например, является множеством (геометрической фигурой), упорядочением или получен в результате измерения по качественному признаку.

Исторически первой появились некоторые области статистики объектов нечисловой природы (в частности, задачи оценивания доли брака и проверки гипотез о ней) и одномерная статистика. Математический аппарат для них проще, поэтому на их примере обычно демонстрируют основные идеи математической статистики.

Лишь те методы обработки данных, т.е. математической статистики, являются доказательными, которые опираются на вероятностные модели соответствующих реальных явлений и процессов. Речь идет о моделях поведения потребителей, возникновения рисков, функционирования технологического оборудования, получения результатов эксперимента, течения заболевания и т.п. Вероятностную модель реального явления следует считать построенной, если рассматриваемые величины и связи между ними выражены в терминах теории вероятностей. Соответствие вероятностной модели реальности, т.е. ее адекватность, обосновывают, в частности, с помощью статистических методов проверки гипотез.

Невероятностные методы обработки данных являются поисковыми, их можно использовать лишь при предварительном анализе данных, так как они не дают возможности оценить точность и надежность выводов, полученных на основании ограниченного статистического материала.

Вероятностные и статистические методы применимы всюду, где удается построить и обосновать вероятностную модель явления или процесса. Их применение обязательно, когда сделанные на основе выборочных данных выводы переносятся на всю совокупность (например, с выборки на всю партию продукции).

В конкретных областях применений используются как вероятностно-статистические методы широкого применения, так и специфические. Например, в разделе производственного менеджмента, посвященного статистическим методам управления качеством продукции, используют прикладную математическую статистику (включая планирование экспериментов). С помощью ее методов проводится статистический анализ точности и стабильности технологических процессов и статистическая оценка качества. К специфическим методам относятся методы статистического приемочного контроля качества продукции, статистического регулирования технологических процессов, оценки и контроля надежности и др.

Широко применяются такие прикладные вероятностно-статистические дисциплины, как теория надежности и теория массового обслуживания. Содержание первой из них ясно из названия, вторая занимается изучением систем типа телефонной станции, на которую в случайные моменты времени поступают вызовы - требования абонентов, набирающих номера на своих телефонных аппаратах. Длительность обслуживания этих требований, т.е. длительность разговоров, также моделируется случайными величинами. Большой вклад в развитие этих дисциплин внесли член-корреспондент АН СССР А.Я. Хинчин (1894-1959), академик АН УССР Б.В.Гнеденко (1912-1995) и другие отечественные ученые.

Коротко об истории математической статистики. Математическая статистика как наука начинается с работ знаменитого немецкого математика Карла Фридриха Гаусса (1777-1855), который на основе теории вероятностей исследовал и обосновал метод наименьших квадратов, созданный им в 1795 г. и примененный для обработки астрономических данных (с целью уточнения орбиты малой планеты Церера). Его именем часто называют одно из наиболее популярных распределений вероятностей – нормальное, а в теории случайных процессов основной объект изучения – гауссовские процессы.

В конце XIX в. – начале ХХ в. крупный вклад в математическую статистику внесли английские исследователи, прежде всего К.Пирсон (1857-1936) и Р.А.Фишер (1890-1962). В частности, Пирсон разработал критерий «хи-квадрат» проверки статистических гипотез, а Фишер – дисперсионный анализ, теорию планирования эксперимента, метод максимального правдоподобия оценки параметров.

В 30-е годы ХХ в. поляк Ежи Нейман (1894-1977) и англичанин Э.Пирсон развили общую теорию проверки статистических гипотез, а советские математики академик А.Н. Колмогоров (1903-1987) и член-корреспондент АН СССР Н.В.Смирнов (1900-1966) заложили основы непараметрической статистики. В сороковые годы ХХ в. румын А. Вальд (1902-1950) построил теорию последовательного статистического анализа.

Математическая статистика бурно развивается и в настоящее время. Так, за последние 40 лет можно выделить четыре принципиально новых направления исследований :

Разработка и внедрение математических методов планирования экспериментов;

Развитие статистики объектов нечисловой природы как самостоятельного направления в прикладной математической статистике;

Развитие статистических методов, устойчивых по отношению к малым отклонениям от используемой вероятностной модели;

Широкое развертывание работ по созданию компьютерных пакетов программ, предназначенных для проведения статистического анализа данных.

Вероятностно-статистические методы и оптимизация. Идея оптимизации пронизывает современную прикладную математическую статистику и иные статистические методы. А именно, методы планирования экспериментов, статистического приемочного контроля, статистического регулирования технологических процессов и др. С другой стороны, оптимизационные постановки в теории принятия решений, например, прикладная теория оптимизации качества продукции и требований стандартов, предусматривают широкое использование вероятностно-статистических методов, прежде всего прикладной математической статистики.

В производственном менеджменте, в частности, при оптимизации качества продукции и требований стандартов особенно важно применять статистические методы на начальном этапе жизненного цикла продукции, т.е. на этапе научно-исследовательской подготовки опытно-конструкторских разработок (разработка перспективных требований к продукции, аванпроекта, технического задания на опытно-конструкторскую разработку). Это объясняется ограниченностью информации, доступной на начальном этапе жизненного цикла продукции, и необходимостью прогнозирования технических возможностей и экономической ситуации на будущее. Статистические методы должны применяться на всех этапах решения задачи оптимизации – при шкалировании переменных, разработке математических моделей функционирования изделий и систем, проведении технических и экономических экспериментов и т.д.

В задачах оптимизации, в том числе оптимизации качества продукции и требований стандартов, используют все области статистики. А именно, статистику случайных величин, многомерный статистический анализ, статистику случайных процессов и временных рядов, статистику объектов нечисловой природы. Выбор статистического метода для анализа конкретных данных целесообразно проводить согласно рекомендациям .

по тому, каков вид данных "на входе":

2.1. Числа.

2.2. Конечномерные вектора.

2.3. Функции (временные ряды).

2.4. Объекты нечисловой природы.

Наиболее интересна классификация по тем задачам контроллинга, для решения которых используются эконометрические методы. При таком подходе могут быть выделены блоки:

3.1. Поддержка прогнозирования и планирования.

3.2. Слежение за контролируемыми параметрами и обнаружение отклонений.

3.3. Поддержка принятия решений , и др.

От каких факторов зависит частота использования тех или иных эконометрических инструментов контроллинга? Как и при иных применениях эконометрики, основных групп факторов два - это решаемые задачи и квалификация специалистов.

При практическом применении эконометрических методов в работе контроллера необходимо применять соответствующие программные системы. Могут быть полезны и общие статистические системы типа SPSS, Statgraphics, Statistica, ADDA , и более специализированные Statcon, SPC, NADIS, REST ( по статистике интервальных данных), Matrixer и многие другие. Массовое внедрение удобных в работе программных продуктов, включающих современные эконометрические инструменты анализа конкретных экономических данных, можно рассматривать как один из эффективных способов ускорения научно-технического прогресса, распространение современных эконометрических знаний.

Эконометрика постоянно развивается . Прикладные исследования приводят к необходимости более глубокого анализа классических методов.

Хорошим примером для обсуждения являются методы проверки однородности двух выборок. Есть две совокупности, и надо решить, различаются они или совпадают. Для этого из каждой из них берут по выборке и применяют тот или иной статистический метод проверки однородности. Около 100 лет назад был предложен метод Стьюдента, широко применяемый и сейчас. Однако он имеет целый букет недостатков. Во-первых, согласно Стьюденту распределения элементов выборок должны быть нормальными (гауссовыми). Как правило, это не так. Во вторых, он нацелен на проверку не однородности в целом (т.н. абсолютной однородности, т.е. совпадения функций распределения, соответствующих двум совокупностям), а только на проверку равенства математических ожиданий. Но, в-третьих, при этом обязательно предполагается, что дисперсии для элементов двух выборок совпадают. Однако проверять равенство дисперсий, а тем более нормальность, гораздо труднее, чем равенство математических ожиданий. Поэтому критерий Стьюдента обычно применяют, не делая таких проверок. А тогда и выводы по критерию Стьюдента повисают в воздухе.

Более продвинутые в теории специалисты обращаются к другим критериям, например, к критерию Вилкоксона. Он является непараметрическим, т.е. не опирается на предположение нормальности. Но и он не лишен недостатков. С его помощью нельзя проверить абсолютную однородность (совпадение функций распределения, соответствующих двум совокупностям). Это можно сделать только с помощью т.н. состоятельных критериев, в частности, критериев Смирнова и типа омега-квадрат.

С практической точки зрения критерий Смирнова обладает недостатком - его статистика принимает лишь небольшое число значений, ее распределение сосредоточено в небольшом числе точек, и не удается пользоваться традиционными уровнями значимости 0,05 и 0,01.

Термин "высокие статистические технологии" . В термине "высокие статистические технологии" каждое из трех слов несет свою смысловую нагрузку.

"Высокие", как и в других областях, означает, что технология опирается на современные достижения теории и практики, в частности, теории вероятностей и прикладной математической статистики. При этом "опирается на современные научные достижения" означает, во-первых, что математическая основа технологии в рамках соответствующей научной дисциплины получена сравнительно недавно, во-вторых, что алгоритмы расчетов разработаны и обоснованы в соответствии с нею (а не являются т.н. "эвристическими"). Со временем, если новые подходы и результаты не заставляют пересмотреть оценку применимости и возможностей технологии, заменить ее на более современную, "высокая эконометрическая технология" переходят в "классическую статистическую технологию". Такую, как метод наименьших квадратов . Итак, высокие статистические технологии - плоды недавних серьезных научных исследований. Здесь два ключевых понятия - "молодость" технологии (во всяком случае, не старше 50 лет, а лучше - не старше 10 или 30 лет) и опора на "высокую науку".

Термин "статистические" привычен, но имеет много оттенков. Известно более 200 определений термина " статистика ".

Наконец, сравнительно редко используемый применительно к статистике термин "технологии". Анализ данных, как правило, включает в себя целый ряд процедур и алгоритмов, выполняемых последовательно, параллельно или по более сложной схеме. В частности, можно выделить следующие типовые этапы:

планирование статистического исследования;
организация сбора данных по оптимальной или хотя бы рациональной программе (планирование выборки, создание организационной структуры и подбор команды специалистов, подготовка кадров, которые будут заниматься сбором данных, а также контролеров данных и т.п.);
непосредственный сбор данных и их фиксация на тех или иных носителях (с контролем качества сбора и отбраковкой ошибочных данных по соображениям предметной области);
первичное описание данных (расчет различных выборочных характеристик, функций распределения, непараметрических оценок плотности, построение гистограмм, корреляционных полей, различных таблиц и диаграмм и т.д.),
оценивание тех или иных числовых или нечисловых характеристик и параметров распределений (например, непараметрическое интервальное оценивание коэффициента вариации или восстановление зависимости между откликом и факторами, т.е. оценивание функции),
проверка статистических гипотез (иногда их цепочек - после проверки предыдущей гипотезы принимается решение о проверке той или иной последующей гипотезы),
более углубленное изучение, т.е. применение различных алгоритмов многомерного статистического анализа, алгоритмов диагностики и построения классификации, статистики нечисловых и интервальных данных, анализа временных рядов и др.;
проверка устойчивости полученных оценок и выводов относительно допустимых отклонений исходных данных и предпосылок используемых вероятностно-статистических моделей, допустимых преобразований шкал измерения, в частности, изучение свойств оценок методом размножения выборок;
применение полученных статистических результатов в прикладных целях (например, для диагностики конкретных материалов, построения прогнозов, выбора инвестиционного проекта из предложенных вариантов, нахождения оптимального режима осуществления технологического процесса, подведения итогов испытаний образцов технических устройств и др.),
составление итоговых отчетов, в частности, предназначенных для тех, кто не является специалистами в эконометрических и статистических методах анализа данных, в том числе для руководства - "лиц, принимающих решения".

Возможны иные структуризации статистических технологий. Важно подчеркнуть, что квалифицированное и результативное применение статистических методов - это отнюдь не проверка одной отдельно взятой статистической гипотезы или оценка параметров одного заданного распределения из фиксированного семейства. Подобного рода операции - только кирпичики, из которых складывается здание статистической технологии. Между тем учебники и монографии по статистике и эконометрике обычно рассказывают об отдельных кирпичиках, но не обсуждают проблемы их организации в технологию, предназначенную для прикладного использования. Переход от одной статистической процедуры к другой остается в тени.

Проблема "стыковки" статистических алгоритмов требует специального рассмотрения, поскольку в результате использования предыдущего алгоритма зачастую нарушаются условия применимости последующего. В частности, результаты наблюдений могут перестать быть независимыми, может измениться их распределение и т.п.

Например, при проверке статистических гипотез большое значение имеют уровень значимости и мощность . Методы их расчета и использования при проверке одной гипотезы обычно хорошо известны. Если же сначала проверяется одна гипотеза , а потом с учетом результатов ее проверки - вторая, то итоговая процедура, которую также можно рассматривать как проверку некоторой (более сложной) статистической гипотезы, имеет характеристики (уровень значимости и мощность ), которые, как правило, нельзя просто выразить через характеристики двух составляющих гипотез, а потому они обычно неизвестны. В результате итоговую процедуру нельзя рассматривать как научно обоснованную, она относится к эвристическим алгоритмам. Конечно, после соответствующего изучения, например, методом Монте-Карло, она может войти в число научно обоснованных процедур прикладной статистики.

Итак, процедура эконометрического или статистического анализа данных - это информационный технологический процесс , другими словами, та или иная информационная технология. В настоящее время об автоматизации всего процесса эконометрического (статистического) анализа данных говорить было бы несерьезно, поскольку имеется слишком много нерешенных проблем, вызывающих дискуссии среди специалистов.

Весь арсенал используемых в настоящее время статистических методов можно распределить по трем потокам:

высокие статистические технологии;
классические статистические технологии,
низкие статистические технологии.

Необходимо обеспечить, чтобы в конкретных исследованиях использовались только технологии первых двух типов . При этом под классическими статистическими технологиями понимаем технологии почтенного возраста, сохранившие научную ценность и значение для современной статистической практики. Таковы метод наименьших квадратов , статистики Колмогорова, Смирнова, омега-квадрат, непараметрические коэффициенты корреляции Спирмена и Кендалла и многие другие.

Специалистов-эконометриков у нас на порядок меньше, чем в США и Великобритании (Американская статистическая ассоциация включает более 20000 членов). России необходимо обучение новых специалистов - эконометриков.

Какие бы новые научные результаты ни были получены, если они остаются неизвестными студентам, то новое поколение исследователей и инженеров вынуждено осваивать их, действуя по одиночке, а то и переоткрывать. Несколько огрубляя, можно сказать так: те подходы, идеи, результаты, факты, алгоритмы, которые попали в учебные курсы и соответствующие учебные пособия - сохраняются и используются потомками, те, которые не попали - пропадают в пыли библиотек.

Точки роста . Выделяют пять актуальных направлений, в которых развивается современная прикладная статистика , т.е. пять "точек роста": непараметрика, робастность , бутстреп, интервальная статистика , статистика объектов нечисловой природы. Кратко обсудим эти актуальные направления.

Непараметрика, или непараметрическая статистика , позволяет делать статистические выводы, оценивать характеристики распределения, проверять статистические гипотезы без слабо обоснованных предположений о том, что функция распределения элементов выборки входит в то или иное параметрическое семейство. Например, широко распространена вера в то, что статистические данные часто подчиняются нормальному распределению. Однако анализ конкретных результатов наблюдений, в частности, погрешностей измерений, показывает, что в подавляющем большинстве случаев реальные распределения существенно отличаются от нормальных. Некритическое использование гипотезы нормальности часто приводит к значительным ошибкам, например, при отбраковке резко выделяющихся результатов наблюдений (выбросов), при статистическом контроле качества и в других случаях. Поэтому целесообразно использовать непараметрические методы, в которых на функции распределения результатов наблюдений наложены лишь весьма слабые требования. Обычно предполагается лиш ь их непрерывность. К настоящему времени с помощью непараметрических методов можно решать практически тот же круг задач, что ранее решался параметрическими методами.

Основная идея работ по робастности (устойчивости): выводы должны мало меняться при небольших изменениях исходных данных и отклонениях от предпосылок модели. Здесь есть два круга задач. Один - это изучение устойчивости распространенных алгоритмов анализа данных. Второй - поиск робастных алгоритмов для решения тех или иных задач.

Сам по себе термин " робастность " не имеет однозначного смысла. Всегда необходимо указывать конкретную вероятностно-статистическую модель. При этом модель "засорения" Тьюки-Хубера-Хампеля обычно не является практически полезной. Она ориентирована на "утяжеление хвостов", а в реальных ситуациях "хвосты обрезаются" априорными ограничениями на результаты наблюдений, связанными, например, с используемыми средствами измерения.

Бутстреп - направление непараметрической статистики, опирающееся на интенсивное использование информационных технологий. Основная идея состоит в "размножении выборок", т.е. в получении набора из многих выборок, напоминающих полученную в эксперименте. По такому набору можно оценить свойства различных статистических процедур. Простейший способ "размножения выборки" состоит в исключении из нее одного результата наблюдения. Исключаем первое наблюдение, получаем выборку, похожую на исходную, но с объемом, уменьшенным на 1. Затем возвращаем исключенный результат первого наблюдения, но исключаем второе наблюдение. Получаем вторую выборку, похожую на исходную. Затем возвращаем результат второго наблюдения, и т.д. Есть и иные способы "размножения выборок". Например, можно по исходной выборке построить ту или иную оценку функции распределения, а затем методом статистических испытаний смоделировать ряд выборок из элементов, в прикладной статистике - это выборка , т.е. совокупность независимых одинаково распределенных случайных элементов. Какова природа этих элементов? В классической математической статистике элементы выборки - это числа или вектора. А в нечисловой статистике элементы выборки - это объекты нечисловой природы, которые нельзя складывать и умножать на числа. Другими словами, объекты нечисловой природы лежат в пространствах, не имеющих векторной структуры.

МЕТОДЫ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

Направления подготовки

080200.62 «Менеджмент»

является единой для всех форм обучения

Квалификация (степень) выпускника

Бакалавр

Челябинск

Методы принятия управленческих решений: Рабочая программа учебной дисциплины (модуля) / Ю.В. Подповетная. – Челябинск: ЧОУ ВПО «Южно-Уральский институт управления и экономики», 2014. – 78 с.

Методы принятия управленческих решений: Рабочая программа учебной дисциплины (модуля) по направлению 080200.62 «Менеджмент» является единой для всех форм обучения. Программа составлена в соответствии с требованиями ФГОС ВПО с учетом рекомендаций и ПрОПОП ВО по направлению и профилю подготовки.

Программа одобрена на заседании Учебно-методического совета от 18.08.2014 года, протокол № 1.

Программа утверждена на заседании ученого совета от 18.08.2014 года, протокол № 1.

Рецензент : Лысенко Ю.В. – д.э.н., профессор, зав. Кафедрой «Экономика и управление на предприятии» Челябинского института (филиал) ФГБОУ ВПО «РЭУ им.Г.В. Плеханова»

Красноярцева Е.Г.- директор ЧОУ «Центр делового образования Южно-Уральской ТПП»

I Введение……………………………………………………………………………...4

II Тематическое планирование…………………………………………………….....8

IV Оценочные средства для текущего контроля успеваемости, промежуточной аттестации по итогам освоения дисциплины и учебно-методическое обеспечение самостоятельной работы студентов…………..…………………………………….38

V Учебно-методическое и информационное обеспечение дисциплины …..........76

VI Материально-техническое обеспечение дисциплины ………………………...78

I ВВЕДЕНИЕ

Рабочая программа учебной дисциплины (модуля) «Методы принятия управленческих решений» предназначена для реализации Федерального государственного стандарта Высшего профессионального образования по направлению 080200.62 «Менеджмент» и является единой для всех форм обучения.

1 Цель и задачи дисциплины

Целью изучения данной дисциплины является:

Формирование теоретических знаний о математических, статистических и количественных методах разработки, принятия и реализации управленческих решений;

Углубление знаний, используемых для исследования и анализа экономических объектов, выработки теоретически обоснованных экономических и управленческих решений;

Углубление знаний в области теории и методов отыскания лучших вариантов решений, как в условиях определённости, так и в условиях неопределённости и риска;

Формирование практических навыков эффективного применения методов и процедур выбора и принятия решений для выполнения экономического анализа, поиска лучшего решения поставленной задачи.

2 Входные требования и место дисциплины в структуре ОПОП бакалавриата

Дисциплина «Методы принятия управленческих решений» относится к базовой части математического и естественнонаучного цикла (Б2.Б3).

Дисциплина опирается на знания, умения и компетенции студента, полученные при изучении следующих учебных дисциплин: «Математика», «Инновационный менеджмент».

Полученные в процессе изучения дисциплины «Методы принятия управленческих решений» знания и умения могут быть использованы при изучении дисциплин базовой части профессионального цикла: «Маркетинговые исследования», «Методы и модели в экономике».

3 Требования к результатам освоения дисциплины «Методы принятия управленческих решений»

Процесс изучения дисциплины направлен на формирование следующих компетенций, представленных в таблице.

Таблица - Структура компетенций, формируемых в результате изучения дисциплины

Код компетенции	Наименование компетенции	Характеристика компетенции
ОК-15	владеть методами количественного анализа и моделирования, теоретического и экспериментального исследования;	знать/понимать: уметь: владеть:
ОК-16	пониманием роли и значения информации и информационных технологий в развитии современного общества и экономических знаний;	В результате студент должен: знать/понимать: - основные понятия и инструменты алгебры и геометрии, математического анализа, теории вероятностей, математической и социально-экономической статистики; - основные математические модели принятия решений; уметь: - решать типовые математические задачи, используемые при принятии управленческих решений; - использовать математический язык и математическую символику при построении организационно-управленческих моделей; - обрабатывать эмпирические и экспериментальные данные; владеть: математическими, статистическими и количественными методами решения типовых организационно-управленческих задач.
ОК-17	владеть основными методами, способами и средствами получения, хранения, переработки информации, навыками работы с компьютером как средством управления информацией;	В результате студент должен: знать/понимать: - основные понятия и инструменты алгебры и геометрии, математического анализа, теории вероятностей, математической и социально-экономической статистики; - основные математические модели принятия решений; уметь: - решать типовые математические задачи, используемые при принятии управленческих решений; - использовать математический язык и математическую символику при построении организационно-управленческих моделей; - обрабатывать эмпирические и экспериментальные данные; владеть: математическими, статистическими и количественными методами решения типовых организационно-управленческих задач.
ОК-18	способностью работать с информацией в глобальных компьютерных сетях и корпоративных информационных системах.	В результате студент должен: знать/понимать: - основные понятия и инструменты алгебры и геометрии, математического анализа, теории вероятностей, математической и социально-экономической статистики; - основные математические модели принятия решений; уметь: - решать типовые математические задачи, используемые при принятии управленческих решений; - использовать математический язык и математическую символику при построении организационно-управленческих моделей; - обрабатывать эмпирические и экспериментальные данные; владеть: математическими, статистическими и количественными методами решения типовых организационно-управленческих задач.

В результате изучения дисциплины студент должен:

знать/понимать:

Основные понятия и инструменты алгебры и геометрии, математического анализа, теории вероятностей, математической и социально-экономической статистики;

Основные математические модели принятия решений;

уметь:

Решать типовые математические задачи, используемые при принятии управленческих решений;

Использовать математический язык и математическую символику при построении организационно-управленческих моделей;

Обрабатывать эмпирические и экспериментальные данные;

владеть:

Математическими, статистическими и количественными методами решения типовых организационно-управленческих задач.

II ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ

НАБОР 2011г.

НАПРАВЛЕНИЕ: «Менеджмент»

СРОК ОБУЧЕНИЯ: 4 года

ФОРМА ОБУЧЕНИЯ: очная

	Лекции, час.	Практические занятия, час.	Лабораторные занятия, час.	Семинарские	Курсовая работа, час.	Всего, час.















Тема 4.4 Экспертные оценки


Тема 5.2Игровые модели ПР
Тема 5.3 Позиционные игры








Экзамен
ВСЕГО

Лабораторный практикум

№ п/п			Трудоемкость (час.)
	Тема 1.3 Целевая ориентация управленческих решений	Лабораторная работа № 1. Поиск оптимальных решений. Применение оптимизации в системах поддержки ПР
	Тема 2.2 Основные виды моделей теории принятия решений
	Тема 3.3 Особенности измерения предпочтений
	Тема 4.2 Метод парных сравнений
	Тема 4.4 Экспертные оценки
	Тема 5.2Игровые модели ПР
	Тема 5.4 Оптимальность в форме равновесия
	Тема 6.3 Статистические игры с проведением единичного эксперимента

Набор 2011 г.

НАПРАВЛЕНИЕ: «Менеджмент»

ФОРМА ОБУЧЕНИЯ: заочная

1 Объем дисциплины и виды учебной работы

2 Разделы и темы дисциплины и виды занятий

Наименование разделов и тем дисциплины	Лекции, час.	Практические занятия, час.	Лабораторные занятия, час.	Семинарские	Самостоятельная работа, час.	Курсовая работа, час.	Всего, час.
Раздел 1 Менеджмент как процесс принятия управленческих решений
Тема 1.1 Функции и свойства управленческих решений
Тема 1.2 Процесс принятия управленческих решений
Тема 1.3 Целевая ориентация управленческих решений
Раздел 2 Модели и моделирование в теории принятия решений
Тема 2.1 Моделирование и анализ альтернатив действий
Тема 2.2 Основные виды моделей теории принятия решений
Раздел 3 Принятие решений в условиях многокритериальности
Тема 3.1 Некритериальные и критериальные методы
Тема 3.2 Многокритериальные модели
Тема 3.3 Особенности измерения предпочтений
Раздел 4 Упорядочение альтернатив на основе учета предпочтений экспертов
Тема 4.1 Измерения, сравнения и согласованность
Тема 4.2 Метод парных сравнений
Тема 4.3 Принципы группового выбора
Тема 4.4 Экспертные оценки
Раздел 5 Принятие решений в условиях неопределенности и конфликта
Тема 5.1 Математическая модель задачи ПР в условиях неопределенности и конфликта
Тема 5.2Игровые модели ПР
Тема 5.3 Позиционные игры
Тема 5.4 Оптимальность в форме равновесия
Раздел 6 Принятие решений в условиях риска
Тема 6.1 Теория статистических решений
Тема 6.2 Отыскание оптимальных решений в условиях риска и неопределенности
Тема 6.3 Статистические игры с проведением единичного эксперимента
Раздел 7 Принятие решений в нечетких условиях
Тема 7.1 Композиционные модели ПР
Тема 7.2 Классификационные модели ПР
Экзамен
ВСЕГО

Лабораторный практикум

№ п/п	№ модуля (раздела) дисциплины	Наименование лабораторных работ	Трудоемкость (час.)
	Тема 2.2 Основные виды моделей теории принятия решений	Лабораторная работа № 2. Принятие решений на основе экономико-математический модели, модели теории массового обслуживания, модели управления запасами, модели линейного программирования
	Тема 4.2 Метод парных сравнений	Лабораторная работа № 4.Метод парных сравнений. Упорядочение альтернатив на основе парных сравнений и учета предпочтений экспертов
	Тема 5.2Игровые модели ПР	Лабораторная работа № 6. Построение матрицы игры. Сведение антагонистической игры к задаче линейного программирования и нахождение ее решения
	Тема 6.3 Статистические игры с проведением единичного эксперимента	Лабораторная работа № 8.Выбор стратегий в игре с экспериментом. Использование апостериорных вероятностей

НАПРАВЛЕНИЕ: «Менеджмент»

СРОК ОБУЧЕНИЯ: 4 года

ФОРМА ОБУЧЕНИЯ: очная

1 Объем дисциплины и виды учебной работы

2 Разделы и темы дисциплины и виды занятий

Наименование разделов и тем дисциплины	Лекции, час.	Практические занятия, час.	Лабораторные занятия, час.	Семинарские	Самостоятельная работа, час.	Курсовая работа, час.	Всего, час.
Раздел 1 Менеджмент как процесс принятия управленческих решений
Тема 1.1 Функции и свойства управленческих решений
Тема 1.2 Процесс принятия управленческих решений
Тема 1.3 Целевая ориентация управленческих решений
Раздел 2 Модели и моделирование в теории принятия решений
Тема 2.1 Моделирование и анализ альтернатив действий
Тема 2.2 Основные виды моделей теории принятия решений
Раздел 3 Принятие решений в условиях многокритериальности
Тема 3.1 Некритериальные и критериальные методы
Тема 3.2 Многокритериальные модели
Тема 3.3 Особенности измерения предпочтений
Раздел 4 Упорядочение альтернатив на основе учета предпочтений экспертов
Тема 4.1 Измерения, сравнения и согласованность
Тема 4.2 Метод парных сравнений
Тема 4.3 Принципы группового выбора
Тема 4.4 Экспертные оценки
Раздел 5 Принятие решений в условиях неопределенности и конфликта
Тема 5.1 Математическая модель задачи ПР в условиях неопределенности и конфликта
Тема 5.2Игровые модели ПР
Тема 5.3 Позиционные игры
Тема 5.4 Оптимальность в форме равновесия
Раздел 6 Принятие решений в условиях риска
Тема 6.1 Теория статистических решений
Тема 6.2 Отыскание оптимальных решений в условиях риска и неопределенности
Тема 6.3 Статистические игры с проведением единичного эксперимента
Раздел 7 Принятие решений в нечетких условиях
Тема 7.1 Композиционные модели ПР
Тема 7.2 Классификационные модели ПР
Экзамен
ВСЕГО

Лабораторный практикум

№ п/п	№ модуля (раздела) дисциплины	Наименование лабораторных работ	Трудоемкость (час.)
	Тема 1.3 Целевая ориентация управленческих решений	Лабораторная работа № 1. Поиск оптимальных решений. Применение оптимизации в системах поддержки ПР
	Тема 2.2 Основные виды моделей теории принятия решений	Лабораторная работа № 2. Принятие решений на основе экономико-математический модели, модели теории массового обслуживания, модели управления запасами, модели линейного программирования
	Тема 3.3 Особенности измерения предпочтений	Лабораторная работа № 3.Парето-оптимальность. Построение схемы компромиссов
	Тема 4.2 Метод парных сравнений	Лабораторная работа № 4.Метод парных сравнений. Упорядочение альтернатив на основе парных сравнений и учета предпочтений экспертов
	Тема 4.4 Экспертные оценки	Лабораторная работа № 5.Обработка экспертных оценок. Оценки согласованности экспертов
	Тема 5.2Игровые модели ПР	Лабораторная работа № 6. Построение матрицы игры. Сведение антагонистической игры к задаче линейного программирования и нахождение ее решения
	Тема 5.4 Оптимальность в форме равновесия	Лабораторная работа № 7. Биматричные игры. Применение принципа равновесия
	Тема 6.3 Статистические игры с проведением единичного эксперимента	Лабораторная работа № 8.Выбор стратегий в игре с экспериментом. Использование апостериорных вероятностей

НАПРАВЛЕНИЕ: «Менеджмент»

СРОК ОБУЧЕНИЯ: 4 года

ФОРМА ОБУЧЕНИЯ: заочная

1 Объем дисциплины и виды учебной работы

2 Разделы и темы дисциплины и виды занятий

Наименование разделов и тем дисциплины	Лекции, час.	Практические занятия, час.	Лабораторные занятия, час.	Семинарские	Самостоятельная работа, час.	Курсовая работа, час.	Всего, час.
Раздел 1 Менеджмент как процесс принятия управленческих решений
Тема 1.1 Функции и свойства управленческих решений
Тема 1.2 Процесс принятия управленческих решений
Тема 1.3 Целевая ориентация управленческих решений
Раздел 2 Модели и моделирование в теории принятия решений
Тема 2.1 Моделирование и анализ альтернатив действий
Тема 2.2 Основные виды моделей теории принятия решений
Раздел 3 Принятие решений в условиях многокритериальности
Тема 3.1 Некритериальные и критериальные методы
Тема 3.2 Многокритериальные модели
Тема 3.3 Особенности измерения предпочтений
Раздел 4 Упорядочение альтернатив на основе учета предпочтений экспертов
Тема 4.1 Измерения, сравнения и согласованность
Тема 4.2 Метод парных сравнений
Тема 4.3 Принципы группового выбора
Тема 4.4 Экспертные оценки
Раздел 5 Принятие решений в условиях неопределенности и конфликта
Тема 5.1 Математическая модель задачи ПР в условиях неопределенности и конфликта
Тема 5.2Игровые модели ПР
Тема 5.3 Позиционные игры
Тема 5.4 Оптимальность в форме равновесия
Раздел 6 Принятие решений в условиях риска
Тема 6.1 Теория статистических решений
Тема 6.2 Отыскание оптимальных решений в условиях риска и неопределенности
Тема 6.3 Статистические игры с проведением единичного эксперимента
Раздел 7 Принятие решений в нечетких условиях
Тема 7.1 Композиционные модели ПР
Тема 7.2 Классификационные модели ПР
Экзамен
ВСЕГО

Лабораторный практикум

№ п/п	№ модуля (раздела) дисциплины	Наименование лабораторных работ	Трудоемкость (час.)
	Тема 2.2 Основные виды моделей теории принятия решений	Лабораторная работа № 2. Принятие решений на основе экономико-математический модели, модели теории массового обслуживания, модели управления запасами, модели линейного программирования
	Тема 4.2 Метод парных сравнений	Лабораторная работа № 4.Метод парных сравнений. Упорядочение альтернатив на основе парных сравнений и учета предпочтений экспертов
	Тема 5.2Игровые модели ПР	Лабораторная работа № 6. Построение матрицы игры. Сведение антагонистической игры к задаче линейного программирования и нахождение ее решения
	Тема 6.3 Статистические игры с проведением единичного эксперимента	Лабораторная работа № 8.Выбор стратегий в игре с экспериментом. Использование апостериорных вероятностей

НАПРАВЛЕНИЕ: «Менеджмент»

СРОК ОБУЧЕНИЯ: 3,3 года

ФОРМА ОБУЧЕНИЯ: заочная

1 Объем дисциплины и виды учебной работы

2 Разделы и темы дисциплины и виды занятий

И следует после «просто лжи» и «наглой лжи», приписывается Бенджамину Дизраэли, который был сороковым и сорок вторым (периоды приходятся на 2 половину 19 века) премьер-министром Великобритании. Однако в наше время авторство Дизраэли, разрекламированное Марком Твеном, отрицается. Но, как бы там ни было, эту фразу многие специалисты продолжают повторять в своих трудах или основным содержанием которых являются методы статистического анализа. Как правило, звучит она как шутка, в которой есть лишь только доля шутки…

Статистика — отрасль определенных знаний, которая описывает порядок сбора, анализа и интерпретации больших массивов данных как качественного, так и количественного характера. Она касается различных научных или практических областей жизни. Например, прикладная статистика помогает правильно выбрать статистический метод для обработки всевозможных данных для анализа. Правовая работает в области правонарушений и контроля над ними. Математическая разрабатывает математические методы, позволяющие систематизировать и использовать полученную информацию в практических или научных целях. Демография описывает закономерности Статистика запросов в большей степени касается лингвистов и интернета.

Использование статистических методов восходит, по крайней мере, к 5-му веку до н.э. Одни из ранних записей содержит книга, написанная в 9-м веке н. э. арабским философом, врачом, математиком и музыкантом Аль-Кинди. Он дал подробное описание того, как использовать частотный анализ (гистограмму). Новые хроники, относящиеся к 14-му веку и описывающие историю Флоренции, считаются одним из первых положительных трудов статистики в истории. Они были составлены флорентийским банкиром Джованни Виллани и включают в себя много информации о населении, управлении, коммерции и торговле, образовании и религиозных объектах.

Раннее применение статистики определено стремлением государства выстроить демографически и экономически обоснованную политику. Диапазон ее был расширен в начале 19-го века и включил в себя сбор и анализ данных в целом. Сегодня эта область знаний широко применяется государственными структурами, бизнесом, естественными и социальными науками. Ее математические основы, необходимость которых возникла из изучения азартных игр, были заложены еще в 17-м веке с развитием теории вероятностей французскими математиками и Пьером де Ферма. Статистический впервые был описан Карлом Фридрихом Гауссом около 1794 года.

Быстрый и устойчивый рост вычислительных мощностей, начиная со второй половины 20-го века, оказал существенное влияние на развитие прикладной статистики. Компьютерная революция расставила новые акценты на ее экспериментальной и эмпирической составляющих. Теперь доступно большое количество как общих, так и специальных программ, с помощью которых можно легко использовать на практике любой статистический метод, будь то контрольные карты, гистограммы, контрольный листок, метод стратификации, схема Исикава или анализ Парето.

Сегодня статистика является одним из ключевых инструментов для ведения эффективного бизнеса и организации производства. Она позволяет понять и измерить тренды изменчивости, в результате улучшить управление процессами, а также повысить качество продукции и услуг. Так, например, руководители, использующие статистические качества, принимают, как правило, обоснованные решения, тем самым менеджмент работает эффективно и приносит ожидаемые плоды. Поэтому статистика в этом случае является ключевым и, пожалуй, единственно надежным инструментом.

Умение выбрать и правильно применить статистический метод позволяет получать достоверные выводы и не вводить в заблуждение тех, кому предоставляются данные анализа. Поэтому частое упоминание специалистами старого высказывания о 3-х степенях лжи следует рассматривать как предостережение от ошибок, которые могут ввести в заблуждение и лечь в основу принятых решений с разрушительными последствиями.