Математичні перетворення задачі динамічного програмування у диференційованій та стохастичній постановці.

Типову задачу математичного програмування в детермінованій постановці формулюють так: визначити вектор , для компонент якого:

,

,

.

Якщо функції в даній задачі крім керованих параметрів Х залежать ще і від деяких випадкових величин , то маємо задачу стохастичного програмування:

,

,

, ,

де Ω — простір подій ω.

Залежно від можливості отримати та врахувати інформацію стосовно детермінованості (стохастичності) функцій , постановки задач стохастичного програмування можуть містити:

I) стохастичні коефіцієнти цільової функції та детерміновані обмеження;

II) детерміновані коефіцієнти цільової функції та стохастичні вільні члени і коефіцієнти системи обмежень;

III) стохастичні коефіцієнти цільової функції, вільні члени і коефіцієнти системи обмежень.

Конкретні постановки задач стохастичного програмування мають свою специфіку. Передусім необхідно визначити:

1. Детермінованим чи випадковим є вектор Х. Якщо вектор Х є детермінованим, то він не залежить від випадкових параметрів моделі. Якщо ж він випадковий, то тоді Х є функцією від ω — , тобто залежить від випадкових змінних.

2. Як розуміти максимізацію (мінімізацію) цільової функції — як абсолютну (для всіх значень ) чи як максимізацію її математичного сподівання або деякої іншої ймовірнісної характеристики цієї функції (моди, медіани), або як мінімізацію середнього квадратичного відхилення? Наприклад, що краще мати: платню 500 ± 200 чи 450 ± 50? У першому разі платня може змінюватися в межах від 300 до 700 гривень, а у другому — лише від 400 до 500.

3. Як виконуються обмеження: абсолютно для всіх чи в середньому, або з допустимими порушеннями, ймовірність яких мала?

При постановці задач стохастичного програмування необхідно виходити не лише з математичних міркувань, а й з економічного змісту та з врахуванням евристичних міркувань. Наприклад, детермінованість чи стохастичність вектора Х зумовлюється сутністю економічних, технологічних процесів тощо. Для сільськогосподарського підприємства, наприклад, вектор, що визначатиме площі посіву сільськогосподарських культур, обов’язково має бути детермінованим. Якщо ж шуканий вектор для того самого підприємства за тих самих умов визначатиме, приміром, обсяги кредитів, то його компоненти мають бути стохастичними величинами, бо достеменно невідомо, чи вони будуть отримані.

Методи розв’язування стохастичних задач поділяють на дві групи — прямі та непрямі.

Прямі методи використовують для розв’язування задач стохастичного програмування, коли існують способи побудови функцій і на базі інформації щодо параметра ω. Непрямими є методи зведення стохастичної задачі до задачі лінійного чи нелінійного програмування, тобто перехід до детермінованого аналога задачі стохастичного програмування.

Метод визначення коефіцієнтів рівняння регресії. 53.Яка формула відображає суть методу найменших квадратів. Разом.

Для МНК шукаються такі числ. знач. параметрів р-ня, щоб сума квадратів залишків регресії була найменшою. Короткий запис Σe_i²=Σ(y_i-b₀-b₁x_i)²→min. На підставі теореми про необхідні умови існування екстремуму і після деяких перетворень отримуємо сист. лінійних алгебраїчних р-нь.

Σy_i= b₀n+ b₁Σx_i

Σx_iy_i=b₀Σx_i+ b₁Σx_i²

При використ. МНК до похибок ε_і діють вимоги(умови Гауса-Маркова).1) ε_і –випадкова змінна; 2)М(ε_і)=0; 3)дисперсія ε_і постійна D(ε_і)= D(ε_j)=σ²; 4)знач. ε_і незалежні між собою; 5)величини ε_і статист. незалежні зі знач. х_і. Якщо виконуються, то оцінки незміщені, тобто мат.спод.= справжнім знач., ефективні (дисперсія найменша) та обґрунтовані.

Узагальнений МНК (методу Ейткена) застосовується, якщо наявна гетероскедастичність. Для її визнач.вдаються до 4 критеріїв: 1)критерій μ(коли вихідна сукупність спостережень досить велика); 2)параметричний тест Гольдфельда- Квандта (сукупність спост.невелика); 3)непараметричний тест Г.-Кв.(на основі графіка зміни залишків після упорядкування спостережень за тією поясн.змінною,що може призвести до гетероскедастичності); 4)тест Глей сера (будується регресій не р-ня від тієї пояснюючої змінної, що може призвести до гетероскедастичності, тобто відповідає зміні дисперсії залишків).