2. Краткий отчет о практике Общая характеристика места прохождения практики
 Скачать 0.6 Mb.
|
| Среднедневные остатки (тыс. руб.) | 2019 год | 2020 год | ||||||
| I кв. | II кв. | III кв. | IV кв. | I кв. | II кв. | III кв. | IV кв. | |
| 90000 | 95900 | 120300 | 150000 | 153000 | 169500 | 180700 | 200000 | |
| адисперсии и ковариации можно собрать в ковариационной матрице, где cij является ковариацией между Xi и Xj (1 i n, 1 j n). Диагональные элементы – дисперсии cii=var [Xi], а из-за cij=cji ковариационная матрица C симметрична. Ее элементы – математическое ожидание ij-го элемента произведения вектор-столбца (X–m) на вектор-строку (X–m)T: равна f(x)dx, если x принадлежит соответствующему интервалу dx:или . Абсолютные величины используются потому, что интервалы dx и dy не имеют направлений. Только при таком условии вероятности f(x)dx и g(y)dy будут всегда положительны. Связь плотностей вероятности для однозначных функций Y=Y(X) описывается выражением, и. Многозначные функции необходимо рассматривать особо: для Y=X1/2 учитывается только ветвь Y=+X1/2. Рассмотрим преобразование двух независимых переменных в новые и . Пары кривых u, u+du и v, v+dv на плоскости x,y ограничивают элемент площади dxdy. Координаты трех вершин этого элемента,,,,,. Разлагая эти функции в ряд Тейлора, получим,,,. Поскольку рассматривается бесконечно малый элемент dxdy, то его можно заменить параллелограммом с площадью. Подстановка координат трех вершин параллелограмма дает. Это выражение можно переписать с помощью определителя второго порядка. Этот определитель называют якобианом преобразования и обозначают буквой J. С помощью якобиана можно перейти от плотности вероятности f(x,y) к новой плотности вероятности g(u,v):. В случае n случайных переменных X=(X1,X2,...,Xn) и n случайных функций Y1=Y1(X), Y2=Y2(X),...,Yn=Yn(X) плотность вероятности новых случайных величин равна, где якобы преобразования. Якобиан существует, если существуют частные производные и они единственны. Функции Y=(Y1,...,Yn) могут линейно зависеть от переменных X=(X1,...,Xn). Y=a+BX, где a Rn – n-мерный вектор, а B Rn n – n n-матрица. Математическое ожидание случайного вектора Y: где mX Rn –вектор из математических ожиданий случайных величин Xk. Матрица ковариаций преобразованного вектора Y: CY=M[(Y–mY)(Y–mY)T]=M[B(X–mX)(X–mX)TBT]=BCXBT. Известны математические ожидания mi и стандартные отклонения i для наблюдений Xi. Нужно узнать ошибку для данной функции Y(X). Если ошибка для X сравнительно мала, то плотность вероятности f(x) будет существенно отлична от нуля в малой окрестности mX. Поэтому можно написать разложение. Y=Y(mX)+B(X–mX), где n n-матрица B имеет элементы yi/ xj. Ошибки для Y (диаональные элементы матрицы CY) зависят не только от ошибок (дисперсий) X, но и ковариаций между разными Xi. Пренебречь ковариациями можно при взаимной независимости Xi, когда матрица CX имеет диагональный вид. Диагональные элементы матрицы CY в этом случае принимают простой вид, где все производные взяты при Xj=mj. Если стандартное отклонение обозначить через , то получим закон распространения ошибок. Рассмотрим моменты X относительно нуля: Их получают, дифференцируя характеристическую функцию k раз в точке t=0: и . Если образовать характеристическую функцию для Y=X–mX: то ее k-ая производная ( с точностью до степени ik) будет равна k-му моменту X относительно математического ожидания mX: В частности, Переход от плотности вероятности f(x) к характеристической функции (t) случайной величины X называют преобразованием Фурье. С помощью обратного преобразования можно выразить f(x) через (t): Стохастический подход требует выполнения условий: выборочная совокупность и объем наблюдений. Часто приходится работать с малыми выборками (менее 20 наблюдений). Объектом анализа является совокупность наблюдений. Ее принято рассматривать как выборку из популяции, содержащей значения признаков. Число наблюдений в 6-8 раз больше числа факторов. Экономические показатели инерционны и взаимозависимы, поэтому трудно удовлетворить требование случайности и независимости наблюдений. Совокупность данных должна быть однородной. Критерий однородности – коэффициент вариации: его значение не должно превышать 33%. Cлучайные величины X1 и X2 определяются функцией распределения, Функция F(x1,x2) полностью определяет функции F1(x1) и F2(x2), но F1(x1) и F2(x2) определяют функцию F(x1,x2) при условии, что случайные величины X1 и X2 независимы. Математическое ожидание функции g(X1,X2) случайных величин X1 и X2 определяется интегралом Стильтеса. Средние значения M[X1]=m1 и M[X2]=m2 определяют центр совместного распределения (m1,m2). Центральные моменты второго порядка, Коэффициент корреляции между X1 и X2, –1 1. Условная вероятность совместного распределения, Правило полной вероятности для распределений. Условное математическое ожидание функции g(X1,X2) случайных величин X1 и X2 является функцией x1: Условная дисперсия случайной величины X1. Общее определение случайного процесса используют очень редко. Случайные процессы задают предположениями о независимости приращений и марковского свойства траекторий. Простая модель случайного процесса – серия независимых случайных величин с функцией распределения. Белым шумом называют случайный процесс E(t) со средним (t)=0, ковариацией cov[E(t1),E(t2)]=2 для t1=t2 и cov[E(t1),E(t2)]=0 для t1 t2. Случайные величины t белого шума независимы и одинаково распределены при всех t. Скользящим средним называется процесс X(t)= t+ t-1+ с константами и : статистически зависимы соседние величины X(t–1) и X(t). Авторегрессией называют случайный процесс X(t)= [X(t–1)– ]+ t+ с константами и . Составляющие авторегрессии, разделенные промежутком времени, не являются независимыми, как бы ни был велик этот промежуток. Но при | |<1 зависимость между ними убывает с ростом промежутка времени. Скользящее среднее и авторегрессии используются для прогноза процессов, которые обнаруживают колебания вблизи среднего значения. Поведение многих процессов в будущем времени определяется состоянием в настоящем и воздействием на процесс, которое будут оказываться в будущем. Такие процессы называются марковскими: предыдущее развитие процесса (до настоящего времени) в них оказывается несущественным. Марковским свойством обладает процесс авторегрессии первого порядка. Процесс авторегрессии порядка p 1 можно представить как марковский, если его состоянием в момент времени t является набор {X(t),X(t–1),...,X(t–p–1)}. Энтропия – это мера априорной неопределенности наблюдения случайной величины X. Энтропия распределения дискретной величины. Для дискретного распределения S 0, а S=0 для вырожденного (причинного) распределения p(x)=1 при x= и p(x)=0 при x . Пример непрерывной величины – температура: она может принимать любое значение из непрерывного диапазона. Энтропия непрерывной величины. Непрерывное распределение, имеющее наибольшую энтропию при данной дисперсии 2, является нормальным распределением, где e=2,718 – основание натурального логарифма. S=0 при =0,242. Существует m факторов производства и n технологических способов. Обозначим через aij затраты i-го фактора при единичной интенсивности j-го способа, через bi – запас i-го фактора, cj – эффективность j-го способа, xj – интенсивность j-го способа. Задача состоит в выборе интенсивностей x, чтобы максимизировать полный эффект f(x)=cTx при ограничениях Ax b и x 0. Управляемые переменные – компоненты вектора x, а неуправляемые параметры – компоненты b, c и A. Если неуправляемые параметры являются случайными величинами, то b( ), c( ) и A( ) зависят от состояния природы . Модель принимает вид f(x, )=c( )Tx max при ограничениях A( )x b( ) и x 0. Это нестрого поставленная задача, так как непонятно, в каком смысле максимизируется случайная величина и выполняются ограничения. К эвристическим способам учета случайности относят решение детерминированной модели с разными значениями параметров (раскачка), исследование устойчивости и имитации. В двухэтапной модели выделяются два вида ингредиентов (детерминированные и стохастические) и два вида технологических способов (программные и коррекционные). Интенсивности программных способов выбирают перед наблюдением реализаций случайных параметров (детерминированные величины). Интенсивности коррекционных способов зависят от случайных параметров и выбираются после наблюдения их реализаций. Смешанные стратегии Василишин В.В. Научный руководитель проф. Баженов В.К. Для парных конечных игр с нулевой суммой типичны случаи, когда нижние и верхние цены игр различаются a0, и q3q*, если w<0, (p,q*) при 0£p£1, (1,q) при q3q*, если w>0, и q£q*, если w<0. Для агента B приемлемы ситуации (p,q) из неравенств и С помощью преобразований получаем условие приемлемости ситуаций и . При q=0 (вторая стратегия) имеем wp3u, при q=1 (первая стратегия) wp£u, а при 00, и p£p*, если w<0, (p*,q) при 0£q£1, (p,1) при p£p*, если w>0, и p3p*, если w<0. Ситуация является седловой точкой, если приемлема для каждого агента. Для выявления седловых точек изобразим приемлемые для агентов ситуации на единичном квадрате. Зигзаги пересекаются в седловых точках игры. Трехзвенные зигзаги могут быть левыми или правыми. Зигзаги, на которых лежат приемлемые стратегии антагонистической игры, всегда имеют одинаковую ориентацию и при w10 пересекаются в точке (p*,q*). Если w=0, но u10 или v10, ситуация (p*,q*) не встречается, а две другие ситуации имеют знак строгого неравенства. Ситуации с p=0 или p=1 приемлемы для агента A при всех q в зависимости от того, какое из чисел a22 или a12 больше. Ситуации с q=0 или q=1 приемлемы для агента B при всех p в зависимости от того, какое из чисел a22 или a21 больше. Если w=0 и v=0, то приемлемыми будут все ситуации единичного квадрата. Агент A выкладывает монету на стол («орел» – x1, «решка» – x2), а агент B угадывает, какой стороной монета положена («орел» – y1, «решка» – y2). При угадывании агент B получает от агента A выигрыш в одну гривну, а в противном случае платит ему ее: . Седловой точки нет, |A|=0, w=4, u=2, v=2, p*=1/2, q*=1/2. В смешанных стратегиях имеется седловая точка (1/2,1/2), а цена игры g равна 0, поскольку |A|=0. Матрица A игры «орел-решка» отличается от матрицы A¢ игры в «прятки» перестановкой строк или столбцов A=RA¢ или A=A¢R, Игры с матрицами A и A¢=RAR относятся к подклассу игр «орел-решка» H1 (hesds or tails), а игры с матрицами A¢=RA и A¢=RA – к подклассу игр в «прятки» H2 (hide and seek): H1: a11>a21, a22>a12, a11>a12, a22>a21, H2: a11 a12 \/ H1 /\ a21< a22 a11 > a12 a11 > a12 a11< a12 a11 > a12 /\ D1 /\ \/ D4 \/ \/ A1 /\ \/ A4 /\ a21< a22 a21 < a22 a21 < a22 a21 > a22 a11< a12 /\ H2 \/ a21 > a22 a11< a12 a11 < a12 a11 > a12 a11< a12 \/ D2 \/ /\ D3 /\ /\ A2 \/ /\ A3 \/ a21 > a22 a21 > a22 a21 > a22 a21< a22 a11< a12 a11 < a12 a11 > a12 a11 > a12 \/ S1 \/ /\ S2 /\ \/ S3 \/ /\ S4 /\ a21< a22 a21 < a22 a21 > a22 a21 > a22 Условия на элементы матриц защиты D1, D2, D3, D4 (defense) и нападения A1, A2, A3, A4 (attacks) можно получить из условий на элементы матриц H1 или H2 заменой одного из строгих неравенств на обратное («<» на «>» или «>» на «<»). Матрицы защиты имеют доминирующие стратегии x2 для D1 и D3, x1 для D2 и D4. Матрицы нападения имеют доминирующие стратегии y1 для A1 и A3, y2 для A2 и A4. Условия на элементы матриц седел S1, S2, S3, S4 (saddle) получаются из условий на элементы матриц H1 или H2 заменой двух строгих неравенств на обратные. Матрицы седел имеют седловые точки a11 для S1, a21 для S2, a12 для S3 и a22 для S4. Рассмотрим числовые характеристики платежных матриц в играх с нулевой суммой для фиксированных значений возможных выигрышей агента A: 0,3; 0,6; 1,2 и 2,4 грн. Антагонистические игры класса H имеют платежные матрицы и .Переход от матрицы H1 игры «орел–решка» к матрице H2 игры в «прятки» и от H2 к H1 дают формулы и . Числовые характеристики этих матриц представлены в таблице 2. Таблица 2. Преобразования матриц H1 и H2. A RA AR RAR A¢ RA¢ A¢R RA¢R a11 1,2 0,6 0,3 2,4 0,6 1,2 2,4 0,3 a12 0,3 2,4 1,2 0,6 2,4 0,3 0,6 1,2 a21 0,6 1,2 2,4 0,3 1,2 0,6 0,3 2,4 a22 2,4 0,3 0,6 1,2 0,3 2,4 1,2 0,6 tr(A) 3,6 0,9 0,9 3,6 0,9 3,6 3,6 0,9 |A| 2,7 -2,7 -2,7 2,7 -2,7 ,7 2,7 -2,7 l1 3 2 2 3 2 3 3 2 l2 1 -1 -1 1 -1 1 1 -1 w 2,7 -2,7 -2,7 2,7 -2,7 2,7 2,7 -2,7 u 1,8 -0,9 -1,8 0,9 -0,9 1,8 0,9 -1,8 v 2,1 -2,1 -0,6 0,6 -2,1 2,1 0,6 -0,6 g 1 1 1 1 1 1 1 1 p* 0,67 0,33 0,67 0,33 0,33 0,67 0,33 0,67 q* 0,78 0,78 0,22 0,22 0,78 0,78 0,22 0,22 1 2 3 4 2 1 4 3 H1 H2 H2 H1 H2 H1 H1 H2 Антагонистические игры D, A и S имеют платежные матрицы , и . Если лементарные исходы были равновероятны, а всем событиям X1,...,Xn соответствует одинаковое число равновероятных элементарных исходов, то все элементарные исходы множества {X1,...,Xn} также равновероятны. При бросании одной кости события «выпало четное число» и «выпало нечетное число» образуют полную систему исходов, причем они равновероятны, поскольку первому из них соответствуют три случая выпадания очков (2, 3 и 6) и второму тоже три (1, 3 и 5). События X и X противоположные, если любой исход благоприятен только одному из событий. Противоположны события «выпало четное число» и «выпало нечетное число». Событие Y X называется следствием события X, если исход, благоприятный X, благоприятен событию Y. Если событие Y является следствием события X, то множество благоприятных событию X исходов – подмножество в множестве исходов, благоприятных Y. Выпадание нечетного числа при бросании трех костей является следствием того, что число простое (простое число, которое не меньше чем 3, является нечетным). С помощью основных операций над событиями можно определять другие операции. Событие X Y называется разностью событий X и Y (оно имеет место, если событие X произошло, а событие Y не произошло). Поскольку операции над множествами сводятся к операциям над множествами благоприятных им исходов, то все утверждения алгебры множеств остаются справедливыми и для операций над событиями. Операции объединения и пересечения событий имеют свойства коммутативности и ассоциативности, каждая из них дистрибутивна относительно второй опеарции. Для любого события X выполняются равенства X =X, X X = , X = , X U=X, X =X, X U=U. Кроме того, если Y X, то X Y=Y и X =X, а поэтому X X=X X=X. Для событий X и Y верны равенства (X Y) =X Y и (X Y) =X Y . имеет неограниченный потенциал убытков, а продажная цена колла ограничивает прибыль. Покупка пут имеет неограниченной потенциал прибыли, а продажа пут – убытков. Стоимость колл плюс цена исполнения равна стоимости пут и цены акции. Стоимость кол авна стоимости пут плюс цена акции минус цена исполнения опциона. Стоимость опциона пут равна сумме стоимости опциона кол и цены исполнения опциона без цены акции. Информационная асимметрия – одна сторона контракта имеет более полную информацию о ценных бумагах, чем другая. Диверсификация – это включение в портфель новых ценных бумаг для снижения его Статистика полезности Полезность товара или услуги uk(q) для k-го потребителя зависит от его количества q. Для покупателей uk(q)>0 и b>0, для продавцов ul(q)<0 и b<0. Вероятность покупки k-ым покупателем зависит от b и количества товара q , а статистическая сумма . Энтропия рынка товара или услуги выражается формулой еннона Подстановка дает где средняя полезность Конъюнктура системы V=1/b, свободная полезность а средняя полезность Потенциалы систем зависят от переменных состояния V и q. Свойства систем заданы полностью, если потенциал – функция естественных переменных и имеет полный дифференциал где X,Y,… – функции переменных ,y, Преобразованием Лежандра вводится новая функция g=f–Xx–Yy с дифференциалом Потенциалы закрытой системы зависят от переменных V, q, S и p: , , и . Частные производные потенциалов определяют уравнения состояния , . Эластичности энтропии S и цены p , , и . Вторые частные производные потенциалов , , , , , , , . Смешанные вторые роизводные выражают соотношения Максвелла , , , . Эти соотношения обеспечивают непрерывность потенциалов. Часто требуется преобразовать производные потенциалов к другим переменным. Если независимыми переменными являются V и q, то результат преобразования необходимо выражать через p и sq (как функции V и q). Если независимыми еременными являются V и p, то результат преобразования необходимо выражать через q и sp (как функции V и p). Преобразование производных к другим переменным осуществляются с помощью якобианов. Якобианом называется определитель из частных производных , и . Зависимость sq от q и sp от p (но не от V) можно найти по уравнению состояния, вязывающего переменные p, q и V: и . Эластичность при постоянном объеме q: и , но . В итоге получаем формулу . Учитывая соотношение Максвелла (¶S/¶p)V=–(¶q/¶V)p, получим . Аналогично, преобразуя sp=V(¶S/¶V)p к переменным V и q, находим . Производная (¶p/¶q)V при равновесии отрицательна, а поэтому sp>sq. При адиабатическом асширении (сжатии) сохраняется энтропия S. Производную V по q найдем, переходя к переменным V и q: . Учитывая соотношение Максвелла (¶S/¶q)V=(¶p/¶V)Y, получим . Аналогично находим . Адиабатическая сжимаемость вычисляется этим же способом . Используя уже приведенные формулы, легко получить соотношения и . Инверсная аселенность в системе встречается при V<0 и uk(q)>0. Она возможна, где спектр полезности ограничен сверху. При V®0 имеем S®0: энтропия однородной системы стремится к 0 (закон Нернста). Используя соотношения S=–(¶F/¶V)q и U=F+VS, находим и . Равновесная система кроме свободной полезности F характеризуется энтропией dS=dB/V. В еравновесных процессах dS>dB/V из-за переходов в более вероятные состояния. Энтропия S отличается от других переменных тем, что она увеличивается во времени в изолированных системах. Энтропия замкнутой системы содержит возникающую в ней часть dSi и получаемую или отдаваемую dSe,. Величина dSi положительна, а dSe может иметь любой знак. нтропия не создается при равновесии и в обратимых процессах, а только переходит из системы в окружающую среду и обратно. В этом случае dS – полный дифференциал, а энтропия – функция переменных состояния. Вблизи равновесного состояния однородной системы есть состояние, которое не достигается адиабатическим переходом (принцип аратеодори). Самопроизвольный процесс в системе не нуждается в притоке полезности из окружающей среды. Изолированная система переходит в такое состояние, когда ее свойства изменяться не будут: в системе установится равновесие. Равновесным называют состояние системы, которое сохраняется без участия внешней среды. Равновесным является роцесс, который течет достаточно медленно через близкие к равновесию состояния. Предельно замедленный процесс называется квазистатическим и обратимым. При любом начальном состоянии в закрытой системе всегда установится равновесное состояние. Равновесие – глобальное асимптотически устойчивое состояние, а энтропия – функция Ляпунова. Конъюнктура связана с обменом полезностью между внешней средой и рынком, а цена – с товаром или услугой. Статистическая сумма имеет производную . Изменение внутренней полезности вызвано изменением полезностей duk или вероятностей dPk. Величина dU – полный дифференциал, величина dA=–pdq – работа по изменению объема q, dB=VdS – абота по изменения энтропии S. Если в систему объемом q передать полезность dB, а конъюнктура возрастает на dV, то процесс характеризуется sa=dB/dV из соотношения . Показатель a=(sa–sp)/(sa–sq) не зависит от V, Y и p при pqa=const. Процессы с a=0 характеризуется постоянной ценой (sa=sp). Процессы с a=¥ или a=–¥ характеризуется постоянным бъемом (sa=sq). Процессы спроса с a=1 (sp=sq) изотермические, а процессы проса с a=sp/sq (sa=0) – адиабатические Для обратимых адиабатических процессов dS=0 и dU=–pdq: работа по изменению объема – полный дифференциал внутренней полезности U, а dV>0 при сжатии (dq<0) и dV<0 при расширении (dq> | ||||||||