Государственный комитет РФ по рыболовству

Федеральное государственное образовательное

Учреждение высшего профессионального образования

Камчатский государственный технический университет

Кафедра математики

Курсовая работа по дисциплине

«Математическая экономика»

На тему: «Риск и страхование.»

Введение…………………………………………………………..……………….....3

1.КЛАССИЧЕСКАЯ СХЕМА ОЦЕНКИ ФИНАНСОВЫХ ОПЕРАЦИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ …………….............................................................................4 1.1. Определение и сущность риска…………………………………..……………..…...4

1.2. Матрицы последствий и рисков…………………………………….……..……6

1.3.Анализ связанной группы решений в условиях полной неопределенности…………………………………………………...……………......7

1.4. Анализ связанной группы решений в условиях частичной неопределенности…………………………………………………………………..8

1.5. Оптимальность по Парето…………………………………………………….9

2. ХАРАКТЕРИСТИКИ ВЕРОЯТНОСТНЫХ ФИНАНСОВЫХ ОПЕРАЦИЙ……..…..…...12

2.1. Количественная оценка риска………………………………………………..12

2.2. Риск отдельной операции……………………………………………………..13 2.3. Некоторые общие измерители риска……………………………………….15

2.4. Риск разорения……………………………………………………………..…16

2.5. Показатели риска в виде отношений………………………………………..17

2.6. Кредитный риск……………………………………………………………….17

3. ОБЩИЕ МЕТОДЫ УМЕНЬШЕНИЯ РИСКОВ……………………………………….…….18

3.1. Диверсификация………………………………………………………………18

3.2. Хеджирование…………………………………………………………………21

3.3. Страхование…………………………………………………………………...22

3.4. Качественное управление рисками………………………………….……….24

Практическая часть……………………………………………………………...….27

Заключение………………………………………………………..………….…. ..29

Список литературы…………………………………………….……….……..….30

Приложения……………………………………………………….…………..…...31

ВВЕДЕНИЕ

Развитие мировых финансовых рынков, характеризующееся усилением процессов глобализации, интернационализации, либерализации, оказывает непосредственное влияние на всех участников мирового экономического пространства, основными членами которого являются крупные финансово-кредитные институты, производственные и торговые корпорации. Все участники мирового рынка непосредственно ощущают на себе влияние всех вышеперечисленных процессов и в своей деятельности должны учитывать новые тенденции развития финансовых рынков. Число рисков, возникающих в деятельности таких компаний, существенно увеличилось в последние годы. Это связано с появлением новых финансовых инструментов, активно используемых участниками рынка. Применение новых инструментов хотя и позволяет снизить принимаемые на себя риски, но также связано с определенными рисками для деятельности участников финансового рынка. Поэтому все большее значение для успешной деятельности компании приобретает в настоящее время осознание роли риска в деятельности компании и способность риск-менеджера адекватно и своевременно реагировать на сложившуюся ситуацию, принять правильное решение в отношении риска. Для этого необходимо использовать различные инструменты страхования и хеджирования от возможных потерь и убытков, набор которых в последние годы существенно расширился и включает как традиционные приемы страхования, так и методы хеджирования с использованием финансовых инструментов.

От того, насколько правильно будет выбран тот или иной инструмент, будет зависеть, в конечном счете, эффективность деятельности компании в целом.

Актуальность темы исследования предопределена также незавершенностью разработки теоретической основы и классификации страхования финансовых рисков и выявления его особенностей в России.

Глава 1. КЛАССИЧЕСКАЯ СХЕМА ОЦЕНКИ ФИНАНСОВЫХ

ОПЕРАЦИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Риск – одно из важнейших понятий, сопутствующих любой активной деятельности человека. Вместе с тем это одно из самых неясных, многозначных и запутанных понятий. Однако, несмотря на его неясность, многозначность и запутанность, во многих ситуациях суть риска очень хорошо понимается и воспринимается. Эти же качества риска являются серьезной преградой для его количественной оценки, которая во многих случаях необходима и для развития теории и на практике.

Рассмотрим классическую схему принятия решений в условиях неопределенности.

1.1. Определение и сущность риска

Напомним, что финансовой называется операция, начальное и конечное состояния которой имеют денежную оценку и цель проведения которой заключается в максимизации дохода – разности между конечной и начальной

оценками (или какого-нибудь другого подобного показателя).

Почти всегда финансовые операции проводятся в условиях неопределенности и потому их результат невозможно предсказать заранее. Поэтому финансовые операции рискованны : при их проведении возможны как прибыль, так и убыток (или не очень большая прибыль по сравнению с той, на что надеялись проводившие эту операцию).

Проводящий операцию (принимающий решение) называется ЛПР – Лицо ,

принимающее решение . Естественно, ЛПР заинтересовано в успехе операции и является за нее ответственным (иногда только перед самим собой). Во многих случаях ЛПР – это инвестор, вкладывающий деньги в банк, в какую– то финансовую операцию, покупающий ценные бумаги и т.п.

Определение. Операция называется рискованной , если она может иметь несколько исходов, не равноценных для ЛПР.

Пример 1 .

Рассмотрим три операции с одним и тем же множеством двух исходов –

альтернатив A , В , которые характеризуют доходы, получаемые ЛПР. Все три

операции рискованные. Понятно, что рискованными являются первая и вторая

операции, так как в результате каждой операции возможны убытки.

Но почему должна быть признана рискованной третья операция? Ведь она сулит только положительные доходы ЛПР? Рассматривая возможные исходы третьей операции, видим, что можем получить доход в размере 20 единиц, поэтому возможность получения дохода в 15 единиц рассматривается как неудача, как риск недобрать 5 единиц дохода. Итак, понятие риска обязательно предполагает рискующего – того, к кому этот риск относится, кто озабочен результатом операции. Сам риск возникает, только если операция может окончиться исходами, не равноценными для него, несмотря на, возможно, все его усилия по управлению этой операцией.

Итак, в условиях неопределенности операция приобретает еще одну характеристику – риск. Как оценить операцию, с точки зрения ее доходности и риска? На этот вопрос на так просто ответить, главным образом из-за многогранности понятия риска. Существует несколько разных способов такой оценки. Рассмотрим один из таких подходов.

1.2. Матрицы последствий и рисков

Допустим, рассматривается вопрос о проведении финансовой операции. Неясно, чем она может закончиться. В связи с этим проводится анализ нескольких возможных решений и их последствий. Так приходим к следующей общей схеме принятия решений (в том числе финансовых) в условиях неопределенности.

Предположим, что ЛПР рассматривает несколько возможных решений

i =1, …,n . Ситуация неопределенна, понятно лишь, что наличествует какой– то из вариантов j =1,….,n . Если будет принято i– е решение, а ситуация есть j– я, то фирма, возглавляемая ЛПР, получит доход q ij . Матрица Q =(q ij) называется матрицей последствий (возможных решений). Допустим, мы хотим оценить риск, который несет i -е решение. Нам неизвестна реальная ситуация. Но если бы мы её знали, то выбрали бы наилучшее решение, т.е. приносящее наибольший доход. Если ситуация j -я, то было бы принято решение, дающее доход q i =max q ij . Значит, принимая i -е решение, мы рискуем получить не q j , а только q ij , т.е. принятие i -го решения несет риск не добрать r ij =q j –q ij называется матрицей рисков .

Пример 2.

Пусть матрица последствий есть

Составим матрицу рисков. Имеем q 1 =max q i1 =8, q 2 =5, q 3 =8, q 4 =12. Следовательно, матрица рисков есть

1.3. Анализ связанной группы решений в условиях полной неопределенности

Ситуация полной неопределенности характеризуется отсутствием какой бы то ни было дополнительной информации (например, о вероятностях тех или иных вариантов реальной ситуации). Какие же существуют правила– рекомендации по принятию решений в этой ситуации?

Правило Вальда (правило крайнего пессимизма).

Рассматривая i -е решение, будем полагать, что на самом деле ситуация складывается самая плохая, т.е. приносящая самый малый доход: a i =min q a 0 с наибольшим a i0 . Итак, правило Вальда рекомендует принять решение i 0 такое, что a i0 =max a i =max(min q ij).Так, в примере 2 имеем a 1 =2, a 2 =2, a 3 =3, a 4 = 1. Теперь из чисел 2, 2, 3, 1 находим максимальное - 3. Значит, правило Вальда рекомендует принять 3-е решение.

Правило Сэвиджа (правило минимального риска).

При применении этого правила анализируется матрица рисков R =(r ij). Рассматривая i -е решение, будем полагать, что на самом деле складывается ситуация максимального риска b i =max r ij . Но теперь выберем решение i 0 с наименьшим b i0 . Итак, правило Сэвиджа рекомендует принять решение i 0 такое, что b i0 =min b i =min(max r ij).Так, в примере 2 имеем b 1 =8, b 2 =6, b 3 =5, b 4 =7. Теперь из чисел 8, 6, 5, 7 находим минимальное – 5.

Правило Гурвица (взвешивающее пессимистический и оптимистический подходы к ситуации).

Принимается решение i, котором достигается максимум

{λ min q ij +(1– λ max q ij)},

где 0≤λ ≤1. Значение λ выбирается из субъективных соображений. Если λ приближается к 1, то правило Гурвица приближается к правилу Вальда, при приближении λ к 0 правило Гурвица приближается к правилу «розового оптимизма» (догадайтесь сами, что это значит). В примере 2 при λ=1/2 правило Гурвица рекомендует второе решение.

1.4. Анализ связанной группы решений в условиях частичной неопределенности

Предположим, что в рассматриваемой схеме известны вероятности р j того, что реальная ситуация развивается по варианту j . Именно такое положение называется частичной неопределенностью. Как здесь принимать решение? Можно выбрать одно из следующих правил.

Правило максимизации среднего ожидаемого дохода.

Доход, получаемый фирмой при реализации i -го решения, является случайной величиной Q i с рядом распределения. Математическое ожидание М [Q i ] и есть средний ожидаемый доход, обозначаемый также Q i . Итак, правило рекомендует принять решение, приносящее максимальный средний ожидаемый доход. Предположим, что в схеме примера 2 вероятности есть – 1/2, 1/6, 1/6, 1/6.

Тогда Q 1 =29/6, Q 2 =25/6, Q 3 =7, Q 4 =17/6. Максимальный средний ожидаемый доход равен 7 и соответствует третьему решению.

Правило минимизации среднего ожидаемого риска.

Риск фирмы при реализации i -го решения является случайной величиной R i с рядом распределения

Математическое ожидание M [R i ] и есть средний ожидаемый риск, обозначаемый также R i . Правило рекомендует принять решение, влекущее минимальный средний ожидаемый риск. Вычислим средние ожидаемые риски при указанных выше вероятностях. Получаем R 1 =20/6, R 2 =4, R 3 =7/6, R 4 =32/6. Минимальный средний ожидаемый риск равен 7/6 и соответствует третьему решению.

Замечание. Отличие частичной (вероятностной) неопределенности от полной неопределенности очень существенно. Конечно, принятие решений по правилам Вальда, Сэвиджа, Гурвица никто не считает окончательными, самыми лучшими. Но когда мы начинаем оценивать вероятность варианта, это уже предполагает повторяемость рассматриваемой схемы принятия решений: это уже было в прошлом, или это будет в будущем, или это повторяется где-то в пространстве, например, в филиалах фирмы.

1.5. Оптимальность по Парето

Итак, при попытке выбрать наилучшее решение мы столкнулись в предыдущем параграфе с тем, что каждое решение имеет две характеристики – средний ожидаемый доход и средний ожидаемый риск. Теперь имеем оптимизационную двухкритериальную задачу по выбору наилучшего решения.

Существует несколько способов постановки таких оптимизационных задач.

Рассмотрим такую задачу в общем виде. Пусть А - некоторое множество операций, каждая операция а имеет две числовые характеристики Е (а ), r (а ) (эффективность и риск, например) и разные операции обязательно различаются хотя бы одной характеристикой. При выборе наилучшей операции желательно, чтобы Е было больше, а r меньше.

Будем говорить, что операция а доминирует операцию b, и обозначать а >b, если Е (а )≥Е (b ) и r (а )≤r (b ) и хотя бы одно из этих неравенств, строгое. При этом операция а называется доминирующей , а операция b - доминируемой . Ясно, что ни при каком разумном выборе наилучшей, операции доминируемая операция не может быть признана таковой. Следовательно, наилучшую операцию надо искать среди недоминируемых операций. Множество этих операций называется множеством Парето или множеством оптимальности по Парето .

Имеет место чрезвычайно важное утверждение.

Утверждение.

На множестве Парето каждая из характеристик Е , r - (однозначная) функция другой. Другими словами, если операция принадлежит множеству Парето, то по одной ее характеристике можно однозначно определить другую.

Доказательство. Пусть а ,b - две операции из множества Парето, тогда r (а ) и r (b ) – числа. Предположим, что r (а )≤r (b ), тогда Е (а ) не может быть равно Е (b ), так как обе точки а , b принадлежат множеству Парето. Доказано, что по характеристике r E . Так же просто доказывается, что по характеристике Е можно определить характеристику r .

Продолжим анализ приведенного в § 10.2 примера. Рассмотрим графическую иллюстрацию. Каждую операцию (решение) (R, Q ) отметим как точку на плоскости – доход откладываем вверх по вертикали, а риск – вправо по горизонтали (рис. 10.1). Получили четыре точки и продолжаем анализ примера 2.

Чем выше точка (R, Q ), тем более доходная операция, чем точка правее, тем более она рисковая. Значит, нужно выбирать точку выше и левее. В нашем случае множество Парето состоит только из одной третьей операции.

Для нахождения лучшей операции иногда применяют подходящую взвешивающую формулу, которая для операции Q с характеристиками (R, Q ) даёт одно число, по которому и определяют лучшую операцию. Например, пусть взвешивающая формула есть f (Q )=2Q–R . Тогда для операций (решений) примера 2 имеем: f (Q 1)=2*29/6– 20/6=6,33; f (Q 2)=4,33; f (Q 3)=12,83; f (Q 4)=0,33. Видно, что третья операция – лучшая, а четвертая – худшая.

Глава 2. ХАРАКТЕРИСТИКИ ВЕРОЯТНОСТНЫХ ФИНАНСОВЫХ

ОПЕРАЦИЙ

Финансовая операция называется вероятностной , если существует вероятность каждого ее исхода. Прибыль такой операции – разность конечной и начальной денежных ее оценок – является случайной величиной. Для такой операции удается ввести количественную оценку риска, согласующуюся с нашей интуицией.

2.1. Количественная оценка риска

В предыдущей главе дано определение рискованной операции, как имеющей, по крайней мере, два исхода, не равноценных в системе предпочтений ЛПР. В контексте данной главы вместо ЛПР можно, употреблять также термин «инвестор» или какой-либо подобный, отражающий заинтересованность проводящего операцию (возможно, пассивно) в ее успехе.

При исследовании риска операции встречаемся с фундаментальным утверждением.

Утверждение.

Количественная оценка риска операции возможна только при вероятностной характеристике множества исходов операции.

Пример 1.

Рассмотрим две вероятностные операции:

Несомненно, риск первой операции меньше риска второй операции. Что же касается того, какую операцию выберет ЛПР, это зависит от его склонности к риску (подобные вопросы подробно рассмотрены в дополнении к ч. 2).

2.2. Риск отдельной операции

Так как мы хотим количественно оценить рискованность операции, а это невозможно сделать без вероятностной характеристики операции, то ее исходам припишем вероятности и оценим каждый исход доходом, который ЛПР получает при этом исходе. В итоге получим случайную величину Q, которую естественно назвать случайным доходом операции, или просто случайным доходом . Пока ограничимся дискретной случайной величиной (д.с.в.):

где q j - доход, а р j – вероятность этого дохода.

Операцию и представляющую ее случайную величину – случайный доход будем отождествлять при необходимости, выбирая из этих двух терминов более удобный в конкретной ситуации.

Теперь можно применить аппарат теории вероятностей и найти следующие характеристики операции.

Средний ожидаемый доход – математическое ожидание с.в. Q , т.е. М [Q ]=q 1 p 1 +…+q n p n , обозначается еще m Q , Q, употребляется также название эффективность операции .

Дисперсия операции - дисперсия с.в. Q , т.е. D [Q ]=М [(Q - m Q) 2 ], обозначается также D Q .

Среднее квадратическое отклонение с.в. Q , т.е. [Q ]=√(D [E ]), обозначается

также σ Q .

Отметим, что средний ожидаемый доход, или эффективность операции, как и среднее квадратическое отклонение, измеряется в тех же единицах, что и доход.

Напомним фундаментальный смысл математического ожидания с.в.

Среднее арифметическое значений, принятых с.в. в длинной серии опытов, примерно равно ее математическому ожиданию. Все более признанным становится оценка рискованности всей операции посредством среднего квадратического отклонения случайной величины дохода Q , т.е. посредством σ Q . В данной книге это основная количественная оценка.

Итак, риском операции называется число σ Q – среднее квадратическое отклонение случайного дохода операции Q . Обозначается также r Q .

Пример 2.

Найдем риски первой и второй операций из примера 1:

Сначала вычисляем математическое ожидание с.в. Q 1:

т 1 =– 5*0,01+25*0,99=24,7. Теперь вычислим дисперсию по формуле D 1 =M [Q 1 2 ]-m 1 2 . Имеем М [Q 1 2 ]= 25*0,01+625*0,99=619. Значит, D 1 =619– (24,7)2=8,91 и окончательно r 1 =2,98.

Аналогичные вычисления для второй операции дают m 2 =20; r 2 =5. Как и «полагала интуиция», первая операция менее рискованная.

Предлагаемая количественная оценка риска вполне согласуется с интуитивным пониманием риска как степени разбросанности исходов операции – ведь дисперсия и среднее квадратическое отклонение (квадратный корень из дисперсии) и суть меры такой разбросанности.

Другие измерители риска.

По нашему мнению, среднее квадратическое отклонение является наилучшим измерителем риска отдельной операции. В гл. 1 рассмотрены классическая схема принятия решений в условиях неопределенности и оценки риска в этой схеме. Полезно познакомиться: с другими измерителями риска. В большинстве случаев эти измерители – просто вероятности нежелательных событий.

2.3. Некоторые общие измерители риска

Пусть известна функция распределения F случайного дохода операции Q. Зная ее, можно придать смысл следующим вопросам и ответить на них.

1. Какова вероятность того, что доход операции будет менее заданного s . Можно спросить по– другому: каков риск получения дохода менее заданного? Ответ: F (s ).

2. Какова вероятность того, что операция окажется неуспешной, т.е. ее доход будет меньше среднего ожидаемого дохода m ?

Ответ: F (m ) .

3. Какова вероятность убытков и каков их средний ожидаемый размер? Или каков, риск убытков и их оценка?

4. Каково отношение средних ожидаемых убытков к среднему ожидаемому доходу? Чем меньше это отношение, тем меньше риск разорения, если ЛПР вложил в операцию все свои средства.

При анализе операций ЛПР желает иметь доход побольше, а риск поменьше. Такие оптимизационные задачи называют двухкритериальными. При их анализе два критерия – доход и риск – часто «свертывают» в один критерий. Так возникает, например, понятие относительного риска операции . Дело в том, что одно и то же значение среднего квадратического отклонения σ Q , которое измеряет риск операции, воспринимается по-разному в зависимости от величины среднего ожидаемого дохода т Q , поэтому величину σ Q / т Q иногда называют относительным риском операции. Такую меру риска можно трактовать как свертку двухкритериальной задачи

σ Q →min,

т Q →max,

т.е. максимизировать средний ожидаемый доход при одновременной минимизации риска.

2.4. Риск разорения

Так называется вероятность столь больших потерь, которые ЛПР не может компенсировать и которые, следовательно, ведут к его разорению.

Пример 3.

Пусть случайный доход операции Q имеет следующий ряд распределения, и потери 35 или более ведут к разорению ЛПР. Следовательно, риск разорения в результате данной операции равен 0,8;

Серьезность риска разорения оценивается именно величиной соответствующей вероятности. Если эта вероятность очень мала, то ею часто пренебрегают.

2.5. Показатели риска в виде отношений.

Если средства ЛПР равны С , то при превышении убытков У над С возникает реальный риск разорения. Для предотвращения этого отношение К 1 = У / С , называемое коэффициентом риска , ограничивают специальным числом ξ 1 . Операции, для которых этот коэффициент превышает ξ1, считают особо рискованными. Часто учитывают также вероятность р убытков У и тогда рассматривают коэффициент риска К 2 = р Y/ С , который ограничивают другим числом ξ 2 (ясно, что ξ 2 ≤ ξ 1). В финансовом менеджменте чаще применяют обратные отношения С / У и С /(рУ ), которые называют коэффициентами покрытия рисков и которые ограничиваются снизу числами 1/ ξ 1 и 1/ ξ 2 .

Именно такой смысл имеет так называемый коэффициент Кука, равный отношению:

Коэффициент Кука используется банками и другими финансовыми компаниями. В роли весов при «взвешивании» выступают вероятности – риски потери соответствующей актива.

2.6. Кредитный риск

Так называется вероятность невозврата в срок взятого кредита.

Пример 4.

Статистика запросов кредитов такова: 10% – государственные органы, 30% – другие банки и остальные – физические лица. Вероятности невозврата взятого кредита соответственно таковы: 0,01; 0,05 и 0,2. Найти вероятность невозврата очередного запроса на кредит. Начальнику кредитного отдела доложили, что получено сообщение о невозврате кредита, но в факсовом сообщении имя клиента было плохо пропечатано. Какова вероятность, что данный кредит не возвращает какой– то банк?

Решение. Вероятность невозврата найдем по формуле полной вероятности. Пусть Н 1 - запрос поступил от госоргана, Н 2 – от банка, Н 3 – от физического лица и А - невозврат рассматриваемого кредита. Тогда

Р (А )= Р (Н 1)Р H1 А + Р (Н 2)Р H2 А + Р (Н з)P H3 А = 0,1*0,01+0,3*0,05+0,6*0,2=0,136.

Вторую вероятность найдем по формуле Байеса. Имеем

Р A Н 2 =Р (Н 2)Р H2 А / Р (А )= 0,015/0,136=15/136≈1/9.

Как в реальности определяют все приведенные в этом примере данные, например, условные вероятности Р H1 А ? По частоте невозврата кредита для соответствующей группы клиентов. Пусть физические лица взяли всего 1000 кредитов и 200 не вернули. Значит, соответствующая вероятность Р H3 А оценивается как 0,2. Соответствующие данные – 1000 и 200 берутся из информационной базы данных банка.

Глава 3. ОБЩИЕ МЕТОДЫ УМЕНЬШЕНИЯ РИСКОВ

Как правило, риск стараются уменьшить. Для этого существует немало методов. Большая группа таких методов связана с подбором других операций. Таких, чтобы суммарная операция имела меньший риск.

3.1. Диверсификация

Напомним, что дисперсия суммы некоррелированных случайных величин равна сумме дисперсий. Из этого вытекает следующее утверждение, лежащее в основе метода диверсификации.

Утверждение 1.

Пусть О 1 ,...,О n – некоррелированные операции с эффективностями е 1 ,..., е n и рисками r 1 ,...,r 2 . Тогда операция «среднее арифметическое» О =(О 1 +...+O n)/ п имеет эффективность е =(e 1 +...+e n)/n и риск r =√(r 1 2 +…r 2 n)/n .

Доказательство этого утверждения – простое упражнение на свойства математического ожидания и дисперсии.

Следствие 1.

Пусть операции некоррелированы и а≤ e i и b ≤ r i ≤c с для всех i =1,..,n . Тогда эффективность операции «среднее арифметическое» не меньше а (т.е. наименьшей из эффективностей операций), а риск удовлетворяет неравенству b √ n ≤ r ≤c √ n и, таким образом, при увеличении n уменьшается. Итак, при увеличении числа некоррелированных операций их среднее арифметическое имеет эффективность из промежутка эффективностей этих операций, а риск однозначно уменьшается.

Этот вывод называется эффектом диверсификации (разнообразия) и представляет собой в сущности единственно разумное правило работы на финансовом и других рынках. Этот же эффект воплощен в народной мудрости – «не клади все яйца в одну корзину». Принцип диверсификации гласит, что нужно проводить разнообразные, не связанные друг с другом операции, тогда эффективность окажется усредненной, а риск однозначно уменьшится.

При применении этого правила нужно быть осторожным. Так, нельзя отказаться от некоррелированности операций.

Предложение 2.

Предположим, что среди операций есть ведущая, с которой все остальные находятся в положительной корреляционной связи. Тогда риск операции «среднее арифметическое» не уменьшается при увеличении числа суммируемых операций.

Действительно, для простоты примем более сильное предположение, именно, что все операции О i ; i =1,...,n , просто копируют операцию O 1 в каких– то масштабах, т.е. O i =k i O 1 и все коэффициенты пропорциональности k i положительны. Тогда операция «среднее арифметическое» О =(O 1 +...+O n)/n есть просто операция O 1 в масштабе

и риск этой операции

Поэтому, если операции примерно одинаковы по масштабности, т.е. k i ≈1, то и

Мы видим, что риск операции «среднее арифметическое» не уменьшается при увеличении числа операций.

3.2. Хеджирование

В эффекте диверсификации ЛПР составлял новую операцию из нескольких, имеющихся в его распоряжении. При хеджировании (от англ. hedge - изгородь) ЛПР подбирает или даже специально конструирует новые операции, чтобы, проводя их совместно с основной, уменьшить риск.

Пример 1.

По контракту российская фирма через полгода должна получить крупный платеж от украинской компании. Платеж равен 100 000 гривен (примерно 600 тыс. руб.) и будет произведен, именно в гривнах. У российской фирмы, есть опасения, что за эти полгода курс гривны упадет по отношению к российскому рублю. Фирма хочет подстраховаться от такого падения и заключает форвардный контракт с одним из украинских банков на продажу тому 100 000 гривен по курсу 6 руб. за гривну. Таким образом, что бы ни произошло за это время с курсом рубль– гривна, российская фирма не понесет из– за этого убытков.

В этом и заключается суть хеджирования. При диверсификации наибольшую ценность представляли независимые (или некоррелированные) операции. При хеджировании подбираются операции, жестко связанные с основной, но, так сказать, другого знака, говоря более точно, отрицательно коррелированные с основной операцией.

Действительно, пусть O 1 – основная операция, ее риск r 1 , O 2 – некоторая дополнительная операция, ее риск r 2 , О - операция– сумма, тогда дисперсия этой операции D =r 1 2 +2k 12 r 1 r 2 +r 2 2 , где k - коэффициент корреляции эффективностей основной и дополнительной операций. Эта дисперсия может быть меньше дисперсии основной операции, только если этот коэффициент корреляции отрицателен (точнее: должно быть 2k 12 r 1 r 2 +r 2 2 <0, т.е. k 1 2 <–r 2 /(2r 1)).

Пример 2.

Пусть ЛПР решает проводить операцию O 1 .

Ему советуют провести одновременно операцию S , жестко связанную с О . В сущности обе операции надо изобразить с одним и тем же множеством исходов.

Обозначим суммарную операцию через О , эта операция есть сумма операций O 1 и S . Вычислим характеристики операций:

M [O 1 ]=5, D [O 1 ]=225, r 1 =15;

M [S ]=0, D [S ]=25;

M [O ]=5, D [O ]=100, r =10.

Средняя ожидаемая эффективность операции осталась неизменной, а риск уменьшился из-за сильной отрицательной коррелированности дополнительной операции S по отношению к основной операции.

Конечно, на практике не так легко подобрать дополнительную операцию, отрицательно коррелированную с основной, да еще с нулевой эффективностью. Обычно допускается небольшая отрицательная эффективность дополнительной операции и из-за этого эффективность суммарной операции становится меньше, чем у основной. Насколько допускается уменьшение эффективности на единицу уменьшения риска зависит от отношения ЛПР к риску.

3.3. Страхование

Можно рассматривать страхование как один из видов хеджирования. Поясним некоторые термины.

Страхователь (или застрахованный) – тот, кто страхуется.

Страховщик - тот, кто страхует.

Страховая сумма - сумма денежных средств, на которую застраховано имущество, жизнь, здоровье страхователя. Эта сумма выплачивается страховщиком страхователю при наступлении страхового случая. Выплата страховой суммы называется страховым возмещением .

Страховой платеж выплачивается страхователем страховщику.

Обозначим страховую сумму ω , страховой платеж s , вероятность страхового случая р . Предположим, что застрахованное имущество оценивается в z. По правилам страхования ω≤ z.

Таким образом, можно предложить следующую схему:

Таким образом, страхование представляется выгоднейшим мероприятием с точки зрения уменьшения риска, если бы не страховой платеж. Иногда страховой платеж составляет заметную часть страховой суммы и представляет собой солидную сумму.

3.4. Качественное управление рисками

Риск – столь сложное понятие, что весьма часто невозможна его количественная оценка. Поэтому широко развиты методы управления риском качественного характера, без количественной оценки. К таким относятся многие банковские риски. Наиболее важные из них – это кредитный риск и риски неликвидности и неплатежеспособности.

1. Кредитный риск и способы его уменьшения . При выдаче кредита (или ссуды) всегда есть опасение, что клиент не вернет кредит. Предотвращение невозврата, уменьшение риска невозврата кредитов – это важнейшая задача кредитного отдела банка. Какие же существуют способы уменьшения риска невозврата кредита.

Отдел должен постоянно систематизировать и обобщать информацию по выданным кредитам и их возвращению. Информация по выданным кредитам должна быть систематизирована по величине выданных кредитов, должна быть построена классификация клиентов, которые взяли кредит.

Отдел (банк в целом) должен вести так называемую кредитную историю, своих клиентов, в том, числе и потенциальных (т.е. когда, где, какие кредиты брал и как их возвращал клиент). Пока у нас в стране большинство клиентов не имеет своей кредитной истории.

Есть различные способы обеспечения кредита, например, клиент отдает что-то в залог и если не возвращает кредит, то банк становится собственником залога;

В банке должна быть четкая инструкция по выдаче кредита (кому какой кредит можно выдать и на какой срок);

Должны быть установлены четкие полномочия по выдаче кредита. Скажем, рядовой сотрудник отдела может выдать кредит не более $1000, кредиты до $10000 может выдать начальник отдела, свыше $10 000, но не более $100 000, может выдать вице-президент по финансам и кредиты свыше $100 000 выдает только совет директоров (читайте роман А. Хейли «Менялы»);

Для выдачи особо больших и опасных кредитов объединяются несколько банков и сообща выдают этот кредит;

Существуют страховые компании, которые страхуют невозврат кредита (но есть точка зрения, что невозврат кредита не подлежит страхованию – это риск самого банка);

Существуют внешние ограничения по выдаче кредитов (например, установленные Центральным банком); скажем, не разрешается выдавать очень крупный кредит одному клиенту;

2. Риски неликвидности , неплатежеспособности и способы их уменьшения . Говорят, что средства банка достаточно ликвидны, если банк способен быстро и без особых для себя потерь обеспечить выплату своим клиентам денежных средств, которые они доверили банку на кратковременной основе. Риск неликвидности – это и есть риск не справиться с этим. Впрочем, этот риск лишь для краткости назван так, полное его название – риск несбалансированности баланса в части ликвидности .

Все активы банка по их ликвидности делятся на три группы:

1) первоклассные ликвидные средства (кассовая наличность, средства банка на корреспондентском счете в Центробанке, государственные ценные бумаги, векселя крупных надежных компаний;

2) ликвидные средства (ожидаемые краткосрочные платежи банку, некоторые виды ценных бумаг, некоторые материальные активы, которые могут быть быстро и без больших потерь проданы и т.п.);

3) неликвидные средства (просроченные кредиты и ненадежные долги, многие материальные активы банка, прежде всего здания и сооружения).

При анализе риска неликвидности учитываются в первую очередь первоклассные ликвидные средства.

Говорят, что банк платежеспособен, если способен расплатиться со всеми своими клиентами, но, возможно, для этого придется провести какие-нибудь крупные и длительные операции, вплоть до продажи оборудования, зданий, принадлежащих банку, и т.д. Риск неплатежеспособности возникает, когда неясно, сумеет ли банк расплатиться.

Платежеспособность банка зависит от очень многих факторов. Центральный банк устанавливает ряд условий, в которые банки должны выполнять для поддержания своей платежеспособности. Самые важные из них: ограничение обязательств банка; рефинансирование банков Центральным банком; резервирование части средств банка на корреспондентском счете в Центральном банке.

Риск неликвидности ведет к возможным излишним потерям банка: чтобы расплатиться с клиентом, банку, возможно, придется одолжить деньги у других банков по более высокой процентной ставке, чем в обычных условиях. Риск неплатежеспособности вполне может привести к банкротству банка.

Практическая часть

Предположим, ЛПР имеет возможность составить операцию из четырех некоррелированных операций, эффективности и риски которых даны в таблице.

Рассмотрим несколько вариантов составления операций из этих операций с равными весами.

1. Операция составлена только из 1-й и 2-й операций. Тогда e 12 =(3+5)/2=4;

r 12 = √ (2 2 +4 2)/2≈2,24

2. Операция составлена только из 1-й, 2-й и 3-й операций.

Тогда e 123 =(3+5+8)/3=5,3; r 123 =√(2 2 +4 2 +6 2)/3≈2,49.

3. Операция составлена из всех четырех операций. Тогда

e 1– 4 =(3+5+8+10)/4=6,5; r 1– 4 =√(2 2 +4 2 +6 2 +12 2)/4≈ 3,54.

Видно, что при составлении операции из всё большего числа операций риск растёт весьма незначительно, оставаясь близко к нижней границе рисков составляющих операций, а эффективность каждый раз равна среднему арифметическому составляющих эффективностей.

Принцип диверсификации применяется не только для усреднения операций, проводимых одновременно, но в разных местах (усреднение в пространстве), но и проводимых последовательно во времени, например, при повторении одной операции во времени (усреднение во времени). Например, вполне разумной является стратегия покупки акций какой-нибудь стабильно работающей компании 20-го января каждого года. Неизбежные колебания курса акций этой компании благодаря этой процедуре усредняются и в этом проявляется эффект диверсификации.

Теоретически эффект диверсификации только положителен – эффективность усредняется, а риск уменьшается. Однако усилия по проведению большого числа операций, по отслеживанию их результатов могут, конечно, свести на нет все плюсы от диверсификации.

ЗАКЛЮЧЕНИЕ

Данная курсовая работа рассматривает теоретические и практические вопросы и проблемы рисков.

В первой главе рассматриваются классическая схема оценки финансовых операций в условиях неопределенности.

Во второй главе сделан обзор характеристик вероятностных финансовых операций. Под финансовыми рисками понимаются кредитные, коммерческие, риски биржевых операций и риск неправомерного применения финансовых санкций государственными налоговыми инспекциями.

В третьей главе показаны общие методы уменьшения рисков. Приведены примеры качественного управления рисками.

Список литературы

1.Малыхин В.И. Финансовая математика: Учеб. пособие для вузов. М.: ЮНИТИ– ДАНА, 1999. – 247 с.

2. Страхование: принципы и практика/ Составитель Дэвид Бланд: пер. с англ.–М.: Финансы и статистика, 2000.–416с.

3. Гвозденко А.А. Финансово-экономические методы страхования: Учебник.–М.: Финансы и статистика, 2000.–184с.

4. Сербиновский Б.Ю., Гарькуша В.Н. Страховое дело: Учебное пособие для вузов. Серия “Учебники, учебные пособия” Ростов н/Д: “Феникс”, 2000–384 с.

Предположим, что ЛПР (лицо, принимающее решения) рассматривает несколько возможных решений: i = 1,…,m. Ситуация, в которой действует ЛПР, является неопределенной. Известно лишь, что наличествует какой-то из вариантов: j = 1,…, n. Если будет принято i -e решение, а ситуация есть j -я, то фирма, возглавляемая ЛПР, получит доход q ij . Матрица Q = (q ij) называется матрицей последствий (возможных решений). Какое же решение нужно принять ЛПР? В этой ситуации полной неопределенности могут быть высказаны лишь некоторые рекомендации предварительного характера. Они не обязательно будут приняты ЛПР. Многое будет зависеть, например, от его склонности к риску. Но как оценить риск в данной схеме?
Допустим, мы хотим оценить риск, который несет i -e решение. Нам неизвестна реальная ситуация. Но если бы ее знали, то выбрали бы наилучшее решение, т.е. приносящее наибольший доход. Т.е. если ситуация есть j -я, то было бы принято решение, дающее доход q ij .
Значит, принимая i -e решение мы рискуем получить не q j , а только q ij , значит принятие i -го решения несет риск недобрать r ij = q j - q ij . Матрица R = (r ij) называется матрицей рисков.

Пример №1 . Пусть матрица последствий есть
Составим матрицу рисков. Имеем q 1 = max(q i 1) = 8, q 2 = 5, q 3 = 8, q 4 = 12.. Следовательно, матрица рисков есть

Принятие решений в условиях полной неопределенности

Не все случайное можно "измерить" вероятностью. Неопределенность – более широкое понятие. Неопределенность того, какой цифрой вверх ляжет игральный кубик отличается от неопределенности того, каково будет состояние российской экономики через 15 лет. Кратко говоря, уникальные единичные случайные явления связаны с неопределенностью, массовые случайные явления обязательно допускают некоторые закономерности вероятностного характера.
Ситуация полной неопределенности характеризуется отсутствием какой бы то ни было дополнительной информации. Какие же существуют правила-рекомендации по принятию решений в этой ситуации?

Правило Вальда (правило крайнего пессимизма). Рассматривая i -e решение будем полагать, что на самом деле ситуация складывается самая плохая, т.е. приносящая самый малый доход a i Но теперь уж выберем решение i 0 с наибольшим a i0 . Итак, правило Вальда рекомендует принять решение i0 , такое что
Так, в вышеуказанном примере, имеем a 1 = 2, a 2 = 2, a 3 = 3, a 4 = 1. Из этих чисел максимальным является число 3. Значит, правило Вальда рекомендует принять 3-е решение.

Правило Сэвиджа (правило минимального риска). При применении этого правила анализируется матрица рисков R = (rij) . Рассматривая i -e решение будем полагать, что на самом деле складывается ситуация максимального риска b i = max
Но теперь уж выберем решение i 0 с наименьшим b i0 . Итак, правило Сэвиджа рекомендует принять решение i 0 , такое что
В рассматриваемом примере имеем b 1 = 8, b 2 = 6, b 3 = 5, b 4 = 7 . Минимальным из этих чисел является число 5. Т.е. правило Сэвиджа рекомендует принять 3-е решение.

Правило Гурвица (взвешивающее пессимистический и оптимистический подходы к ситуации). Принимается решение i , на котором достигается максимум
, где 0 ≤ λ ≤ 1 .
Значение λ выбирается из субъективных соображений. Если λ приближается к 1, то правило Гурвица приближается к правилу Вальда, при приближении λ к 0, правило Гурвица приближается к правилу "розового оптимизма" (догадайтесь сами, что это значит). В вышеуказанном примере при λ = 1/2 правило Гурвица рекомендует 2-е решение.

Принятие решений в условиях частичной неопределенности

Предположим, что в рассматриваемой схеме известны вероятности pj того, что реальная ситуация развивается по варианту j . Именно такое положение называется частичной неопределенностью. Как здесь принимать решение? Можно выбрать одно из следующих правил.
Правило максимизации среднего ожидаемого дохода. Доход, получаемый фирмой при реализации i -го решения, является случайной величиной Qi с рядом распределения

qi1	qi2	…	qin
p1	p2	…	pn

Математическое ожидание M и есть средний ожидаемый доход, обозначаемый . Правило рекомендует принять решение, приносящее максимальный средний ожидаемый доход.
Предположим, что в схеме из предыдущего примера вероятности есть (1/2, 1/6, 1/6, 1/6). Тогда Q 1 =29/6, Q 2 =25/6, Q 3 =7, Q 4 =17/6. Максимальный средний ожидаемый доход равен 7, соответствует третьему решению.
Правило минимизации среднего ожидаемого риска. Риск фирмы при реализации i -го решения, является случайной величиной R i с рядом распределения

ri1	ri2	…	rin
p1	p2	…	pn

Математическое ожидание M и есть средний ожидаемый риск, обозначаемый также R i . Правило рекомендует принять решение, влекущее минимальный средний ожидаемый риск.
Вычислим средние ожидаемые риски при указанных выше вероятностях. Получаем R 1 =20/6, R 2 =4, R 3 =7/6, R 4 =32/5. Минимальный средний ожидаемый риск равен 7/6, соответствует третьему решению.
Анализ принимаемых решений по двум критериям: среднему ожидаемому доходу и среднему ожидаемому риску и нахождение решений, оптимальных по Парето, аналогично анализу доходности и риска финансовых операций. В примере множество решений, оптимальных по Парето операций, состоит только из одного 3-его решения.
В случае, если количество Парето-оптимальных решений больше одного, то для определения лучшего решения применяется взвешивающая формула f(Q)=2Q -R .

Правило Лапласа

Иногда в условиях полной неопределенности применяют правило Лапласа, согласно которому все вероятности p j считают равными. После этого можно выбрать какое-нибудь из двух приведенных выше правил-рекомендаций принятия решений.

Пример №2 . Рассмотрим пример решения статистической игры в экономической задаче.
Сельскохозяйственное предприятие может реализовать некоторую продукцию:
А1) сразу после уборки;
А2) в зимние месяцы;
А3) в весенние месяцы.
Прибыль зависит от цены реализации в данный период времени, затратами на хранение и возможных потерь. Размер прибыли, рассчитанный для разных состояний-соотношений дохода и издержек (S1, S2 и S3), в течение всего периода реализации, представлен в виде матрицы (млн. руб.)

	S1	S2	S3
A1	2	-3	7
A2	-1	5	4
A3	-7	13	-3

Определить наиболее выгодную стратегию по всем критериям (критерий Байеса, критерий Лапласа, максиминный критерий Вальда, критерий пессимизма-оптимизма Гурвица, критерий Ходжа-Лемана, критерий минимаксного риска Сэвиджа), если вероятности состояний спроса: 0,2; 0,5; 0,3; коэффициент пессимизма С = 0,4; коэффициент достоверности информации о состояниях спроса u = 0,6.
Решение
Результаты расчетов будем заносить в таблицу:

	S1	S2	S3	Б	НО	ММ	П-О	Х-Л
А1	2	-3	7	1	2	-3	3	-0,6
А2	-1	5	4	3,5	2,7	-1	2,6	1,7
А3	-7	13	-3	4,2	1	-7	5	-0,28
p j	0,2	0,5	0,3	А3	А2	А2	А3	А2

1. Критерий Байеса (максимального математического ожидания)

Расчет осуществляется по формуле:
;
W 1 = 2∙0,2 + (-3) ∙0,5 + 7∙0,3 = 0,4 – 1,5 + 2,1 = 1
W 2 = -1∙0,2 + 5 ∙0,5 + 4∙0,3 = -0,2 + 2,5 + 1,2 = 3,5
W 3 = -7∙0,2 + 13 ∙0,5 + (-3)∙0,3 = -1,2 + 6,5 - 0,9 = 4,2
Найденные значения заносим в первый столбец (Б) и выбираем максимальное
W = max{1;3.5;4.2} = 4.2,

значит оптимальной по данному критерию является стратегия А3 – продавать в весенние месяцы.

2. Критерий недостаточного основания Лапласа (НО)

Находим среднее значение элементов каждой строки:
.
;
;
.
Найденные значения заносим во второй столбец (НО) и выбираем максимальное W = max{2; 2.7; 1} = 2.7, значит оптимальной по данному критерию является стратегия А2 – продавать в зимние месяцы.

3. Максиминный критерий Вальда (ММ)

В каждой строке находим минимальный элемент: .
W 1 = min{2; -3; 7} = -3
W 2 = min{-1; 5; 4} = -1
W 3 = min{-7; 13; -3} = -7
Найденные значения заносим в третий столбец (ММ) и выбираем максимальное W= max{-3; -1; 7} = -1, значит оптимальной по данному критерию является стратегия А2 – продавать в зимние месяцы.

4. Критерий пессимизма-оптимизма Гурвица (П-О)

Для каждой строки рассчитываем значение критерия по формуле: . По условию C = 0.4, значит:
W 1 = 0,4∙min{2; -3; 7} + (1-0,4) ∙ max{2; -3; 7} = 0,4∙(-3) + 0,6∙7 = -1,2 + 4,2 = 3
W 2 = 0,4∙min{-1; 5; 4} + (1-0,4) ∙ max{-1; 5; 4} = 0,4∙(-1) + 0,6∙5 = -0,4 + 3 = 2,6
W 3 = 0,4∙min{-7; 13; -3} + (1-0,4) ∙ max{-7; 13; -3} = 0,4∙(-7) + 0,6∙13 = -2,8 + 7,2 = 5
Найденные значения заносим в четвертый столбец (П-О) и выбираем максимальное W = max{3; 2.6 5} = 5, значит оптимальной по данному критерию является стратегия А3 – продавать в весенние месяцы.

5. Критерий Ходжа-Лемана (Х-Л)

Для каждой строки рассчитываем значение критерия по формуле: . По условию u = 0.6 и множители в каждом слагаемом уже рассчитаны, их можно взять их первого столбика (Б) и из третьего столбика (ММ), значит:
W 1 = 0,6∙1 + (1-0,6) ∙(-3) = 0,6 – 1,2 = -0,6
W 2 = 0,6∙3,5 + (1-0,6) ∙(-1) = 2,1 – 0,4 = 1,7
W 3 = 0,6∙4,2 + (1-0,6) ∙(-7) = 2,52 – 2,8 = -0,28
Найденные значения заносим в пятый столбец (Х-Л) и выбираем максимальное W = max{-0.6; 1.7; -0.28} = 1.7, значит оптимальной по данному критерию является стратегия А2 – продавать в зимние месяцы.

5. Критерий минимаксного риска Сэвиджа

Рассчитаем матрицу рисков. Заполнять ее лучше по столбцам. В каждом столбце находим максимальный элемент и вы читаем из него все остальные элементы столбца, результаты записываем на соответствующих местах.
Вот как рассчитывается первый столбец. Максимальный элемент в первом столбце: a 11 = 2, значит по формуле :
r 11 = 2 – a 11 = 2 -2 = 0
r 21 = 2 – a 21 = 2 –(-1) = 3
r 31 = 2 – a 31 = 2 –(-7) = 9
Рассчитаем второй столбец матрицы рисков. Максимальный элемент во втором столбце: a 32 = 13, значит:
r 12 = 13 – a 12 = 13 –(-3) = 16
r 22 = 13 – a 22 = 13 –5 = 8
r 32 = 13 – a 32 = 13 –13 = 0
Рассчитаем третий столбец матрицы рисков. Максимальный элемент в третьем столбце: a 13 = 7, значит:
r 13 = 7 – a 13 = 7 –7 = 0
r 23 = 7 – a 23 = 7 –4 = 3
r 33 = 7 – a 33 = 7 –(-3) = 10
Таким образом, матрица рисков имеет вид (в каждом столбце на месте максимального элемента платежной матрицы должен стоять ноль):

			W i
0	16	0	16
3	8	3	8
9	0	10	10

Дополним матрицу рисков рассчитанными значениями критерия W i – в каждой строке выбираем максимальный элемент ():
W 1 = max{0; 16; 0} = 16
W 2 = max{3; 8; 3} = 8
W 3 = max{9; 0; 10} = 10
Найденные значения заносим в столбец (W i) и выбираем минимальное W = min{16,8,10} = 8, значит оптимальной по данному критерию является стратегия А2 – продавать в зимние месяцы.

Вывод:

1. Стратегия А1 (продавать сразу после уборки) не является оптимальной ни по одному из критериев.
2. Стратегия А2 (продавать в зимние месяцы) является оптимальной согласно критериям недостаточного основания Лапласа, максиминного критерия Вальда и минимаксного критерия Сэвиджа.
3. Стратегия А3 (продавать в весенние месяцы) является оптимальной согласно критериям Байеса, пессимизма-оптимизма Гурвица, Ходжа-Лемана.

Пример №2 . В обычной стратегической игре каждый игрок предпринимает именно те действия, которые наиболее выгодны ему и менее выгодны противнику. При этом предполагается, что игроки – разумные и антагонистические противники. Однако очень часто присутствует неопределенность, которая не связана с сознательным противодействием противника, а зависит от некоторой объективной действительности.
Сельскохозяйственное предприятие имеет три участка земли: влажный, средней влажности и сухой. Один из этих участков предполагается использовать для выращивания картофеля, остальные – для посева зеленой массы. Для получения хорошего урожая картофеля требуется определенное количество влаги в почве в период вегетации. При излишней влажности посаженый картофель на некоторых участках может гнить, а при недостаточном количестве осадков будет плохо развиваться, что приводит к снижению урожайности. Определить, на каком участке сеять картофель, чтобы получить хороший урожай его, если известна средняя урожайность картофеля на каждом участке в зависимости от погодных условий. На участке A 1 урожайность составляет 200, 100 и 250 ц с 1 га при выпадении соответственно нормального количества осадков, больше и меньше нормы. Аналогично на участке A 2 – 230, 120 и 200 ц, а на участке A 3 – 240, 260 и 100 ц.
Используем игровой подход. С/х предприятие – игрок A , у которого три стратегии: A 1 – сеять картофель на влажном участке, A 2 – на участке средней влажности, A 3 – на сухом участке. Игрок П – природа, у которого три стратегии: П 1 соответствует количеству осадков меньше нормы, П 2 – норме, П 3 – больше нормы. Выигрыш с/х предприятия при каждой паре стратегий (A i , П j ) задается урожайностью картофеля с 1 га.

П A	П 1	П 2	П 3
A 1	250	200	100
A 2	200	230	120
A 3	100	240	260

Рассмотрим общую ситуацию, когда какой-то стороне необходимо выполнить операцию в недостаточно известной обстановке. О состоянии этой обстановки можно сделать n предположений: П 1 , П 2 ,…, П n . Например, покупательский спрос. По аналогии с примером 8 эти состояния рассматривают как стратегии природы. В теории статистических игр природа не является разумным игроком, она рассматривается как некая незаинтересованная инстанция, которая не выбирает для себя оптимальных стратегий. Ее возможные состояния реализуются случайным образом. Такие ситуации принято называть играми с природой. Оперирующая сторона A в своем распоряжении имеет m возможных стратегий: A 1 , A 2 ,…, A m . Выигрыши игрока A при каждой паре стратегий A i и П j предполагаются известными a ij .
Может показаться, что игра с природой проще стратегической игры, поскольку природа не противодействует игроку A . На самом деле это не так, поскольку в неопределенной ситуации труднее принять обоснованное решение. Хотя выиграет A , скорее всего, больше, чем в игре против сознательного противника.

Пример 9. Фирма производит пользующиеся спросом детские платья и костюмы, реализация которых зависит от состояния погоды. Затраты фирмы в течение августа-сентября на единицу продукции составили: платья – 7 ден. ед., костюмы – 28 ден. ед. Цена реализации составляет 15 и 50 ден. ед. соответственно. По данным наблюдений за несколько предыдущих лет, фирма может реализовать в условиях теплой погоды 1 950 платьев и 610 костюмов, а при прохладной погоде – 630 платьев и 1 050 костюмов.
Составить платежную матрицу.
Решение. У фирмы две стратегии: A 1 : выпустить продукцию, считая, что погода будет теплой; A 2 : выпустить продукцию, считая, что погода будет прохладной.
У природы две стратегии: B 1 : погода теплая; B 2 : погода прохладная.
Найдем элементы платежной матрицы:
1) a 11 – доход фирмы при выборе стратегии A 1 при условии B 1 :
a 11 =(15-7)·1950+(50-28)·610=29020.
2) a 12 – доход фирмы при выборе A 1 при условии B 2 . Фирма выпустит 1 950 платьев, а продаст 630, доход от реализации платьев
(15-7)·630-7·(1950-630)=5040-9240
a 12 =5040-9240+22·610=9220.
3) аналогично при стратегии A 2 в условиях B 1 фирма выпустит 1 050 костюмов, а продаст 610;
a 21 =8·630+22·610-28·(1050-610)=6140
4) a 22 =8·630+22·1050=28140
Платежная матрица:

20 020	9 220
6 140	28 140

Пример 2 . Объединение производит разведку полезных ископаемых на трех месторождениях. Фонд средств объединения составляет 30 ден. ед. Деньги в первое месторождение M 1 могут быть вложены в количестве, кратном 9 ден. ед., во второе M 2 – 6 ден. ед., в третье M 3 – 15 ден. ед. Цены на полезные ископаемые в конце планового периода могут оказаться в двух состояниях: C 1 и C 2 . Эксперты установили, что в ситуации C 1 прибыль от месторождения M 1 составит 20 % от количества вложенных ден. ед. на разработку, на M 2 – 12 % и на M 3 – 15 %. В ситуации C 1 на конец планового периода прибыль составит 17 %, 15 %, 23 % на месторождениях M 1 , M 3 , M 3 соответственно.
Игрок A – объединение. Игрок П (природа) – совокупность внешних обстоятельств, которые обуславливают ту или иную прибыль на месторождениях. У игрока A имеется четыре возможности, полностью использующие имеющиеся средства. Первая стратегия, A 1 , состоит в том, что A вложит в M 1 9 ден. ед., в M 2 – 6 ден. ед., в M 3 – 15 ден. ед. Вторая стратегия A 2: в M 1 – 18 ден. ед., в M 2 – 12 ден. ед., в M 3 деньги не вкладывать. Третья стратегия, A 3: 30 ден. ед. вложить в M 3 . Четвертая стратегия, A 4:. 30 ден. ед. вложить в M 2 . Кратко можно записать A 1 (9, 6, 15), A 2 (18, 12, 0), A 3 (0, 0, 30), A 4 (0, 30, 0).
Природа может реализовать одно из двух своих состояний, характеризующихся различными ценами на полезные ископаемые в конце планового периода. Обозначим состояния природы П 1 (20 %, 12 %, 15 %), П 2 (17 %, 15 %, 23 %).
Элементы a ij платежной матрицы имеют смысл суммарной прибыли, получаемой объединением в различных ситуациях (A i , П j ) (i =1, 2, 3, 4, j = 1, 2). Например, вычислим a 12 , отвечающий ситуации (A 1 , П 2 ), т. е. случаю, когда объединение вкладывает в месторождения M 1 , M 2 , M 3 , соответственно 9 ден. ед., 6 ден. ед., 15 ден. ед., и на конец планового периода цены оказались в состоянии C 2 :
a 12 = 9·0,17+6·0,15+15·0,23 = 5,88 ден. ед.

Пример 3 . Ожидается наступление наводнения, которое может иметь категорию с первой по пятую. Величина ущерба от наводнения:

Категория наводнения	1	2	3	4	5
Ущерб, ден. ед.	5	10	13	16	20

В качестве профилактического действия можно построить дамбу; имеется пять вариантов выбора высоты дамбы: h 1 < h 2 < h 3 < h 4 < h 5 , причем дамба высоты h 1 защищает только от наводнения первой категории, высоты h 2 – от наводнения первой и второй категории, и т. д., дамба высоты h 5 защищает от наводнения любой категории.
Затраты на строительство дамбы:

Высота дамбы	h 1	h 2	h 3	h 4	h 5
Затраты, ден. ед.	2	4	6	8	10

Принимающий решение имеет шесть стратегий (не строить дамбу вообще (A 0 ) или строить дамбу высоты h i (A i ), i = 1, 2, 3, 4, 5). Природа также имеет шесть стратегий (не осуществлять наводнение (П 0 ) или осуществить наводнение j -й категории (П j ), 1≤j≤5).
Получаем матрицу потерь:

П / A	П 0	П 1	П 2	П 3	П 4	П 5
A 0	0	5	10	13	16	20
A 1	2	2	12	15	18	22
A 2	4	4	4	17	20	24
A 3	6	6	6	6	22	26
A 4	8	8	8	8	8	28
A 5	10	10	10	10	10	10

Например, если построить дамбу высоты h 2 , а наводнение будет третьей категории, то затраты на строительство составят 4 ден. ед., а ущерб от наводнения 13 ден. ед. Таким образом, общие потери составят 4 + 13 = 17 ден. ед. Если же наводнение будет второй категории, то ущерба от наводнения не будет, и потери связаны только со строительством дамбы, т.е. 4 ден. ед
Чтобы из матрицы потерь (b ij ) получить матрицу выигрышей, достаточно у всех элементов поменять знак и прибавить любую константу C (в данном случае C можно интерпретировать как сумму, выделенную на строительство дамбы, тогда выигрыш a ij =C-b ij представляет собой сэкономленную сумму). Например, при C =30 матрица выигрышей:

П / A	П 0	П 1	П 2	П 3	П 4	П 5
A 0	30	25	20	17	14	10
A 1	28	28	18	15	12	8
A 2	26	26	26	13	10	6
A 3	24	24	24	24	8	4
A 4	22	22	22	22	22	2
A 5	20	20	20	20	20	20

Игры с "природой"

Термин "природа" в теории игр понимается в широком смысле . Это могут быть действительные природные физические (климатические), биологические, химические, социальные и т.п. процессы, которые сопровождают экономическую деятельность. Под "природой" может также пониматься рынок, противостоящий предпринимателю, конкурирующая среда, монополия и т.п. "Природа" может выступать как антагонистическая сторона, а может как кооперативная среда. "Природа" в виде природных процессов, как часть экономики, не стремиться "специально" навредить предпринимателю, но она несёт определённый урон от его экономической деятельности и этот "проигрыш"для неё должен быть минимален , если, вообще, без него для окружающей среды нельзя обойтись. Игрок A в таких играх - это экономические субъекты, а игрок B - это "природа". Откуда средства у физической "природы"? Проигрыш игрока B, физической "природы", должен компенсироваться из вне, например, государственными дотациями либо заложенными в инвестиционные проекты средствами на возобновление природных ресурсов. Знание оптимальных стратегий "природы" позволяет определить наиболее неблагоприятные условия для игрока A (предпринимателя), которые его ожидают ("надейся на лучшее, но готовься к худшему"), и оценить необходимые ресурсы на восстановление природных ресурсов, дающих ему возможность получить гарантированный доход.
Если "природа" подразумевает конкурентную среду - то проигрыш второго игрока есть цена борьбы с конкурентами на рынке.
Перейдём к примерам содержательных постановок задач игры с "природой".
1. Антагонистические игры
Пример 1. (Планирование посевов) . Фермер, имеющий ограниченный участок земельных угодий, может его засадить тремя различными культурами A 1, A 2, A 3 . Урожай этих культур зависит главным образом от погоды ("природы"), которая может находиться в трёх различных состояниях: B 1 , B 2 , B 3 . Фермер имеет информацию (статистические данные) о средней урожайности этих культур (количество центнеров культуры, получаемого в одного гектара земли) при трёх различных состояниях погоды, которая отражена в таблице: Тогда матрица доходов (платёжная матрица) фермера A имеет вид:

Элемент матрицы A - (a ij) показывает, какой доход может получить фермер с одного гектара земли, если он посеет культуру i (i =1, 2, 3), а погода будет находиться в состоянии j (j = 1, 2, 3).
Необходимо определить пропорции, в которых фермер должен засеять имеющийся участок земли, чтобы получить максимальный гарантированный доход вне зависимости от того, какие погодные условия будут реализованы.
Данная задача может быть сведена к антагонистической игре. В данном случае в качестве первого игрока выступает фермер, а в качестве второго игрока - природа. Будем предполагать, что природа, как игрок, может вести себя таким образом, чтобы максимально навредить фермеру, преследуя тем самым противоположные интересы (эти предположения позволяют оценить тот доход, который он может получить в том случае, если погодные условия будут для него максимально неблагоприятные). В этом случае фермер имеет в своём распоряжении три чистые стратегии:

• первая чистая стратегия предполагает, что весь участок земли буде засеян культурой A 1 ;
• вторая чистая стратегия предполагает, что весь участок земли будет засеян культурой A 2 ;
• третья чистая стратегия предполагает, что весь участок будет засеян культурой A 3 .

Как игрок, природа может также использовать три возможные стратегии:

• засушливую погоду, которая соответствует первой чистой стратегии B 1 ;
• нормальную погоду, которая соответствует второй чистой стратегии B 2 ;
• дождливую погоду, которая соответствует третьей чистой стратегии B 3 .

Решение



2. Проверим, имеет ли данная игра седловую точку.

V * =max i min j a ij = 50.
V * =min j max i a ij = 100.

3. Решение игры следует искать в смешанных стратегиях. Сведём игровую задачу к задаче линейного программирования. Если первый игрок - фермер - применяет свою оптимальную смешанную стратегию P * , а второй игрок - природа - применяет последовательно свои чистые стратегии, то математическое ожидание дохода, который фермер может получить со своего участка, будет не меньше цены игры V.


.


Разделим равенство:
p* 1 + p* 2 + p* 3 = 1
на V, получим, что новые переменные y 1 , y 2 , y 3 удовлетворяют условию:
y 1 + y 2 + y 3 = 1/V
Поскольку цель первого игрока - максимизация его выигрыша , а математическое ожидание его выигрыша не меньше цены игры , то первый игрок будет стремиться максимизировать цену игры, которая эквивалентна минимизации величины 1/V.
Итак, для первого игрока (фермера) задача об определении оптимальной стратегии поведения свелась к задаче линейного программирования:
найти минимум функции F = y 1 + y 2 + y 3


и прямых ограничениях:
y 1 ≥ 0, y 2 ≥ 0, y 3 ≥ 0
Переходим ко второму игроку, к природе. Если второй игрок - природа - будет применять свою оптимальную смешанную стратегию Q * ,а первый игрок - фермер будет последовательно применять свои чистые стратегии, то математическое ожидание проигрыша второго игрока будет не больше цены игры. Следовательно, должна выполняться следующая система неравенств:

Разделим каждое из неравенств, входящих в систему на V и введём новые переменные:
.
В результате получим новую систему неравенств:

Разделим равенство:
q* 1 + q* 2 + q* 3 = 1
на V, получим, что новые переменные q 1 , q 2 , q 3 удовлетворяют условию:
q 1 + q 2 + q 3 = 1/V
Поскольку цель второго игрока - природы - минимизация его проигрыша , а математическое ожидание его проигрыша не больше цены игры , то второй игрок будет стремиться минимизировать цену игры, которая эквивалентна максимизации величины 1/V.
Итак, для второго игрока (природы) задача об определении оптимальной стратегии поведения свелась к задаче линейного программирования:
найти максимум функции F / = x 1 + x 2 + x 3
при следующих функциональных ограничениях:

и прямых ограничениях:
x 1 ≥ 0, x 2 ≥ 0, x 3 ≥ 0
Таким образом, для того чтобы найти оптимальную смешенную стратегию второго игрока, необходимо также решить задачу линейного программирования.
Задачи обоих игроков свелись к паре двойственных задач линейного программирования:

Задача второго игрока минимизация проигрыша V	Задача первого игрока максимизация выигрыша V
Целевая функция
F / = x 1 +x 2 +x 3 = → max	F = y 1 +y 2 +y 3 = → min
Функциональные ограничения
Прямые ограничения
x 1 ≥ 0, x 2 ≥ 0, x 3 ≥ 0	y 1 ≥ 0, y 2 ≥ 0, y 3 ≥ 0

Задача первого игрока решается симплекс-методом . Результаты счёта:
Выводы . В соответствии с полученными результатами фермеру гарантирован средний доход в размере 66,67 единиц с каждого гектара используемой под культурами земли при самых неблагоприятных условиях. Оптимальная стратегия для него - выращивание двух культур, A 1 и A 3 , причём, под первую культуру ему следует отвести 0,67 часть всей земли , а под третью культуру 0,33 часть всей земли .
Природа "грозит" фермеру жарой 0,33 часть сезона возделывания культур и 0,67 часть сезона дождями.

Пример . Планирование выпуска продукции при разных состояниях природы - рынка спроса.
Предприятие может выпускать 4 вида продукции: A 1 , A 2 , A 3 , A 4 , получая при этом прибыль. Её величина определяется состоянием спроса (природой рынка), который может находиться в одном из четырёх возможных состояний: B 1 , B 2 , B 3 , B 4 . Зависимость величины прибыли от вида продукции и состояния рынка представлено в таблице:

Виды продукции	Возможные состояния рынка спроса
	B 1	B 2	B 3	B 4
A 1	4	3	5	6
A 2	2	6	1	5
A 3	3	0	7	2
A 4	3	5	1	3

Платёжная матрица имеет вид:

Элемент матрицы A - {a ij } характеризует, какую прибыль может получить предприятие, если оно будет выпускать i - й вид продукции(i =1, 2, 3, 4) при j-м спросе(j = 1, 2, 3, 4).
Необходимо определить оптимальные пропорции выпускаемых предприятием видов продукции, продажа которой обеспечила бы ему максимально возможную выручку вне зависимости от того, какое состояние спроса будет реализовано
Эта задача может быть сведена к антагонистической игре.
В данном случае в качестве первого игрока выступает предприятие , а в качестве второго игрока - природа , которая влияет на состояние спроса и может сделать его максимально неблагоприятным для предприятия. Будем предполагать, что природа, как игрок, будет вести себя таким образом, чтобы максимально навредить предприятию, преследуя тем самым противоположные интересы.
В этом случае конфликт двух сторон может характеризоваться, как антагонистический, а использование модели этого конфликта позволяет предприятию. оценить выручку, которую оно может получить вне зависимости от того, какое состояние спроса будет реализовано.
Выступая в качестве первого игрока , предприятие может использовать четыре стратегии:
· первую чистую стратегию, соответствующую выпуску предприятием только продукции A 1
· вторую чистую стратегию, соответствующую выпуску предприятием только продукции A 2
· третью чистую стратегию, соответствующую выпуску предприятием только продукции A 3
· четвёртую чистую стратегию, соответствующую выпуску предприятием только продукции A 4
Выступая в качестве второго игрока , природа может использовать также четыре стратегии:
· первую чистую стратегию, при которой реализуется состояние спроса B 1 ;
· вторую чистую стратегию, при которой реализуется состояние спроса B 2 ;
· третью чистую стратегию, при которой реализуется состояние спроса B 3 ;
· четвёртую чистую стратегию, при которой реализуется состояние спроса B 4 .
Решение
1. Проанализируем платёжную матрицу A.

Матрица A не имеет доминируемых стратегий и не может быть упрощена.
2. Проверим, имеет ли данная игра седловую точку .
Найдём нижнюю и верхнюю цену игры:
V * =max i min j a ij = 3.
V * =min j max i a ij = 4.
Поскольку V * ≠V * , то данная антагонистическая игра не имеет седловой точки и решения в чистых стратегиях.
Решение игры следует искать в смешанных стратегиях. Сведём рассматриваемый антагонистический конфликт к прямой и двойственной задаче линейного программирования.
Если первый игрок - предприятие - применяет свою оптимальную смешанную стратегию P * , а второй игрок - природа - применяет последовательно свои чистые стратегии , то математическое ожидание дохода , который предприятие может получить, будет не меньше цены игры V .
И наоборот, если второй игрок - природа - будет применять свою оптимальную смешанную стратегию Q * , а первый игрок - предприятие будет последовательно применять свои чистые стратегии , то математическое ожидание проигрыша второго игрока будет не больше цены игры . Следовательно, должна выполняться следующая система неравенств:

Задача второго игрока минимизация проигрыша V	Задача первого игрока максимизация выигрыша V
Целевая функция
F / = x 1 +x 2 +x 3 +x 4 =→ max	F = y 1 +y 2 +y 3 +y 4 =→ min
Функциональные ограничения
Прямые ограничения
x 1 ≥ 0, x 2 ≥ 0, x 3 ≥ 0, x 4 ≥ 0	y 1 ≥ 0, y 2 ≥ 0, y 3 ≥ 0, y 4 ≥ 0

Применяя симплекс-метод для решения задачи первого игрока , получим:
Y * = (y 1 * = 0,182; y 2 * = 0; y 3 * = 0; y 4 * =0,091)
F= y 1 * + y 2 * + y 3 * +y 4 * = 0,273
Из соотношения y 1 * + y 2 * + y 3 * +y 4 * =1/V найдём V:

Из соотношений:

Найдём:
p* 1 = y* 1 V = 0,67 , p* 2 = y* 2 V = 0 , p* 3 = y* 3 V = 0 , p* 4 = y* 4 V =0,33

Окончательно имеем:
Р * = (р * 1 =0,67; р * 2 = 0; р * 3 =0; р * 4 = 0,33), V = 3.67
На основании решения, найденного для двойственной задачи линейного программирования, найдём решение исходной задачи - задачи второго игрока:
X * = (x 1 * = 0,121; x 2 * =0,121; x 3 * = 0,03; x 4 * = 0)
F / = x 1 * + x 2 * + x 3 * +x 4 * = 0,273
Из соотношения x 1 * + x 2 * + x 3 * +x 4 * = 1/V найдём V:

Из соотношений:

Найдём:
q* 1 = x* 1 V = 0,445 , q* 2 = x* 2 V = 0,444 , q* 3 = x* 3 V = 0,111 , q* 4 = x* 4 V = 0.
Окончательно имеем:
Q * = (q * 1 = 0,445; q * 2 =0,444; q * 3 = 0,111; q * 4 = 0), V = 3.67

Пример . Фирма планирует реализацию своей продукции на рынках, учитывая возможные варианты покупательского спроса П j , j=1,4 (низкий, средний, высокий, очень высокий). На предприятии разработано три стратегии сбыта товаров A 1 , А 2 , А 3 . Объем товарооборота (ден.ед.), зависящий от стратегии и покупательского спроса, представлен в таблице.

А j	П j
	П 1	П 2	П 3	П 4
А 1	30 +N	10	20	25 + N/2
А 2	50	70 - N	10 + N/2	25
А 3	25 – N/2	35	40	60 - N/2

где N=3

Решение находим с помощью калькулятора .
Критерий Байеса .
По критерию Байеса за оптимальные принимается та стратегия (чистая) A i , при которой максимизируется средний выигрыш a или минимизируется средний риск r.
Считаем значения ∑(a ij p j)
∑(a 1,j p j) = 33 0.3 + 10 0.2 + 20 0.4 + 26.5 0.1 = 22.55
∑(a 2,j p j) = 50 0.3 + 67 0.2 + 11.5 0.4 + 25 0.1 = 35.5
∑(a 3,j p j) = 23.5 0.3 + 35 0.2 + 40 0.4 + 58.5 0.1 = 35.9

A i	П 1	П 2	П 3	П 4	∑(a ij p j)
A 1	9.9	2	8	2.65	22.55
A 2	15	13.4	4.6	2.5	35.5
A 3	7.05	7	16	5.85	35.9
p j	0.3	0.2	0.4	0.1

Критерий Лапласа .
Если вероятности состояний природы правдоподобны, для их оценки используют принцип недостаточного основания Лапласа, согласно которого все состояния природы полагаются равновероятными, т.е.:
q 1 = q 2 = ... = q n = 1/n.
q i = 1/4

A i	П 1	П 2	П 3	П 4	∑(a ij)
A 1	8.25	2.5	5	6.63	22.38
A 2	12.5	16.75	2.88	6.25	38.38
A 3	5.88	8.75	10	14.63	39.25
p j	0.25	0.25	0.25	0.25

Вывод: выбираем стратегию N=3.
Критерий Вальда .
По критерию Вальда за оптимальную принимается чистая стратегия, которая в наихудших условиях гарантирует максимальный выигрыш, т.е.
a = max(min a ij)
Критерий Вальда ориентирует статистику на самые неблагоприятные состояния природы, т.е. этот критерий выражает пессимистическую оценку ситуации.

A i	П 1	П 2	П 3	П 4	min(a ij)
A 1	33	10	20	26.5	10
A 2	50	67	11.5	25	11.5
A 3	23.5	35	40	58.5	23.5

Вывод: выбираем стратегию N=3.
Критерий Севиджа .
Критерий минимального риска Севиджа рекомендует выбирать в качестве оптимальной стратегии ту, при которой величина максимального риска минимизируется в наихудших условиях, т.е. обеспечивается:
a = min(max r ij)
Критерий Сэвиджа ориентирует статистику на самые неблагоприятные состояния природы, т.е. этот критерий выражает пессимистическую оценку ситуации.
Находим матрицу рисков.
Риск – мера несоответствия между разными возможными результатами принятия определенных стратегий. Максимальный выигрыш в j-м столбце b j = max(a ij) характеризует благоприятность состояния природы.
1. Рассчитываем 1-й столбец матрицы рисков.
r 11 = 50 - 33 = 17; r 21 = 50 - 50 = 0; r 31 = 50 - 23.5 = 26.5;
2. Рассчитываем 2-й столбец матрицы рисков.
r 12 = 67 - 10 = 57; r 22 = 67 - 67 = 0; r 32 = 67 - 35 = 32;
3. Рассчитываем 3-й столбец матрицы рисков.
r 13 = 40 - 20 = 20; r 23 = 40 - 11.5 = 28.5; r 33 = 40 - 40 = 0;
4. Рассчитываем 4-й столбец матрицы рисков.
r 14 = 58.5 - 26.5 = 32; r 24 = 58.5 - 25 = 33.5; r 34 = 58.5 - 58.5 = 0;

A i	П 1	П 2	П 3	П 4
A 1	17	57	20	32
A 2	0	0	28.5	33.5
A 3	26.5	32	0	0

A i	П 1	П 2	П 3	П 4	max(a ij)
A 1	17	57	20	32	57
A 2	0	0	28.5	33.5	33.5
A 3	26.5	32	0	0	32

Вывод: выбираем стратегию N=3.
Критерий Гурвица .
Критерий Гурвица является критерием пессимизма - оптимизма. За (оптимальную принимается та стратегия, для которой выполняется соотношение:
max(s i)
где s i = y min(a ij) + (1-y)max(a ij)
При y = 1 получим критерий Вальде, при y = 0 получим – оптимистический критерий (максимакс).
Критерий Гурвица учитывает возможность как наихудшего, так и наилучшего для человека поведения природы. Как выбирается y? Чем хуже последствия ошибочных решений, тем больше желание застраховаться от ошибок, тем y ближе к 1.
Рассчитываем s i .
s 1 = 0.5 10+(1-0.5) 33 = 21.5
s 2 = 0.5 11.5+(1-0.5) 67 = 39.25
s 3 = 0.5 23.5+(1-0.5) 58.5 = 41

A i	П 1	П 2	П 3	П 4	min(a ij)	max(a ij)	y min(a ij) + (1-y)max(a ij)
A 1	33	10	20	26.5	10	33	21.5
A 2	50	67	11.5	25	11.5	67	39.25
A 3	23.5	35	40	58.5	23.5	58.5	41

Вывод: выбираем стратегию N=3.
Таким образом, в результате решения статистической игры по различным критериям чаще других рекомендовалась стратегия A 3 .

Руководство компании принимает решение о размещении производства нового продукта в некотором месте. Чтобы сформировать представление о ситуации на рынке нового продукта на момент освоения производства, ему необходимо учесть затраты на доставку готовой продукции до потребителя, развитость транспортной и социальной инфраструктуры региона, конкуренцию на рынке, соотношение спроса и предложения, курсы валют и многое другое. Возможные варианты решений, инвестиционная привлекательность которых определяется как процент прироста дохода по отношению к сумме капитальных вложений, представлены в таблице.
Выбрать:
1) место для размещения производства, если руководитель предприятия уверен в том, что на рынке сложится ситуация 4;
2) место для размещения производства, если руководство оценивает вероятность ситуации 1 в 0,2; ситуации 2 в 0,1; ситуации 3 в 0,25;
3) провести выбор варианта в условиях неопределенности по критерию: максимакс, максимин, критерий Лапласа, критерий Сэведжа, критерий Гурвица (y = 0,3);
4) изменится ли наилучший вариант решения по критерию Гурвица если величину a увеличить до 0,5?
5) предположив, что данные таблицы представляют затраты предприятия, определить выбор, который сделает предприятие при использовании каждого из следующих критериев: максимин; максимакс; критерий Гурвица(? = 0,3); критерий Сэведжа; критерий Лапласа

Типовые задания

1. Выбрать оптимальный проект для строительства используя критерии Лапласа, Вальда, максимального оптимизма, Сэвиджа и Гурвица при a=0.58. Матрица затрат имеет вид:

   0.07	0.26	0.11	0.25	0.1	0.21
   68	45	54	79	47	99
   56	89	42	56	74	81
   72	87	56	40	62	42
   65	48	75	89	52	80
   69	93	93	56	45	43
   73	94	79	68	67	46
   66	100	64	89	94	49
   70	42	97	42	42	50

2. Розничное торговое, предприятие разработало несколько вариантов плана продажи товаров на предстоящей ярмарке с учетом меняющейся конъюнктуры рынка и спроса покупателей, получающиеся от их возможных сочетаний величины прибыли представлены в виде матрицы выигрышей. Определить оптимальный план продажи товаров.
   x=0,7
3. Фирма планирует реализацию своей продукции на рынках, учитывая возможные варианты покупательского спроса Пj, j=1͞,4͞ (низкий, средний, высокий, очень высокий). На предприятии разработано три стратегии сбыта товаров A 1 , А 2 , А 3 . Объем товарооборота (ден.ед.), зависящий от стратегии и покупательского спроса, представлен в таблице.

   А j	П j
   	П 1	П 2	П 3	П 4
   А 1	30 +N	10	20	25 + N/2
   А 2	50	70 - N	10 + N/2	25
   А 3	25 – N/2	35	40	60 - N

   
   Где N=3
   Известны возможные состояния покупательского спроса, которые соответственно q 1 =0,3, q 2 =0,2, q 3 =0,4, q 4 =0,1. Необходимо найти стратегию сбыта, максимизирующую средний товарооборот фирмы. При этом использовать критерии Вальда, Гурвица, Сэвиджа, Байеса.
   Решение
4. Затраты фабрики в течение апреля - мая на единицу продукции составили: платья - 8 денежных единиц, костюмы - 27, а цена реализации равняется соответственно 16 и 48. По данным наблюдений за прошлое время, фабрика может реализовать в течение этих месяцев в условиях теплой погоды 600 костюмов и 1975 платьев, а при прохладной погоде - 625 платьев и 1000 костюмов.

Дать понятие о статистических решениях для одного диагностического параметра и для принятия решения при наличии зоны неопределенности. Разъяснить процесс принятия решения в различных ситуациях. В чем состоит связь границ принятия решения с вероятностями ошибок первого и второго рода Рассматриваемые методы относятся к статистическим....

Поделитесь работой в социальных сетях

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск

Лекция 7

Тема. МЕТОДЫ СТАТИСТИЧЕСКИХ РЕШЕНИЙ

Цель. Дать понятие о статистических решениях для одного диагностического параметра и для принятия решения при наличии зоны неопределенности.

Учебная. Разъяснить процесс принятия решения в различных ситуациях.

Развивающая. Развивать логическое мышление и естественное - научное мировоззрение.

Воспитательная . Воспитывать интерес к научным достижениям и открытиям в отрасли телекоммуникации.

Межпредметные связи:

Обеспечивающие: информатика, математика, вычислительная техника и МП , системы программирования.

Обеспечиваемые: Стажерская практика

Методическое обеспечение и оборудование:

Методическая разработка к занятию.

Учебный план.

Учебная программа

Рабочая программа.

Инструктаж по технике безопасности.

Технические средства обучения: персональный компьютер.

Обеспечение рабочих мест:

Рабочие тетради

Ход лекции.

Организационный момент.

Анализ и проверка домашней работы

Ответьте на вопросы:

1. Что позволяет определить формула Байеса?
2. В чем состоят основы метода Байеса? Приведите формулу. Дайте определение точного смысла всех входящих в эту формулу величин.
3. Что означает, что реализация некоторого комплекса признаков K * является детерминирующей?
4. Объясните принцип формирования диагностической матрицы.
5. Что означает решающее правило принятия?
6. Дайте определение методу последовательного анализа.
7. В чем состоит связь границ принятия решения с вероятностями ошибок первого и второго рода?

План лекции

Рассматриваемые методы относятся к статистическим. В методах статистических решений решающее правило выбирается исходя из некоторых условий оптимальности, например из условия минимума риска. Возникшие в математической статистике как методы проверки статистических гипотез (работы Неймана и Пирсона), рассматриваемые методы нашли широкое применение в радиолокации (обнаружение сигналов на фоне помех), радиотехнике, общей теории связи и других областях. Методы статистических решений успешно используются в задачах технической диагностики.

СТАТИСТИЧЕСКИЕ РЕШЕНИЯ ДЛЯ ОДНОГО ДИАГНОСТИЧЕСКОГО ПАРАМЕТРА

Если состояние системы характеризуется одним параметром, то система имеет одномерное пространство признаков. Разделение производится на два класса (дифференциальная диагностика или дихотомия (раздвоенность, последовательное деление на две части, не связанные между собой. ) ).

Рис.1 Статистические распределения плотности вероятности диагностического параметра х для исправного D 1 и дефектного D 2 состояний

Существенно, что области исправного D 1 и дефектного D 2 состояний пересекаются и потому принципиально невозможно выбрать значение х 0 , при котором не было бы ошибочных решений. Задача состоит в том, чтобы выбор х 0 был в некотором смысле оптимальным, например давал наименьшее число ошибочных решений.

Ложная тревога и пропуск цели (дефекта). Эти встречавшиеся ранее термины явно связаны с радиолокационной техникой, но они легко интерпретируются в задачах диагностики.

Ложной тревогой называется случай, когда принимается решение о наличии дефекта, но в действительности система находится в исправном состоянии (вместо D 1 принимается D 2 ).

Пропуск цели (дефекта) — принятие решения об исправном состоянии, тогда как система содержит дефект (вместо D 2 принимается D 1 ).

В теории контроля эти ошибки называются риском поставщика и риском заказчика . Очевидно, что эти двоякого рода ошибки могут иметь различные последствия или различные целы.

Вероятность ложной тревоги равна вероятности произведения двух событий: наличие исправного состояния и значения х > х 0 .

Средний риск. Вероятность принятия ошибочного решения слагается из вероятностей ложной тревоги и пропуска дефекта (математическое ожидание) риска.

Разумеется, цена ошибки имеет условное значение, но она должна учесть предполагаемые последствия ложной тревоги и пропуска дефекта. В задачах надежности стоимость пропуска дефекта обычно существенно больше стоимости ложной тревоги.

Метод минимального риска . Вероятность принятия ошибочного решения определяется как минимизация точки экстремума среднего риска ошибочных решений при максимуме правдоподобия т.е. проводится расчет минимального риска происхождения события при налички информации о максимально подобных событиях.

рис. 2. Точки экстремума среднего риска ошибочных решений

Рис. 3. Точки экстремума для двугорбых распределений

Отношение плотностей вероятностей распределения х при двух состояниях называется отношением правдоподобия.

Напомним, что диагноз D 1 соответствует исправному состоянию, D 2 — дефектному состоянию объекта; С 21 — цена ложной тревоги, С 12 — цена пропуска цели (первые индекс — принятое состояние, второй — действительное); С 11 < 0, С 22 < 0 — цены правильных решений (условные выигрыши). В большинстве практических задач условные выигрыши (поощрения) для правильных решений не вводятся.

Часто оказывается удобным рассматривать не отношение правдоподобия, а логарифм этого отношения. Это не изменяет результата, так как логарифмическая функция возрастает монотонно вместе со своим аргументом. Расчет для нормального и некоторых других распределений при использовании логарифма отношения правдоподобия оказывается несколько проще. Условие минимума риска можно получить из других соображений, которые окажутся важными в дальнейшем.

Метод минимального числа ошибочных решений .

Вероятность ошибочного решения для решающего правила

В задачах надежности рассматриваемый метод часто дает «неосторожные решения», так как последствия ошибочных решений существенно различаются между собой. Обычно цена пропуска дефекта существенно выше цены ложной тревоги. Если указанные стоимости приблизительно одинаковы (для дефектов с ограниченными последствиями, для некоторых задач контроля и др.) то применение метода вполне оправдано.

Метод минимакса предназначен для ситуации, когда отсутствуют предварительные статистические сведения о вероятности диагнозов D 1 и D 2 . Рассматривается «наихудший случай», т. е. наименее благоприятные значения Р 1 и Р 2 , приводящие к наибольшему значению (максимуму) риска.

Можно показать для одномодальных распределений, что величина риска становится минимаксной (т. е. минимальной среди максимальных значений, вызванных «неблагоприятной» величиной Pi ). Отметим, что при Р 1 = 0 и Р 1 = 1 риск принятия ошибочного решения отсутствует, так как ситуация не имеет неопределенности. При Р 1 = 0 (все изделия неисправны) вытекает х 0 → -оо и все объекты действительно признаются неисправными; при Р 1 = 1 и Р 2 = 0 х 0 → +оо и в соответствии с имеющейся ситуацией все объекты классифицируются как исправные.

Для промежуточных значений 0 < Pi < 1 риск возрастает и при P 1= P 1* становится максимальным. Рассматриваемым методом выбирают величину х 0 таким образом, чтобы при наименее благоприятных значениях Pi потери, связанные с ошибочными решениями, были бы минимальными.

рис . 4. Определение граничного значения диагностического параметра по методу минимакса

Метод Неймана—Пирсона . Как уже указывалось, оценки стоимости ошибок часто неизвестны и их достоверное определение связано с большими трудностями. Вместе с тем ясно, что во всех с л у чаях желательно при определенном (допустимом) уровне одной из ошибок минимизировать значение другой. Здесь центр проблемы переносится на обоснованный выбор допустимого уровня ошибок с помощью предыдущего опыта или интуитивных соображений.

По методу Неймана—Пирсона минимизируется вероятность пропуска цели при заданном допустимом уровне вероятности ложной тревоги. Таким образом, вероятность ложной тревоги

где А — заданный допустимый уровень вероятности ложной тревоги; Р 1 — вероятность исправного состояния.

Отметим, что обычно это условие относят к условной вероятности ложной тревоги (множитель Р 1 отсутствует). В задачах технической диагностики значения Р 1 и Р 2 в большинстве случаев известны по статистическим данным.

Таблица 1 Пример - Результаты расчета по методам статистических решений

№ п/п	Метод		Граничное значение	Вероятность ложной тревоги	Вероятность пропуска дефекта	Средний риск
	Метод минимального риска		7,46	0,0984	0,0065	0,229
	Метод минимального числа ошибок		9,79	0,0074	0,0229	0,467
	Метод минимакса	Основной вариант	5,71	0,3235	0,0018	0,360
				2 вариант	7,80	0,0727	0,0081	0,234
	Метод Неймана—Пирсона		7,44	0,1000	0,0064	0,230
	Метод наибольшего правдоподобия		8,14	0,0524	0,0098	0,249

Из сопоставления видно, что метод минимального числа ошибок дает неприемлемое решение, так как цены ошибок существенно различны. Граничное значение по этому методу приводит к значительной вероятности пропуска дефекта. Метод минимакса в основном варианте требует очень большого снятия с эксплуатации исследуемых устройств(примерно 32%), так как исходит из наименее благоприятного случая (вероятность неисправного состояния Р 2 = 0,39). Применение метода может быть оправданным, если отсутствуют даже косвенные оценки вероятности неисправного состояния. В рассматриваемом примере удовлетворительные результаты получаются по методу минимального риска.

1. СТАТИСТИЧЕСКИЕ РЕШЕНИЯ ПРИ НАЛИЧИИ ЗОНЫ НЕОПРЕДЕЛЕННОСТИ И ДРУГИЕ ОБОБЩЕНИЯ

Правило решения при наличии зоны неопределенности.

В некоторых случаях, когда требуется высокая надежность распознавания (большая стоимость ошибок пропуска цели и ложной тревоги), целесообразно ввести зону неопределенности (зону отказа от распознавания). Правило решения будет следующим

при отказ от распознавания.

Разумеется, отказ от распознавания является нежелательным событием. Он свидетельствует, что имеющейся информации недостаточно для принятия решения и нужны дополнительные сведения.

рис. 5. Статистические решения при наличии зоны неопределенности

Определение среднего риска . Величина среднего риска при наличии зоны отказа от распознавания может быть выражена следующим равенством

где C o — цена отказа от распознавания.

Отметим, что С о > 0, иначе задача теряет смысл («вознаграждение» за отказ от распознавания). Точно так же С 11 < 0, С 22 < 0, так как правильные решения не должны «штрафоваться».

Метод минимального риска при наличии зоны неопределенности . Определим границы области принятия решения, исходя из минимума среднего риска.

Если не поощрять правильные решения (С 11 = 0, С 22 = 0) и не платить за отказ от распознавания (С 0 = 0), то область неопределенности будет занимать всю область изменения параметра.

Наличие зоны неопределенности дает возможность обеспечить заданные уровни ошибок за счет отказа от распознавания в «сомнительных» случаях

Статистические решения для нескольких состояний. Выше были рассмотрены случаи, когда статистические решения принимались д ля различения двух состояний (дихотомия). Принципиально такая процедура позволяет провести разделение на n состояний, каждый раз объединяя результаты для состояния D 1 и D 2 . Здесь под D 1 понимаются любые состояния, соответствующие условию «не D 2 ». Однако в некоторых случаях представляет интерес рассмотреть вопрос и в прямой постановке — статистические решения для классификации n состояний.

Выше рассматривались случаи, когда состояние системы (изделия) характеризовалось одним параметром х и соответствующим (одномерным) распределением. Состояние системы характеризуется диагностическими параметрами х 1 х 2 , ..., х n или вектором х:

х= (х 1 х 2 ,...,х n ).

М етод минимального риска.

Наиболее просто обобщаются на многомерные системы методы минимального риска и его частные случаи (метод минимального числа ошибочных решений, метод наибольшего правдоподобия). В случаях, когда в методе статистического решения требуется определение границ области принятия решения, расчетная сторона задачи существенно осложняется (методы Неймана—Пирсона и минимакса).

Домашнее задание: § конспект.

Закрепление материала:

Ответьте на вопросы:

1. Что называют ложной тревогой?
2. Что подразумевает пропуск цели (дефекта)?
3. Дайте объяснение риску поставщика и риску заказчика.
4. Приведите формулу метода минимального числа ошибочных решений. Дайте определение неосторожного решения.
5. Для каких случаев предназначен метод минимакса?
6. Метод Неймана—Пирсона. Объясните его принцип.
7. Для каких целей применяется зона неопределенности?

Литература:

Амренов С. А. «Методы контроля и диагностики систем и сетей связи» КОНСПЕКТ ЛЕКЦИЙ -: Астана, Казахский государственный агротехнический университет, 2005 г.

И.Г. Бакланов Тестирование и диагностика систем связи. - М.: Эко-Трендз, 2001.

Биргер И. А. Техническая диагностика.— М.: «Машиностроение», 1978.—240,с, ил.

АРИПОВ М.Н, ДЖУРАЕВ Р.Х., ДЖАББАРОВ Ш.Ю. «ТЕХНИЧЕСКАЯ ДИАГНОСТИКА ЦИФРОВЫХ СИСТЕМ» -Ташкент, ТЭИС, 2005

Платонов Ю. М., Уткин Ю. Г. Диагностика, ремонт и профилактика персональных компьютеров. -М.: Горячая линия - Телеком, 2003.-312 с: ил.

М.Е.Бушуева, В.В.Беляков Диагностика сложных технических систем Труды 1-го совещания по проекту НАТО SfP-973799 Semiconductors . Нижний Новгород, 2001

Малышенко Ю.В. ТЕХНИЧЕСКАЯ ДИАГНОСТИКА часть I конспект лекций

Платонов Ю. М., Уткин Ю. Г. Диагностика зависания и неисправностей компьютера/Серия «Техномир». Ростов-на-Дону: «Феникс», 2001. — 320 с.

PAGE \* MERGEFORMAT 2

Другие похожие работы, которые могут вас заинтересовать.вшм>
21092.		Экономические методы принятия предпринимательских решений на примере ТОО «Норма- 2005»	127.94 KB
	Управленческие решения: сущность требования механизм разработки. Свою управленческую деятельность руководитель реализует через решения. Достижение поставленной цели исследования потребовало решения следующих задач: теоретического обоснования экономических методов принятия решений в системе предпринимательства; структуризации и внутреннего управленческого обследования на основе анализа внешней и внутренней среды исследуемого предприятия; анализа использования информации экономических результатов...
15259.		Методы, применяемые в анализе синтетических аналогов папаверина и многокомпонентных лекарственных форм на их основе 3.1. Хроматографические методы 3.2. Электрохимические методы 3.3. Фотометрические методы Заключение Список л	233.66 KB
	Дротаверина гидрохлорид. Дротаверина гидрохлорид является синтетическим аналогом папаверина гидрохлорида а с точки зрения химического строения является производным бензилизохинолина. Дротаверина гидрохлорид принадлежит к группе лекарственных средств обладающих спазмолитической активностью спазмолитик миотропного действия и является основным действующим веществом препарата но-шпа. Дротаверина гидрохлорид Фармакопейная статья на дротаверина гидрохлорид представлена в Фармакопее издания.
2611.		ПРОВЕРКА СТАТИСТИЧЕСКИХ ГИПОТИЗ	128.56 KB
	Например гипотеза простая; а гипотеза: где –сложная гипотеза потому что она состоит из бесконечного множества простых гипотез. Классический метод проверки гипотез В соответствии с поставленной задачей и на основании выборочных данных формулируется выдвигается гипотеза которая называется основной или нулевой. Одновременно с выдвинутой гипотезой рассматривается противоположная ей гипотеза которая называется конкурирующей или альтернативной. Поскольку гипотеза для генеральной совокупности...
7827.		Тестирование статистических гипотез	14.29 KB
	Для тестирования гипотезы существует два способа сбора данных – наблюдение и эксперимент. Думаю определить какое из данных наблюдений является научным не составит труда. Шаг третий: сохранение результатов Как я уже упоминала в лекции первой один из языков на которых говорит биология – это язык баз данных. Из этого вытекает то какой собственно база данных должна быть и какой задаче она отвечает.
5969.		Статистическое исследование и обработка статистических данных	766.04 KB
	В курсовой рассматривается следующие темы: статистическое наблюдение, статистическая сводка и группировка, формы выражения статистических показателей, выборочное наблюдение, статистическое изучение взаимосвязи социально-экономических явлений и динамики социально-экономических явлений, экономические индексы.
19036.			2.03 MB
13116.		Система сбора и обработки статистических данных «Метеонаблюдения»	2.04 MB
	Работы с базами данных и СУБД позволяют значительно качественнее организовать работу сотрудников. Простота в эксплуатации и надежность хранения данных позволяют практически совсем отказаться от ведения бумажного учета. Значительно ускоряется работа с отчетной и статистической информацией калькуляцией данных.
2175.		Анализ области решений	317.39 KB
	9й вид UML диаграмм диаграммы вариантов использования см. В этом курсе мы не будем разбирать диаграммы UML в деталях а ограничимся обзором их основных элементов необходимым для общего понимания смысла того что изображено на таких диаграммах. Диаграммы UML делятся на две группы статические и динамические диаграммы. Статические диаграммы Статические диаграммы представляют либо постоянно присутствующие в системе сущности и связи между ними либо суммарную информацию о сущностях и связях либо сущности и связи существующие в какойто...
1828.		Критерий принятия решений	116.95 KB
	Критерий принятия решений – это функция, выражающая предпочтения лица, принимающего решения (ЛПР), и определяющая правило, по которому выбирается приемлемый или оптимальный вариант решения.
10569.		Классификация управленческих решений	266.22 KB
	Классификация управленческих решений. Разработка управленческого решения. Особенности управленческих решений Обыденные и управленческие решения. Обыденные решения это решения принимаемые людьми в повседневной жизни.

Лабораторная работа 2 «Эксплуатация и диагностика опор контактной сети»

Цель работы: ознакомиться со способами определения коррозионного состояния железобетонной опоры контактной сети

Порядок выполнения работы :

1) Изучить и составить краткий отчет о работе прибора АДО-3.

2) Изучить и решить задачу по методу минимального риска (согласно вариантам (по номеру в журнале)

3) Рассмотреть спец.вопрос о способах диагностики состояния опор (за исключением угла наклона).

П.п. 1 и 3 выполняются бригадой в количестве 5 человек.

П.2 выполняется индивидуально каждым студентом.

В результате необходимо сделать индивидуальный электронный отчет и прикрепить его в blackboard.

Метод минимального риска

При наличии неопределенности принятия решения применяют специальные методы, учитывающие вероятностную природу событий. Они позволяют назначать границу поля допуска параметра для принятия решения о диагностировании.

Пусть производится диагностика состояния железобетонной опоры вибрационным методом.

Вибрационный метод (рис 2.1) основан на зависимости декремента затухающих колебаний опоры от степени коррозии арматуры. Опора приводится в колебательное движение, например, при помощи троса оттяжки и сбрасывающего устройства. Сбрасывающее устройство калибруется на заданное усилие. На опоре устанавливается датчик колебаний, например акселерометр. Декремент затухающих колебаний определяется как логарифм отношения амплитуд колебаний:

где А 2 и А 7 – амплитуды, соответственно второго и седьмого колебаний.

а) схема б) результат измерений

Рисунок 2.1 – Вибрационный метод

АДО-2М измеряет амплитуды колебаний 0,01 ... 2,0 мм частотой 1 ... 3 Гц.

Чем больше степень коррозии, тем быстрее затухают колебания. Недостатком метода является то, что декремент колебаний в большой степени зависит от параметров грунта, способа заделки опоры, отклонений технологии изготовления опоры, качества бетона. Заметное влияние коррозии проявляется лишь при значительном развитии процесса.

Задача стоит в выборе значения Хо параметра Х таким образом, чтобы при Х>Хо принимали решение о замене опоры, а при Х<Хо не проводили управляющего воздействия.

. (2.2)

Декремент колебаний опоры зависит не только от степени коррозии, но и от множества других факторов. Поэтому можно говорить о некоторой области, в которой может находиться величина декремента. Распределения декремента колебаний для исправной и прокорродировавшей опоры показано на рис. 2.2.

Рисунок 2.2 - Плотность вероятности декремента колебаний опоры

Существенно, что области исправного D 1 и коррозионного D 2 состояний пересекаются и потому невозможно выбрать x 0 так, чтобы правило (2.2) не давало бы ошибочных решений.

Ошибка первого рода - принятие решения о наличии коррозии (дефекта), когда в действительности опора (система) находится в исправном состоянии.

Ошибка второго рода - принятие решения об исправном состоянии, тогда как опора (система) прокорродировала (содержит дефект).

Вероятность ошибки первого рода равна произведению вероятностей двух событий: вероятности наличия исправного состояния и вероятности того, что x > x 0 при исправном состоянии:

, (2.3)

где P(D 1) = P 1 - априорная вероятность нахождения опоры в исправном состоянии (считается известной на основании предварительных статистических данных).

Вероятность ошибки второго рода:

, (2.4)

Если известны цены ошибок первого и второго рода c и y соответственно, то можно записать уравнение для среднего риска:

Найдем граничное значение x 0 для правила (2.5) из условия минимума среднего риска. Подставляя (2.6) и (2.7) в (2.8) дифференцируя R(x) по x 0 , приравняем производную нулю:

= 0, (2.6)

. (2.7)

Это условие для нахождения двух экстремумов - максимума и минимума. Для существования минимума в точке x = x 0 вторая производная должна быть положительной:

. (2.8)

Это приводит к следующему условию:

. (2.9)

Если распределения f(x/D 1) и f(x/D 2) одномодальные, то при:

(2.10)

условие (4.58) выполняется.

Если плотности распределений параметров исправной и неисправной (системы) подчинены закону Гаусса, то они имеют вид:

, (2.11)

. (2.12)

Условия (2.7) в этом случае принимает вид:

. (2.13)

После преобразования и логарифмирования получаем квадратное уравнение

, (2.14)

b = ;

c = .

Решая уравнение (2.14) можно найти такую величину x 0 , при которой достигается минимум риска.

Исходные данные:

Исправное состояние:

Математическое ожидание:

Вероятность исправного состояния системы:

Среднеквадратичное отклонение:

Приведенные затраты на исправное состояние:

Неисправное состояние:

Математическое ожидание: ;

В этом методе стоимости решений принимаются одинаково, и отношение правдоподобия принимает вид

Решение аналогично методу минимального риска.

Здесь отношение априорных вероятностей исправного (Р 1) и неисправного (Р 2) состояний принимается равным единице, а условие нахождения K 0 выглядит так:

Пример

Определить предельное значение параметра K 0 , выше которого объект подлежит снятию с эксплуатации.

Объект - газотурбинный двигатель.

Параметр - содержание железа в масле K , (г/т). Параметр имеет нормальное распределение при исправном (D 1 ) и неисправном (D 2 ) состояниях. Известно:

Решение

Метод минимального риска

Согласно выражению (2.4)

После подстановки выражения

и логарифмирования получаем

Преобразуя и решая данное квадратное уравнение, получим:

K 01 =2,24; К 02 =0,47. Искомое граничное значение К 0 =2,24.

Метод минимального числа ошибочных решений

Условие получения K 0 :

Подставляя и раскрывая соответствующие плотности вероятностей, получаем

уравнение:

Подходящим корнем этого уравнения является величина 2,57.

Итак, K 0 = 2,57.

Метод наибольшего правдоподобия

Условие получения К 0 :

F(K 0 /D 1) = F(K 0 /D 2).

Итоговое квадратное уравнение будет выглядеть так:

Искомое K 0 = 2,31.

Определим вероятность ложной тревоги P(H 21 ) , вероятность пропуска дефекта Р(Н 12) , а также величину среднего риска R для граничных значений K 0 , найденных различными методами.

Если в исходных условиях K 1 , то

и

Если в исходных условиях K 1 > K 2 , то

и

Для метода минимального риска при K 0 =2,29 получаем следующее

Для метода минимального числа ошибочных решений при K 0 =2,57:

Для метода наибольшего правдоподобия при K 0 =2,37:

Сведем результаты расчетов в итоговую таблицу.

Задания к задаче №2.

Вариант задания выбирается по двум последним цифрам номера зачетной книжки. Во всех заданиях требуется определить граничное значение K 0 , разделяющее объекты на два класса: исправный и неисправный. Результаты решений наносятся на график (рис. 9.1), который строится на миллиметровке и вклеивается в работу.

Итак, техническое диагностирование объекта осуществляется по параметру K . Для исправного объекта даются среднее значение параметра K 1 и среднеквадратическое отклонение σ 1 . Для неисправного соответственно K 2 и σ 2 . В исходных данных также для каждого варианта приводится соотношение цен C 12 /C 21 . Распределение K принимается нормальным. Во всех вариантах P 1 =0,9; P 2 =0,1.

Варианты заданий приведены в табл. 2.1-2.10.

Исходные данные к вариантам 00÷09 (табл. 2.1):

Объект - газотурбинный двигатель.

Параметр - виброскорость (мм/с).

Неисправное состояние - нарушение нормальных условий работы опор ротора двигателя.

Таблица 2.1

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 10÷19 (табл. 2.2):

Объект - газотурбинный двигатель.

Параметр Cu ) в масле (г/т).

Неисправное состояние - повышенная концентрация Cu

Таблица 2.2

Обозначение величин	Варианты
K 1	1,0	1,1	1,2	1,3	1,4	1,5	1,6	1,7	1,8	1,9
K 2
σ 1	0,3	0,3	0,3	0,3	0,3	0,3	0,3	0,3	0,3	0,3
σ 2
C 12 /C 21

Исходные данные к вариантам 20÷29 (табл. 2.3):

Объект - подкачиваемый топливный насос топливной системы.

Параметр - давление топлива на выходе (кг/см 2).

Неисправное состояние - деформация крыльчатки.

Таблица 2.3

Обозначение величин	Варианты
K 1	2,50	2,55	2,60	2,65	2,70	2,75	2,80	2,85	2,90	2,95
K 2	1,80	1,85	1,90	1,95	2,00	2,05	2,10	2,15	2,20	2,25
σ 1	0,20	0,20	0,20	0,20	0,20	0,20	0,20	0,20	0,20	0,20
σ 2	0,30	0,30	0,30	0,30	0,30	0,30	0,30	0,30	0,30	0,30
C 12 /C 21

Исходные данные к вариантам 30÷39 (табл. 2.4):

Объект - газотурбинный двигатель.

Параметр - уровень виброперегрузок (g ).

Неисправное состояние - раскатка наружной обоймы подшипников.

Таблица 2.4

Обозначение величин	Варианты
K 1	4,5	4,6	4,7	4,8	4,9	5,0	5,1	5,2	5,3	5,4
K 2	6,0	6,1	6,2	6,3	6,4	6,5	6,6	6,7	6,8	6,9
σ 1	0,5	0,5	0,5	0,5	0,5	0,5	0,5	0,5	0,5	0,5
σ 2	0,7	0,7	0,7	0,7	0,7	0,7	0,7	0,7	0,7	0,7
C 12 /C 21

Исходные данные к вариантам 40÷49 (табл. 2.5):

Объект - межвальный подшипник газотурбинного двигателя.

Параметр - показания виброакустического прибора контроля состояния подшипника (µа).

Неисправное состояние - появление следов выкрашивания на беговых дорожках подшипника.

Таблица 2.5

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 50÷59 (табл. 2.6)

Объект - газотурбинный двигатель.

Параметр - содержание железа (Fe ) в масле (г/т).

Неисправное состояние - повышенная концентрация Fe в масле из-за ускоренного изнашивания зубчатых соединений в коробке приводов.

Таблица 2.6

Обозначение величин	Варианты
K 1	1,95	2,02	1,76	1,82	1,71	1,68	1,73	1,81	1,83	1,86
K 2	4,38	4,61	4,18	4,32	4,44	4,10	4,15	4,29	4,39	4,82
σ 1	0,3	0,3	0,3	0.3	0,3	0,3	0,3	0,3	0,3	0,3
σ 2
C 12 /C 21

Исходные данные к вариантам 60÷69 (табл. 2.7):

Объект - масло для смазки газотурбинного двигателя.

Параметр - оптическая плотность масла, %.

Неисправное состояние - пониженные эксплуатационные свойства масла, имеющего оптическую плотность.

Таблица 2.7

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 70÷79 (табл. 2.8):

Объект - топливные фильтроэлементы.

Параметр - концентрация примесей меди (Cu ) в масле (г/т).

Неисправное состояние - повышенная концентрация Cu в масле из-за интенсификации процессов изнашивания омедненных шлицевых соединений приводных валов.

Таблица 2.8

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 80÷89 (табл. 2.9)

Объект - аксиально-поршневой насос.

Параметр - величина производительности насоса, выражаемая объемным

КПД (в долях от 1,0).

Неисправное состояние - низкое значение объемного КПД, связанное с поломкой насоса.

Таблица 2.9

Обозначение величин	Варианты
K 1	0,92	0,91	0,90	0,89	0,88	0,07	0,86	0,85	0,84	0,83
K 2	0,63	0,62	0,51	0,50	0,49	0,48	0,47	0,46	0,45	0,44
σ 1	0,11	0,11	0,11	0,11	0,11	0,11	0,11	0,11	0,11	0,11
σ 2	0,14	0,14	0,14	0,14	0,14	0,14	0,14	0,14	0,14	0,14
C 12 /C 21

Исходные данные к вариантам 90÷99 (табл. 2.10)

Объект - система управления самолета, состоящая из жестких тяг.

Параметр - суммарный осевой люфт сочленений, мкм.

Неисправное состояние - повышенный суммарный осевой люфт из-за износа сопрягаемых пар.

Таблица 2.10

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21