Математическое моделирование детерминированных стохастических процессов. Детерминированная модель: определение. Основные типы факторных детерминированных моделей. Искусство принятия решения
Метод Гаусса – это метод последовательного исключения неизвестных.
Суть метода Гаусса состоит в преобразовании (1) к системе с треугольной матрицей , из которой затем последовательно (обратным ходом) получаются значения всех неизвестных. Рассмотрим одну из вычислительных схем. Эта схема называется схемой единственного деления. Итак, рассмотрим эту схему. Пусть a 11 ≠0 (ведущий элемент) разделим на a 11 первое уравнение. Получим
(2)
Пользуясь уравнением (2), легко исключить неизвестные x 1 из остальных уравнений системы (для этого достаточно из каждого уравнения вычесть уравнение (2) предварительно умноженное на соответствующий коэффициент при x 1), то есть на первом шаге получим
.
Иными словами, на 1 шаге каждый элемент последующих строк, начиная со второй, равен разности между исходным элементом и произведением его «проекции» на первый столбец и первую (преобразованную) строку.
Вслед за этим оставив первое уравнение в покое, над остальными уравнениями системы, полученной на первом шаге, совершим аналогичное преобразование: выберем из их числа уравнение с ведущим элементом и исключим с его помощью из остальных уравнений x 2 (шаг 2).
После n шагов вместо (1) получим равносильную систему
(3)
Таким образом, на первом этапе мы получим треугольную систему (3). Этот этап называется прямым ходом.
На втором этапе (обратный ход) мы находим последовательно из (3) значения x n , x n -1 , …, x 1 .
Обозначим полученное решение за x 0 . Тогда разность ε=b-A·x 0 называется невязкой
.
Если ε=0, то найденное решение x 0 является верным.
Вычисления по методу Гаусса выполняются в два этапа:
- Первый этап называется прямым ходом метода. На первом этапе исходную систему преобразуют к треугольному виду.
- Второй этап называется обратным ходом. На втором этапе решают треугольную систему, эквивалентную исходной.
На каждом шаге предполагалось, что ведущий элемент отличен от нуля. Если это не так, то в качестве ведущего можно использовать любой другой элемент, как бы переставив уравнения системы.
Назначение метода Гаусса
Метод Гаусса предназначен для решения систем линейных уравнений. Относится к прямым методам решения.Виды метода Гаусса
- Классический метод Гаусса;
- Модификации метода Гаусса. Одной из модификаций метода Гаусса является схема с выбором главного элемента. Особенностью метода Гаусса с выбором главного элемента является такая перестановка уравнений, чтобы на k -ом шаге ведущим элементом оказывался наибольший по модулю элемент k -го столбца.
- Метод Жордано-Гаусса;
Проиллюстрируем отличие метода Жордано-Гаусса от метода Гаусса на примерах.
Пример решения методом Гаусса
Решим систему:
Для удобства вычислений поменяем строки местами:
Умножим 2-ую строку на (2). Добавим 3-ую строку к 2-ой
Умножим 2-ую строку на (-1). Добавим 2-ую строку к 1-ой
Из 1-ой строки выражаем x 3:
Из 2-ой строки выражаем x 2:
Из 3-ой строки выражаем x 1: 
Пример решения методом Жордано-Гаусса
Эту же СЛАУ решим методом Жордано-Гаусса.
Последовательно будем выбирать разрешающий элемент РЭ, который лежит на главной диагонали матрицы.
Разрешающий элемент равен (1).
НЭ = СЭ - (А*В)/РЭ
РЭ - разрешающий элемент (1), А и В - элементы матрицы, образующие прямоугольник с элементами СТЭ и РЭ.
Представим расчет каждого элемента в виде таблицы:
| x 1 | x 2 | x 3 | B |
| 1 / 1 = 1 | 2 / 1 = 2 | -2 / 1 = -2 | 1 / 1 = 1 |
 |  |  |  |
Разрешающий элемент равен (3).
На месте разрешающего элемента получаем 1, а в самом столбце записываем нули.
Все остальные элементы матрицы, включая элементы столбца B, определяются по правилу прямоугольника.
Для этого выбираем четыре числа, которые расположены в вершинах прямоугольника и всегда включают разрешающий элемент РЭ.
| x 1 | x 2 | x 3 | B |
 |  |
||
| 0 / 3 = 0 | 3 / 3 = 1 | 1 / 3 = 0.33 | 4 / 3 = 1.33 |
 |
Разрешающий элемент равен (-4).
На месте разрешающего элемента получаем 1, а в самом столбце записываем нули.
Все остальные элементы матрицы, включая элементы столбца B, определяются по правилу прямоугольника.
Для этого выбираем четыре числа, которые расположены в вершинах прямоугольника и всегда включают разрешающий элемент РЭ.
Представим расчет каждого элемента в виде таблицы:
| x 1 | x 2 | x 3 | B |
 |  |  |  |
 |  |
||
| 0 / -4 = 0 | 0 / -4 = 0 | -4 / -4 = 1 | -4 / -4 = 1 |
Ответ : x 1 = 1, x 2 = 1, x 3 = 1
Реализация метода Гаусса
Метод Гаусса реализован на многих языках программирования, в частности: Pascal, C++, php, Delphi , а также имеется реализация метода Гаусса в онлайн режиме .Использование метода Гаусса
Применение метода Гаусса в теории игр
В теории игр при отыскании максиминной оптимальной стратегии игрока составляется система уравнений, которая решается методом Гаусса.Применение метода Гаусса при решении дифференциальных уравнений
Для поиска частного решения дифференциального уравнения сначала находят производные соответствующей степени для записанного частного решения (y=f(A,B,C,D)), которые подставляют в исходное уравнение. Далее, чтобы найти переменные A,B,C,D составляется система уравнений, которая решается методом Гаусса.Применение метода Жордано-Гаусса в линейном программировании
В линейном программировании, в частности в симплекс-методе для преобразования симплексной таблицы на каждой итерации используется правило прямоугольника, в котором используется метод Жордано-Гаусса.МАТЕМАТИЧЕСКИЕ МОДЕЛИ
2.1. Постановка задачи
Детерминированные модели описывают процессы в детерминированных системах.
Детерминированные системы характеризуются однозначным соответствием (соотношением) между входными и выходными сигналами (процессами).
Если задан входной сигнал такой системы, известны ее характеристикаy = F(x), а также ее состояние в начальный момент времени, то значение сигнала на выходе системы в любой момент времени определяется однозначно (рис. 2.1).
Существует два подхода к исследованию физических систем: детерминированный и стохастический.
Детерминированный подход основан на применении детерминированной математической модели физической системы.
Стохастический подход подразумевает использование стохастической математической модели физической системы.
Стохастическая математическая модель наиболее адекватно (достоверно) отображает физические процессы в реальной системе, функцио-нирующей в условиях влияния внешних и внутренних случайных факторов (шумов).
2.2. Случайные факторы (шумы)
Внутренние факторы −
1) температурная и временная нестабильность электронныхкомпонентов;
2) нестабильность питающего напряжения;
3) шум квантования в цифровых системах;
4) шумы в полупроводниковых приборах в результате неравномерности процессов генерации и рекомбинации основных носителей заряда;
5) тепловой шум в проводниках за счет теплового хаотического движения носителей заряда;
6) дробовой шум в полупроводниках, обусловленный случайным характером процесса преодоления носителями потенциального барьера;
7) фликкер – шум, обусловленный медленными случайными флуктуациями физико-химического состояния отдельных областей материалов электронных устройств и т. д.
Внешние факторы –
1) внешние электрические и магнитные поля;
2) электромагнитные бури;
3) помехи, связанные с работой промышленности и транспорта;
4) вибрации;
5) влияние космических лучей, тепловое излучение окружающих объектов;
6) колебания температуры, давления, влажности воздуха;
7) запыленность воздуха и т. д.
Влияние (наличие) случайных факторов приводит к одной из ситуаций, приведенных на рис. 2.2:
С
ледовательно,
предположение о детерминированном
характере физической системы и описание
ее детерминированной математической
моделью являетсяидеализацией
реальной системы.
Фактически
имеем ситуацию, изображенную на рис.
2.3.
Детерминированная модель допустима в следующих случаях:
1) влияние случайных факторов столь незначительно, что пренебрежение ими не приведет к ощутимому искажению результатов моделирования.
2
)
детерминированная
математическая модель отображает
реальные физические процессы в
усредненном смысле.
В тех задачах, где не требуется высокой точности результатов моделирования, предпочтение отдается детерминированной модели. Это объясняется тем, что реализация и анализ детерминированной математической модели много проще, чем стохастической.
Детерминированная модель недопустима в следующих ситуациях: случайные процессы ω(t) соизмеримы с детерминированными x(t). Результаты, полученные с помощью детерминированной математической модели, будут неадекватными реальным процессам. Это относится к системам радиолокации, к системам наведения и управления летательными аппаратами, к системам связи, телевидению, к системам навигации, к любым системам, работающим со слабыми сигналами, в электронных устройствах контроля, в прецизионных измерительных устройствах и т. д.
В математическом моделировании случайный процесс часто рассматривают как случайную функцию времени, мгновенные значения которой являются случайными величинами.
2.3. Суть стохастической модели
Стохастическая математическая модель устанавливает вероятностные соотношения между входом и выходом системы . Такая модель позволяет сделать статистические выводы о некоторых вероятностных характеристиках исследуемого процесса y(t):
1) математическое ожидание (среднее значение):
2) дисперсия (мера рассеивания значений случайного процесса y(t) относительно его среднего значения):
3) среднее квадратичное отклонение:
(2.3)
4) корреляционная функция (характеризует степень зависимости – корреляции – между значениями процесса y(t), отстоящими друг от друга на время τ):
5) спектральная плотность случайного процесса y(t) описывает его частотные свойства:
(2.5)
преобразование Фурье.
Стохастическаямодель формируется на основе стохастического дифференциального либо стохастического разностного уравнения.
Различают три типа стохастических дифференциальных уравнений: со случайными параметрами, со случайными начальными условиями, со случайным входным процессом (случайной правой частью). Приведем пример стохастического дифференциального уравнения третьего типа:
,
(2.6)
где
– аддитивный
случайный процесс – входной шум.
В нелинейных системах присутствуют мультипликативные шумы .
Анализ стохастических моделей требует использования довольно сложного математического аппарата, особенно для нелинейных систем.
2.4. Понятие типовой модели случайного процесса. Нормальный (гауссовский) случайный процесс
При разработке
стохастической модели важное значение
имеет определение характера случайного
процесса 
.
Случайный процесс может быть описан
набором (последовательностью) функций
распределения – одномерной, двумерной,
… , n-мерной
или соответствующими плотностями
распределения вероятности. В большинстве
практических задач ограничиваются
определением одномерного и двумерного
законов распределения.
В некоторых
задачах характер распределения 
априорно известен.
В
большинстве случаев, когда случайный
процесс 
представляет собой результат воздействия
на физическую систему совокупности
значительного числа независимых
случайных факторов, полагают, что 
обладает свойствами нормального
(гауссовского) закона распределения
.
В
этом случае говорят, что случайный
процесс 
заменяется его
типовой
моделью
–
гауссовским случайным процессом.
Одномерная
плотность
распределения
вероятности
нормального
(гауссовского)случайного
процесса приведена на рис. 2.4.
Нормальное (гауссовское) распределение случайного процесса обладает следующими свойствами .
1. Значительное количество случайных процессов в природе подчиняются нормальному (гауссовскому) закону распределения.
2. Возможность достаточно строго определить (доказать) нормальный характер случайного процесса.
3. При воздействии на физическую систему совокупности случайных факторов с различными законами распределения их суммарный эффект подчиняется нормальному закону распределения (центральная предельная теорема ).
4. При прохождении через линейную систему нормальный процесс сохраняет свои свойства в отличие от других случайных процессов.
5. Гауссовский случайный процесс может быть полностью описан с помощью двух характеристик – математического ожидания и дисперсии.
В
процессе моделирования часто возникает
задача –определить
характер распределения
некоторой случайной величины x по
результатам её многократных измерений
(наблюдений)
.Для
этого составляют гистограмму
– ступенчатый график, позволяющий по
результатам измерения случайной величины
оценить её плотность распределения
вероятности.
При построении
гистограммы диапазон значений случайной
величины
разбивают на некоторое количество
интервалов, а затем подсчитывают частоту
(процент) попадания данных в каждый
интервал. Таким образом, гистограмма
отображает частоту попадания значений
случайной величины в каждый из интервалов.
Если аппроксимировать построенную
гистограмму непрерывной аналитической
функцией, то эта функция может
рассматриваться как статистическая
оценка неизвестной теоретической
плотности распределения вероятности.
При формировании непрерывных стохастических моделей используется понятие «случайный процесс». Разработчики разностных стохастических моделей оперируют понятием «случайная последовательность».
Особую роль в теории стохастического моделирования играют марковские случайные последовательности. Для них справедливо следующее соотношение для условной плотности вероятности:
Из
него следует, что вероятностный закон,
описывающий поведение процесса в момент
времени
,
зависит только от предыдущего состояния
процесса в момент времени
и абсолютно не зависит от его поведения
в прошлом (т. е. в моменты времени
).
Перечисленные выше внутренние и внешние случайные факторы (шумы) представляют собой случайные процессы различных классов. Другими примерами случайных процессов являются турбулентные течения жидкостей и газов, изменение нагрузки энергосистемы, питающей большое количество потребителей, распространение радиоволн при наличии случайных замираний радиосигналов, изменение координат частицы в броуновском движении, процессы отказов аппаратуры, поступления заявок на обслуживание, распределение числа частиц в малом объеме коллоидного раствора, задающее воздействие в радиолокационных следящих системах, процесс термоэлектронной эмиссии с поверхности металла и т. д.
Математические модели в экономике и программировании
1. Детерминированные и вероятностные математические модели в экономике. Преимущества и недостатки
Методы исследования экономических процессов базируются на использовании математических - детерминированных и вероятностных - моделей, представляющих изучаемый процесс, систему или вид деятельности. Такие модели дают количественную характеристику проблемы и служат основой для принятия управленческого решения при поисках оптимального варианта. Насколько обоснованы эти решения, являются ли они лучшими из возможных, учтены ли и взвешены все факторы, определяющие оптимальное решение, каков критерий, позволяющий определить, что данное решение действительно наилучшее, - таков круг вопросов, имеющих большое значение для руководителей производства, и ответ на которые можно найти с помощью методов исследования операций [Чесноков С. В. Детерминационный анализ социально-экономических данных. - М.: Наука, 1982, стр. 45].
Одним из принципов формирования системы управления является метод кибернетических (математических) моделей. Математическое моделирование занимает промежуточное положение между экспериментом и теорией: нет необходимости строить реальную физическую модель системы, ее заменит математическая модель. Особенность формирования системы управления заключается в вероятностном, статистическом подходе к процессам управления. В кибернетике принято, что любой процесс управления подвержен случайным, возмущающим воздействиям. Так, на производственный процесс оказывают влияния большое количество факторов, учесть которые детерминированным образом невозможно. Поэтому считается, что на производственный процесс воздействуют случайные сигналы. В силу этого планирование работы предприятия может быть только вероятностным.
По этим причинам часто, говоря о математическом моделировании экономических процессов, имеют в виду именно вероятностные модели.
Опишем каждый из типов математических моделей.
Детерминированные математические модели характеризуются тем, что описывают связь некоторых факторов с результативным показателем как функциональную зависимость, т. е. в детерминированных моделях результативный показатель модели представлен в виде произведения, частного, алгебраической суммы факторов, или в виде любой другой функции. Данный вид математических моделей наиболее распространен, поскольку, будучи достаточно простыми в применении (по сравнению вероятностными моделями), позволяет осознать логику действия основных факторов развития экономического процесса, количественно оценить их влияние, понять, какие факторы и в какой пропорции возможно и целесообразно изменить для повышения эффективности производства.
Вероятностные математические модели принципиально отличаются от детерминированных тем, что в вероятностных моделях взаимосвязь между факторами и результирующим признаком вероятностная (стохастическая): при функциональной зависимости (детерминированные модели) одному и тому же состоянию факторов соответствует единственное состояние результирующего признака, тогда как в вероятностных моделях одному и тому же состоянию факторов соответствует целое множество состояний результирующего признака [Толстова Ю. Н. Логика математического анализа экономических процессов. - М.: Наука, 2001, с. 32-33].
Преимущество детерминированных моделей в простоте их применения. Основной недостаток - низкая адекватность реальной действительности, т. к., как было отмечено выше, большинство экономических процессов носит вероятностный характер.
Достоинством вероятностных моделей является то, что они, как правило, больше соответствуют реальной действительности (более адекватны), чем детерминированные. Однако, недостатком вероятностных моделей является сложность и трудоемкость их применения, так что во многих ситуациях достаточно бывает ограничиться детерминированными моделями.
2. Постановка задачи линейного программирования на примере задачи о пищевом рационе
Впервые постановка задачи линейного программирования в виде предложения по составлению оптимального плана перевозок; позволяющего минимизировать суммарной километраж, была дана в работе советского экономиста А. Н. Толстого в 1930 году.
Систематические исследования задач линейного программирования и разработка общих методов их решения получили дальнейшее развитие в работах российских математиков Л. В. Канторовича, В. С. Немчинова и других математиков и экономистов. Также методам линейного программирования посвящено много работ зарубежных и, прежде всего, американских ученых.
Задача линейного программирования состоит в максимизации (минимизации) линейной функции.
при ограничениях
причем все
Замечание. Неравенства могут быть и противоположного смысла. Умножением соответствующих неравенств на (-1) можно всегда получить систему вида (*).
Если число переменных системы ограничений и целевой функции в математической модели задачи равно 2, то её можно решить графически.
Итак, надо максимизировать функцию к удовлетворяющей системе ограничений.
Обратимся к одному из неравенств системы ограничений.
С геометрической точки зрения все точки, удовлетворяющие этому неравенству, должны либо лежать на прямой , либо принадлежать одной из полуплоскостей, на которые разбивается плоскость этой прямой. Для того чтобы выяснить это, надо проверить какая из них содержит точку ().
Замечание 2. Если , то проще взять точку (0;0).
Условия неотрицательности также определяют полуплоскости соответственно с пограничными прямыми . Будем считать, что система неравенств совместна, тогда полуплоскости, пересекаясь, образуют общую часть, которая является выпуклым множеством и представляет собой совокупность точек, координаты которых являются решением данной системы - это множество допустимых решений. Совокупность этих точек (решений) называется многоугольником решений. Он может быть точкой, лучом, многоугольником, неограниченной многоугольной областью. Таким образом, задача линейного программирования состоит в нахождении такой точки многоугольника решений, в которой целевая функция принимает максимальное (минимальное) значение. Эта точка существует тогда, когда многоугольник решений не пуст и на нем целевая функция ограничена сверху (снизу). При указанных условиях в одной из вершин многоугольника решений целевая функция принимает максимальное значение. Для определения данной вершины построим прямую (где h - некоторая постоянная). Чаще всего берется прямая . Остается выяснить направление движения данной прямой. Это направление определяется градиентом (антиградиентом) целевой функции.
Вектор в каждой точке перпендикулярен прямой , поэтому значение f будет возрастать при перемещении прямой в направлении градиента (убывать в направлении антиградиента). Для этого параллельно прямой проводим прямые, смещаясь в направлении градиента (антиградиента).
Эти построения будем продолжать до тех пор, пока прямая не пройдет через последнюю вершину многоугольника решений. Эта точка определяет оптимальное значение.
Итак, нахождение решения задачи линейного программирования геометрическим методом включает следующие этапы:
Строят прямые, уравнения которых получаются в результате замены в ограничениях знаков неравенств на знаки точных равенств.
Находят полуплоскости, определяемые каждым из ограничений задачи.
Находят многоугольник решений.
Строят вектор .
Строят прямую .
Строят параллельные прямые в направлении градиента или антиградиента, в результате чего находят точку, в которой функция принимает максимальное или минимальное значение, либо устанавливают неограниченность сверху (снизу) функции на допустимом множестве.
Определяют координаты точки максимума (минимума) функции и вычисляют значение целевой функции в этой точке.
Задача о рациональном питании (задача о пищевом рационе)
Постановка задачи
Ферма производит откорм скота с коммерческой целью. Для простоты допустим, что имеется всего четыре вида продуктов: П1, П2, П3, П4; стоимость единицы каждого продукта равна соответственно С1, С2, С3, С4. Из этих продуктов требуется составить пищевой рацион, который должен содержать: белков - не менее b1 единиц; углеводов - не менее b2 единиц; жиров - не менее b3 единиц. Для продуктов П1, П2, П3, П4 содержание белков, углеводов и жиров (в единицах на единицу продукта) известно и задано в таблице, где aij (i=1,2,3,4; j=1,2,3) - какие-то определённые числа; первый индекс указывает номер продукта, второй - номер элемента (белки, углеводы, жиры).
Страница
6
Метод разработки решения. Некоторые решения, как правило, типичные, повторяющиеся, могут быть с успехом формализованы, т.е. приниматься по заранее определённому алгоритму. Другими словами, формализованное решение – это результат выполнения заранее определённой последовательности действий. Например, при составлении графика ремонтного обслуживания оборудования начальник цеха может исходить из норматива, требующего определённого соотношения между количеством оборудования и обслуживающим персоналом. Если в цехе имеется 50 единиц оборудования, а норматив обслуживания составляет 10 единиц на одного ремонтного рабочего, значит, в цехе необходимо иметь пять ремонтников. Точно так же, когда финансовый менеджер принимает решение об инвестировании свободных средств в государственные ценные бумаги, он выбирает между различными видами облигаций в зависимости от того, какие из них обеспечивают в данное время наибольшую прибыль на вложенный капитал. Выбор производится на основе простого расчета конечной доходности по каждому варианту и установления самого выгодного.
Формализация принятия решений повышает эффективность управления в результате снижения вероятности ошибки и экономии времени: не нужно заново разрабатывать решение каждый раз, когда возникает соответствующая ситуация. Поэтому руководство организаций часто формализует решения для определённых, регулярно повторяющихся ситуаций, разрабатывая соответствующие правила, инструкции и нормативы.
В то же время в процессе управления организациями часто встречаются новые, нетипичные ситуации и нестандартные проблемы, которые не поддаются формализованному решению. В таких случаях большую роль играют интеллектуальные способности, талант и личная инициатива менеджеров.
Конечно, на практике большинство решений занимает промежуточное положение между этими двумя крайними точками, допуская в процессе их разработки как проявление личной инициативы, так и применение формальной процедуры. Конкретные методы, используемые в процессе принятия решений, рассмотрены ниже.
· Количество критериев выбора .
Если выбор наилучшей альтернативы производится только по одному критерию (что характерно для формализованных решений), то принимаемое решение будет простым, однокритериальным. И наоборот, когда выбранная альтернатива должна удовлетворять одновременно нескольким критериям, решение будет сложным, многокритериальным. В практике менеджмента подавляющее большинство решений многокритериальны, так как они должны одновременно отвечать таким критериям, как: объем прибыли, доходность, уровень качества, доля рынка, уровень занятости, срок реализации и т.п.
· Форма принятия решений .
Лицом, осуществляющим выбор из имеющихся альтернатив окончательного решения, может быть один человек и его решение будет соответственно единоличным. Однако в современной практике менеджмента всё чаще встречаются сложные ситуации и проблемы, решение которых требует всестороннего, комплексного анализа, т.е. участия группы менеджеров и специалистов. Такие групповые, или коллективные, решения называются коллегиальными. Усиление профессионализации и углубление специализации управления приводят к широкому распространению коллегиальных форм принятия решений. Необходимо также иметь в виду, что определённые решения и законодательно отнесены к группе коллегиальных. Так, например, определённые решения в акционерном обществе (о выплате дивидендов, распределении прибыли и убытков, совершении крупных сделок, избрании руководящих органов, реорганизации и др.) отнесены к исключительной компетенции общего собрания акционеров. Коллегиальная форма принятия решении, разумеется, снижает оперативность управления и “размывает” ответственность за его результаты, однако препятствует грубым ошибкам и злоупотреблениям и повышает обоснованность выбора.
· Способ фиксации решения.
По этому признаку управленческие решения могут быть разделены на фиксированные, или документальные (т.е. оформленные в виде какого либо документа - приказа, распоряжения, письма и т.п.) , и недокументированные (не имеющие документальной формы, устные). Большинство решений в аппарате управления оформляется документально, однако мелкие, несущественные решения, а также решения, принятые в чрезвычайных, острых, не терпящих промедления ситуациях, могут и не фиксироваться документально.
· Характер использованной информации . В зависимости от степени полноты и достоверности информации, которой располагает менеджер, управленческие решения могут быть детерминированными (принятыми в условиях определённости) или вероятностными (принятыми в условиях риска или неопределённости). Эти условия играют чрезвычайно важную роль при принятии решений, поэтому рассмотрим их более подробно.
Детерминированные и вероятностные решения.
Детерминированные решения принимаются в условиях определённости, когда руководитель располагает практически полной и достоверной информацией в отношении решаемой проблемы, что позволяет ему точно знать результат каждого из альтернативных вариантов выбора. Такой результат только один, и вероятность его наступления близка к единице. Примером детерминированного решения может быть выбор в качестве инструмента инвестирования свободной наличности 20 % - ных облигаций федерального займа с постоянным купонным доходом. Финансовый менеджер в этом случае точно знает, что за исключением крайне маловероятных чрезвычайных обстоятельств, из-за которых правительство РФ не сможет выполнить свои обязательства, организация получит ровно 20 % годовых на вложенные средства. Подобным образом, принимая решение о запуске в производство определённого изделия, руководитель может точно определить уровень издержек производства, так как ставки арендной платы, стоимость материалов и рабочей силы могут быть рассчитаны довольно точно.
Анализ управленческих решений в условиях определенности это самый простой случай: известно количество возможных ситуаций (вариантов) и их исходы. Нужно выбрать один из возможных вариантов. Степень сложности процедуры выбора в данном случае определяется лишь количеством альтернативных вариантов. Рассмотрим две возможные ситуации:
а) Имеется два возможных варианта;
В данном случае аналитик должен выбрать (или рекомендовать к выбору) один из двух возможных вариантов. Последовательность действий здесь следующая:
· определяется критерий по которому будет делаться выбор;
· методом “ прямого счета ” исчисляются значения критерия для сравниваемых вариантов;
Возможны различные методы решения этой задачи. Как правило они подразделяются на две группы:
методы основанные на дисконтированных оценках;
методы, основанные на учетных оценках.