Такое направление исследований фактически было продолжено в статистической теории решений. В теории выборки нас интересует оптимальный размер выборки (а в случае последовательной выборки — когда прекратить обследование), и мы хотим оценить эффективность различных приемов выборки. Последняя проблема более проста, так как мы можем сравнить относительные затраты альтернативных вариантов, которые имеют одинаковые ошибки выборки, и поэтому есть возможность избежать оценки значимости информации. Однако некоторый прогресс был достигнут в области оценки значимости повышенной точности прогнозов в тех ситуациях, когда прогноз должен быть сделан в отношении формальных правил принятия решений в ситуациях выбора. [c.63]
Оптимальный размер выборки [c.151]
Хотя эта формула и не особенно удобна для вычисления оптимального размера выборки, она подтверждает некоторые интуитивные предположения о проблеме [c.152]
Введя затраты на закупку и доход от продажи, преобразуйте однопериодную модель в модель максимизации прибыли. Найдите выражение для оптимального размера выборки. [c.166]
Рассмотрите задачу определения мощности нового завода в условиях неопределенности относительно спроса на его продукцию. Предположим, что имеются фиксированные затраты, которые пропорциональны мощности завода, и затраты из-за нехватки, которые зависят от величины, на которую спрос превосходит мощность. Покажите, как может быть сформулирована эта проблема, и найдите выражение для оптимального размера выборки. [c.166]
Обратитесь к обсуждению проблемы настройки средней величины в производственном процессе, если продукт должен удовлетворять некоторым техническим условиям. Предположите, что затраты при нарушении обеих границ технологических допусков одинаковы. Получите выражение для оптимального размера выборки в этом случае. [c.166]
В случае квадратичной структуры затрат выражение для оптимального размера выборки может быть получено непосредственно. Рассмотрим ожидаемый чистый выигрыш от получения выборочной информации как функцию размера выборки. Затраты на осуществление выборки полагаются просто пропорциональными размеру выборки. Итак, [c.192]
Фирма закупает материалы партиями объема L единиц. Когда партия получена, из нее берется выборка размером п, и каждое изделие из выборки проверяется на пригодность. На основе этой проверки приобретается или отвергается вся партия. Фирма полагает, что с каждым принятым негодным изделием, с каждым отвергнутым годным изделием и с каждым изделием, подвергнутым проверке, связаны свои особые затраты. Опишите анализ, необходимый для определения оптимального размера выборки, которым следовало бы пользоваться фирме. [c.203]
Размер выборки должен быть оптимальным с учетом того, что риск выборочной проверки состоит в том, что мнение аудитора, полученное на ее основе, может отличаться от мнения, составленного на основе изучения всей совокупности документов и данных. [c.200]
В отношении имитации интересен тот факт, что размер тестового окна будет оказывать большое влияние на темп торговли и результаты тестирования. Меньшее тестовое окно может давать адекватный размер выборки для краткосрочной и более активной торговой системы. К тому же, большинство краткосрочных систем не будут эффективны на большом тестовом окне, поскольку рыночные паттерны меняются чаще, чем параметры этих систем. Например, оптимальные краткосрочные тренды могут менять направление в течение 3-6 дней. И наоборот, только более крупное тестовое окно может давать адекватный объем [c.69]
Эта величина не зависит ни от конкретного значения наблюдаемого среднего для произведенной выборки, ни от апостериорной средней величины т, а только от размера выборки. Другими словами, апостериорно ожидаемые затраты, связанные с оптимальной стратегией, будут.одинаковыми для всех выборок размера п. Обратите внимание на то, что оптимальный уровень запаса, основанный на апостериорной информации, разумеется, зависит от тро и ms. Ожидаемые же затраты зависят только от дисперсии распределения спроса. Таким образом, только что вычисленные апостериорные ожидаемые затраты являются также априорной ожидаемой величиной апостериорных ожидаемых затрат, [c.151]
При работе с нейронными сетями опасения относительно излишнего обучения, или генерализации, соответствуют опасениям относительно излишней подгонки под исторические данные. Если выборка достаточно объемиста и представительна, повышается вероятность отражения в найденных оптимальных параметрах реальных характеристик рынка, что полезно для реальной работы системы. Если же выборка мала, модель практически гарантированно будет настроена на особенности выборки, но никак не на особенности рынка в целом. Для нейронных сетей успех генерализации означает то же, что для других систем, — устойчивость в будущем и также сильно зависит от размеров выборки, использованной для обучения сети. Чем больше выборка или чем меньше количество весов связей (т.е. параметров), тем выше вероятность удачной генерализации. Это также можно доказать математически путем разбора несложных примеров. [c.74]
Метод пошаговой регрессии не позволяет выводить оптимальные уравнения регрессии с точки зрения получения наибольшего коэффициента детерминации для данного числа предикторов [23]. Из-за корреляций между предикторами важная переменная может никогда не быть включена в уравнение, а переменные будут введены в уравнение. Чтобы определить оптимальное уравнение регрессии, желательно просчитать варианты, в которых анализируются все возможные комбинации. Несмотря на это, пошаговая регрессия в ситуации, когда размер выборки велик по сравнению с количеством предикторов, как это показано примере. [c.668]
Так, решив задачу для деталей с различными технологическими маршрутами размером 6X6, взятую у Г. Фишера и Г. Л. Томпсона,1 получили последовательность обработки деталей на каждом станке, обеспечившую 55 единиц времени.2 Г. Фишер и Г. Томпсон указывают, что выборка, составленная из 5000 действующих планов, полученная с помощью процедуры Монте-Карло, дала план, выполнение которого заканчивается за 58 единиц времени, и такой план был получен один раз. Когда же эту задачу предложили как учебную группе студентов, изучающих организацию производства, то был найден план, выполнение которого заканчивается за 55 единиц времени. После изучения с учетом требований к нижней границе план был признан оптимальным. [c.121]
На фондовых рынках многих стран применяются различные индексы. На российском фондовом рынке индексы стали применяться с 1992 года. В настоящее время многие информационные агентства предлагают собственные фондовые индексы, рассчитываемые по разнообразным методикам и основанные на выборках различного размера. Однако зти индексы не получили всеобщего признания. Основной причиной, препятствующей признанию уже существующих индексов, можно считать существенные различия и неоднородность структур промышленности в различных регионах России и, как следствие, незначительную представительность предприятий, выбранных для расчетов. Поэтому наиболее оптимальным выходом из положения можно считать создание совокупности фондовых индексов, рассчитываемых для предприятий и отраслей отдельного региона. [c.428]
Однако, как и предыдущее исследование, данное исследование заканчивается словами ...Много еще должно быть сделано как в области эмпирических исследований, так и в области построения теоретических моделей оптимальной структуры капитала . Проще говоря, этим исследователям так и не удалось получить четкую картину факторов, которые влияют на выбор структуры капитала компаний. Ставки налогов, деловые риски, объем материальных активов, размер компании (измеряемый через объем продаж), прибыль на активы, коэффициент отношения рыночной стоимости компании к балансовой -все эти факторы оказывали влияние на структуру капитала компаний, попавших в выборку, но влияние это было крайне незначительным. То, что действительно определяло структуры капитала компаний, осталось за кадром исследования. [c.177]
Исполнительная часть выборки заключается в получении требуемых элементов выборки для дальнейшего исследования. Сюда могут входить предварительное информирование (упреждение), поддержка со стороны административных органов (например, правительственных учреждений, руководящего персонала), а также система денежного и иного стимулирования. Наряду с этим, здесь требуются большие усилия проводящих выборку. В частности, необходимы повторные усилия для связи с объектами выборки (повторные звонки с целью завершения опроса), которые позволяют повысить процент ответных реакций данной выборки. Оптимальное число повторных звонков определить непросто, поэтому обычно лучше иметь выборку несколько меньших размеров и больший процент ответов, чем наоборот. В противном случае вопросы о предвзятости ответных реакций (чем, например, объясняется отказ от участия в выборке отсутствием интереса к продукции ) ставят интерпретацию результатов под серьезное сомнение. [c.150]
Когда производится только последовательная обработка файла, оптимальный (с точки зрения минимального времени доступа) размер блока должен быть наиболее крупным из возможных когда происходит только выборка одиночных записей, оптимальными являются блоки размером в одну запись. [c.178]
На этом примере иллюстрируется использование идей, высказанных в предыдущих главах. Предполагается, что начальное распределение доли дефектных образцов в партии описывается р-распределением. Производится преда-постериорный анализ, определяется стоимость полной и выборочной информации. При квадратичной функции затрат определяется оптимальный размер выборки. Оцениваются возможности, которые образуются при последовательном проведении выборок. [c.9]
Читателю было бы полезно рассмотреть выражение для производной ENGSI и выяснить, какие сходные утверждения могут быть сделаны относительно чувствительности ENGSI по отношению к размеру выборки. Обратите внимание также на то, что стоимость выборки может оказаться настолько большой, что оптимальный размер выборки будет равен нулю. [c.152]
При первой попытке применить для анализа индивидуальных рынков нейронную сеть (Katz, M ormi k, ноябрь 1996) мы пришли к выводу о полной бесполезности такого подхода. Поведение некоторых из проведенных сейчас тестов вне пределов выборки немного обнадеживает по сравнению с нашим опытом исследования простых нейронных сетей. Эти результаты, почти несомненно, обусловлены большим количеством точек данных в обучающем наборе, включающем все рынки в составе портфеля, а не какой-либо один рынок. В общем, чем больше выборка, используемая для обучения (или оптимизации), тем больше вероятность сохранения положительной эффективности вне ее пределов. Увеличить размер выборки можно, используя более старые данные, что вполне возможно для ряда включенных в наше исследование рынков. Кроме того, можно ввести в портфель дополнительные рынки, что, возможно, представляет собой оптимальный способ улучшения обучающего набора. [c.281]
Если такая информация получена, скажем, в форме среднего значения для выборки, мы можем преобразовать априорное распределение в апостериорное. Это в свою очередь позволяет получить апостериорное распределение спроса и вычислить оптимальный уровень запасов. Для выборки размером п апостериорные ожидаемые затраты при оптимальнм уровне запасов имеют вид [c.151]