|
Лингвистических переменных
Это эквивалентно определению коэффициентов линейного уравнения регрессии для новых переменных:
Расчет себестоимости на основе корреляционных зависимостей между себестоимостью и какими-либо параметрами изделия можно выразить либо в виде линейного уравнения
Линейный регрессионный анализ — это математический метод, используемый для вывода линейного уравнения совокупных затрат: у = а + Ьх, где у — совокупные затраты; а — постоянные затраты; Ъ — удельные переменные затраты; х — объем деятельности. Значения а и Ъ рассчитываются по следующим формулам:
Первым этапом построения тренда является выбор типа аналитической функции. В нашем примере основанием для применения линейного уравнения в качестве трендовой модели является существующая тенденция снижения уровня процентных ставок без наличия каких-либо осциллятивных колебаний.
8.6. ПРИМЕНЕНИЕ ПАРНОГО ЛИНЕЙНОГО УРАВНЕНИЯ РЕГРЕССИИ
Свободный член линейного уравнения регрессии
8.6. Применение парного линейного уравнения регрессии 250
Уравнения регрессии легко строятся с помощью персонального компьютера или специализированного финансового калькулятора. При отсутствии технических средств коэффициенты регрессии для простейшего случая — однофакторного линейного уравнения регрессии вида у = а + Ьх — можно найти по формулам:
Вторая графа таблицы содержит данные о цене спроса, соответствующие количеству возможной реализации изделий. Функция спроса от цены получена на основе линейного уравнения:
Поэтому уравнение регрессии (3.2) будем искать в виде линейного уравнения
Коэффициенты регрессии рекомендуется определять с помощью аналитических пакетов для персонального компьютера или специального финансового калькулятора. В наиболее простом случае коэффициенты регрессии однофакторного линейного уравнения регрессии вида у - а + Ьх можно найти по формулам:
3.Формализация описания качества показателей нижнего уровня с помощью лингвистических переменных. Для построения функций принадлежности привлекаются эксперты [9]. Лингвистическая переменная характеризуется набором параметров Р, Т, X, G, М, где (3 -наименование лингвистической переменной; Т - множество ее значений (терм-множество); G - семантическая процедура, позволяющая оперировать элементами терм-множества; X - область определения; М -семантическая процедура, позволяющая превратить каждое новое значение лингвистической переменной, образуемое процедурой G, в новое значение.
В качестве оценки риска банкротства введем лингвистическую переменную "Степень риска банкротства" со значениями {наивысшая, высокая, средняя, низкая, незначительная}. Взаимно однозначное соответствие лингвистических переменных "Состояние предприятия" и "Степень риска банкротства" задано в таблице.
Соответствие лингвистических переменных "Состояние предприятия" и "Степень риска банкротства"
В этой связи при описании диалоговых процедур представляет интерес разработка моделей с использованием понятий теории нечетких множеств и лингвистических переменных [117, 118]. Подход, предложенный Л. Заде, опирается на предпосылку, что элементами мышления человека являются не числа, а элементы некоторых нечетких множеств или классов объектов, для которых переход от „принадлежности к множеству" к „непринадлежности" не скачкообразен, а непрерывен в диапазоне [0,1 ). Процессу мышления человека присуща нечеткость, и в этой связи оценки субъекта целей и ограничений, с которыми он оперирует, также нечетки или же лишены количественных характеристик. Неформализованная, субъективная информация, порождаемая сложными и неструктуризованными системами, составным элементом которых является человек, описывается в терминах теории нечетких множеств.
Квантификация лингвистических переменных осуществляется на основе субъективных представлений ЛПР о величинах изменений компонентов, достаточных для преобразования одной ситуации в другую с учетом разрешающей способности системы.
Хотя нечеткая логика может явно использоваться для представления знаний эксперта с помощью правил для лингвистических переменных, обычно требуется очень много времени для конструирования и настройки функций принадлежности, которые количественно определяют эти переменные. Нейросетевые методы обучения автоматизируют этот процесс и существенно сокращают время разработки и затраты на нее, улучшая при этом параметры системы.
Нечеткое правило связывает значения лингвистических переменных. Примером такого правила может быть, например, следующее.
3. Формализация описания качества показателей нижнего уровня с помощью лингвистических переменных. Для построения функций принадлежности привлекаются эксперты [37]. Лингвистическая переменная характеризуется набором параметров (3, Т, X, G, М, где (3 - наименование лингвистической переменной; Т - множество ее значений (терм-множество); G - симантическая процедура, позволяющая оперировать элементами терм-множества; X - область определения; М - симантическая процедура, позволяющая превратить каждое новое значение лингвистической переменной, образуемое процедурой G в новое значение.
описанию, опираются на использование лингвистических переменных и не-
Введем следующий набор лингвистических переменных со своим
где aj, Xj -значения своих лингвистических переменных, 0j -значение
Лидерского поведения Ликвидация дебиторской Ликвидацией последствий Ликвидации имущества Ликвидации предприятия Ликвидации задолженности Ликвидационной стоимости Ликвидируемого предприятия Лечебного учреждения Ликвидность предприятия Ликвидности инвестиций Ликвидности оборотные Ликвидности отдельных вывоз мусора снос зданий
|
|
|
|
Навигация
