https://wiki.basaga.org/api.php?action=feedcontributions&feedformat=atom&user=Krasimira+racheva 2026-07-28T13:09:26Z Потребителски приноси MediaWiki 1.35.0 https://wiki.basaga.org/index.php?title=%D0%94%D1%8A%D1%80%D0%B6%D0%B0%D0%B2%D0%BD%D0%B8_%D1%86%D0%B5%D0%BD%D0%BD%D0%B8_%D0%BA%D0%BD%D0%B8%D0%B6%D0%B0&diff=2033 2012-01-25T16:09:48Z

<p>Krasimira racheva: </p> <hr /> <div>'''Държавните ценни книжа''' (ДЦК) обслужват [[вътрешен дълг|вътрешния]] и [[външен дълг|външния дълг]] на държавата. Те се емитират за финансиране на [[бюджетен дефицит|бюджетния дефицит]] на страната. Всички ДЦК са гарантирани от държавата и ще бъдат изплатени на датата на падежа им по номиналната стойност, независимо от цената на покупката им.<br /> Към ДЦК принадлежат [[спестовна облигация|спестовните облигации]], [[съкровищен бон|съкровищните бонове]], съкровищните [[полица|полици]] и съкровищните [[облигация|облигации]]. Според начина на емитиране те биват '''налични'' и '''безналични'''. Според начина на формиране на дохода те биват '''сконтови и '''лихвоносни'''.Също така се формират и според вида на дохода. [[Брейди облигации]]те са държавни ценни книжа, които са издадени в замяна на част от [[външен дълг|външния дълг]] на България. <br /> <br /> <br /> ==Същност и характерни особености ==<br /> <br /> Държавните ценни книжа представляват задължение на държавата. Те са прехвърлими документи и права, които могат да бъдат предлагани публично. ДЦК имат дефинирана [[доходност]] и [[падеж]]. Под държавни ценни книжа / ДЦК / най-общо се разбират всички дългови ценни книжа емитирани от държавата. Чрез издаването им правителството набира необходимите за нормалното му функциониране средства, които се превръщат в [[държавен дълг]]. Този дълг е секюритизиран (материализиран и лесно прехвърлим) и представлява договорно задължение на [[емитент]]а към инвеститорите да плати основната сума и [[лихва|лихвите]] на падежа. <br /> <br /> ДЦК материализират [[заем]]ите, които държавата в лицето на правителството тегли и ползва за определен период от време. Те материализират парично вземане за техните притежатели с размер номиналната стойност на книгата. Всяка ДЦК се издава за точно определен срок. Времето от деня на издаване до деня на падежа (деня, в който ще се изплати заема) се нарича [[матуритет]]. Той варира от 1 месец до няколко години. Номиналната стойност представлява една част от заема, който титулярът на книжата е предоставил на държавата. Обикновено тя е цяло число кратно на 100 или 1 000 парични единици. [[Лихвен процент|Лихвеният процент]] е своеобразна цена на получения от държавата заем. Лихвата по ДЦК често е под формата на [[купон]]и които отразяват процента за определен период - за 6 месеца , за 1 година и т. н. <br /> <br /> <br /> ==Предназначение на ДЦК==<br /> <br /> Предназначението на ДЦК е да финансират [[бюджетeн дефицит|бюджетния дефицит]], да финансират някакво мероприятие, да покрият натрупания от кредити държавен дълг. По своя характер те са високоликвидни, като изплащането им на падежа е гарантирано с пълната законодателна сила на държавата. Това тяхно качество им придава [[статут]] на доминиращ инструмент на финансовите пазари. ДЦК заемат висок относителен дял в [[борсова търговия|борсовата търговия]]. В някои развити страни сделките с тях достигат до 80% от [[оборот]]а на пазарите.<br /> <br /> Освен като инструмент за управление на ликвидността преди всичко на търговските банки, те са атрактивно инвестиционно направление на институционалните инвеститори от типа [[пенсионен фонд|пенсионни]] и [[инвестиционен фонд|инвестиционни]] фондове.<br /> <br /> Държавните ценни книжа, представляващи [[дълг]] на държавата, се смятат за най-ниско рисковите инвестиции, тъй като са гарантирани с пълната законодателна сила на правителството. Това качество ги прави доминиращ инструмент на финансовите пазари. Инвестициите в ДЦК и доходите от тях са данъчно защитени, което е още една тяхна привлекателна характеристика.<br /> <br /> <br /> ==Видове ДЦК ==<br /> <br /> Към ценните книжа, емитирани от правителството, принадлежат спестовните облигации, съкровищните бонове, съкровищните полици и съкровищните облигации (вътрешен и външен дълг)<br /> <br /> ===Според срочността на емисиите ===<br /> <br /> В страните с развита пазарна икономика се емитират три основни вида ДЦК краткосрочни (treasury bills), средносрочни (treasury notes) и дългосрочни (treasury bonds). Разликата между тях е в срока, за който са издадени, и начина на определяне на дохода. <br /> <br /> '''Краткосрочни''' - до 1 г. ценни книжа с [[матуритет]] най-много до 1 година или съкровищни бонове. По правило те се продават с отстъпка от [[номинал]]а, като точните дати за провеждането на аукционите на краткосрочните ДЦК се съобщават ежемесечно по предварително разработена схема (календар на емисиите).<br /> <br /> '''Средносрочни''' - от 1 до 5 г.Наричат се още съкровищните [[полицa|полици]].Те се причисляват към групата на лихвоносните държавни ценни книжа. Те се водят по безналичен начин по сметките на [[търговска банка|ТБ]] и други финансови институции и в наличен вид (на приносител). Удобни за продажба на държавни, частни фирми и домакинства. Имат матуритет над 1 година и до 10 години включително. За разлика от съкровищните бонове те изплащат полугодишна [[лихва]] на [[приносител]]я си. Според лихвения процент те биват: <br /> * Съкровищни полици с фиксиран лихвен процент (При съкровищните полици с фиксиран лихвен процент лихвите се плащат на полугодие.)<br /> * Съкровищни полици с плаващ лихвен процент <br /> <br /> '''Дългосрочни''' - над 5 г. Наричат се още [[съкровищнa облигациия|съкровищни облигациии]] са почти са идентични със средносрочните ДЦК с тази разлика, че са с матуритет над 10 години. Доходът по тях също се изразява във вид на фиксиран или плаващ лихвен процент, който се изплаща на полугодие. Продажбата им се осъществява чрез конвенционален [[ценови аукцион]]. По своя характер те представляват дългосрочни вземания на правителството в лицето на Министерство на финансите и се емитират на три месеца по предварително определена схема. <br /> <br /> ===Според начина на емитиране ===<br /> <br /> * [[Налични ДЦК]]- тe притежават всички особености на ценна книга. По своята същност те са документ за материализирани права, издаден от държавата. Издават се във физически вид с отпечатване на съответните реквизити. Този вид държавни ценни книжа, обаче са по-слабо защитени от фалшифициране и са свързани с големи разходи за отпечатване, които се поемат от държавата. <br /> * [[Безналични ДЦК]]- характеризират се с ниски разходи при емитирането, по-голямо удобство при съхранение и по-висока сигурност срещу [[фалшификация|фалшифициране]]. Това са ценни книги, които се притежават от определен брой крупни [[инвеститор]]и и е по-добре да се водят безналично по [[регистър|регистри]], определени за тази цел в БНБ чрез т.нар. Book-entry system. По този начин се намалява рискът от забавяне на плащанията, което увеличава доверието у инвеститорите. Освен това се намалява [[риск]]ът от фалшифициране и се намаляват разходите по отпечатване на книжата. Съкратените разходи и процедури по безналичните ценни книжа улесняват първичното им разпределение и [[сделкa|сделките]] с тях. <br /> <br /> ===Според начина на формиране на дохода ===<br /> <br /> * [[Сконтови ДЦК]] Доходността на сконтовите съкровищни бонове се формира от отстъпката от [[номинал]]а. Носят доход на притежателя си под формата на [[сконто]] (разликата между покупната цена и номинала в деня на падежа). Към тази група ДЦК спадат съкровищните бонове, които се издават с [[матуритет]] една година. <br /> <br /> * [[Лихвоносни ДЦК]] Доходността на лихвоносните съкровищни бонове и облигации се формира от начислената лихва. Продават се по номинал или под номинала (с [[премия]]). <br /> <br /> * [[Сконтови-лихвоносни ДЦК]] Доходът при тях се получава под формата на лихва и под формата на отстъпка. В условията за провеждане на аукцион за този вид ценни книжа [[Международен Валутен Фонд|МФ]] (в лицето на [[Българска Народна Банка|БНБ]]) посочва, както отстъпката от номинала, така и лихвения процент, който носят. <br /> <br /> ===Според вида на дохода ===<br /> <br /> * [[ДЦК с фиксирана доходност]]- Дохода не се променя и е равен на посочената [[доходност]] на емисията.<br /> <br /> * [[ДЦК с плаваща доходност]] биват:<br /> - Базирана на ОЛП ([[основен лихвен процент]]) - доходността се променя съобразно измененията на ОЛП<br /> - Базирана на ИПЦ ([[индекса на потребителскa ценa]]) - доходността се формира от стойността на ИПЦ и допълнителна премия .<br /> <br /> <br /> ==Вижте също ==<br /> <br /> * [[репо сделки]]<br /> * [[брейди облигации]]<br /> * [[корпоративни облигации]]<br /> <br /> <br /> ==Източници==<br /> <br /> * Месечен бюлетин, “Държавни заеми и ценни книжа” - 1991-1997 г., изд. МФ и БНБ, гр. София<br /> * Иванка Петкова, “Сделки с ценни книжа”, 1993г.<br /> <br /> <br /> ==Външни препратки==<br /> <br /> [http://www.bnb.bg Българска народна банка]<br /> <br /> [http://www.referatite.com/DTcK_vidove-13.html Видове ДЦК]<br /> <br /> <br /> [[category:Финансови пазари и инструменти]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D1%8A%D1%80%D0%B2%D0%BE_%D0%BD%D0%B0_%D1%80%D0%B5%D1%88%D0%B5%D0%BD%D0%B8%D1%8F%D1%82%D0%B0&diff=2032 2012-01-25T16:03:19Z

<p>Krasimira racheva: </p> <hr /> <div>[[Image:Manual_decision_tree.jpg|thumb|right|Дърво на решенията.]]<br /> <br /> '''Дървото на решенията''' е графичен [[метод]] за избор на [[алтернатива]] чрез изследване на последователни и взаимно свързани [[решения]] и [[резултат]]ите от тях.<br /> <br /> '''Дървото на решенията''' дава възможност за избор на рационално [[управленско решение]], когато за всяка алтернатива решенията са известни или могат да бъдат предвидени стойността на възможните резултати и [[вероятност]]ите за постигане на един или друг резултат.<br /> <br /> <br /> <br /> ==Общо==<br /> <br /> При анализирането на решението, &quot;дървото на решенията&quot; - и тясно свързаната с него схема, се използва като визуален и [[анализ|аналитичен инструмент]] за [[Вземане на решение|вземане на решения]], когато се изчисляват очакваните стойности (или очакваната полезност) на [[конкурент]]ните алтернативи.<br /> <br /> Дървото на решенията обикновено се изработва на ръка, както е показано на картината:<br /> <br /> <br /> Дървото на решенията е [[граф]], изграден от два типа '''възли''':<br /> <br /> # възел – решение<br /> # възел – резултат<br /> <br /> и от “''клони''”, които свързват възлите.<br /> <br /> <br /> <br /> ===Възли – решения===<br /> <br /> Възлите – решения са точките, при които са налице [[алтернативa|алтернативи]], измежду които следва да се вземе решение на база изчисление на очаквания [[резултат]].<br /> <br /> ===Възли – резултати===<br /> <br /> Възлите – резултати са точките, при които дървото на решенията се разклонява на база различните възможни резултати от предприетите действия.<br /> <br /> <br /> <br /> ==Процедура и логически правила при вземане на решения при използване на „дървото на решенията”:==<br /> <br /> <br /> Алгоритъмът за избор на решение по метода “дърво на решенията” се състои от две фази:<br /> <br /> * конструиране на дървото<br /> * изчислителна фаза<br /> <br /> ===I фаза – конструиране на дървото:===<br /> 1. Разчертава се дървото на решенията, като последователно от ляво на дясно се изобразяват възлите – решения и възлите – резултати. Отразява се [[логика|логическата]] връзка между действията и тяхнатa [[хронология|хронологична]] последователност.<br /> <br /> 2. Оценяват се [[вероятност]]ите за всеки от “клоните” на дървото, излизащи от възлите – резултати. Възможно е някои от вероятностите да не са зададени по условие. Тогава те трябва да бъдат изчислени допълнително.<br /> <br /> ===II фаза – изчислителна:===<br /> <br /> 1. Изчислява се очакваната стойност на [[доход]]а за всеки от възлите – резултати, като се имат предвид възможните доходи и вероятностите за получаване на всеки от възможните доходи, асоциирани с “клоните” на дървото. Изчисленията се правят от дясно наляво.<br /> <br /> 2. Когато се достигне до възел – решение се прави [[избор на решение]], при което се избира “клонът” с по-висок [[очакван доход]].<br /> <br /> <br /> ==Пример:==<br /> <br /> [[Image:Investment decision Insight.png|thumb|right|Примерно дърво на решенията|]]<br /> <br /> Дървото на решенията може да бъде използвано за оптимизиране на [[Инвестиционен портфейл|инвестиционния портфейл]]. Следващият пример показва портфейл от 7 инвестиционни възможности (проекти). Организацията притежава 10.0 милиона щатски долара на разположение за цялата [[инвестиция]]. Удебелените линии показват най-добрата селекция 1, 3, 5, 6 и 7, което ще струва 9.75 милиона щатски долара и на финала ще има доходност 16 175 000 щатски долара. Всяка друга комбинация или ще надвишава бюджета или ще има по-ниска доходност на финала.<br /> <br /> <br /> <br /> ==Виж също==<br /> <br /> * [[Теория на игрите]]<br /> <br /> * [[Теория на решенията]]<br /> <br /> <br /> <br /> ==Външни препратки ==<br /> <br /> * [http://zamunda.pomagalo.com/download/49119/ Моделиране на решенията и анализ - помощен материал за студенти и ученици]<br /> <br /> <br /> [[category:Управленски решения и риск|Управление на операциите|Методи за изследване в бизнеса]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%BE%D0%BF%D1%83%D1%81%D0%BA%D0%B0%D0%BD%D0%B5&diff=2028 2012-01-25T15:26:52Z

<p>Krasimira racheva: </p> <hr /> <div>В [[логика]]та '''допускането''' (на англ. [[assumption]]) е [[твърдение]]то, което се приема за даденост, както ако е вярно основано на [[презумпция]]та, без превес на [[факт]]ите.<br /> <br /> <br /> ==Концепция:==<br /> <br /> Допусканата отговорност, учение в духовността и в областта на личното развитие, е приела, че всеки човек има съществена или пълна отговорност за събития и обстоятелства, които го сполетяват през живота му.<br /> <br /> <br /> Допускането може да се отнася и до:<br /> <br /> * В логиката, допускането е [[твърдение]], което може да бъде използвано за доказване на допълнителни предложения, с надеждата, че допускането ще бъде приключено своевременно, като докаже предложението чрез отделен аргумент.<br /> * Математическото моделиране може да се използва като карта на резултатите от различните [[хипотезa|хипотези]] за системата, която се моделира.<br /> * Допусканото [[презастраховане]] е форма на презастраховане, при която на [[презастраховател]]ят се преотстъпва да замести [[застраховател]]я и става пряко отговорен за политиката на вземания.<br /> * Във [[вещно право|вещното право]] допускането е [[ипотечeн трансфер|ипотечният трансфер]] от [[продавач]]а на [[купувач]]а.<br /> * В [[бизнес планиране]]то и [[бизнес план]]овете, допускането е твърдението за някаква характеристика на бъдещето, което е в основата на текущите операции и планове на организацията.<br /> * Допускане (Покер), измислен вид покер, при който се използват [[Таро карти]]. Той се появява в романа ''Последно повикване'' от [[Тим Пауърс]].<br /> <br /> <br /> <br /> ==Допускане в регресионния анализ==<br /> <br /> <br /> <br /> ===Класическите допускания за регресионния анализ включват:===<br /> <br /> * Пробата е представителна за населението, за да се направи [[прогноза]].<br /> * Грешката е [[случайна величина]] със средна, равна на нула в [[зависимост]] от обяснимите [[променлива|променливи]].<br /> * [[независима променлива|Независимите променливи]] се измерват без [[грешка]]. (Забележка: Ако това не е така, [[моделиране]]то може да се направи като вместо това се използва грешки-в променливите технически модели).<br /> * Прогнозите са линейно независими, т.е. не е възможно да се изразят всички прогнози като [[линейна комбинация]] на останалите. Вижте [[мултиколинеарност]] (на англ.[[Multicollinearity]]).<br /> * Грешките не са свързани помежду си, което означава, че [[вариация]]та-[[ковариация]]та на [[матрица]]та на грешки е [[диагонална матрица|диагонална]] и всеки ненулев [[елемент]] представлява [[отклонение]]то на грешката.<br /> <br /> <br /> <br /> Това са достатъчни условия за [[метод на най-малките квадрати]] за оценка и по-специално, тези [[допускане|допускания]] предполагат, че оценките на [[параметър]]а ще бъдат безпристрастни, последователни и ефективни в класа на линейните безпристрастни оценки. Важно е да се отбележи, че актуалните [[данни]], рядко отговаря на предположенията. Това означава, че този метод се използва, въпреки че [[предположение|предположенията]] не са верни. Промените в допусканията понякога могат да се използва като мярка за това колко далеч отстои даден модел от това да бъде полезен.<br /> <br /> Допусканията включват геометрична подкрепа на променливите необходимо изясняване (Cressie, 1996). Независимите и зависими променливи често се отнасят до [[стойност]]ите, измерени в точките на установяване на местоположението. Възможно е да има пространствени [[тенденция|тенденции]] и пространствени [[автокорелация|автокорелации]] на променливите, които нарушават статистическите предположения на [[регресия]]та.<br /> <br /> ===Допускане в линейния регресионен анализ===<br /> <br /> <br /> * В линейният регресионен анализ съществуват две основни допускания , които са общи за всички методи за приблизителна оценка. <br /> <br /> Дизайнът на [[матрица]] X трябва да има пълен [[ранг]] на колони p. За това трябва да се приеме n &amp;gt; p, където n е размера на [[извадка]]та (това е необходимо, но недостатъчно условие). Ако това условие липсва имаме мултиколинеарна [[регресия]]. В този случай векторния [[параметър]] β ще бъде не идентифициран - най-много ще може да се ограничите до стойност на някое линейно подпространството на Rp.<br /> <br /> Разработени са методи за монтиране на линейни модели с мултиколинеарност, но се нуждаят от допълнителни допускания, такива като &quot;ефекта рядкост&quot; - голяма част от ефектите са точно нула.<br /> <br /> Просто твърдение е, че трябва да има достатъчно налични данни в сравнение с броя на параметри, които ще бъдат прогнозирани. Ако има твърде малко данни [[система]]та от уравнения ще има само едно [[решение]]. Вижте най-малките квадрати частична регресия.<br /> <br /> <br /> <br /> * Регресорите xi се предполага, че работят без грешка. Това е така, защото те не са „заразени” с измерените грешки. Въпреки че не е реалистично, допускането на това предположение води до значително по-трудни грешки-в-променливите модели (на англ. [[errors-in-variables models]]).<br /> <br /> Освен тези две допускания, няколко други статистически характеристики на данните силно влияят върху представянето на различните методи за оценяване:<br /> <br /> <br /> * Някои методи за приблизителна оценка се основава на липсата на [[корелация]], между n наблюдения [[image:Picture 1|(y_i,\, x_{i1}, \ldots, x_{ip}),\ i=1,\ldots,n]]. Статистическата независимост на наблюденията не е необходима, въпреки че могат да бъдат използвани, ако се знае, че притежават такава.<br /> * Статистическата връзка между грешните условия и регресията играе важна роля при определянето дали една процедура за оценка, е желателна за вземане на проби, като е безпристрастна и последователна.<br /> * Вариациите на грешните термини могат да бъдат равни на n единици („еднакво [[разсейване]]” или на англ. [[homoscedasticity]]) или да не бъдат („различно [[разсейване]]” или на англ. [[heteroscedasticity]]). Някои методи за оценка на линейната регресия дават по-малко точни резултати при оценката и водят до увеличаване количеството на [[стандартните грешки]], когато е налице различно разсейване или [[хетероскедастичност]].<br /> * Режимът, или [[вероятност]]ното разпределение на независимите променливи х оказва голямо влияние върху точността на прогнозите на β. [[Пробител]]ите и [[модел]]ите на [[експеримент]]ите са силно развити подполета на статистическите данни, които дават насоки за събиране на данните по такъв начин, че да се постигне прецизна оценка на β.<br /> <br /> <br /> ==Допускане при модел ==<br /> <br /> Допусканията са изходни данни, които се прилагат в бизнеса или във финансов модел. Допусканията често са бизнес шофьори във финансовия модел. Например, в корпоративния модел на разходите, могат да се включат допуснатите данни, като например разходите за възнаграждения, ценови листи, валутните курсове. Обикновено допуснатите данни са организирани в логически групи и се използват като допуснат модел, като например модела на [[разменeн курс|разменния курс]]. Това не само, че дава възможност за по-ефективно актуализиране на допуснатите данни, но и предоставя възможност и на другите модели да използват допуснатите данни по - лесно. Например, за да използват данни, обменен курс, просто връзката Курсове модел поемане на [[финансов модел]], който се нуждае от данни.<br /> <br /> Допускането при моделите може да се разглежда и в глобален [[аспект]]. Например, за да използвате Microsoft Office Excel за проследяване на разходите в строителния проект, вашата работна книга може да съдържа един работен лист за изграждане на съдебни разноски, както и друг за изграждане на лизингови разходи.<br /> <br /> Моделът на бизнес планирането използва модела на разположената рамка, която съответства на работната книга на Excel. При модела на бизнес [[планиране]]то, може да се запазят допусканията в глобалните модели и да се споделят допуснатите модели с финансовите модели. Допусканията на глобалните модели включват предварително определени размери.<br /> <br /> Глобалните допускания трябва да бъдат споделени и да се предоставят за ползване в определеното за модела място. Въпреки това допуснатите модели могат да се редактират само в местата, където са създадени.<br /> <br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> [http://www.alglib.net/dataanalysis/linearregression.php Линейна регресия]<br /> <br /> [http://www.ruf.rice.edu/~lane/stat_sim/reg_by_eye/ Онлайн симулации]<br /> <br /> [http://numericalmethods.eng.usf.edu/topics/linear_regression.html Линейна регресия]<br /> <br /> [http://www.dss.uniud.it/utenti/rizzi/econometrics_part1_file/restricted-reg.pdf Ограничена регресия, презентация]<br /> <br /> [http://msdn.microsoft.com/en-us/library/bb795286%28office.12%29.aspx Допускане при модел и как да го използваме]<br /> <br /> <br /> ==Източници==<br /> <br /> * Draper, N.R. and Smith, H. ''Applied Regression Analysis'' Wiley Series in Probability and Statistics (1998)<br /> * Francis Galton. &quot;Regression Towards Mediocrity in Hereditary Stature,&quot; ''Journal of the Anthropological Institute'',<br /> * Kaw, Autar; Kalu, Egwu (2008). &quot;Numerical Methods with Applications&quot;.<br /> * Cohen, J., Cohen P., West, S.G., &amp; Aiken, L.S. (2003). ''Applied multiple regression/correlation analysis for the behavioral sciences.'' (2nd ed.) Hillsdale, NJ: Lawrence Erlbaum Associates<br /> * [[Lindley, D.V.]] (1987). &quot;Regression and correlation analysis,&quot;<br /> * Chatfield, C. (1993) &quot;Calculating Interval Forecasts,&quot; ''Journal of Business and Economic Statistics''<br /> <br /> [[category:Управленски решения и риск|Методи за изследване в бизнеса|Управление на операциите]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%BE%D0%BF%D1%83%D1%81%D0%BA%D0%B0%D0%BD%D0%B5&diff=2027 2012-01-25T15:26:01Z

<p>Krasimira racheva: </p> <hr /> <div>В [[логика]]та '''допускането''' (на англ. [[assumption]]) е [[твърдение]]то, което се приема за даденост, както ако е вярно основано на [[презумпция]]та, без превес на [[факт]]ите.<br /> <br /> <br /> ==Концепция:==<br /> <br /> Допусканата отговорност, учение в духовността и в областта на личното развитие, е приела, че всеки човек има съществена или пълна отговорност за събития и обстоятелства, които го сполетяват през живота му.<br /> <br /> <br /> Допускането може да се отнася и до:<br /> <br /> * В логиката, допускането е [[твърдение]], което може да бъде използвано за доказване на допълнителни предложения, с надеждата, че допускането ще бъде приключено своевременно, като докаже предложението чрез отделен аргумент.<br /> * Математическото моделиране може да се използва като карта на резултатите от различните [[хипотезa|хипотези]] за системата, която се моделира.<br /> * Допусканото [[презастраховане]] е форма на презастраховане, при която на [[презастраховател]]ят се преотстъпва да замести [[застраховател]]я и става пряко отговорен за политиката на вземания.<br /> * Във [[вещно право|вещното право]] допускането е [[ипотечeн трансфер|ипотечният трансфер]] от [[продавач]]а на [[купувач]]а.<br /> * В [[бизнес планиране]]то и [[бизнес план]]овете, допускането е твърдението за някаква характеристика на бъдещето, което е в основата на текущите операции и планове на организацията.<br /> * Допускане (Покер), измислен вид покер, при който се използват [[Таро карти]]. Той се появява в романа ''Последно повикване'' от [[Тим Пауърс]].<br /> <br /> <br /> <br /> ==Допускане в регресионния анализ==<br /> <br /> <br /> <br /> ===Класическите допускания за регресионния анализ включват:===<br /> <br /> * Пробата е представителна за населението, за да се направи [[прогноза]].<br /> * Грешката е [[случайна величина]] със средна, равна на нула в [[зависимост]] от обяснимите [[променлива|променливи]].<br /> * [[независима променлива|Независимите променливи]] се измерват без [[грешка]]. (Забележка: Ако това не е така, [[моделиране]]то може да се направи като вместо това се използва грешки-в променливите технически модели).<br /> * Прогнозите са линейно независими, т.е. не е възможно да се изразят всички прогнози като [[линейна комбинация]] на останалите. Вижте [[мултиколинеарност]] (на англ.[[Multicollinearity]]).<br /> * Грешките не са свързани помежду си, което означава, че [[вариация]]та-[[ковариация]]та на [[матрица]]та на грешки е [[диагонална матрица|диагонална]] и всеки ненулев [[елемент]] представлява [[отклонение]]то на грешката.<br /> <br /> <br /> <br /> Това са достатъчни условия за [[метод на най-малките квадрати]] за оценка и по-специално, тези [[допускане|допускания]] предполагат, че оценките на [[параметър]]а ще бъдат безпристрастни, последователни и ефективни в класа на линейните безпристрастни оценки. Важно е да се отбележи, че актуалните [[данни]], рядко отговаря на предположенията. Това означава, че този метод се използва, въпреки че [[предположение|предположенията]] не са верни. Промените в допусканията понякога могат да се използва като мярка за това колко далеч отстои даден модел от това да бъде полезен.<br /> <br /> Допусканията включват геометрична подкрепа на променливите необходимо изясняване (Cressie, 1996). Независимите и зависими променливи често се отнасят до [[стойност]]ите, измерени в точките на установяване на местоположението. Възможно е да има пространствени [[тенденция|тенденции]] и пространствени [[автокорелация|автокорелации]] на променливите, които нарушават статистическите предположения на [[регресия]]та.<br /> <br /> ===Допускане в линейния регресионен анализ===<br /> <br /> <br /> * В линейният регресионен анализ съществуват две основни допускания , които са общи за всички методи за приблизителна оценка. <br /> <br /> Дизайнът на [[матрица]] X трябва да има пълен [[ранг]] на колони p. За това трябва да се приеме n &amp;gt; p, където n е размера на [[извадка]]та (това е необходимо, но недостатъчно условие). Ако това условие липсва имаме мултиколинеарна [[регресия]]. В този случай векторния [[параметър]] β ще бъде не идентифициран - най-много ще може да се ограничите до стойност на някое линейно подпространството на Rp.<br /> <br /> Разработени са методи за монтиране на линейни модели с мултиколинеарност, но се нуждаят от допълнителни допускания, такива като &quot;ефекта рядкост&quot; - голяма част от ефектите са точно нула.<br /> <br /> Просто твърдение е, че трябва да има достатъчно налични данни в сравнение с броя на параметри, които ще бъдат прогнозирани. Ако има твърде малко данни [[система]]та от уравнения ще има само едно [[решение]]. Вижте най-малките квадрати частична регресия.<br /> <br /> <br /> <br /> * Регресорите xi се предполага, че работят без грешка. Това е така, защото те не са „заразени” с измерените грешки. Въпреки че не е реалистично, допускането на това предположение води до значително по-трудни грешки-в-променливите модели (на англ. [[errors-in-variables models]]).<br /> <br /> Освен тези две допускания, няколко други статистически характеристики на данните силно влияят върху представянето на различните методи за оценяване:<br /> <br /> <br /> * Някои методи за приблизителна оценка се основава на липсата на [[корелация]], между n наблюдения [[image:Picture 1|(y_i,\, x_{i1}, \ldots, x_{ip}),\ i=1,\ldots,n]]. Статистическата независимост на наблюденията не е необходима, въпреки че могат да бъдат използвани, ако се знае, че притежават такава.<br /> * Статистическата връзка между грешните условия и регресията играе важна роля при определянето дали една процедура за оценка, е желателна за вземане на проби, като е безпристрастна и последователна.<br /> * Вариациите на грешните термини могат да бъдат равни на n единици („еднакво [[разсейване]]” или на англ. [[homoscedasticity]]) или да не бъдат („различно [[разсейване]]” или на англ. [[heteroscedasticity]]). Някои методи за оценка на линейната регресия дават по-малко точни резултати при оценката и водят до увеличаване количеството на [[стандартните грешки]], когато е налице различно разсейване или [[хетероскедастичност]].<br /> * Режимът, или [[вероятност]]ното разпределение на независимите променливи х оказва голямо влияние върху точността на прогнозите на β. [[Пробител]]ите и [[моделит]]е на [[експеримент]]ите са силно развити подполета на статистическите данни, които дават насоки за събиране на данните по такъв начин, че да се постигне прецизна оценка на β.<br /> <br /> <br /> ==Допускане при модел ==<br /> <br /> Допусканията са изходни данни, които се прилагат в бизнеса или във финансов модел. Допусканията често са бизнес шофьори във финансовия модел. Например, в корпоративния модел на разходите, могат да се включат допуснатите данни, като например разходите за възнаграждения, ценови листи, валутните курсове. Обикновено допуснатите данни са организирани в логически групи и се използват като допуснат модел, като например модела на [[разменeн курс|разменния курс]]. Това не само, че дава възможност за по-ефективно актуализиране на допуснатите данни, но и предоставя възможност и на другите модели да използват допуснатите данни по - лесно. Например, за да използват данни, обменен курс, просто връзката Курсове модел поемане на [[финансов модел]], който се нуждае от данни.<br /> <br /> Допускането при моделите може да се разглежда и в глобален [[аспект]]. Например, за да използвате Microsoft Office Excel за проследяване на разходите в строителния проект, вашата работна книга може да съдържа един работен лист за изграждане на съдебни разноски, както и друг за изграждане на лизингови разходи.<br /> <br /> Моделът на бизнес планирането използва модела на разположената рамка, която съответства на работната книга на Excel. При модела на бизнес [[планиране]]то, може да се запазят допусканията в глобалните модели и да се споделят допуснатите модели с финансовите модели. Допусканията на глобалните модели включват предварително определени размери.<br /> <br /> Глобалните допускания трябва да бъдат споделени и да се предоставят за ползване в определеното за модела място. Въпреки това допуснатите модели могат да се редактират само в местата, където са създадени.<br /> <br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> [http://www.alglib.net/dataanalysis/linearregression.php Линейна регресия]<br /> <br /> [http://www.ruf.rice.edu/~lane/stat_sim/reg_by_eye/ Онлайн симулации]<br /> <br /> [http://numericalmethods.eng.usf.edu/topics/linear_regression.html Линейна регресия]<br /> <br /> [http://www.dss.uniud.it/utenti/rizzi/econometrics_part1_file/restricted-reg.pdf Ограничена регресия, презентация]<br /> <br /> [http://msdn.microsoft.com/en-us/library/bb795286%28office.12%29.aspx Допускане при модел и как да го използваме]<br /> <br /> <br /> ==Източници==<br /> <br /> * Draper, N.R. and Smith, H. ''Applied Regression Analysis'' Wiley Series in Probability and Statistics (1998)<br /> * Francis Galton. &quot;Regression Towards Mediocrity in Hereditary Stature,&quot; ''Journal of the Anthropological Institute'',<br /> * Kaw, Autar; Kalu, Egwu (2008). &quot;Numerical Methods with Applications&quot;.<br /> * Cohen, J., Cohen P., West, S.G., &amp; Aiken, L.S. (2003). ''Applied multiple regression/correlation analysis for the behavioral sciences.'' (2nd ed.) Hillsdale, NJ: Lawrence Erlbaum Associates<br /> * [[Lindley, D.V.]] (1987). &quot;Regression and correlation analysis,&quot;<br /> * Chatfield, C. (1993) &quot;Calculating Interval Forecasts,&quot; ''Journal of Business and Economic Statistics''<br /> <br /> [[category:Управленски решения и риск|Методи за изследване в бизнеса|Управление на операциите]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%BE%D0%BF%D1%83%D1%81%D0%BA%D0%B0%D0%BD%D0%B5&diff=2026 2012-01-22T17:01:03Z

<p>Krasimira racheva: </p> <hr /> <div>В [[логика]]та '''допускането''' (на англ. [[assumption]]) е [[твърдение]]то, което се приема за даденост, както ако е вярно основано на [[презумпция]]та, без превес на [[факт]]ите.<br /> <br /> <br /> ==Концепция:==<br /> <br /> Допусканата отговорност, учение в духовността и в областта на личното развитие, е приела, че всеки човек има съществена или пълна отговорност за събития и обстоятелства, които го сполетяват през живота му.<br /> <br /> <br /> Допускането може да се отнася и до:<br /> <br /> * В логиката, допускането е [[твърдение]], което може да бъде използвано за доказване на допълнителни предложения, с надеждата, че допускането ще бъде приключено своевременно, като докаже предложението чрез отделен аргумент.<br /> * Математическото моделиране може да се използва като карта на резултатите от различните [[хипотезa|хипотези]] за системата, която се моделира.<br /> * Допусканото [[презастраховане]] е форма на презастраховане, при която на [[презастраховател]]ят се преотстъпва да замести [[застраховател]]я и става пряко отговорен за политиката на вземания.<br /> * Във [[вещно право|вещното право]] допускането е [[ипотечeн трансфер|ипотечният трансфер]] от [[продавач]]а на [[купувач]]а.<br /> * В [[бизнес планиране]]то и [[бизнес план]]овете, допускането е твърдението за някаква характеристика на бъдещето, което е в основата на текущите операции и планове на организацията.<br /> * Допускане (Покер), измислен вид покер, при който се използват [[Таро карти]]. Той се появява в романа ''Последно повикване'' от [[Тим Пауърс]].<br /> <br /> <br /> <br /> ==Допускане в регресионния анализ==<br /> <br /> <br /> <br /> ===Класическите допускания за регресионния анализ включват:===<br /> <br /> * Пробата е представителна за населението, за да се направи [[прогноза]].<br /> * Грешката е [[случайна величина]] със средна, равна на нула в [[зависимост]] от обяснимите [[променлива|променливи]].<br /> * [[независима променлива|Независимите променливи]] се измерват без [[грешка]]. (Забележка: Ако това не е така, [[моделиране]]то може да се направи като вместо това се използва грешки-в променливите технически модели).<br /> * Прогнозите са линейно независими, т.е. не е възможно да се изразят всички прогнози като [[линейна комбинация]] на останалите. Вижте [[мултиколинеарност]] (на англ.[[Multicollinearity]]).<br /> * Грешките не са свързани помежду си, което означава, че [[вариация]]та-[[ковариация]]та на [[матрица]]та на грешки е [[диагонална матрица|диагонална]] и всеки ненулев [[елемент]] представлява [[отклонение]]то на грешката.<br /> <br /> <br /> <br /> Това са достатъчни условия за [[метод на най-малките квадрати]] за оценка и по-специално, тези [[допускане|допускания]] предполагат, че оценките на [[параметър]]а ще бъдат безпристрастни, последователни и ефективни в класа на линейните безпристрастни оценки. Важно е да се отбележи, че актуалните [[данни]], рядко отговаря на предположенията. Това означава, че този метод се използва, въпреки че [[предположение|предположенията]] не са верни. Промените в допусканията понякога могат да се използва като мярка за това колко далеч отстои даден модел от това да бъде полезен.<br /> <br /> Допусканията включват геометрична подкрепа на променливите необходимо изясняване (Cressie, 1996). Независимите и зависими променливи често се отнасят до [[стойност]]ите, измерени в точките на установяване на местоположението. Възможно е да има пространствени [[тенденция|тенденции]] и пространствени [[автокорелация|автокорелации]] на променливите, които нарушават статистическите предположения на [[регресия]]та.<br /> <br /> ===Допускане в линейния регресионен анализ===<br /> <br /> <br /> * В линейният регресионен анализ съществуват две основни допускания , които са общи за всички методи за приблизителна оценка. <br /> <br /> Дизайнът на [[матрица]] X трябва да има пълен [[ранг]] на колони p. За това трябва да се приеме n &amp;gt; p, където n е размера на [[извадка]]та (това е необходимо, но недостатъчно условие). Ако това условие липсва имаме мултиколинеарна [[регресия]]. В този случай векторния [[параметър]] β ще бъде не идентифициран - най-много ще може да се ограничите до стойност на някое линейно подпространството на Rp.<br /> <br /> Разработени са методи за монтиране на линейни модели с мултиколинеарност, но се нуждаят от допълнителни допускания, такива като &quot;ефекта рядкост&quot; - голяма част от ефектите са точно нула.<br /> <br /> Просто твърдение е, че трябва да има достатъчно налични данни в сравнение с броя на параметри, които ще бъдат прогнозирани. Ако има твърде малко данни [[система]]та от уравнения ще има само едно [[решение]]. Вижте най-малките квадрати частична регресия.<br /> <br /> <br /> <br /> * Регресорите xi се предполага, че работят без грешка. Това е така, защото те не са „заразени” с измерените грешки. Въпреки че не е реалистично, допускането на това предположение води до значително по-трудни грешки-в-променливите модели (на англ. [[errors-in-variables models]]).<br /> <br /> Освен тези две допускания, няколко други статистически характеристики на данните силно влияят върху представянето на различните методи за оценяване:<br /> <br /> <br /> * Някои методи за приблизителна оценка се основава на липсата на [[корелация]], между n наблюдения [[image:Picture 1|(y_i,\, x_{i1}, \ldots, x_{ip}),\ i=1,\ldots,n]]. Статистическата независимост на наблюденията не е необходима, въпреки че могат да бъдат използвани, ако се знае, че притежават такава.<br /> * Статистическата връзка между грешните условия и регресията играе важна роля при определянето дали една процедура за оценка, е желателна за вземане на проби, като е безпристрастна и последователна.<br /> * Вариациите на грешните термини могат да бъдат равни на n единици („еднакво [[разсейване]]” или на англ. [[homoscedasticity]]) или да не бъдат („различно [[разсейване]]” или на англ. [[heteroscedasticity]]). Някои методи за оценка на линейната регресия дават по-малко точни резултати при оценката и водят до увеличаване количеството на [[стандартните грешки]], когато е налице различно разсейване или [[хетероскедастичност]].<br /> * Режимът, или [[вероятностното]] разпределение на независимите променливи х оказва голямо влияние върху точността на прогнозите на β. [[Пробите]] и [[моделит]]е на [[експериментите]] са силно развити подполета на статистическите данни, които дават насоки за събиране на данните по такъв начин, че да се постигне прецизна оценка на β.<br /> <br /> <br /> ==Допускане при модел ==<br /> <br /> Допусканията са изходни данни, които се прилагат в бизнеса или във финансов модел. Допусканията често са бизнес шофьори във финансовия модел. Например, в корпоративния модел на разходите, могат да се включат допуснатите данни, като например разходите за възнаграждения, ценови листи, валутните курсове. Обикновено допуснатите данни са организирани в логически групи и се използват като допуснат модел, като например модела на [[разменeн курс|разменния курс]]. Това не само, че дава възможност за по-ефективно актуализиране на допуснатите данни, но и предоставя възможност и на другите модели да използват допуснатите данни по - лесно. Например, за да използват данни, обменен курс, просто връзката Курсове модел поемане на [[финансов модел]], който се нуждае от данни.<br /> <br /> Допускането при моделите може да се разглежда и в глобален [[аспект]]. Например, за да използвате Microsoft Office Excel за проследяване на разходите в строителния проект, вашата работна книга може да съдържа един работен лист за изграждане на съдебни разноски, както и друг за изграждане на лизингови разходи.<br /> <br /> Моделът на бизнес планирането използва модела на разположената рамка, която съответства на работната книга на Excel. При модела на бизнес [[планиране]]то, може да се запазят допусканията в глобалните модели и да се споделят допуснатите модели с финансовите модели. Допусканията на глобалните модели включват предварително определени размери.<br /> <br /> Глобалните допускания трябва да бъдат споделени и да се предоставят за ползване в определеното за модела място. Въпреки това допуснатите модели могат да се редактират само в местата, където са създадени.<br /> <br /> <br /> ==Източници==<br /> <br /> * Draper, N.R. and Smith, H. ''Applied Regression Analysis'' Wiley Series in Probability and Statistics (1998)<br /> * Francis Galton. &quot;Regression Towards Mediocrity in Hereditary Stature,&quot; ''Journal of the Anthropological Institute'',<br /> * Kaw, Autar; Kalu, Egwu (2008). &quot;Numerical Methods with Applications&quot;.<br /> * Cohen, J., Cohen P., West, S.G., &amp; Aiken, L.S. (2003). ''Applied multiple regression/correlation analysis for the behavioral sciences.'' (2nd ed.) Hillsdale, NJ: Lawrence Erlbaum Associates<br /> * [[Lindley, D.V.]] (1987). &quot;Regression and correlation analysis,&quot;<br /> * Chatfield, C. (1993) &quot;Calculating Interval Forecasts,&quot; ''Journal of Business and Economic Statistics''<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> [http://www.alglib.net/dataanalysis/linearregression.php Линейна регресия]<br /> <br /> [http://www.ruf.rice.edu/~lane/stat_sim/reg_by_eye/ Онлайн симулации]<br /> <br /> [http://numericalmethods.eng.usf.edu/topics/linear_regression.html Линейна регресия]<br /> <br /> [http://www.dss.uniud.it/utenti/rizzi/econometrics_part1_file/restricted-reg.pdf Ограничена регресия, презентация]<br /> <br /> [http://msdn.microsoft.com/en-us/library/bb795286%28office.12%29.aspx Допускане при модел и как да го използваме]<br /> <br /> <br /> [[category:Управленски решения и риск|Методи за изследване в бизнеса|Управление на операциите]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F&diff=2025 2012-01-22T16:41:54Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дисперсията''' е параметър на емпиричните и теоретичните разпределения. Отбелязвана в българската литература с D[X], а в чуждестранната с var X, дисперсията e мярка, изразяваща [[разсейване]]то на дадена случайна величина от математическото очакване на същата. В статистиката дисперсията се отбелязва най-вече със [[символ]]а сигма на квадрат. <br /> <br /> ==Формули за изчисляване на дисперсия==<br /> <br /> [[Image:Dispersion1.png|thumb|left|alt=Статистическо отбелязване на дисперсията.|Означение.]]<br /> <br /> <br /> [[Image:Dispersion2.png|thumb|left|alt=Друг начин за отбелязване на дисперсията в статистиката.|Означение2.]]<br /> <br /> <br /> <br /> [[Мерна единица|Мерната единица]] за дисперсия е квадратът от единицата, в която се измерва случайната величина, а също така и [[стандартно отклонение|стандартното (средноквадратно) отклонение]].<br /> <br /> Например дисперсията в [[статистически ред]] от разстояния в метри би била в метри на квадрат, на количества в килограми – килограми на квадрат, на доходи в лева – лева на квадрат. Като за да се избегне усложняване в мерните единици, често се извлича квадратен корен от дисперсията , с което се възстановяват първоначалните мерни единици. По този начин се получава [[стандартно отклонение|стандартното отклонение]].<br /> <br /> <br /> <br /> [[ Image:Dispersion14.jpg]]<br /> <br /> <br /> <br /> Величината на дисперсията се получава, като първо се пресметнат отклоненията на отделните случаи от [[средна аритметична|средната аритметична]] и по този начин се образува производен [[статистически ред]].<br /> <br /> <br /> <br /> [[Image:Dispersion12.jpg]]<br /> <br /> <br /> <br /> Сборът на тези отклонения трябва да бъде равен на нула.<br /> <br /> <br /> <br /> <br /> [[Image:Dispersion13.jpg]]<br /> <br /> <br /> <br /> Дисперсията е винаги [[положителна величина]] според своето построение и може да бъде равна на 0 единствено, ако всички случаи в изходния статистически ред са еднакви (няма никаква вариaция). Разбира се, колкото по-голямо е многообразието и различието в статистическите редове, толкова по-висока е [[величина]]та на дисперсията.<br /> <br /> <br /> <br /> Благодарение на математическите си [[свойство|свойства]] дисперсията се намира в основата на много статистически методи. Свойствата й са:<br /> <br /> * Дисперсията на постоянното число А е равна на 0.<br /> <br /> <br /> [[Image:Dispersion7.jpg]]<br /> <br /> <br /> * Дисперсията на произведенията на постоянното число А и значенията на признака x1, x2, …, xn е равна на произведението от дисперсията по признака и квадрата на числото А.<br /> <br /> <br /> [[Image:Dispersion8.jpg]]<br /> <br /> <br /> * Ако към значенията на признака x1, x2, …, xn се прибави или извади постоянно число А, дисперсията на се променя. <br /> <br /> <br /> [[Image:Dispersion9.jpg]]<br /> <br /> <br /> * Дисперсията е равна на разликата между средния квадрат на осредняваните величини и квадрата на средната аритметична.<br /> <br /> <br /> [[Image:Dispersion10.jpg]]<br /> <br /> <br /> <br /> Това е [[формула]]та за изчисляване на дисперсията, която се използва в статистическите програмни продукти. <br /> <br /> * Ако статистическата съвкупност е разделена на групи (подсъвкупности), общата й дисперсия се получава като сбор от две дисперсии. Първата се нарича вътрешногрупова и е дисперсия около груповите средни. Втората се нарича междугрупова и е дисперсията на груповите средни около общата средна.<br /> <br /> <br /> [[Image:Dispersion11.jpg]]<br /> <br /> <br /> <br /> Това е свойството за събиране на дисперсии и е в основата на [[дисперсионeн анализ|дисперсионния анализ]].<br /> <br /> <br /> <br /> ==Дисперсията може да се отнася за:==<br /> <br /> ===Генерална съвкупност===<br /> <br /> * При претеглени величини<br /> <br /> <br /> [[Image:Dispersion3.jpg]]<br /> <br /> <br /> * При непретеглени величини<br /> <br /> <br /> [[Image:Dispersion4.jpg]]<br /> <br /> <br /> <br /> ===Извадки===<br /> <br /> * При непретеглени величини<br /> <br /> <br /> [[Image:Dispersion5.jpg]]<br /> <br /> <br /> * При претеглени величини<br /> <br /> <br /> [[Image:Dispersion6.jpg]]<br /> <br /> <br /> <br /> Приложение на дисперсията се среща най-вече във [[финансов анализ|финансовите анализи]] за оценка на риска, като при по-голямо разсейване има по-голям риск и обратно, при по-малко разсейване – по-малък [[риск]].<br /> <br /> <br /> <br /> ==Виж още==<br /> <br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%28%D0%BE%D0%BF%D1%82%D0%B8%D0%BA%D0%B0%29|Дисперсия (оптика)<br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D0%BE%D0%BD%D0%B5%D0%BD_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7|Дисперсионен анализ<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> Чолаков, Н., „Социална и трудова статистика”, Университетско издателство „Стопанство”, 2007;<br /> <br /> Калоянов, Т., „Статистика”, издателство „Тракия-М”, 2004;<br /> <br /> http://pharmfac.net/social_pharm_lectures/Prof_Simeonov/GL06.pdf<br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%28%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0%29<br /> <br /> http://www.referati.org/dispersiq-4/45807/ref<br /> <br /> <br /> [[category:Управленски решения и риск|Финансови пазари и инструменти]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F&diff=2024 2012-01-22T16:40:31Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дисперсията''' е параметър на емпиричните и теоретичните разпределения. Отбелязвана в българската литература с D[X], а в чуждестранната с var X, дисперсията e мярка, изразяваща [[разсейване]]то на дадена случайна величина от математическото очакване на същата. В статистиката дисперсията се отбелязва най-вече със [[символ]]а сигма на квадрат. <br /> <br /> <br /> <br /> [[Image:Dispersion1.png|thumb|left|alt=Статистическо отбелязване на дисперсията.|Означение.]]<br /> <br /> <br /> [[Image:Dispersion2.png|thumb|left|alt=Друг начин за отбелязване на дисперсията в статистиката.|Означение2.]]<br /> <br /> <br /> <br /> [[Мерна единица|Мерната единица]] за дисперсия е квадратът от единицата, в която се измерва случайната величина, а също така и [[стандартно отклонение|стандартното (средноквадратно) отклонение]].<br /> <br /> Например дисперсията в [[статистически ред]] от разстояния в метри би била в метри на квадрат, на количества в килограми – килограми на квадрат, на доходи в лева – лева на квадрат. Като за да се избегне усложняване в мерните единици, често се извлича квадратен корен от дисперсията , с което се възстановяват първоначалните мерни единици. По този начин се получава [[стандартно отклонение|стандартното отклонение]].<br /> <br /> <br /> <br /> [[ Image:Dispersion14.jpg]]<br /> <br /> <br /> <br /> Величината на дисперсията се получава, като първо се пресметнат отклоненията на отделните случаи от [[средна аритметична|средната аритметична]] и по този начин се образува производен [[статистически ред]].<br /> <br /> <br /> <br /> [[Image:Dispersion12.jpg]]<br /> <br /> <br /> <br /> Сборът на тези отклонения трябва да бъде равен на нула.<br /> <br /> <br /> <br /> <br /> [[Image:Dispersion13.jpg]]<br /> <br /> <br /> <br /> Дисперсията е винаги [[положителна величина]] според своето построение и може да бъде равна на 0 единствено, ако всички случаи в изходния статистически ред са еднакви (няма никаква вариaция). Разбира се, колкото по-голямо е многообразието и различието в статистическите редове, толкова по-висока е [[величина]]та на дисперсията.<br /> <br /> <br /> <br /> Благодарение на математическите си [[свойство|свойства]] дисперсията се намира в основата на много статистически методи. Свойствата й са:<br /> <br /> * Дисперсията на постоянното число А е равна на 0.<br /> <br /> <br /> [[Image:Dispersion7.jpg]]<br /> <br /> <br /> * Дисперсията на произведенията на постоянното число А и значенията на признака x1, x2, …, xn е равна на произведението от дисперсията по признака и квадрата на числото А.<br /> <br /> <br /> [[Image:Dispersion8.jpg]]<br /> <br /> <br /> * Ако към значенията на признака x1, x2, …, xn се прибави или извади постоянно число А, дисперсията на се променя. <br /> <br /> <br /> [[Image:Dispersion9.jpg]]<br /> <br /> <br /> * Дисперсията е равна на разликата между средния квадрат на осредняваните величини и квадрата на средната аритметична.<br /> <br /> <br /> [[Image:Dispersion10.jpg]]<br /> <br /> <br /> <br /> Това е [[формула]]та за изчисляване на дисперсията, която се използва в статистическите програмни продукти. <br /> <br /> * Ако статистическата съвкупност е разделена на групи (подсъвкупности), общата й дисперсия се получава като сбор от две дисперсии. Първата се нарича вътрешногрупова и е дисперсия около груповите средни. Втората се нарича междугрупова и е дисперсията на груповите средни около общата средна.<br /> <br /> <br /> [[Image:Dispersion11.jpg]]<br /> <br /> <br /> <br /> Това е свойството за събиране на дисперсии и е в основата на [[дисперсионeн анализ|дисперсионния анализ]].<br /> <br /> <br /> <br /> ==Дисперсията може да се отнася за:==<br /> <br /> ===Генерална съвкупност===<br /> <br /> * При претеглени величини<br /> <br /> <br /> [[Image:Dispersion3.jpg]]<br /> <br /> <br /> * При непретеглени величини<br /> <br /> <br /> [[Image:Dispersion4.jpg]]<br /> <br /> <br /> <br /> ===Извадки===<br /> <br /> * При непретеглени величини<br /> <br /> <br /> [[Image:Dispersion5.jpg]]<br /> <br /> <br /> * При претеглени величини<br /> <br /> <br /> [[Image:Dispersion6.jpg]]<br /> <br /> <br /> <br /> Приложение на дисперсията се среща най-вече във [[финансов анализ|финансовите анализи]] за оценка на риска, като при по-голямо разсейване има по-голям риск и обратно, при по-малко разсейване – по-малък [[риск]].<br /> <br /> <br /> <br /> ==Виж още==<br /> <br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%28%D0%BE%D0%BF%D1%82%D0%B8%D0%BA%D0%B0%29|Дисперсия (оптика)<br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D0%BE%D0%BD%D0%B5%D0%BD_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7|Дисперсионен анализ<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> Чолаков, Н., „Социална и трудова статистика”, Университетско издателство „Стопанство”, 2007;<br /> <br /> Калоянов, Т., „Статистика”, издателство „Тракия-М”, 2004;<br /> <br /> http://pharmfac.net/social_pharm_lectures/Prof_Simeonov/GL06.pdf<br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%28%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0%29<br /> <br /> http://www.referati.org/dispersiq-4/45807/ref<br /> <br /> <br /> [[category:Управленски решения и риск|Финансови пазари и инструменти]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F&diff=2023 2012-01-22T16:39:34Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дисперсията''' е параметър на емпиричните и теоретичните разпределения. Отбелязвана в българската литература с D[X], а в чуждестранната с var X, дисперсията e мярка, изразяваща [[разсейване]]то на дадена случайна величина от математическото очакване на същата. В статистиката дисперсията се отбелязва най-вече със [[символ]]а сигма на квадрат. <br /> <br /> <br /> <br /> [[Image:Dispersion1.png|thumb|left|alt=Статистическо отбелязване на дисперсията.|Означение.]]<br /> <br /> [[Image:Dispersion2.png|thumb|left|alt=Друг начин за отбелязване на дисперсията в статистиката.|Означение2.]]<br /> <br /> <br /> <br /> [[Мерна единица|Мерната единица]] за дисперсия е квадратът от единицата, в която се измерва случайната величина, а също така и [[стандартно отклонение|стандартното (средноквадратно) отклонение]].<br /> <br /> Например дисперсията в [[статистически ред]] от разстояния в метри би била в метри на квадрат, на количества в килограми – килограми на квадрат, на доходи в лева – лева на квадрат. Като за да се избегне усложняване в мерните единици, често се извлича квадратен корен от дисперсията , с което се възстановяват първоначалните мерни единици. По този начин се получава [[стандартно отклонение|стандартното отклонение]].<br /> <br /> <br /> <br /> [[ Image:Dispersion14.jpg]]<br /> <br /> <br /> <br /> Величината на дисперсията се получава, като първо се пресметнат отклоненията на отделните случаи от [[средна аритметична|средната аритметична]] и по този начин се образува производен [[статистически ред]].<br /> <br /> <br /> [[Image:Dispersion12.jpg]]<br /> <br /> <br /> <br /> Сборът на тези отклонения трябва да бъде равен на нула.<br /> <br /> <br /> <br /> [[Image:Dispersion13.jpg]]<br /> <br /> <br /> <br /> Дисперсията е винаги [[положителна величина]] според своето построение и може да бъде равна на 0 единствено, ако всички случаи в изходния статистически ред са еднакви (няма никаква вариaция). Разбира се, колкото по-голямо е многообразието и различието в статистическите редове, толкова по-висока е [[величина]]та на дисперсията.<br /> <br /> <br /> <br /> Благодарение на математическите си [[свойство|свойства]] дисперсията се намира в основата на много статистически методи. Свойствата й са:<br /> <br /> * Дисперсията на постоянното число А е равна на 0.<br /> <br /> [[Image:Dispersion7.jpg]]<br /> <br /> * Дисперсията на произведенията на постоянното число А и значенията на признака x1, x2, …, xn е равна на произведението от дисперсията по признака и квадрата на числото А.<br /> <br /> [[Image:Dispersion8.jpg]]<br /> <br /> * Ако към значенията на признака x1, x2, …, xn се прибави или извади постоянно число А, дисперсията на се променя. <br /> <br /> [[Image:Dispersion9.jpg]]<br /> <br /> * Дисперсията е равна на разликата между средния квадрат на осредняваните величини и квадрата на средната аритметична.<br /> <br /> [[Image:Dispersion10.jpg]]<br /> <br /> <br /> <br /> Това е [[формула]]та за изчисляване на дисперсията, която се използва в статистическите програмни продукти. <br /> <br /> * Ако статистическата съвкупност е разделена на групи (подсъвкупности), общата й дисперсия се получава като сбор от две дисперсии. Първата се нарича вътрешногрупова и е дисперсия около груповите средни. Втората се нарича междугрупова и е дисперсията на груповите средни около общата средна.<br /> <br /> [[Image:Dispersion11.jpg]]<br /> <br /> <br /> <br /> Това е свойството за събиране на дисперсии и е в основата на [[дисперсионeн анализ|дисперсионния анализ]].<br /> <br /> <br /> <br /> ==Дисперсията може да се отнася за:==<br /> <br /> ===Генерална съвкупност===<br /> <br /> * При претеглени величини<br /> <br /> <br /> [[Image:Dispersion3.jpg]]<br /> <br /> <br /> * При непретеглени величини<br /> <br /> <br /> [[Image:Dispersion4.jpg]]<br /> <br /> <br /> <br /> ===Извадки===<br /> <br /> * При непретеглени величини<br /> <br /> <br /> [[Image:Dispersion5.jpg]]<br /> <br /> <br /> * При претеглени величини<br /> <br /> <br /> [[Image:Dispersion6.jpg]]<br /> <br /> <br /> <br /> Приложение на дисперсията се среща най-вече във [[финансов анализ|финансовите анализи]] за оценка на риска, като при по-голямо разсейване има по-голям риск и обратно, при по-малко разсейване – по-малък [[риск]].<br /> <br /> <br /> <br /> ==Виж още==<br /> <br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%28%D0%BE%D0%BF%D1%82%D0%B8%D0%BA%D0%B0%29|Дисперсия (оптика)<br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D0%BE%D0%BD%D0%B5%D0%BD_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7|Дисперсионен анализ<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> Чолаков, Н., „Социална и трудова статистика”, Университетско издателство „Стопанство”, 2007;<br /> <br /> Калоянов, Т., „Статистика”, издателство „Тракия-М”, 2004;<br /> <br /> http://pharmfac.net/social_pharm_lectures/Prof_Simeonov/GL06.pdf<br /> <br /> http://bg.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%28%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0%29<br /> <br /> http://www.referati.org/dispersiq-4/45807/ref<br /> <br /> <br /> [[category:Управленски решения и риск|Финансови пазари и инструменти]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%B0_%D0%BD%D0%B0_%D0%B7%D0%B0%D1%82%D0%B2%D0%BE%D1%80%D0%BD%D0%B8%D0%BA%D0%B0&diff=2022 2012-01-22T16:28:39Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дилемата на затворника''' е най-популярната игра на [[стратегия]] в социалната наука, анализирана в [[теория на игрите]]. Тя е психологически модел на поведение, намиращ отражение в [[бизнес]]а, [[политика]]та и [[икономика]]та.<br /> <br /> <br /> ==Същност на дилемата==<br /> <br /> Концепцията на дилемата на затворника е разработена от учените от ''RAND Corporation'' [[Мерил Флууд]] и [[Мелвин Дрешър]] през 1950 г. А през 1984 г. пламва интерсът към нея, заради книгата на политологът [[Робърт Акселрод ]] ''„Еволюция на сътрудничеството“'' и през 1992 г. е официално представена от [[Албърт Тъкър]], математик в Принстън. <br /> <br /> Дилемата на затворника е канонически пример за [[игра]], който показва, защо двама души не могат да си [[сътрудничество|сътрудничат]], дори и ако изглежда, че е в техен [[интерес]] да го направят. В теорията на игрите, дилемата на затворника се нарича вид [[игра]] от отворен тип, т.е. игра, в която един участник може да спечели/загуби, може всички да спечелят, а може и всички да загубят (при затворения тип сбора от резултатите на участниците е константен). Един класически пример за дилемата на затворника е представен както следва:<br /> <br /> Двама души, извършили престъпление, са заподозряни и биват разпитвани в отделни помещения. Ако единият предаде другия, а вторият – не, то първият арестуван го освобождават, а вторият получава 10 г. затвор. Ако и двамата запазят мълчание получават по 1 г. затвор, а ако се предадат взаимно – по 5 г. затвор. В тази игра участникът ще извлече най-голяма полза за себе си, независимо от решението на другия, ако реши да го предаде: така ако и другият го е предал, ще получи само 5 г. затвор, а не 10 г., а ако пък другият е мълчал ще бъде освободен, вместо да прекара 1 г. в затвора.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> |<br /> ''' Играч Б '''<br /> <br /> '''Играч А '''<br /> <br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;Предадетеслтво&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+1&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+10\0&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Предадетлство&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;0\+10&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+5&lt;/center&gt;<br /> <br /> |}<br /> <br /> <br /> Играта получава името си от хипотетична [[ситуация]], в която двама престъпника са арестувани по подозрение в извършване на престъпление - заедно. Въпреки това полицията не разполага с достатъчно доказателства, за да ги осъди. Двамата затворници са изолирани един от друг и полицията посещава всеки един от тях, като им предлага [[сделка]]: онзи, който предостави доказателства срещу другия, ще бъде освободен. Ако никой от тях не приеме офертата, т.е. ако в действителност и двамата си сътрудничат срещу полицията, и двамата ще получат само малко наказание - поради липса на доказателства, т.е. и двамата [[печалба|печелят]]. Все пак, ако единият от тях издаде другия, изповядвайки се на полицията, предателят ще спечели повече, тъй като ще е освободен, а онзи, който мълчи - от друга страна, ще получите пълното наказание, тъй като не помага на полицията, а тя вече има достатъчно доказателства. Ако и двамата се предадат взаимно - ще бъдат наказани, но по-малко, отколкото, ако са се отказали да говорят. Дилемата се основава на факта, че всеки затворник има избор само между два [[вариант]]а, но не може да постигне добро [[решение]], без да знае какво ще направи другият.<br /> <br /> [[Image:dilemata_na_zatvornika.jpg|thumb|right|alt=dilemata_na_zatvornika|Дилемaта на затворника.]]<br /> <br /> <br /> <br /> ==Приложение на дилемата==<br /> <br /> Дилемата на затворника има приложение в [[икономика]]та,[[ бизнес]]а,[[ социология]]та, [[политика]]та, [[психология]]та , [[околна среда|околната среда]], дори и в Дарвиновия естествен подбор.<br /> <br /> <br /> ===В икономиката===<br /> <br /> [[Реклама]]та е понякога се цитира като истински пример за живота на дилемата на затворника. Когато реклама на цигари е законна в САЩ, [[конкуренция|конкуриращи]] се производители на цигари, трябваше да решат колко пари да се харчат за реклама. [[Ефективност]]та на фирмата за реклама е частично определяща се от рекламата, проведена от фирма Б. По същия начин, печалбата, получени от реклама за Фирма Б се влияе от реклама, проведено от фирма А. Ако и двете фирма А и фирма Б изберат да рекламират по едно и също време, рекламата се отменя и постъпленията остават постоянни и разходи се увеличават поради разходите за реклама. И двете фирми ще се възползват от намаление в областта на рекламата. Въпреки това, ако фирма Б избире да не рекламира, фирма А може да се възползва до голяма степен от реклама. <br /> <br /> <br /> ===В политиката===<br /> <br /> В политиката, често се използва за илюстриране на [[проблем]]а с двете държави, ангажирани в надпревара във въоръжаването . Те имат две [[възможност]]и, или да увеличат военните разходи или да се направи споразумение за намаляване на оръжията. Или държавата ще се възползва от военна [[експанзия]], независимо от това какво прави другата държава. [[Парадокс]]ът е, че двете страни действат рационално, но очевидно ирационален резултат. Това би могло да се счита за последица на възпиране на теорията.<br /> <br /> <br /> ===В проучвания в областта на околната среда===<br /> <br /> В проучвания в областта на околната среда , [[дилема]]та е изразена като глобалното изменение на климата . Всички страни ще се възползват от стабилен климат, но всяка една страна често се колебае за ограничаване на емисиите на въглероден диоксеид. Непосредствена полза за отделната страна, за да се поддържа сегашното [[поведение]] се възприема като по-голяма от евентуалната [[полза]] за всички страни, ако поведението е променено, поради което обяснява сегашната безизходица относно [[промяна]]та на климата . <br /> <br /> <br /> <br /> ==Използвани източници==<br /> <br /> * [[http://en.wikipedia.org/wiki/Prisoner's_dilemma http://en.wikipedia.org/wiki/Prisoner's_dilemma] Prisoner's dilemma]<br /> * [http://www.how2manage.com/component/content/article/197-Дилемата-на-затворника-(The-Prisoners) Дилема на затворника]<br /> <br /> <br /> ==Вижте още==<br /> <br /> * [[Теория на игрите]]<br /> * [[Игра]]<br /> * [[Пътническа дилема]]<br /> * [[Етична дилема]]<br /> * [[Равновесия на Наш]]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> * [http://serendip.brynmawr.edu/playground/pd.html Играй Дилемата на затворника]<br /> * [http://pespmc1.vub.ac.be/PRISDIL.html The Prisoner's Dilemma]<br /> * [http://www.investopedia.com/terms/p/prisoners-dilemma.asp#axzz1f6w98hY7 Prisoner's Dilemma]<br /> * [http://www.youtube.com/watch?v=IotsMu1J8fA&amp;feature=related Game Theory: The Prisoner's Dilemma(video)]<br /> <br /> <br /> [[category:Стратегическо управление|Управленски решения и риск|Моделиране и прогнозиране в управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%B0_%D0%BD%D0%B0_%D0%B7%D0%B0%D1%82%D0%B2%D0%BE%D1%80%D0%BD%D0%B8%D0%BA%D0%B0&diff=2021 2012-01-22T16:27:38Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дилемата на затворника''' е най-популярната игра на [[стратегия]] в социалната наука, анализирана в [[теория на игрите]]. Тя е психологически модел на поведение, намиращ отражение в [[бизнес]]а, [[политика]]та и [[икономика]]та.<br /> <br /> <br /> ==Същност на дилемата==<br /> <br /> Концепцията на дилемата на затворника е разработена от учените от ''RAND Corporation'' [[Мерил Флууд]] и [[Мелвин Дрешър]] през 1950 г. А през 1984 г. пламва интерсът към нея, заради книгата на политологът [[Робърт Акселрод ]] ''„Еволюция на сътрудничеството“'' и през 1992 г. е официално представена от [[Албърт Тъкър]], математик в Принстън. <br /> <br /> Дилемата на затворника е канонически пример за [[игра]], който показва, защо двама души не могат да си [[сътрудничество|сътрудничат]], дори и ако изглежда, че е в техен [[интерес]] да го направят. В теорията на игрите, дилемата на затворника се нарича вид [[игра]] от отворен тип, т.е. игра, в която един участник може да спечели/загуби, може всички да спечелят, а може и всички да загубят (при затворения тип сбора от резултатите на участниците е константен). Един класически пример за дилемата на затворника е представен както следва:<br /> <br /> Двама души, извършили престъпление, са заподозряни и биват разпитвани в отделни помещения. Ако единият предаде другия, а вторият – не, то първият арестуван го освобождават, а вторият получава 10 г. затвор. Ако и двамата запазят мълчание получават по 1 г. затвор, а ако се предадат взаимно – по 5 г. затвор. В тази игра участникът ще извлече най-голяма полза за себе си, независимо от решението на другия, ако реши да го предаде: така ако и другият го е предал, ще получи само 5 г. затвор, а не 10 г., а ако пък другият е мълчал ще бъде освободен, вместо да прекара 1 г. в затвора.<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> |<br /> ''' Играч Б '''<br /> <br /> '''Играч А '''<br /> <br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;Предадетеслтво&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+1&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+10\0&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Предадетлство&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;0\+10&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+5&lt;/center&gt;<br /> <br /> |}<br /> <br /> <br /> Играта получава името си от хипотетична [[ситуация]], в която двама престъпника са арестувани по подозрение в извършване на престъпление - заедно. Въпреки това полицията не разполага с достатъчно доказателства, за да ги осъди. Двамата затворници са изолирани един от друг и полицията посещава всеки един от тях, като им предлага [[сделка]]: онзи, който предостави доказателства срещу другия, ще бъде освободен. Ако никой от тях не приеме офертата, т.е. ако в действителност и двамата си сътрудничат срещу полицията, и двамата ще получат само малко наказание - поради липса на доказателства, т.е. и двамата [[печалба|печелят]]. Все пак, ако единият от тях издаде другия, изповядвайки се на полицията, предателят ще спечели повече, тъй като ще е освободен, а онзи, който мълчи - от друга страна, ще получите пълното наказание, тъй като не помага на полицията, а тя вече има достатъчно доказателства. Ако и двамата се предадат взаимно - ще бъдат наказани, но по-малко, отколкото, ако са се отказали да говорят. Дилемата се основава на факта, че всеки затворник има избор само между два [[вариант]]а, но не може да постигне добро [[решение]], без да знае какво ще направи другият.<br /> <br /> [[Image:dilemata_na_zatvornika.jpg|thumb|left|alt=dilemata_na_zatvornika|Дилемaта на затворника.]]<br /> <br /> <br /> <br /> ==Приложение на дилемата==<br /> <br /> Дилемата на затворника има приложение в [[икономика]]та,[[ бизнес]]а,[[ социология]]та, [[политика]]та, [[психология]]та , [[околна среда|околната среда]], дори и в Дарвиновия естествен подбор.<br /> <br /> <br /> ===В икономиката===<br /> <br /> [[Реклама]]та е понякога се цитира като истински пример за живота на дилемата на затворника. Когато реклама на цигари е законна в САЩ, [[конкуренция|конкуриращи]] се производители на цигари, трябваше да решат колко пари да се харчат за реклама. [[Ефективност]]та на фирмата за реклама е частично определяща се от рекламата, проведена от фирма Б. По същия начин, печалбата, получени от реклама за Фирма Б се влияе от реклама, проведено от фирма А. Ако и двете фирма А и фирма Б изберат да рекламират по едно и също време, рекламата се отменя и постъпленията остават постоянни и разходи се увеличават поради разходите за реклама. И двете фирми ще се възползват от намаление в областта на рекламата. Въпреки това, ако фирма Б избире да не рекламира, фирма А може да се възползва до голяма степен от реклама. <br /> <br /> <br /> ===В политиката===<br /> <br /> В политиката, често се използва за илюстриране на [[проблем]]а с двете държави, ангажирани в надпревара във въоръжаването . Те имат две [[възможност]]и, или да увеличат военните разходи или да се направи споразумение за намаляване на оръжията. Или държавата ще се възползва от военна [[експанзия]], независимо от това какво прави другата държава. [[Парадокс]]ът е, че двете страни действат рационално, но очевидно ирационален резултат. Това би могло да се счита за последица на възпиране на теорията.<br /> <br /> <br /> ===В проучвания в областта на околната среда===<br /> <br /> В проучвания в областта на околната среда , [[дилема]]та е изразена като глобалното изменение на климата . Всички страни ще се възползват от стабилен климат, но всяка една страна често се колебае за ограничаване на емисиите на въглероден диоксеид. Непосредствена полза за отделната страна, за да се поддържа сегашното [[поведение]] се възприема като по-голяма от евентуалната [[полза]] за всички страни, ако поведението е променено, поради което обяснява сегашната безизходица относно [[промяна]]та на климата . <br /> <br /> <br /> <br /> ==Използвани източници==<br /> <br /> * [[http://en.wikipedia.org/wiki/Prisoner's_dilemma http://en.wikipedia.org/wiki/Prisoner's_dilemma] Prisoner's dilemma]<br /> * [http://www.how2manage.com/component/content/article/197-Дилемата-на-затворника-(The-Prisoners) Дилема на затворника]<br /> <br /> <br /> ==Вижте още==<br /> <br /> * [[Теория на игрите]]<br /> * [[Игра]]<br /> * [[Пътническа дилема]]<br /> * [[Етична дилема]]<br /> * [[Равновесия на Наш]]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> * [http://serendip.brynmawr.edu/playground/pd.html Играй Дилемата на затворника]<br /> * [http://pespmc1.vub.ac.be/PRISDIL.html The Prisoner's Dilemma]<br /> * [http://www.investopedia.com/terms/p/prisoners-dilemma.asp#axzz1f6w98hY7 Prisoner's Dilemma]<br /> * [http://www.youtube.com/watch?v=IotsMu1J8fA&amp;feature=related Game Theory: The Prisoner's Dilemma(video)]<br /> <br /> <br /> [[category:Стратегическо управление|Управленски решения и риск|Моделиране и прогнозиране в управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%B0_%D0%BD%D0%B0_%D0%B7%D0%B0%D1%82%D0%B2%D0%BE%D1%80%D0%BD%D0%B8%D0%BA%D0%B0&diff=2020 2012-01-22T16:27:10Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дилемата на затворника''' е най-популярната игра на [[стратегия]] в социалната наука, анализирана в [[теория на игрите]]. Тя е психологически модел на поведение, намиращ отражение в [[бизнес]]а, [[политика]]та и [[икономика]]та.<br /> <br /> <br /> ==Същност на дилемата==<br /> <br /> Концепцията на дилемата на затворника е разработена от учените от ''RAND Corporation'' [[Мерил Флууд]] и [[Мелвин Дрешър]] през 1950 г. А през 1984 г. пламва интерсът към нея, заради книгата на политологът [[Робърт Акселрод ]] ''„Еволюция на сътрудничеството“'' и през 1992 г. е официално представена от [[Албърт Тъкър]], математик в Принстън. <br /> <br /> Дилемата на затворника е канонически пример за [[игра]], който показва, защо двама души не могат да си [[сътрудничество|сътрудничат]], дори и ако изглежда, че е в техен [[интерес]] да го направят. В теорията на игрите, дилемата на затворника се нарича вид [[игра]] от отворен тип, т.е. игра, в която един участник може да спечели/загуби, може всички да спечелят, а може и всички да загубят (при затворения тип сбора от резултатите на участниците е константен). Един класически пример за дилемата на затворника е представен както следва:<br /> <br /> Двама души, извършили престъпление, са заподозряни и биват разпитвани в отделни помещения. Ако единият предаде другия, а вторият – не, то първият арестуван го освобождават, а вторият получава 10 г. затвор. Ако и двамата запазят мълчание получават по 1 г. затвор, а ако се предадат взаимно – по 5 г. затвор. В тази игра участникът ще извлече най-голяма полза за себе си, независимо от решението на другия, ако реши да го предаде: така ако и другият го е предал, ще получи само 5 г. затвор, а не 10 г., а ако пък другият е мълчал ще бъде освободен, вместо да прекара 1 г. в затвора.<br /> <br /> {| class=&quot;prettytable&quot;<br /> |-<br /> |<br /> ''' Играч Б '''<br /> <br /> '''Играч А '''<br /> <br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;Предадетеслтво&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+1&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+10\0&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Предадетлство&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;0\+10&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+5&lt;/center&gt;<br /> <br /> |}<br /> <br /> <br /> Играта получава името си от хипотетична [[ситуация]], в която двама престъпника са арестувани по подозрение в извършване на престъпление - заедно. Въпреки това полицията не разполага с достатъчно доказателства, за да ги осъди. Двамата затворници са изолирани един от друг и полицията посещава всеки един от тях, като им предлага [[сделка]]: онзи, който предостави доказателства срещу другия, ще бъде освободен. Ако никой от тях не приеме офертата, т.е. ако в действителност и двамата си сътрудничат срещу полицията, и двамата ще получат само малко наказание - поради липса на доказателства, т.е. и двамата [[печалба|печелят]]. Все пак, ако единият от тях издаде другия, изповядвайки се на полицията, предателят ще спечели повече, тъй като ще е освободен, а онзи, който мълчи - от друга страна, ще получите пълното наказание, тъй като не помага на полицията, а тя вече има достатъчно доказателства. Ако и двамата се предадат взаимно - ще бъдат наказани, но по-малко, отколкото, ако са се отказали да говорят. Дилемата се основава на факта, че всеки затворник има избор само между два [[вариант]]а, но не може да постигне добро [[решение]], без да знае какво ще направи другият.<br /> <br /> [[Image:dilemata_na_zatvornika.jpg|thumb|left|alt=dilemata_na_zatvornika|Дилемaта на затворника.]]<br /> <br /> <br /> <br /> ==Приложение на дилемата==<br /> <br /> Дилемата на затворника има приложение в [[икономика]]та,[[ бизнес]]а,[[ социология]]та, [[политика]]та, [[психология]]та , [[околна среда|околната среда]], дори и в Дарвиновия естествен подбор.<br /> <br /> <br /> ===В икономиката===<br /> <br /> [[Реклама]]та е понякога се цитира като истински пример за живота на дилемата на затворника. Когато реклама на цигари е законна в САЩ, [[конкуренция|конкуриращи]] се производители на цигари, трябваше да решат колко пари да се харчат за реклама. [[Ефективност]]та на фирмата за реклама е частично определяща се от рекламата, проведена от фирма Б. По същия начин, печалбата, получени от реклама за Фирма Б се влияе от реклама, проведено от фирма А. Ако и двете фирма А и фирма Б изберат да рекламират по едно и също време, рекламата се отменя и постъпленията остават постоянни и разходи се увеличават поради разходите за реклама. И двете фирми ще се възползват от намаление в областта на рекламата. Въпреки това, ако фирма Б избире да не рекламира, фирма А може да се възползва до голяма степен от реклама. <br /> <br /> <br /> ===В политиката===<br /> <br /> В политиката, често се използва за илюстриране на [[проблем]]а с двете държави, ангажирани в надпревара във въоръжаването . Те имат две [[възможност]]и, или да увеличат военните разходи или да се направи споразумение за намаляване на оръжията. Или държавата ще се възползва от военна [[експанзия]], независимо от това какво прави другата държава. [[Парадокс]]ът е, че двете страни действат рационално, но очевидно ирационален резултат. Това би могло да се счита за последица на възпиране на теорията.<br /> <br /> <br /> ===В проучвания в областта на околната среда===<br /> <br /> В проучвания в областта на околната среда , [[дилема]]та е изразена като глобалното изменение на климата . Всички страни ще се възползват от стабилен климат, но всяка една страна често се колебае за ограничаване на емисиите на въглероден диоксеид. Непосредствена полза за отделната страна, за да се поддържа сегашното [[поведение]] се възприема като по-голяма от евентуалната [[полза]] за всички страни, ако поведението е променено, поради което обяснява сегашната безизходица относно [[промяна]]та на климата . <br /> <br /> <br /> <br /> ==Използвани източници==<br /> <br /> * [[http://en.wikipedia.org/wiki/Prisoner's_dilemma http://en.wikipedia.org/wiki/Prisoner's_dilemma] Prisoner's dilemma]<br /> * [http://www.how2manage.com/component/content/article/197-Дилемата-на-затворника-(The-Prisoners) Дилема на затворника]<br /> <br /> <br /> ==Вижте още==<br /> <br /> * [[Теория на игрите]]<br /> * [[Игра]]<br /> * [[Пътническа дилема]]<br /> * [[Етична дилема]]<br /> * [[Равновесия на Наш]]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> * [http://serendip.brynmawr.edu/playground/pd.html Играй Дилемата на затворника]<br /> * [http://pespmc1.vub.ac.be/PRISDIL.html The Prisoner's Dilemma]<br /> * [http://www.investopedia.com/terms/p/prisoners-dilemma.asp#axzz1f6w98hY7 Prisoner's Dilemma]<br /> * [http://www.youtube.com/watch?v=IotsMu1J8fA&amp;feature=related Game Theory: The Prisoner's Dilemma(video)]<br /> <br /> <br /> [[category:Стратегическо управление|Управленски решения и риск|Моделиране и прогнозиране в управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D0%BB%D0%B5%D0%BC%D0%B0_%D0%BD%D0%B0_%D0%B7%D0%B0%D1%82%D0%B2%D0%BE%D1%80%D0%BD%D0%B8%D0%BA%D0%B0&diff=2019 2012-01-22T16:18:15Z

<p>Krasimira racheva: </p> <hr /> <div>'''Дилемата на затворника''' е най-популярната игра на [[стратегия]] в социалната наука, анализирана в [[теория на игрите]]. Тя е психологически модел на поведение, намиращ отражение в [[бизнес]]а, [[политика]]та и [[икономика]]та.<br /> <br /> ==Същност на дилемата==<br /> <br /> <br /> <br /> Концепцията на дилемата на затворника е разработена от учените от ''RAND Corporation'' [[Мерил Флууд]] и [[Мелвин Дрешър]] през 1950 г. А през 1984 г. пламва интерсът към нея, заради книгата на политологът [[Робърт Акселрод ]] ''„Еволюция на сътрудничеството“'' и през 1992 г. е официално представена от [[Албърт Тъкър]], математик в Принстън. <br /> <br /> Дилемата на затворника е канонически пример за [[игра]], който показва, защо двама души не могат да си [[сътрудничество|сътрудничат]], дори и ако изглежда, че е в техен [[интерес]] да го направят. В теорията на игрите, дилемата на затворника се нарича вид [[игра]] от отворен тип, т.е. игра, в която един участник може да спечели/загуби, може всички да спечелят, а може и всички да загубят (при затворения тип сбора от резултатите на участниците е константен). Един класически пример за дилемата на затворника е представен както следва:<br /> <br /> Двама души, извършили престъпление, са заподозряни и биват разпитвани в отделни помещения. Ако единият предаде другия, а вторият – не, то първият арестуван го освобождават, а вторият получава 10 г. затвор. Ако и двамата запазят мълчание получават по 1 г. затвор, а ако се предадат взаимно – по 5 г. затвор. В тази игра участникът ще извлече най-голяма полза за себе си, независимо от решението на другия, ако реши да го предаде: така ако и другият го е предал, ще получи само 5 г. затвор, а не 10 г., а ако пък другият е мълчал ще бъде освободен, вместо да прекара 1 г. в затвора.<br /> <br /> {| class=&quot;prettytable&quot;<br /> |-<br /> |<br /> ''' Играч Б '''<br /> <br /> '''Играч А '''<br /> <br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;Предадетеслтво&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Мълчание&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+1&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+10\0&lt;/center&gt;<br /> <br /> |-<br /> |<br /> &lt;center&gt;Предадетлство&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;0\+10&lt;/center&gt;<br /> <br /> |<br /> &lt;center&gt;+5&lt;/center&gt;<br /> <br /> |}<br /> <br /> <br /> Играта получава името си от хипотетична [[ситуация]], в която двама престъпника са арестувани по подозрение в извършване на престъпление - заедно. Въпреки това полицията не разполага с достатъчно доказателства, за да ги осъди. Двамата затворници са изолирани един от друг и полицията посещава всеки един от тях, като им предлага [[сделка]]: онзи, който предостави доказателства срещу другия, ще бъде освободен. Ако никой от тях не приеме офертата, т.е. ако в действителност и двамата си сътрудничат срещу полицията, и двамата ще получат само малко наказание - поради липса на доказателства, т.е. и двамата [[печалба|печелят]]. Все пак, ако единият от тях издаде другия, изповядвайки се на полицията, предателят ще спечели повече, тъй като ще е освободен, а онзи, който мълчи - от друга страна, ще получите пълното наказание, тъй като не помага на полицията, а тя вече има достатъчно доказателства. Ако и двамата се предадат взаимно - ще бъдат наказани, но по-малко, отколкото, ако са се отказали да говорят. Дилемата се основава на факта, че всеки затворник има избор само между два [[вариант]]а, но не може да постигне добро [[решение]], без да знае какво ще направи другият.<br /> <br /> [[Image:dilemata_na_zatvornika.jpg|thumb|left|alt=dilemata_na_zatvornika|Дилемaта на затворника.]]<br /> <br /> <br /> <br /> ==Приложение на дилемата==<br /> <br /> <br /> <br /> Дилемата на затворника има приложение в [[икономика]]та,[[ бизнес]]а,[[ социология]]та, [[политика]]та, [[психология]]та , околната среда, дори и в Дарвиновия естествен подбор.<br /> <br /> ===В икономиката===<br /> <br /> <br /> <br /> [[Реклама]]та е понякога се цитира като истински пример за живота на дилемата на затворника. Когато реклама на цигари е законна в САЩ, [[конкуренция|конкуриращи]] се производители на цигари, трябваше да решат колко пари да се харчат за реклама. [[Ефективност]]та на фирмата за реклама е частично определяща се от рекламата, проведена от фирма Б. По същия начин, печалбата, получени от реклама за Фирма Б се влияе от реклама, проведено от фирма А. Ако и двете фирма А и фирма Б изберат да рекламират по едно и също време, рекламата се отменя и постъпленията остават постоянни и разходи се увеличават поради разходите за реклама. И двете фирми ще се възползват от намаление в областта на рекламата. Въпреки това, ако фирма Б избире да не рекламира, фирма А може да се възползва до голяма степен от реклама. <br /> <br /> ===В политиката===<br /> <br /> <br /> <br /> В политиката, често се използва за илюстриране на [[проблем]]а с двете държави, ангажирани в надпревара във въоръжаването . Те имат две [[възможност]]и, или да увеличат военните разходи или да се направи споразумение за намаляване на оръжията. Или държавата ще се възползва от военна експанзия, независимо от това какво прави другата държава. [[Парадокс]]ът е, че двете страни действат рационално , но очевидно ирационален резултат. Това би могло да се счита за последица на възпиране на теорията .<br /> <br /> ===В проучвания в областта на околната среда===<br /> <br /> <br /> <br /> В проучвания в областта на околната среда , дилемата е изразена като глобалното изменение на климата . Всички страни ще се възползват от стабилен климат, но всяка една страна често се колебае за ограничаване на емисиите на въглероден диоксеид. Непосредствена полза за отделната страна, за да се поддържа сегашното [[поведение]] се възприема като по-голяма от евентуалната [[полза]] за всички страни, ако поведението е променено, поради което обяснява сегашната безизходица относно [[промяна]]та на климата . <br /> <br /> <br /> <br /> ==Използвани източници==<br /> <br /> <br /> <br /> * [[http://en.wikipedia.org/wiki/Prisoner's_dilemma http://en.wikipedia.org/wiki/Prisoner's_dilemma] Prisoner's dilemma]<br /> * [http://www.how2manage.com/component/content/article/197-Дилемата-на-затворника-(The-Prisoners) Дилема на затворника]<br /> <br /> ==Вижте още==<br /> <br /> <br /> <br /> * [[Теория на игрите]]<br /> * [[Игра]]<br /> * [[Пътническа дилема]]<br /> * [[Етична дилема]]<br /> * [[Равновесия на Наш]]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> <br /> * [http://serendip.brynmawr.edu/playground/pd.html Играй Дилемата на затворника]<br /> * [http://pespmc1.vub.ac.be/PRISDIL.html The Prisoner's Dilemma]<br /> * [http://www.investopedia.com/terms/p/prisoners-dilemma.asp#axzz1f6w98hY7 Prisoner's Dilemma]<br /> * [http://www.youtube.com/watch?v=IotsMu1J8fA&amp;feature=related Game Theory: The Prisoner's Dilemma(video)]<br /> <br /> <br /> <br /> [[category:Управленски решения и риск|Моделиране и прогнозиране в управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B8%D0%B2%D0%B5%D1%80%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F&diff=2018 2012-01-22T16:17:05Z

<p>Krasimira racheva: </p> <hr /> <div>'''Диверсификация''' (лат. ''diversificatio'' – изменение,разнообразие ) е разпространение на стопанската дейност на организациите в нови сфери,разширяване на [[асортимент]]а на крайните продукти на [[производствен процес|производствените процеси]],предлагане на разнообразни на съпътстващи услуги,проникване на нови географски територии.В тесен смисъл диверсификацията се разбира,като проникването на производствените предприятия в отрасли,като нямат преки връзки или функционални зависимости с тяхната основна дейност.<br /> <br /> <br /> <br /> <br /> ==Предимства==<br /> <br /> • намаляване на общия [[риск]] чрез разпростиране на бизнеса в няколко направления<br /> <br /> • увеличаване на обема на приходните продажби<br /> <br /> • намаляване на оперативните [[разход]]и<br /> <br /> • постигане на [[Синергия|синергичен ефект]] <br /> <br /> <br /> ==Недостатъци==<br /> <br /> • изисква значителни финансови средства <br /> <br /> • може да доведе до [[дисбаланс]], да наруши равновесието в организацията<br /> <br /> • резултатите от диверсификацията се проявяват след 3-4 години<br /> <br /> <br /> <br /> ==Видове диверсификация==<br /> <br /> ===Концентрична диверсификация===<br /> <br /> При концентричната диверсификация [[компания]]та добавя нови дейности допълващи съществуващите в технологичен и/или маркетингов план].Основната цел на [[стратегия]]та е привличане на нови групи купувачи. <br /> <br /> <br /> ===Конгломератна диверсификация===<br /> <br /> При нея се навлиза в нови сфери на бизнеса,които не са свързани с досегашните дейности,както технологични така и в [[маркетингов план]].Конгломератната диверсификация е една от най-сложните стратегии на развитие,тъй като нейното осъществяване зависи от много фактори.<br /> <br /> <br /> ===Хоризонтална диверсификация===<br /> <br /> Тази стратегия предлага търсенето на възможности за разширено участие на съществуващия пазар за сметка на нова продукция,която е различна от предлаганата.Новите стоки са ориентирани към досегашните клиенти на [[предприятие]]то.Условие за реализиране на тази стратегия е предварителната оценка на възможностите за производство на нови продукти.<br /> <br /> <br /> ==Механизми за диверсификация==<br /> <br /> Механизмите за [[диверсификация]] се отличават по това как решават задачите, за осигуряване на достъпа до нови технологии и до нови пазари.В зависимост от това се разграничават следните :<br /> <br /> ===Самостоятелно навлизане===<br /> <br /> Самостоятелното навлизане се осигурява чрез вътрешен [[растеж]]. Разработването на новите технологии и пазари става чрез използването на вътрешни [[ресурс]]и на фирмата.Върху избора на този вид стратегия влияят две променливи.Те са: разходи по стартирането и времето и разходи свързани с предварително [[проучване]] и разработване на новите продукти.Промоцирането на тези продукти на пазара. Изграждането на нови съоръжения и организация на [[производствен процес|производствения процес]]. Времетраенето за реализиране на стратегията зависи от това какъв период е необходим на пазара да приеме новия продукт.<br /> <br /> ===Закупуване на лиценз===<br /> <br /> Предимствата на механизма по закупуване на [[лиценз]] са бързият достъп до проверени технологии и [[продукт]]и,който вече са въведени на пазара и незначителния [[финансов риск]] за организацията.Основните недостатъци са зависимостта от лицензодателя и рискът от провал,в случаи че вътрешната техническа компетентност е недостатъчна.<br /> <br /> ===Придобиване===<br /> <br /> Този механизъм представлява изкупуването на цяла фирма или част от нея,така че тя престава да съществува като самостоятелна единица.Чрез [[придобиване]]то компанията може да навлезе много по-бързо в новия бизнес в сравнение с вътрешното развитие.<br /> <br /> ===Сливане===<br /> <br /> Сливането намира израз в съединяване на две или повече самостоятелни фирми в едно цяло.В повечето случаи сливанията са доброволни.На практика едната компания е по-силна,запазва своята идентичност и стила на управление и поема [[актив]]ите и [[пасив]]ите на другата компания.<br /> <br /> ===Инвестиране в рисков капитал===<br /> <br /> Рисковият [[капитал]] представлява начин за финансиране на развитието или реорганизирането на дейността на дадена компания.Извършва се чрез продажбата на [[акция|акции]] на рисков инвеститор,който осигурява необходимите финансови ресурси за развитието на предприятието.Рисковият инвеститор не търси сигурност и не изисква [[лихва]] за парите си.Той става [[акционер]],чиято цел е да създаде [[капитал]]ов доход от инвестицията си за период от 5-7 години.<br /> <br /> Рисковият капитал може да бъде свързан с дялово финансиране за високо рискови стартиращи предприятия и начинания с голям [[потенциал]] за растеж.Също така може да се използва за предприятия с вече утвърдени пазарни позиции.<br /> <br /> ==Видове диверсифицираност==<br /> <br /> В основата на повечето класификации на видовете диверсифицираност се използва [[коефициент на специализация]] въведен от [[Леноард Ригли]].Той изразява каква част от общия годишен доход на фирмата е свързан с най-крупната ѝ и относително обособена продуктово пазарна дейност.Четирите категории по този признак са :<br /> <br /> * Единичен продукт. Това са фирми с коефициент на [[специализация между]] 0,95 и 1. Растежът на тези фирми се изразява единствено в нарастване на мащаба на техните операции.<br /> <br /> * Доминантен продукт. Фирми с коефициент на специализация между 0.70 и 0.95.Те се диверсифицират в определена степен и то ниска,но все още остават зависими от една продуктово пазарна дейност.<br /> <br /> * Свързан продукт. Фирми с коефициент на специализация между 0.50 и 0.70,които се развиват чрез добавяне на нови дейности и продукти към вече съществуващите, но които са неразделно свързани с уменията и силните страни, вече притежавани от компанията.<br /> <br /> * Несвързан продукт. Фирми с коефициент на специализация под 0.5 , диверсифициращи се в области,които по никакъв друг начин освен финансов не са свързани с досегашните силни страни на фирмата.<br /> <br /> <br /> <br /> ==Аспекти на диверсификацията==<br /> <br /> 1.Диверсификация (Финанси) – включва разпространение на инвестиции. <br /> <br /> 2.Диверсификация (Маркетингова стратегия) – е [[корпоративна стртегия]] за увеличаване на присъствието на пазара. <br /> <br /> 3.Диверсификация (Земеделие) – включва възможността за преразпределение на част от стопанството не за ресурси, а за нови продукти.<br /> <br /> <br /> <br /> ==Вижте също ==<br /> <br /> •http://bg.wikipedia.org/wiki/%D0%9F%D0%BB%D1%83%D1%80%D0%B0%D0%BB%D0%B8%D0%B7%D1%8A%D0%BC<br /> <br /> <br /> ==Източници==<br /> <br /> <br /> [[category:Управленски решения и риск|Стратегическо управление]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B6%D0%BE%D0%BD_%D1%84%D0%BE%D0%BD_%D0%9D%D0%BE%D0%B9%D0%BC%D0%B0%D0%BD&diff=2017 2012-01-22T15:51:47Z

<p>Krasimira racheva: </p> <hr /> <div>[[Image:picture1.jpg|thumb|right|alt=John fon Noiman portret |Портрет на Джон фон Нойман.]]<br /> <br /> Джон фон Нойман (28.12.1903 – 08.02.1957) е американски математик, който е направил много важни приноси към [[квантова физика|квантовата физика]], [[функционалeн анализ|функционалния анализ]], [[теория на множествата]], [[икономика]]та, [[информатика]]та, [[статистика]]та и други области. Запомнен като пионер на съвременния цифров компютър и прилагането на теория на операторите към квантовата механика, като член от екипа на Проекта Манхатън и създател на [[теорията на игрите]] и концепцията за клетъчните автомати.<br /> <br /> Роден в [[Унгария]], в семейство на преуспяващ будапещенски [[банкер]]. От малък се е отличавал със своите феноменални способности. Едва шест-годишен водел с баща си спор на [[древногръцки език]], а на 8 години усвоил основите на [[висша математика]]. Като дете-чудо, решавал практически всяка математична задача, притежавал бърза мисъл и почти фотографическа памет. Занимавайки се с преподавателска работа в [[Германия]], на 20—30 годишна възраст, той внася значителен принос в развитието на [[квантова механика|квантовата механика]] с крайъгълния камък на [[ядрена физика|ядрената физика]], разработва теорията на игрите — метод за анализ на взаимоотношенията между хората.<br /> <br /> <br /> ==Теория на игрите==<br /> <br /> Теорията на игрите изучава стратегическите математически модели и вземането на решения в [[конфликтна ситуация|конфликтни ситуации]]. Конфликтни са ситуации, при които има две или повече враждуващи страни с противоположни цели. При това резултатът от всяко действие зависи от друго действие на противоположната страна. Примерите за конфликтни ситуации са военните действия; редица ситуации в областта на икономиката, особено при наличие на свободна [[конкуренция]]. Опитвайки се да [[максимизация|максимизират]] възнаграждението си, играчите избират различни ходове. Тези, които участват в конфликта страни се наричат играчи. Ефективността на решенията на всеки играч зависи от неизвестните решения на останалите играчи и от други обстоятелства.<br /> <br /> * Видове игри: Според броя на участващите играчи - с двама, с трима и т.н. При игри с повече от двама играчи са възможни [[коалиция|коалиции]], които действат като един играч. Теорията на игрите изследва образуването на такива коалиции и разпределянето на общата [[печалба]] между тях. При краен брой действия, които може да бъдат предприети от играчите играта се нарича крайна, в противоположен случай е безкрайна. Друг вид са [[матрица|матричните игри]] - крайна игра с двама играчи и нулева сума, където платежната функция е дадена във вид на матрица, която се решава със средствата на линейното оптимиране.<br /> <br /> *Основни понятия<br /> **Печалбата на всеки играч. [[Загуба]]та е [[печалба]], но отрицателна. Ако сумата от печалбите на всички играчи в една игра е постоянна (нула), говорим за игра с постоянна (нулева) сума.<br /> **Целта на играча и по-специално неговият начин на действие за постигането й е [[стратегия]]та на играча. Теорията на игрите доказва съществуването на оптимални стратегии и създава методи за намирането им.<br /> **Правилата на играта - [[система]] от условия, които определят възможните действия за играчите, обема на информацията на всяка страна за поведението на другата, редуването на ходовете, а също и резултата, до който довежда дадена съвкупност от [[ход]]ове. Изразяват се количествено.<br /> **Ходовете на играчите са лични или случайни. За да бъде играта математически определена, в правилата на играта за всеки случаен ход трябва да бъде посочено разпределението на вероятностите за възможните изходи.<br /> *Минимаксна процедура: В рамките на теорията на игрите са разработени редица [[алгоритъм|алгоритми]] или &quot;стандартни решения&quot; за победа. Най-популярна е минимаксна процедура при двама играчи. Базирана е на идеята, че всеки играч играе най-добре. Накратко: всеки играч при всеки ход има краен брой избори за ход. След неговия ход, какъвто и да е той, противникът му също има краен брой избори. Рано или късно играта винаги свършва с нечия победа, тогава може да напишем всички възможни ходове на играта с всичките ѝ възможни [[изход]]и.<br /> Ако слагаме оценка на всеки възможен краен изход, показваща колко е печеливш за нас този резултат, се получава [[дървовидна структура]]. Нивата са изборите на всеки играч, а листа - крайните оценки. Тръгвайки от листата, може да оценим междинните състояния. Оттук нататък стратегията за нас е да избираме винаги следващ ход с най-висока оценка, а на противникът ни – с най-ниска за нас оценка. Основните критики на минимаксната процедура са огромното [[дърво на решенията]], което повечето игри генерират, и сложният [[критерий за оценка]] на крайните състояния. Използват се различни [[евристични методи]] за оценката на крайните състояния.<br /> Друга възможна критика на метода е &quot;човешкият фактор&quot;, т.е. доколко умишлено допуснати грешки на единия играч водят до стратегически важни грешки на другия играч. Този безсмислен за абстрактната математика параметър винаги е бил основен в човешката история.<br /> <br /> Фон Нойман е обичал да смайва своите приятели и ученици със способността си да извършва на ум сложни изчисления. Неговото интелектуално съвършенство е било съвкупност от изрядна доза добродушие и малко привлекателна [[ексцентричност]].<br /> Към 1949 г. при създаването на електронните изчислителни машини фон Нойман е един от водещите учени. Техният напредък тогава зависел от развитието на [[вакуумна електроника|вакуумната електроника]] (транзисторът бил създаден само малко преди това). Във връзка с това Джон фон Нойман казва: “Изглежда, че ние сме достигнали границите на възможното да се постигне в компютърните технологии, въпреки че човек трябва да внимава с подобни твърдения, тъй като за тях е характерна тенденцията след пет години да изглеждат твърде глупаво.”<br /> Фон Нойман участва в свръхсекретния Манхатънски проект по създаване на [[атомна бомба|атомната бомба]], който се разработва в Лос-Аламос, щата Ню-Мексико. По време на проекта фон Нойман математически е доказал осъществимостта на взривния способ за детонация на атомната бомба. След това е разработил значително по-мощното оръжие — водородната бомба, създаването на която изисквало много сложни изчисления.<br /> <br /> ==Системата EDVAC==<br /> През 1952 година влиза в действие системата EDVAC, създадена от фон Нойман и неговите колеги. Неговата революционна архитектура се оказала ефективна и досега остава основа на всички компютърни системи за обща употреба.<br /> <br /> [[Image:figura1.JPG|thumb|right|alt=scheme |Смема.]]<br /> <br /> [[Процесор]]ът е основният компонент във всеки компютър. Той управлява памет, която пренася инструкции за неговото функциониране (неговите програми), а също и данни, които се модифицират или обработват от процесора в зависимост от инструкциите. <br /> Чрез [[входни устройства|входящите устройства]] се пренасят входните команди. Тук можем да кажем клавиатура, мишка или електронна писалка. Този тип устройства може да се сравнят със сетивата на човешкото тяло като очи, уши, език или пръсти. <br /> [[Изходни устройства]] - например монитори и високоговорители, свързани със звуковата карта. Тези устройства улесняват осъществяването на функции, сравними с тези на вашите ръце, пръсти или дори гласови връзки.<br /> ==Обща схема на Джон фон Нойман==<br /> <br /> Обща схема на Джон фон Нойман - основни компоненти:<br /> <br /> [[file:video1.ogv|thumb|rigth|alt=show what is this in practice |Схема на Джон фон Нойман.]]<br /> <br /> „CPU(Central Processing Unit) или ЦП(Централен Просесор)<br /> *АЛУ(Аритметик-Логическо Устройство) - изпълнява целочислени(събиране, изваждане и т.н.), логически(И, ИЛИ, НЕ) и сравнителните операции.<br /> *УУ(Управляващо Устройство) - следи къде точно в паметта се намира следващата за изпълнение [[инструкция]] и отговаря за това резултатът от вече изпълнената инструкция да бъде изведена или да се запише отново в паметта.<br /> *Регистри - вид системна памет, която се съдържа в Централния процесор. Използва се от АЛУ и УУ като място където много бързо може да се внесат или изведат инструкции.<br /> *Системна памет:<br /> *-RAM([[Random Access Memory]]– англ. памет с произволен достъп) – на нея се съхраняват стартираните програми и инструкции, които ще се изпълняват от централния процесор.<br /> *-ROM([[Read-Only Memory]] – англ. памет само за четене) – на този вид памет се съхранява информация, която само може да се използва от системата, но не и да се променя.<br /> *Системна шина/Шина – осигурява връзката между отделните компоненти. Служи за пренос на данни.<br /> *Периферия – дели се на „входни устройства&quot;, „изходни устройства&quot; и „входно-изходни устройства&quot; в зависимост от това дали внасят или изнасят информация към/от компютърната система:<br /> *Входни устройства – мишка, принтер, скенер;<br /> *Изходни устройства – монитор, принтер, тонколони;<br /> *Входно-изходни устройства – външна памет, модем, мрежова карта.” <br /> <br /> По-късно фон Нойман работил в Принстънския институт за перспективни изследвания, вземал участие в разработката на няколко [[компютър]]а с новаторска [[конструкция]]. Сред тях била и машина, която се използвала за решаване на задачите, свързани със създаването на водородната бомба. Фон Нойман остроумно я именувал &quot;Маниак&quot; (математически анализатор, брояч, интегратор и компютър). Фон Нойман бил член на [[Комисия по атомна енергия]] и председател на консултативния комитет на ВВС на САЩ по [[балистичнa ракетa|балистични ракети]]. <br /> Умира от рак на 54 години.<br /> <br /> <br /> ==Източници==<br /> <br /> #Aspray, William, “John von Neumann and the Origins of Modern Computing”, 1990.<br /> #Halmos, Paul R., “I Want To Be A Mathematician Springer-Verlag”, 1985.<br /> #Heims, Steve J., “John von Neumann and Norbert Weiner: From Mathematics to the Technologies of Life and Death”, 1980.<br /> #Poundstone, William, “Prisoner's Dilemma: John von Neumann, Game Theory and the Puzzle of the Bomb”, 1992.<br /> #Vonneuman, Nicholas A. “John von Neumann as Seen by His Brother”<br /> <br /> <br /> ==Външни препратки==<br /> <br /> *[http://itbulgaria.eu/shema_na_djon_fon_noiman.html Схема на Джон фон Нойман]<br /> *[http://www-it.fmi.uni-sofia.bg/RedisInfo/courses/modules/module2/parts/module1/part1/lesson5.html Системата EDVAC]<br /> *[http://www.kaminata.net/viewtopic.php?f=132&amp;t=13782 Биография]<br /> *[http://phys.uni-sofia.bg/~cpopov/ALMANAH/II%20chast/citati/citati%20Noyman.pdf Цитати от Джон фон Нойман]<br /> *[http://bg.wikipedia.org/wiki/%D0%A2%D0%B5%D0%BE%D1%80%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B8%D0%B3%D1%80%D0%B8%D1%82%D0%B5 Теория на игрите]<br /> *[http://bg.wikipedia.org/wiki/%D0%94%D0%B6%D0%BE%D0%BD_%D1%84%D0%BE%D0%BD_%D0%9D%D0%BE%D0%B9%D0%BC%D0%B0%D0%BD Биография]<br /> *[http://www.youtube.com/watch?v=6vNE3HKxUwA Схема на Нойман – видео]<br /> <br /> [[category:Управленски решения и риск|Основи на управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B6%D0%BE%D0%BD_%D1%84%D0%BE%D0%BD_%D0%9D%D0%BE%D0%B9%D0%BC%D0%B0%D0%BD&diff=2016 2012-01-22T15:50:52Z

<p>Krasimira racheva: </p> <hr /> <div>[[Image:picture1.jpg|thumb|right|alt=John fon Noiman portret |Портрет на Джон фон Нойман.]]<br /> <br /> Джон фон Нойман (28.12.1903 – 08.02.1957) е американски [[математик]], който е направил много важни приноси към [[квантова физика|квантовата физика]], [[функционалeн анализ|функционалния анализ]], [[теория на множествата]], [[икономика]]та, [[информатика]]та, [[статистика]]та и други области. Запомнен като пионер на съвременния [[цифров компютър]] и прилагането на [[теория на операторите към квантовата механика]], като член от екипа на Проекта Манхатън и създател на [[теорията на игрите]] и [[концепцията за клетъчните автомати]].<br /> <br /> Роден в [[Унгария]], в семейство на преуспяващ будапещенски [[банкер]]. От малък се е отличавал със своите феноменални способности. Едва шест-годишен водел с баща си спор на [[древногръцки език]], а на 8 години усвоил основите на [[висша математика]]. Като дете-чудо, решавал практически всяка математична задача, притежавал бърза мисъл и почти фотографическа памет. Занимавайки се с преподавателска работа в [[Германия]], на 20—30 годишна възраст, той внася значителен принос в развитието на [[квантова механика|квантовата механика]] с крайъгълния камък на [[ядрена физика|ядрената физика]], разработва теорията на игрите — метод за анализ на взаимоотношенията между хората.<br /> <br /> <br /> ==Теория на игрите==<br /> <br /> Теорията на игрите изучава стратегическите математически модели и вземането на решения в [[конфликтна ситуация|конфликтни ситуации]]. Конфликтни са ситуации, при които има две или повече враждуващи страни с противоположни цели. При това резултатът от всяко действие зависи от друго действие на противоположната страна. Примерите за конфликтни ситуации са военните действия; редица ситуации в областта на икономиката, особено при наличие на свободна [[конкуренция]]. Опитвайки се да [[максимизация|максимизират]] възнаграждението си, играчите избират различни ходове. Тези, които участват в конфликта страни се наричат играчи. Ефективността на решенията на всеки играч зависи от неизвестните решения на останалите играчи и от други обстоятелства.<br /> <br /> * Видове игри: Според броя на участващите играчи - с двама, с трима и т.н. При игри с повече от двама играчи са възможни [[коалиция|коалиции]], които действат като един играч. Теорията на игрите изследва образуването на такива коалиции и разпределянето на общата [[печалба]] между тях. При краен брой действия, които може да бъдат предприети от играчите играта се нарича крайна, в противоположен случай е безкрайна. Друг вид са [[матрица|матричните игри]] - крайна игра с двама играчи и нулева сума, където платежната функция е дадена във вид на матрица, която се решава със средствата на линейното оптимиране.<br /> <br /> *Основни понятия<br /> **Печалбата на всеки играч. [[Загуба]]та е [[печалба]], но отрицателна. Ако сумата от печалбите на всички играчи в една игра е постоянна (нула), говорим за игра с постоянна (нулева) сума.<br /> **Целта на играча и по-специално неговият начин на действие за постигането й е [[стратегия]]та на играча. Теорията на игрите доказва съществуването на оптимални стратегии и създава методи за намирането им.<br /> **Правилата на играта - [[система]] от условия, които определят възможните действия за играчите, обема на информацията на всяка страна за поведението на другата, редуването на ходовете, а също и резултата, до който довежда дадена съвкупност от [[ход]]ове. Изразяват се количествено.<br /> **Ходовете на играчите са лични или случайни. За да бъде играта математически определена, в правилата на играта за всеки случаен ход трябва да бъде посочено разпределението на вероятностите за възможните изходи.<br /> *Минимаксна процедура: В рамките на теорията на игрите са разработени редица [[алгоритъм|алгоритми]] или &quot;стандартни решения&quot; за победа. Най-популярна е минимаксна процедура при двама играчи. Базирана е на идеята, че всеки играч играе най-добре. Накратко: всеки играч при всеки ход има краен брой избори за ход. След неговия ход, какъвто и да е той, противникът му също има краен брой избори. Рано или късно играта винаги свършва с нечия победа, тогава може да напишем всички възможни ходове на играта с всичките ѝ възможни [[изход]]и.<br /> Ако слагаме оценка на всеки възможен краен изход, показваща колко е печеливш за нас този резултат, се получава [[дървовидна структура]]. Нивата са изборите на всеки играч, а листа - крайните оценки. Тръгвайки от листата, може да оценим междинните състояния. Оттук нататък стратегията за нас е да избираме винаги следващ ход с най-висока оценка, а на противникът ни – с най-ниска за нас оценка. Основните критики на минимаксната процедура са огромното [[дърво на решенията]], което повечето игри генерират, и сложният [[критерий за оценка]] на крайните състояния. Използват се различни [[евристични методи]] за оценката на крайните състояния.<br /> Друга възможна критика на метода е &quot;човешкият фактор&quot;, т.е. доколко умишлено допуснати грешки на единия играч водят до стратегически важни грешки на другия играч. Този безсмислен за абстрактната математика параметър винаги е бил основен в човешката история.<br /> <br /> Фон Нойман е обичал да смайва своите приятели и ученици със способността си да извършва на ум сложни изчисления. Неговото интелектуално съвършенство е било съвкупност от изрядна доза добродушие и малко привлекателна [[ексцентричност]].<br /> Към 1949 г. при създаването на електронните изчислителни машини фон Нойман е един от водещите учени. Техният напредък тогава зависел от развитието на [[вакуумна електроника|вакуумната електроника]] (транзисторът бил създаден само малко преди това). Във връзка с това Джон фон Нойман казва: “Изглежда, че ние сме достигнали границите на възможното да се постигне в компютърните технологии, въпреки че човек трябва да внимава с подобни твърдения, тъй като за тях е характерна тенденцията след пет години да изглеждат твърде глупаво.”<br /> Фон Нойман участва в свръхсекретния Манхатънски проект по създаване на [[атомна бомба|атомната бомба]], който се разработва в Лос-Аламос, щата Ню-Мексико. По време на проекта фон Нойман математически е доказал осъществимостта на взривния способ за детонация на атомната бомба. След това е разработил значително по-мощното оръжие — водородната бомба, създаването на която изисквало много сложни изчисления.<br /> <br /> ==Системата EDVAC==<br /> През 1952 година влиза в действие системата EDVAC, създадена от фон Нойман и неговите колеги. Неговата революционна архитектура се оказала ефективна и досега остава основа на всички компютърни системи за обща употреба.<br /> <br /> [[Image:figura1.JPG|thumb|right|alt=scheme |Смема.]]<br /> <br /> [[Процесор]]ът е основният компонент във всеки компютър. Той управлява памет, която пренася инструкции за неговото функциониране (неговите програми), а също и данни, които се модифицират или обработват от процесора в зависимост от инструкциите. <br /> Чрез [[входни устройства|входящите устройства]] се пренасят входните команди. Тук можем да кажем клавиатура, мишка или електронна писалка. Този тип устройства може да се сравнят със сетивата на човешкото тяло като очи, уши, език или пръсти. <br /> [[Изходни устройства]] - например монитори и високоговорители, свързани със звуковата карта. Тези устройства улесняват осъществяването на функции, сравними с тези на вашите ръце, пръсти или дори гласови връзки.<br /> ==Обща схема на Джон фон Нойман==<br /> <br /> Обща схема на Джон фон Нойман - основни компоненти:<br /> <br /> [[file:video1.ogv|thumb|rigth|alt=show what is this in practice |Схема на Джон фон Нойман.]]<br /> <br /> „CPU(Central Processing Unit) или ЦП(Централен Просесор)<br /> *АЛУ(Аритметик-Логическо Устройство) - изпълнява целочислени(събиране, изваждане и т.н.), логически(И, ИЛИ, НЕ) и сравнителните операции.<br /> *УУ(Управляващо Устройство) - следи къде точно в паметта се намира следващата за изпълнение [[инструкция]] и отговаря за това резултатът от вече изпълнената инструкция да бъде изведена или да се запише отново в паметта.<br /> *Регистри - вид системна памет, която се съдържа в Централния процесор. Използва се от АЛУ и УУ като място където много бързо може да се внесат или изведат инструкции.<br /> *Системна памет:<br /> *-RAM([[Random Access Memory]]– англ. памет с произволен достъп) – на нея се съхраняват стартираните програми и инструкции, които ще се изпълняват от централния процесор.<br /> *-ROM([[Read-Only Memory]] – англ. памет само за четене) – на този вид памет се съхранява информация, която само може да се използва от системата, но не и да се променя.<br /> *Системна шина/Шина – осигурява връзката между отделните компоненти. Служи за пренос на данни.<br /> *Периферия – дели се на „входни устройства&quot;, „изходни устройства&quot; и „входно-изходни устройства&quot; в зависимост от това дали внасят или изнасят информация към/от компютърната система:<br /> *Входни устройства – мишка, принтер, скенер;<br /> *Изходни устройства – монитор, принтер, тонколони;<br /> *Входно-изходни устройства – външна памет, модем, мрежова карта.” <br /> <br /> По-късно фон Нойман работил в Принстънския институт за перспективни изследвания, вземал участие в разработката на няколко [[компютър]]а с новаторска [[конструкция]]. Сред тях била и машина, която се използвала за решаване на задачите, свързани със създаването на водородната бомба. Фон Нойман остроумно я именувал &quot;Маниак&quot; (математически анализатор, брояч, интегратор и компютър). Фон Нойман бил член на [[Комисия по атомна енергия]] и председател на консултативния комитет на ВВС на САЩ по [[балистичнa ракетa|балистични ракети]]. <br /> Умира от рак на 54 години.<br /> <br /> <br /> ==Източници==<br /> <br /> #Aspray, William, “John von Neumann and the Origins of Modern Computing”, 1990.<br /> #Halmos, Paul R., “I Want To Be A Mathematician Springer-Verlag”, 1985.<br /> #Heims, Steve J., “John von Neumann and Norbert Weiner: From Mathematics to the Technologies of Life and Death”, 1980.<br /> #Poundstone, William, “Prisoner's Dilemma: John von Neumann, Game Theory and the Puzzle of the Bomb”, 1992.<br /> #Vonneuman, Nicholas A. “John von Neumann as Seen by His Brother”<br /> <br /> <br /> ==Външни препратки==<br /> <br /> *[http://itbulgaria.eu/shema_na_djon_fon_noiman.html Схема на Джон фон Нойман]<br /> *[http://www-it.fmi.uni-sofia.bg/RedisInfo/courses/modules/module2/parts/module1/part1/lesson5.html Системата EDVAC]<br /> *[http://www.kaminata.net/viewtopic.php?f=132&amp;t=13782 Биография]<br /> *[http://phys.uni-sofia.bg/~cpopov/ALMANAH/II%20chast/citati/citati%20Noyman.pdf Цитати от Джон фон Нойман]<br /> *[http://bg.wikipedia.org/wiki/%D0%A2%D0%B5%D0%BE%D1%80%D0%B8%D1%8F_%D0%BD%D0%B0_%D0%B8%D0%B3%D1%80%D0%B8%D1%82%D0%B5 Теория на игрите]<br /> *[http://bg.wikipedia.org/wiki/%D0%94%D0%B6%D0%BE%D0%BD_%D1%84%D0%BE%D0%BD_%D0%9D%D0%BE%D0%B9%D0%BC%D0%B0%D0%BD Биография]<br /> *[http://www.youtube.com/watch?v=6vNE3HKxUwA Схема на Нойман – видео]<br /> <br /> [[category:Управленски решения и риск|Основи на управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B6%D0%BE%D0%BD_%D0%A1%D1%82%D1%8E%D0%B0%D1%80%D1%82_%D0%9C%D0%B8%D0%BB&diff=2015 2012-01-22T15:14:09Z

<p>Krasimira racheva: </p> <hr /> <div>[[Image:JohnStuartMill.JPG|thumb|right|alt=Джон Стюарт Мил|Джон Стюарт Мил]]<br /> <br /> <br /> <br /> '''Джон Стюарт Мил''' (1806-1873), английски [[философ]], [[икономист]], [[администратор]],морален и политически [[теоретик]] е най-влиятелния англоговорящ философ на ХIХ век. Неговите възгледи като цяло са признати за едни от най-дълбоките и със сигурност най-ефективни средства за защита на [[емпиризма]] и на либералните политически възгледи на обществото и културата. Общата цел на неговата [[философия]] е да се развие положително становище на [[вселена]]та и мястото на хората в нея, което допринася за развитието на човешкото познание, личната [[свобода]] и благосъстоянието на хората. Неговите възгледи не са изцяло оригинални, тъй като имат корени в британския [[емпиризъм]] на [[Джон Лок]], [[Джордж Бъркли]] и [[Дейвид Хюм]] и в [[утилитаризъм|утилитаризма]] на [[Джеръми Бентам]]. Но той им дава нова дълбочина и формулировките му са достатъчно ясни, че успяват да окажат влияние сред широката общественост.<br /> <br /> <br /> <br /> ==Биография==<br /> <br /> [[Image:jsmillhelentaylor.jpg|thumb|left|alt=Джон Стюарт Мил и съпругата му Хелън Тейлър|Джон Стюарт Мил и съпругата му Хелън Тейлър]]<br /> <br /> <br /> Джон Стюарт Мил е роден на 20 май 1806г. в Лондон. Баща му - [[Джеймс Мил]] – произхожда от семейство на беден шотландски свещеник. Той сам си пробива път в науката и принадлежи към английския научен и културен елит. Семейството на Мил е многобройно – имал е 9 братя и сестри. Домашното възпитание и грижите за образованието са оказали огромно влияние върху целия му живот. На тригодишна възраст малкият Джон е знаел да чете и пише. Още тогава бащата започва да му преподава древногръцки език. След дванадесетата си година започва да се самообразова. Занимава се с математика, естествознание, но най – вече с история. Овладял е почти напълно [[логика]]та, [[философия]]та и политическата икономия. Знаел е немски, френски, латински и древногръцки езици. На 14 годишна възраст той вече е високо ерудиран, притежава обширна култура и енциклопедични знания. Освен това интензивната работа по самообразованието се оказала толкова ползотворна, че Джон Мил изпреварил връстниците си с години. <br /> <br /> През 1822г. Мил публикува първите си работи по [[политическа икономия]] – две неголеми [[статия|статии]] относно теорията на [[стойност]]та. Постъпва на работа в [[Ост – индийската компания]], където баща му заемал твърде отговорна длъжност. Мил участвал в кръжок на радикално настроените млади хора. В този кръжок се водели различни дискусии, главно върху утилитаризма. Особено [[дискусия|дискусионен]] бил принципът “най – много щастие за най – много хора”. В този план членовете на [[кръжок]]а разглеждали проблемите на доброто и злото, за вековечната борба между тях. Той изпада в трудно преодолима духовна криза, предизвикана от закостенялостта на английския [[консерватизъм]], на който той е противник. Той иска повече хора да имат право да [[гласуване|гласуват]], а не само състоятелните граждани, както е било тогава. За този период той пише:”Аз бях в потиснато душевно състояние. В това душевно състояние ми се искаше да си задам въпроса: “Да предположим, че всички цели на твоя живот са осъществени. Ще ти достави ли това пълна радост и щастие?” И неумолимата ми съвест отчетливо отговаряше: “Не.” И основанията, на които се крепеше животът ми, рухваха.” Постепенно той успява да преодолее кризата чрез преосмисляне на добротата и човечността в отношенията между хората. Той искрено се бори за да намери истинската перспектива на своето [[съществуване]]. Проникнат от чувство за състрадание към другите хора, Мил бавно и мъчително преодолява психическата си неуравновесеност. Философският мироглед на Джон Стюарт Мил е окончателно оформен към 1830г. Неговият основен девиз е: ”[[многостранност]] в развитието на [[човешката личност]]”. Той е последователен защитник на [[демокрацията]] и [[всеобщото избирателно право]]. Привърженик на една система на парламентаризъм с широко обществено участие. Очертава се като идеолог на [[реформизма]], на промяна в посока на демократично държавно устройство с гарантирани [[права на човека]]. Допуска, че частната собственост не е вечна. През 1851г. Джон Стюарт Мил и [[Хариет Тейлър]] сключили брак и заедно пътешествали, главно в [[Южна Франция]] и [[Швейцария]]. 1859г. е преломен момент в живота на Мил. Тогава починала жена му. През същата година излиза съчинението му [[“За свободата”]] посветено на жена му. През 1869г. излиза произведението на Мил [[“ За подчинението на жените”]], предизвикало интерес в целия свят. Последните години от живота си Мил прекарва в имението си във [[Франция]], продължавайки научните си изследвания. Умира през май 1873г. след кратко простудно заболяване в Авиньон. По – известни творби на автора са: [[“Система на силогистичната и индуктивната логика”]], [[“Принципи на политическата икономия”]], [[“Утилитаризъм”]], [[“Огюст Конт и позитивизмът”]], [[“Изследване на философията на сър У. Хамилтън”]], [[“Три есета за религията…”]] издадена посмъртно. В своите произведение Мил е повлиян от Фр. [[Бейкън]],Дж. [[Бъркли]], Д. [[Хюм]], Д. [[Хартли]], И. [[Кант]], Й. [[Бентам]], Д. [[Рикардо]], Дж. [[Хершел]] и А. [[Конт]].<br /> <br /> <br /> ==Възгледи на Джон Стюарт Мил==<br /> <br /> Възгледите на Джон Стюарт Мил се формират под влиянието на [[британски емпиризъм|британския емпиризъм]], чрез съчиненията на [[Френсис Бейкън]], Дейвид Хюм,Дейвид Рикардо, както и на [[Имануел Кант]] и Огюст Конт.<br /> Развива идеята на Бейкън за активната, научната [[индукция]], разработвайки методите на елиминативната индукция. Ориентира индуктивните методи към разкриване на причинно-следствените зависимости между явленията. Неговото учение за научната индукция е пример как могат да се прилагат принципите на строгия емпиризъм. Според Мил индукцията е „обобщение въз основа на опита“. За да обоснове индукцията, той допуска единствената обща аксиома в своето учение, в която се постулира единството на природата . Формулировката ѝ гласи, че „…в природата съществуват сходни, паралелни случаи, и това което веднъж е станало ще стане отново при достатъчна степен на подобие на обстоятелствата, и не само отново, а толкова пъти колкото се повторят същите обстоятелства“ т. е. има еднообразие на реда на природата.<br /> Обаче тук се разбира еднообразие в явленията, а не необходимата връзка между реалните неща в обективната действителност. Така се оказва, че науката е [[хипотеза|хипотетична]], а не априорна, което и той признава. Всъщност индуктивната логика е учение за методите на емпиричната наука (за разлика от абстрактните науки — логика и математика).<br /> Джон Стюарт Мил е привърженик на утилитаризма, [[етическа теория|етическата теория]], чието начало е поставено от неговия кръстник [[Джереми Бентъм]].<br /> Под влияние на Бентъм за основа на [[морал]]а смята ползата, или принципа за най-голямото щастие. Постъпките които водят към щастие следва да се оценят като добри, а към нещастие — като лоши. Под „щастие“ разбира удоволствие и отсъствие на страдание. Мил се стреми да свърже щастието на отделния човек с щастието на другите хора, на цялото човечество и дори всички живи същества.<br /> Към средата на 19 век утилитаристкото учение в продължение на дълги години оказва изключително силно влияние върху британското законодателство и политика, при това при пълното отсъствие на пропаганда, базирана на призив към чувствата. Мил е вдъхновен защитник на либерализма. Застъпва се за осигуряване на максимално възможна свобода на [[личност]]та от държавата. Проявява интерес към работническото движение и утопичния социализъм. Допуска, че частната собственост не е вечна.<br /> Джон Стюарт Мил е един от най-влиятелните философи във втората половина на 19 век. Неговите изследвания върху индукцията имат пределно значение за развитието на индуктивната логика.<br /> <br /> <br /> <br /> ==Теории==<br /> <br /> ===Индуктивната логика===<br /> <br /> <br /> След [[Бейкън]] и [[Хершел]], Мил прави значителен принос в разработката на [[индуктивна логика|индуктивната логика]]. Той смята, че истините се познават или пряко (чрез [[интуиция]], непосредствено съзнание, например нашите “телесни усещания”), или посредством други истини. Истините, известни чрез интуиция, служат за първоначални [[предпоставки|предпоставкa]], от които се извеждат всички останали знания. Мил смята, че това, което ни е известно от непосредственото [[съзнание]], е несъмнено. Ако човек вижда или чувства нещо, той не може да се съмнява, че наистина го вижда или чувства. За установяването на такива истини не се изисква [[наука]]. Мил определя [[логика]]та като наука за доказателството. Това определение е непълно, защото не включва изрично законите на мисленето и някои негови форми (понятие, съждение). Същевременно Мил много широко разбира предмета на логиката. Той изтъква, че тя е учение не само “за прехода от известни истини към неизвестни”, но също така и за всички други “умствени действия”. Според него това, което усеща, чувства, съзнава, не е тяло, а дух. Усещанията са състояния на [[духовна субстанция]]. <br /> <br /> Мил обособява 5 частни метода на индукцията: [[метод на сходство]]то, [[метод на различието]]то, “съединен метод на сходство и различие”, [[метод на остатъците]] и [[метод на съпътстващите промени]]. Мил ограничава предназначението на индуктивните методи до разкриването на причинните връзки на [[явленията]] и систематизира индуктивните методи. Относно прилагането на метода на сходството той предлага правилото: ако два или повече случая на изследваното явление имат общо само едно обстоятелство, то това обстоятелство, в което те единствено се съгласуват, е причина (или действие) на даденото явление. Правилото за прилагането на [[метод]]а на различието у Мил е следното: ако случаят, при които настъпва изследваното явление, и случаят, при които то не настъпва, са сходни във всички [[обстоятелствo|обстоятелства]] освен в едно, срещащо се само в първия случай, то това обстоятелство, по което единствено се различават двата случая, е или действие, или причина, или необходима част от причината на явлението. Мил придава по- голямo значение на метода на различието. Разглежда го предимно като “метод на изкуствения опит или на експеримента”. Според замисъла на Мил съединеният метод на сходството и различието, наричан още “косвен метод на различието”, е предназначен да обедини възможностите на двата метода. Правилото за неговото приложение гласи: ако два или повече случая на възникване на дадено явление имат общо само едно обстоятелство, и два или повече случая на невъзникване на същото явление имат общо само отсъствието на същото това обстоятелство, то това обстоятелство е или действие, или причина, или необходима съставка от причината на [[явление]]то. Правилото за метода на остатъците е: ако от явлението се отдели мислено онази негова част, която е действие на известни от предишни [[индукция|индукции]] причини, то остатъкът от даденото явление следва да бъде действие на остатъкът от причините. Според правилото на метода на съпътстващите промени всяко явление, което се изменя по определен начин всеки път, когато по някакъв особен начин се изменя друго явление, е или причина, или действие на това явление. <br /> <br /> <br /> <br /> ===Разбирания за капитала===<br /> <br /> В своя труд [[“Опит относно някои нерешени въпроси на политическата икономия“]] Джон Ст. Мил вижда в [[капитал]]а само заплатен труд, като пренебрегва факта, че в [[капиталовата стойност]] се съдържа и [[принадена стойност]] от незаплатен труд. Като представя капиталовата стойност като съвкупност от [[овеществен труд]] (от постоянен капитал) и [[заплатен труд]] (под формата на работна заплата), той не приема разбирането за образуването на принадената стойност от труда на работника. Общата сума на изразходвания труд при производството на дадена стока според него е равна на сумата от изразходвания труд за оръдия на производството, суровини и материали плюс труда, изразходван за обработването на тези суровини и материали, необходими за изработването на даден проект. [[Възнаграждение]]то за капитала за него е възнаграждение за изразходвания труд под формата на работна заплата. Джон Стюарт Мил в случая идентифицира изразходвания труд с работната [[заплата]]. По такъв начин той не признава, че изразходвания труд винаги включва в себе си освен работната заплата и [[печалба]]та, т. е. той не приема становището на редица [[представител]]и на икономическата мисъл, че работната сила има това чудно свойство да създава стойност, по-голяма от нейната собствена [[стойност]]. В резултат на това Джон Ст. Мил приема печалбата като част от издръжките по [[производство]]то, т.е. тя създава според него в сферата на обръщението в резултат на покупко-продажбата на стоката.<br /> <br /> Могат да се очертаят няколко основни положения в неговата [[теория за капитала]], а именно:[[Производствената дейност]], ограничена от размера на капитала, се представя като условие за приложението на труда,а производителната сила се олицетворяваот труда и природните сили; Капиталът е резултат от [[спестявания]]; Спестяванията спомагат за подобряването на капитала; Капиталът привежда в действие [[труд]]а на работника. <br /> <br /> Дж. Ст. Мил дели капитала на основен и оборотен. Към основния [[капитал]] причислява производствените сгради и различните видове дълготрайни материални активи, т.е. той се характеризира с по-голяма продължителност на [[експлоатация]] и се възобновява различно във времето. Към оборотния капитал причислява тази част от капитала, която се използва за закупуването на материали, и частта, която отива за работна заплата.<br /> <br /> <br /> ===За свободата===<br /> <br /> Джон Стюарт Мил пише [[тракта]]та &quot;За свободата&quot; като размишление върху това, как [[лично пространство|личното пространство]] на индивида може да го предпази от доминацията на [[общество]]то. Също така в своя труд («За свободата») Мил първи е оценил и направил разликата между свободата като възможност за действие и свободата като липса на такова.<br /> <br /> Свободата според Мил е единственото, което прави едно [[съществуване]] ценно за човека. Той смята, че всеки има право на такова, но също така трябва да се спазват известни [[правила на поведение]].<br /> <br /> В трактата [[«За свободата»]] Мил обяснява, че всяко човешко същество носи в себе си желанието другите да споделят мнението му и желанията му. По този начин, обаче, една класа или група със сходни желания, която е по-многобройна, всъщност поставя /определя/ правилата за поведение.От тук произтича и първото [[условие]] за свободата според Мил - обществото няма право да се меси в мнението и да влияе на желанието на индивида. Приема, че единственото оправдание за намеса в личното пространство на индивида (включващо неговите желания, вкусове и мисли) е [[самозащита]]та, т.е. човешкото същество може да бъде подложено на някаква принуда само и единствено, ако то смущава или застрашава други хора.Това, което казва Мил е, че обществото може да убеждава или уговаря [[индивид]]а за нещо, което би било в негова полза, но по никакъв начин не може да го принуди.<br /> <br /> Друга позиция на Джон Стюарт Мил е, че индивидът е абсолютен, [[независим]] и ограничен владетел на своето телесно, духовно и интелектуално богатство. Разбира се, той уточнява, че под наименованието индивид поставя лицата, които са [[пълноправен|пълноправни]] - способни да се самоуправляват, т.е той не включва децата и хората, които, поради положението си, се нуждаят от чуждата помощ и грижи. <br /> <br /> Джон Стюарт Мил в [[«За свободата»]] е защитник на тезата, че всяка личност има абсолютен [[контрол]] върху духа си, тялото си, ума си, действията си, желанията, вкусовете. Има абсолютна свобода да разполага със съществуването си, както намери за добре с едно-единството условие – да не пречи на останалите хора да упражняват правото си на свобода. Тази теория на Мил изкарва на преден план заключението, че обществото ще спечели много повече, ако остави индивида да се развива и самоусъвършенства, отколкото ако го принуждава да се съобразява и да споделя чуждата воля. Защото най-важната цел в човешкия живот всъщност е [[развитие]]то, израстването на индивида, а тази цел е осъществима само и единствено чрез постигането на свободата.<br /> <br /> ===Теория на Мил за свободата на речта===<br /> <br /> Влиятелен адвокат на „свободата на речта“, Мил отказва да приеме цензурирането. Той казва: „Аз избирам, по желание случаите, които са най-малко благосклонни за мен- тези, при които аргументът срещу свободното мнение, истината и ползата, се определя като най-силен. Нека оспорваните мнения да бъдат вярата в Господ и в бъдещето или някоя от обикновено приеманите морални доктрини…Но трябва да ми бъде позволено да отбележа, че приемането на непогрешност не задава [[сигурност]]та, която една доктрина носи. Важна е задачата да се реши този въпрос без да им бъде позволено да чуят какво се говори от другата страна. Аз отричам и порицавам това право не по-малко, ако това е поставено пред моите най-официални убеждения. Но, разбира се, всяко мнение може да бъде позитивно, не само заради способностите, но и заради гибелните последствия, заради неморалност и незачитане на мнението. В изпълнение на това лично мнение, подкрепен от общественото мнение на страната и своите съвременници, той приема непогрешимостта. От приемането ѝ, било то най-малко осъдително или най-малко опасно, защото мнението е наречено безсмъртно или неблагочестиво, това е случаят при който то е най-фатално, засега.<br /> <br /> <br /> ===За позитивизма===<br /> <br /> Джон Стюърд Мил създава цялата логическа теория на ранния [[позитивизъм]]. [[Логика]]та на научното познание е според него гръбнак и връх на теорията и [[епистемология]]та на науката. Той прави преоценка на статуса и отношението между [[индукция]]та и [[дедукция]]та.В общата структура на логическият извод и при получаването на опитно, &quot;позитивно&quot; знание първостепенно значение има индукцията. Логиката пронизва познанието, но това не означава логизиране на познанието. [[Логика]]та е общ съдия и посредник на всички конкретни изследвания. Тя не наблюдава, не открива, не изобретява и не изнамира доказателства, но отсъжда дали те са намерени. Логиката има метатеоретични, епистемологически функции. Тя определя условията за постигане на вярно знание и посочва неизменни критерии за истинното познание. <br /> <br /> Най-елементарните закони и правила на логиката могат да се усвоят и да се спазват още на равнището на [[&quot;здравия смисъл&quot;]], върху нивото на обикновеното [[човешко познание]]. Това позволява на &quot;здравия смисъл&quot;, макар и без да съзнава логическите правила, от които се ръководи, да достига и борави с истинни знания. Развитието на науката изисква изясняване на [[понятията и принципите на логиката]]. Неравномерното развитие на отделните науки се дължи на трудности от логическо естество. <br /> <br /> Мил отхвърля [[социално-политическата доктрина]] на [[Огюст Конт]], защото вижда в нея система на духовен и политически [[деспотизъм]], игнориращ човешката свобода и индивидуалност. Въпреки това той се съгласява с Конт, че основна движеща сила на общественото развитие са не [[страстите]] (както твърди Спенсър), а [[идеите]] (Конт). Страстите са много по-енергична сила, отколкото отделно взетото интелектуално убеждение. Но сами по себе си страстите създават разединение между хората. Необходимото единство между хората се създава от общите убеждения, които единствени са в състояние да подчинят страстите в името на изпълнението на реално съвместно действие, което се превръща в &quot;колективна сила&quot;. <br /> <br /> <br /> <br /> ===Социологията като позитивна наука===<br /> <br /> Мил смята, че [[социология]]та трябва да се основава на [[психология]]та и [[етология]]та. Това е така, защото обществото се разглежда като [[взаимодействиe|взаимодействия]] между хора, в които имат място чувства, страсти, характери и т.н. Щом индивидуалните чувства и страсти се подчиняват на психологически закони, то и сборът от чувства и страсти, които образуват обществен феномен, трябва да почива също на определени закони; щом индивидуалните действия са подчинени на закони, то и съвместните действия са подчинени на сбора на по-простите закони на индивидуалните действия. Основният проблем на социологията според Мил е във взаимодействието на различните [[индивидуални сили]] , т.е. дали тези сили действат еднопосочно, или пък повече или по-малко си противодействат, как при свободата на волята е възможен социалният ред. Но тази цел се нуждае от по-конкретна обосновка. Така Мил поставя на критично разглеждане използването в социалната наука на т.нар. химически, или опитен метод, от една страна, и геометричния, или абстрактен метод, от друга.<br /> <br /> * ''„Химически”'' метод – емпиричния, експерименталния метод, прилаган в [[химия]]та. Взети сами по себе си, водородът и кислородът не ни говорят нищо за водата, казва Мил, защото съединени по определен начин, образуват качествено нов химичен продукт. Пита се дали може с помощта на такъв метод в социологията да се изучава обществото. Мил смята, че картината на обществото е различна. Човешките индивиди в обществото са такива, каквито са извън него. С други думи, свързани в обществения си живот, хората не се превръщат в други същества и тяхното поведение произтича от законите, присъщи на природата на човешките индивиди, и могат да се обяснят на основата на тези закони. На свои ред [[социалните явления]] се определят от съставни причини. Освен това общественият живот не се поддава на [[експериментиране]].<br /> <br /> * ''„Геометричен” ''метод – представя се като една определена форма на дедукцията, която господства в [[геометрия]]та. Този вид обаче според Мил е несъстоятелен в социологията. При обществените явления обаче подобно причинно обяснение е напълно несъстоятелно, защото във всички случаи общественото явление се определя от многобройни причини. <br /> <br /> Като диференцира и определя логическата проблематика на социологията, Джон Стюарт Мил прави историческа по своето значение крачка по пътя на превръщането й в строга наукa. Но неговият идеал за научна строгост се определя от [[логика]]та като наука за правилното мислене и от деонтологизацията на логиката, която трябва да се съедини и фактически да подчини онтологичната проблематика на социологията.<br /> <br /> ===Политическата икономия===<br /> <br /> Мил започва с доста обстойна критика на идеята, идваща от [[Джеймс Стюард]] (1767), че [[политическа икономия|политическата икономия]] е изкуство или практическа наука. За Мил тя не е нито едното, нито другото, тя е ''чиста'' наука. <br /> <br /> Второ, Мил утвърждава, че политическата икономия е &quot;морална или психологическа наука&quot; - това, което немците, следвайки Мил, наричат ''Geisteswissenschaft''. Решаващо значение има убеждението му, че &quot;производството на обекти, които конституират богатството, е предмет както на политическата икономия, така и на почти всички [[физически науки]]&quot;. Така ''физическите и [[ментален закон|менталните закони]] са свързани в икономическата наука'' и образуват нейния космополис, който дава смислено обяснение на света като обединява политическата, естествено научната, икономическата и психологическата терминологии. Политическата икономия се занимава единствено с принадлежащите на &quot;човешкия [[разум&quot;]] закони (р. 132). Задачата на учените е да ги открият.<br /> <br /> Според него съществуват ''&quot;закони на човешката природа&quot;'', които ''&quot;се отнасят до човека просто като индивид&quot;''. Те оформят предмета на чистата ментална философия. Съществуват и други &quot;принципи на човешката природа&quot;, които са свързани по особен начин с идеите и чувствата, създадени у хората благодарение на това, че живеят в определено състояние на обществото.<br /> <br /> За Мил [[геометрия]]та, подобно на [[механика]]та, е ''емпирична'' наука - макар и абстрактна. От тази позиция Мил дава ярка и завладяваща нова дефиниция на политическата икономия. Но той осъзнава и големия проблем, който се появява пред него. Това е проблемът как да се премине от [[&quot;абстрактните истини&quot;]] към ''&quot;конкретните факти, облечени в цялата сложност, с която природата ги е обградила&quot;''. Веднъж приложени към отделен случай, тези истини се сблъскват с &quot;разрушителни причини&quot;, поне някои от които принадлежат към ''една или друга'' наука. Когато случаят е такъв, &quot;чистият политически икономист… ще се провали&quot; . Мил публикува своето есе през 1844 година, заедно с други четири, под общото заглавие [[''Есета относно някои нерешени въпроси на политическата икономия]]''. Както вече беше казано, той решава ''някои'' от тях - и в частност изяснява, че политическата икономия ''изхожда от принципите на човешката природа'', че тя е ''абстрактна'' и ''дедуктивна'', че тя има свой ''автономен'' предмет на изследване - законите на &quot;стопанството&quot;. Но тя, според него, не е висша дисциплина, превъзхождаща политическата наука и [[моралната философия]].<br /> <br /> <br /> ===Утилитaризъм и либерализъм===<br /> <br /> Концепцията на Мил за [[утилитаризъм|утилитаризма]], изложена в произведението му ''&quot;Утилитаризъм”'' е привличала вниманието на много изследователи.Основна теза в утилитаристическата концепция на Мил е естественият стремеж на човешките индивиди към щастие, което се състои преди всичко в избягването и освобождаването от страдания и в получаването на наслада от живота. Желанието, според Мил е възможно „ да включва в себе си крайна цел или да служи като средство за достигане на крайна цел”. В случая под „ крайна цел” се разбира съществуването, което да е колкото е възможно по-свободно от страдания и по-богато на наслади както в количествено, така и в качествено отношение. Така определената цел определя основния мотив на човешките действия. Човешките действия в перспектива на полезното се обуславят от [[рационалност|рационален избор]]. Без рационален избор човешките индивиди в условията на обществения живот не биха могли да разграничават фактически злото от доброто, полезното от безполезното за тях самите. Значението на рационалния избор се откроява отчетливо в [[съпоставкa]] с практиката на стихийния утилитаризъм и вулгарните разбирания за утилитаризма. Мил подлага на твърде обстойна критика вулгарните според него представи за утилитаризъм. <br /> <br /> Когато Мил твърди, че неговата концепция за утилитаризма придава ключово значение на количеството и качеството на насладата, той обръща внимание върху многостранността на човешкото съществуване и неговата пълнота. Грубо утилитарната позиция е свързана с ориентацията към низши наслади, които правят човешкото съществуване близко до животинското. Получаването на по – висши наслади извежда индивидите от техните тесни рамки и етическата перспектива на утилитаризма се свързва най – тясно със социологическата. <br /> <br /> Ако концепцията на Мил за утилитаризма е ориентирана на първо място към преосмисляне и фундиране на етиката, то неговата концепция за либерализма се проектира най – вече непосредствено в преосмисляне и фундиране на политиката и политическата икономия. Утилитаризмът и либерализмът са силно ценностно обвързани и в този смисъл идеологични гледни точки. Ето защо възникват проблеми за отношението на утилитаризма и либерализма към социологията, която още повече е поставена под ''„надзора”'' на общовалидната й по презумпция ''„безпристрастна логика”''. Така или иначе в утилитаризма и либерализма се откроява достатъчно ясно и силно социологическия проблем за [[отношението човек-общество]]. Нещо повече, либералната доктрина на Мил има за основна грижа фундаментална защита на [[свобода]]та на човешкия индивид в политически, а следователно и в социален смисъл. <br /> <br /> [[Теоретичните системи]] и доктрини на Мил за утилитаризма и либерализма са много тясно свързани и образуват един идеологически [[континиум]]. В тяхната основа е позитивистката [[социология]], подложена от Мил на логически оглед, който води до съществени съдържателни изменения на социологията на Конт и до преориентации, които в някои случаи сближават Мил много повече със [[Спенсър]].<br /> <br /> <br /> <br /> ==Цитати от Джон Мил==<br /> • “В този случай, когато заплатата се дава не за работа, а се измисля работа за оправдаване на заплатата, неефективността на труда е несъмнена”<br /> • “Истини, които в крайна сметка се приемат като първи принципи на всяка наука, в действителност са последен резултат на философски анализ, основан на елементарни понятия, с които дадена наука е добре запозната. Тяхното отношение към [[наука]]та можe да се сравни не с отношението на основата към сградата, но с отношението на корена към дървото: те служат еднакво добре дори и ако ние не сме ги разкопали и не сме ги добре отгледали.”<br /> • “Съмнително е дали всички направено досега механически изобретения са облекчили всекидневния [[труд]] на поне едно човешко същество”<br /> • “Жена, която не води мъжа си напред, го тласка назад.“ <br /> • „Източникът на красноречието е в сърцето.“ <br /> • „В нашия век на разкош, ние стигнахме дотам, да наемаме странични хора, за да вършат добри дела вместо нас.“ <br /> • „Достойнството на [[държава]]та зависи в крайна сметка от достойнството на хората, от които е съставена.“ <br /> • &quot;Законите никога нямаше да бъдат подобрявани, ако нямаше много хора, чието морално чувство да стои над съществуващите [[закон]]и.&quot; <br /> • &quot;Някои цял живот отстояват правото си да нямат собствени убеждения.&quot; <br /> • &quot;Съдбоносната склонност на човечеството да престава да мисли по какъвто и да било въпрос, неоставящ вече място за съмнения, е причина за половината му заблуждения.&quot;<br /> <br /> <br /> ==Източници==<br /> <br /> * Addis, L., The Logic of Society, 1975.<br /> * Britton, K., John Stuart Mill, 1953<br /> * Crisp, Roger, Mill on Utilitarianism (Routledge Philosophy Guidebook, 1997.<br /> * John Stuart Mill, Autobiography (1873)<br /> * John Stuart Mill, Utilitarianism (1861)<br /> * John Stuart Mill, Principles of Political Economy (1848)<br /> * Scarre, G., Logic and Reality in the Philosophy of John Stuart Mill, Dordrecht, 1989.<br /> * Sen, Amartya, and Bernard Williams, eds. Utilitarianism and Beyond, 1982.<br /> * http://philosophy.log.bg/article.php?article_id=8506<br /> * http://www.kaminata.net/viewtopic.php?f=133&amp;t=19491<br /> * http://vinagi.bg/materials/view/id/27727/Za+kavo+sluzhi+svobodata+spor%D0%B5d+Dzhon+Styuart+Mil<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> * [http://www.spartacus.schoolnet.co.uk/PRmill.htm Биография на Джон Стюарт Мил ]<br /> * [http://homepage.newschool.edu/het//profiles/mill.htm/ Произведения на Джон Стюарт Мил ]<br /> * [http://www.iep.utm.edu/milljs/ Допълнителна информация за разработките на Джон Стюарт Мил ]<br /> <br /> [[category:Основи на управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B6%D0%BE%D0%BD_%D0%9D%D0%B0%D1%88&diff=2014 2012-01-22T13:47:59Z

<p>Krasimira racheva: </p> <hr /> <div>Джон Форбс Наш младши (от англ. John Forbes Nash, Jr.) е американски математик, който работи в областта на [[Диференциална геометрия|Диференциалната геометрия]] и [[теория на игрите|теорията на игрите]].<br /> <br /> Наш е роден на 13 юни 1928 г. в Блуфилд, Западна Вирджиния. През 1994 г. получава, заедно с [[Райнхард Зелтен]] и [[Джон Харшани]], [[Нобелова награда за икономика]].<br /> <br /> [[Image: Nash.jpg|thumb|right|alt= John Forbes Nash, Jr. | Джон Форбс Наш младши]]<br /> <br /> След блестящ старт на научната си кариера, през 1957 Джон Наш заболява от параноидна [[шизофрения]], от която се възстановява тридесет години по-късно.<br /> <br /> Филмът „Красив ум“ (2001) се основава на живота му.<br /> <br /> <br /> <br /> ==Живот преди дипломирането==<br /> <br /> Джон Наш е роден и отраснал в Западна Вирджиния. Той ненаситно чете списания като Time, Life и Compton's Pictured Encyclopedia. По-късно започва работа в Bluefield Daily Telegraph. На 12-годишна възраст провежда [[научен експеримент|научни експерименти]] в стаята си. Още от ранна възраст демонстрира, че не обича да работи с други хора, а предпочита да прави нещата сам. На съучениците, които го отхвърлят, отвръща с груби шеги и интелектуално превъзходство.<br /> <br /> Марта, неговата по-малка сестра, изглежда е била нормално дете, докато Джон е различен от другите. По-късно тя пише: „Джони винаги е бил различен. Родителите ни знаеха, че е различен. Знаеха и че е много умен. Той винаги искаше да прави нещата по своя си начин. Мама настояваше да му помагам, да го привличам към приятелското си обкръжение… Но аз не държах много да се хваля със своя брат особняк.“<br /> <br /> В своята [[автобиография]], Наш отбелязва, че това, което запалило интереса му към [[математика|математиката]] била книгата на Ерик Темпъл Бел( англ. Eric Temple Bell), Men of Mathematics и по-конкретно едно есе посветено на Пиер дьо Ферма. Още докато е ученик в горните класове, посещава лекции по математика в Блуфийлд Колидж. По-късно следва в Технологичния институт Карнеги (днес университет Карнеги Мелън) в Питсбърг, Пенсилвания, където първо учи [[инженерна химия]], а после химия, преди да се ориентира към математиката. През 1948 г. завършва едновременно и [[бакалавърска степен]], и [[магистратура]].<br /> <br /> <br /> <br /> ==Живот след дипломирането==<br /> <br /> През лятото след дипломирането си, Наш работи в Уайт Оук, Мериленд, по военноморски изследователски [[проект]] под наставничеството на Клифърд Трусдел.<br /> <br /> Наставникът на Наш и бивш професор към Карнеги Тех Р. Дж. Дъфин пише писмо за препоръка, което се състои от само едно изречение: &quot;Този човек е гений.&quot; Макар да е приет в [[Харвард]], което е било и неговото първо желание, поради вече изградения по-голям [[престиж]] и по-добър математически факултет там, ректорът на Принстън Соломон Лефшец настоятелно предлагал на Наш стипендията на името на Джон С. Кенеди и това било достатъчно да го убеди, че [[Харвард]] не оценява достатъчно способностите му. Така от Уайт Оак Наш се премества в Принстън, където работи върху своята [[теория на равновесието]]. Защитава [[докторат]] през 1950 г. с дисертация върху некооперативните игри. Дисертацията му, писана под ръководството на [[Албърт Тъкър]] съдържат дефиницията и свойствата на понятието, което впоследствие става известно като &quot;[[равновесие на Наш]]&quot;. Изследванията му излизат в три статии:<br /> <br /> &quot;Equilibrium Points in N-person Games&quot; (1950)<br /> <br /> &quot;The Bargaining Problem&quot; (1950)<br /> <br /> &quot;Two-person Cooperative Games&quot; (1953)<br /> <br /> Наш има научни трудове и в областта на [[алгебрична геометрия|алгебричната геометрия]]: &quot;Real algebraic manifolds&quot; (1952)<br /> <br /> Неговата най-известна работа в &quot;чистата&quot; математика е теоремата му (Nash embedding theorem), която показва, че всяко абстрактно риманово многообразие може да бъде изометрично реализирано като подмногообразие на [[Евклидово пространство|Евклидовото пространство]]. Наш също има приноси и към теорията на нелинейните параболични частни [[диференциалнo уравнениe|диференциални уравнения]].<br /> <br /> През 1951 година Наш заминава за Масачузетския технологичен институт като преподавател по математика. Там среща Алиша Лопез-Харисън де Ларде (родена на 1 януари 1933) студентка по [[физика]] от Салвадор, с която сключва брак през февруари 1957. Алиша води Наш в болница за [[психични отклонения]] през 1959 за [[шизофрения]]; скоро след това се ражда и синът им Джон Чарли Мартин Наш(англ John Charlie Martin Nash), останал некръстен за около година, защото майката чувствала, че и нейният съпруг има право на глас в избора на име.<br /> <br /> Наш и Лопез се развеждат през 1963, но се събират отново през 1970 в една неромантична връзка наподобяваща тази между двама съквартиранти, които нямат нищо общо. Според Силвия Насар, която пише [[биография|биографията]] на Наш &quot;Красив ум&quot;, Алиша говори за съпруга си като за пaнсионер и казва, че в този период живеят &quot;като двама далечни родственици под един покрив&quot;. Двойката възобновява връзката си след като Наш печели Нобелова награда в икономиката през 1994. Те сключват брак отново на 1 юни 2001.<br /> <br /> Наш има и друг син Джон Дейвид(англ. John David) (роден на 19 юни 1953), от Елеонор Стайър, но се твърди, че нямал много общо нито с детето, нито с майка му. Въпреки това, по време на 60-минутно интервю за CBS, излъчено през март 2002 г., математикът казва, че поддържа контакт с Джон Стайър, който дори получава част от [[хонорари|хонорарите]] за филма.<br /> <br /> <br /> <br /> ==Шизофрения==<br /> <br /> Наш започва да проявява признаци на [[шизофрения]] през 1958. Изпада в параноя и през април-май 1959 е приет в болница &quot;Маклийн&quot;, където му поставят диагнозата параноидна шизофрения, придружена от лека форма на депресия и понижено самочувствие. След изпълнения с проблеми престой в Париж и Женева, Наш се завръща в Принстън през 1960. Периодично постъпва в психиатрични заведения до 1970 г., като бива подлаган на инсулинно-шокови [[терапия|терапии]] и антипсихотични лекарства, обикновено по лекарско назначение и без възможност да прави сам избор за лечението си. След 1970 Наш взема решение никога повече да не приема антипсихотици. Според биографката му Насар, с времето той постепенно започва да се възстановява. С подкрепата на съпругата си Наш работи в общностна среда, проявяваща разбиране към ексцентричното поведение, свързано със заболяването му.<br /> <br /> ==Награди==<br /> <br /> През 1978, Наш получава наградата на Джон фон Нойман за теоретичен принос. Печели наградата на Лирой Стийл през 1999.<br /> <br /> През 1994, получава Нобелова награда за икономика в [[резултат]] на работата му в Принстън върху [[теория на игрите|теорията на игрите]] (game theory). В края на 1980-те, Наш започва редовно да се свързва с други математици които осъзнават, че това наистина е той и, че новата му работа има стойност. Те сформират група, която се свързва с комитета по Нобелови награди към Банката на Швеция, за да свидетелства, че Наш действително заслужава да бъде награден и психическото му здраве позволява това.<br /> <br /> През 1999, Наш получава почетно звание Доктор на Науките и Технологията от Университета в Карнийдж.<br /> <br /> Март, 1999 Наш получава почетно звание специалност Икономика от Университета в Наполи.<br /> <br /> Наш получава почетна степен доктор по икономика от Университета в Антверп през 2007.<br /> <br /> <br /> <br /> ==Вижте също==<br /> <br /> * [[Симулационно моделиране]]<br /> * [[Метод „Монте Карло”]]<br /> * [[Реалност]]<br /> * [[Рационализъм]]<br /> * [[Логика]]<br /> * [[Разум]]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> http://www.arthuradams.com/index.php?option=com_content&amp;task=view&amp;id=90&amp;Itemid=53 Теория на игрите<br /> http://www.znam.bg/com/action/showArticle;jsessionid=D8874A6AEF9CF9424C5112DE91B943AB.znam2?encID=1&amp;article=2006115228&amp;sectionID=1&amp;sq=����&amp;ref=gbg http://www.znam.bg/com/action/showArticle;jsessionid=D8874A6AEF9CF9424C5112DE91B943AB.znam2?encID=1&amp;article=2006115228&amp;sectionID=1&amp;sq=%EF%BF%BD%EF%BF%BD%EF%BF%BD%EF%BF%BD&amp;ref=gbg] Алгебрична геометрия<br /> [http://www.math.princeton.edu/jfnj/ http://www.math.princeton.edu/jfnj/] Сайт на Джон Наш<br /> <br /> <br /> ==Източници ==<br /> <br /> * [http://en.wikipedia.org/wiki/John_Forbes_Nash,_Jr http://en.wikipedia.org/wiki/John_Forbes_Nash,_Jr.]<br /> * [http://www.nobelprize.org/nobel_prizes/economics/laureates/1994/nash-autobio.html http://www.nobelprize.org/nobel_prizes/economics/laureates/1994/nash-autobio.html]<br /> * [http://bg.wikipedia.org/wiki/Джон_Наш http://bg.wikipedia.org/wiki/%D0%94%D0%B6%D0%BE%D0%BD_%D0%9D%D0%B0%D1%88]<br /> <br /> <br /> [[category:Основи на управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B6%D0%BE%D0%B7%D0%B5%D1%84_%D0%A3%D0%BE%D1%80%D1%82%D1%8A%D0%BD&diff=2013 2012-01-22T11:32:48Z

<p>Krasimira racheva: </p> <hr /> <div>'''Джоузеф Уортън (Joseph Wharton )''' е роден на 3 март 1826 година във Филаделфия, [[Пенсилвания]]. Уортън е виден [[индустриалец]] и [[филантроп]], имащ принос в развитието на методи за водене на [[счетоводство]]. Спонсорира известния колеж и основава [[бизнес училище]]то към Пенсилвания. Проявява се в областта на държавната политика за защита на интересите на националния [[бизнес]], а също и в областта на анализа на бизнес циклите. <br /> <br /> [[image:josephwharton1.jpg|thumb|left|alt=josephwharton1.|Джоузеф Уортън<br /> <br /> ==Ранни години и образование ==<br /> <br /> Джоузеф Уортън е пето дете от десет в семейството на Уилям Уортън и Дебора Фишър Уортън ( [[квакер]]и – “Quaker” ). Бащата – Уилям Уортън често боледува и затова не се задържа на постоянна работа. И двамата родители на индустриалеца са силно заинтересовани в областта на [[образование]]то и искат децата им да получат подходящото за ранните си години обучение. Интересно за семейството на видния търговец е, че и двете му баби носят едно и също име Хана и са от Ню порт, Роуд Айлънд. Дядото Уортън по майчина линия започва проспериращ бизнес - линия за пакетни доставки между [[Филаделфия]] и [[Лондон]]. Своето детство Джоузеф прекарва в семейната къща близо до улица „Смърч” и „4th Street” в центъра на Пенсилвания и в провинциалното имение „Белвю”. <br /> <br /> Като малък Уортън учи в два пансиона за квакери извън Филаделфия и също в няколко частни училища в града. В годините между 14 и 16 години Джоузеф Уортън е подготвен за [[колеж]]а от частен учител. Но въпреки това по съвет на своите родители , той започва да учи [[земеделие]] през 1842 година ( тъй като вярванията на квакерите не са в подкрепа на висшето образование ). През това време Джоузеф Уортън придобива сериозно, но чаровно изражение. Занимава се сериозно със спорт – езда, гребане, плуване. През зимата се завръща при своите родители във Филаделфия и започва да учи езици – немски и френски, които се оказват доста полезни при изучаването на технологии. Джоузеф учи и химия в лабораторията на [[Мартин Ханс Бойе]] във Филаделфия. Уортън и братята му в началните години са сравнявани с [[инвеститор]]и и строители като [[Сайръс МакКормик]] и [[Самуел Морс]].<br /> <br /> <br /> <br /> [[image:josephwharton2.jpg|thumb|right|alt=josephwharton2.|Молитвено събрание на квакери.]]<br /> <br /> <br /> <br /> ==Семеен живот==<br /> <br /> <br /> <br /> Джоузеф Уортън се жени за Анна Корбит Лоуверинг – по-малката сестра на съпругата на брат му Чарлз, през 1854 година в [[квакерска церемония]] ( Quaker ceremony ). След като живеят със семейството на Анна няколко месеца, щастливата двойка се мести в къща, принадлежаща на майката на Уортън във Филаделфия. Въпреки това Анна продължава да живее с родителите си, когато Джоузеф е извън града. По това време Джоузеф Уортън е прекалено зает с работата си в управлението на хотел и [[стоманодобив]]на компания във [[Витлеем]] и Анна отглежда сама първородната им дъщеря Йоанна. Въпреки че Уортън се прибирал при семейството си при първа възможност, те [[комуникация|комуникирали]] най-често чрез писма, което навредило сериозно на брака им. След като Джоузеф става по-сигурен в своята работа във Витлеем, Анна и Йоанна се местят при него, където семейството отново е щастливо. Няколко години по-късно отново се връщат във Филаделфия и въпреки постоянните пътувания покрай работата на Уортън, той никога не оставя семейството си отново. Видният търговец закупува имот северно от Филаделфия, наречен Онталауна, където живее с Анна и трите им деца. <br /> <br /> <br /> <br /> ==Уортън и бизнеса от самото начало==<br /> <br /> Още на 19 години Джоузеф Уортън работи като [[чирак]] при [[счетоводител]] за две години, където придобива опит в бизнес методите и [[счетоводство]]то. Когато става на 21 години започва бизнес с брат си Родмън за [[оловен карбонат]]. Мартин Бойе, при когото Уортън учи химия, разработва [[метод]] за усъвършенстване на [[памучно масло]], и Джоузеф и братята му се опитват да разработят печеливш метод за добиването му. Но [[опит]]ът им е неуспешен. През 1849 година започва бизнес с производството на тухли, но заради голямата [[конкуренция]] в този [[бранш]], бизнесът се помрачава. Няколко години по-късно през 1853 година Уортън се присъединява към стоманодобивната компания във Витлеем, Пенсилвания. През 1899 година Уортън е най-големият [[акционер]] в стоманодобивната компания във Витлеем, уговаря продажбата на фирмата на „Schwab family”. В по-ранните години на века и до 1880 година Джоузеф Уортън започнал да инвестира в златни мини в [[Невада]] и в минно-геоложки операции в [[Ню Джърси]]. През 1902 година той бил принуден да сложи край на никеловите приключения и продал бизнеса си в „Nickel Mines”, Пенсилвания и „American Nickel Works”, Ню Джърси на предприятие, наречено „International Nickel Company”, на което става член на борда на директорите. <br /> <br /> Джоузеф Уортън се занимава и с [[политика]]. В продължение на няколко десетилетия, той се занимава с [[лобизъм]] във Вашингтон, а именно тарифни ( [[митническа тарифа]] ) закони за защита на производството в САЩ. През 1881 година видният търговец създава първия в света колеж по бизнес в Университета в Пенсилвания. Целта на Уортън е да създаде университет, в който обучаващите се да получат достатъчно добро образование, за да заемат стълбовете в държавата както в държавния, така и в частния сектор. В колежа започват да се преподават различни науки, дори социални и политическо, които успешно се сливат с [[търговия]]та и [[бизнес]]а. Днес бизнес Университета в Пенсилвания е един от най-добрите в света – с мащабен брой факултети, 88 000 възпитаници,500 студенти, участващи в [[академични програми]]. <br /> <br /> <br /> <br /> ==Последни години==<br /> <br /> Уортън е човек, който остава активен предприемач, търговец и филантроп до края на живота си през 1909 година. Неговото добро здравословно състояние вероятно се дължи отчасти на радостта от физическите упражнения, пълно въздържане от употреба на тютюн и дори леки алкохолни напитки. Джоузеф Уортън чете литература и става успял [[поет]]. През 1907 година получава [[инсулт]] и става дееспособен и постепенно се влошава до смъртта си през 1909 година. Важно е да се спомене, че Уортън никога не пренебрегва родния си град – той започва бизнеса си оттам и при възможност винаги помага на Филаделфия. <br /> <br /> ==Вижте също==<br /> <br /> * [[Университета Уортън Пенсилвания]]<br /> * [[Родът Уортън]]<br /> * [[Lehigh Zinc Company]]<br /> <br /> ==Източници==<br /> <br /> * http://pabook.libraries.psu.edu/palitmap/bios/Wharton__Joseph.htm<br /> * http://www.wharton.upenn.edu/about/wharton-history.cfm http://www.wharton.upenn.edu/about/wharton-history.cfm<br /> * http://www.wharton.freeservers.com/josephind.html http://www.wharton.freeservers.com/josephind.html<br /> * Joseph Wharton family papers, 1691-1962<br /> * Yates W. Ross, Joseph Wharton: Quaker industrial pioneer, Bethlehem<br /> <br /> <br /> <br /> [[category:Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B5%D0%BB%D0%BE%D0%B2%D0%B8_%D0%B8%D0%B3%D1%80%D0%B8&diff=2010 2012-01-22T11:05:04Z

<p>Krasimira racheva: </p> <hr /> <div>'''Деловата игра''' или '''управленската симулационната игра''' или просто '''играта '''е [[симулация]] или реконструкция на различни дейности или на &quot;истинския живот&quot; под формата на игра за различни цели: обучение, [[анализ]]и или [[прогноза]]. Известни примери за това са военни игри, бизнес игри и ролева симулация.<br /> <br /> Такива дейности произхождат от човешката праистория чрез игри посветени на антропологията от спазване на примитивни култури, където детски игри в значителна степен имитират дейности на възрастни: ловуване, воюване, медицинска помощ и т.н.<br /> <br /> Като се започне от три основни типа стратегически, планови и обучаващи упражнения: игри, симулации и казуси - може да се отчете брой на хибридите, сред които са симулационни игри и симулационни игри, използвани като казуси. [1]<br /> <br /> Сходствата на качествата на симулационните игри в сравнение с други техники на преподаване са били извършвани от много изследователи и редица изчерпателни прегледи са публикувани.<br /> <br /> В тази статия понятията „делови игри”, „управленски игри” и „симулационни игри” са взаимозаменяеми.<br /> <br /> <br /> <br /> <br /> ==Видове делови игри==<br /> <br /> Деловата игра имитира различните аспекти на човешката активност и социалните взаимодействия. Играта е метод за ефективно обучение, доколкото премахва различията между абстрактния характер на учебния предмет и реалния характер на [[професия|професионалната дейност]]. Съществуват много названия и разновидности на деловата игра, които могат да се различават по методика на провеждане и поставяне на целите:<br /> <br /> * дидактически игри;<br /> * управленски игри;<br /> * [[роля|ролеви игри]];<br /> * проблемноориентирани;<br /> * организационни игри и др. [2]<br /> <br /> <br /> <br /> == Характерни черти на използване на делови игри==<br /> <br /> Могат да се отбележат най-характерните черти за използваните в [[обучение]]то компютърни делови (управленски) игри:<br /> <br /> * Работа в екип<br /> * Имитационни [[модел]]и на стопански системи<br /> * Инструкторски екип<br /> * Съчетаване на различни педагогически методи<br /> * Интегриращ характер на КУИ<br /> * Компютъризация и INTERNET<br /> <br /> <br /> <br /> <br /> ==Бизнес игри==<br /> <br /> Бизнес игра (наричанa още &quot;бизнес [[симулационна игра]]”) спада към симулационни игри, които се използват като учебно средство за преподаване на бизнес. Бизнес игри може да се ползват за различни бизнес обучения като: общ [[мениджмънт]], [[финанси]], [[организационно поведение]], [[човешки ресурси]] и т.н.<br /> <br /> Бизнес игрите се използват като метод на преподаване в университетите, и по-специално в бизнес училищата.<br /> <br /> [[Симулация|Симулациите]] се считат за иновативен метод на обучение (Aldrich 2004 г.) и често са компютърно базирани. [4]<br /> <br /> <br /> <br /> ==История на деловите игри==<br /> <br /> Играта съпровожда човечеството още от зората на неговото възникване, а всеки човек започва да играе още от най-ранна възраст и продължава да играе през целия си живот. Ако добавим към това възможностите, които компютърната техника и INTERNET предлагат, то става лесно обясним бързия прогрес в областта на компютърните образователни игри през последните десетилетия.<br /> <br /> Светът на компютърната бизнес [[симулация]] има история, която започва в края на 1950г. И има своя произход от работата върху военните игри от военните (Уелс 1990 г.). Първите управленски игри са военните щабни игри, Германия, XIX в. По това време Германия е разполагала с многобройна армия, за която са били необходими управленски кадри – офицери. За обучение са се разигравали различни сценарии за протичане на известни от военната история битки и маневри. При тези игри е характерно наличието на два състезаващи се екипа и трети [[екип]], включващ [[експерт]], оценяващи резултатите от действията на съперниците като същевременно отчитат действието на външната среда.<br /> <br /> Следващ етап от историята слагат управленските (делови) игри през 20-те години на XX в. Типичното индустриално предприятие тогава е използвало [[конвейрно производство]] и е ангажирало много на брой работници. Подобно на германската армия 50 години по-рано, и тук са били необходими управленски кадри. Този тип игри е бил предназначен за обучение на стажант-мениджъри. В извън работно време са били настанявани обучаваните на истинските работни места на [[мениджър]]ите и са били поставяни в проблемни ситуации.<br /> <br /> През 30те и 40те години на 20ти век биват използвани игри и симулации в управленската [[психология]].<br /> <br /> Бизнес симулационните игри са били използвани като значителен подход за обучение за преподаване на мениджмънт (Jackson 1959) (Andlinger 1958). Той се е използвал редовно в по-големите бизнес училища, по-конкретно в [[университет]]ите. Например Университетът на Вашингтон е използвал бизнес симулационна игра в класове от 1957 г. (Сондърс 1996 г., стр. 49).<br /> <br /> <br /> <br /> <br /> ==Симулации и игри в икономическото образование==<br /> <br /> Симулационна игра е &quot;игра, която съдържа комбинация от умения, шанс, и стратегия за симулиране на един аспект на действителността, като [[фондова борса]].&quot; По същия начин, според Ruohomaki (1995 г.): &quot;симулационната игра съчетава функциите на игра (конкуренция, сътрудничество, правила, участници, роли) с тези на симулация (включването на критичните характеристики на реалността). Играта е симулационна игра, ако нейните правила се отнасят до [[емпиричен модел]] на реалността. &quot;(стр. 14) Една добре построена симулационна игра, използвана да преподава или обучава по [[икономика]], би следвала допусканията и правилата на теоретичните модели в тази дисциплина. Пример за икономическа симулационна игра, която моделира теоретичните пазарни структури, от съвършената конкуренция до чист [[монопол]], е Beat The Market (Победи пазара). [6]<br /> <br /> <br /> <br /> <br /> ==Употребата на делови игри в икономическото образование==<br /> <br /> Проучвания за икономическото образование препоръчват приемането на по-активни и сътруднически и методологии за обучение (Greenlaw, 1999 г.) Simkins (1999) заяви: &quot;... учебни практики, които силно разчитат на формата на [[лекция]]та, не правят достатъчно да развият познавателните умения на учениците, да привлекат добри ученици в икономиката и да ги [[мотивация|мотивира]] да продължат курсова работа по дисциплината. &quot;(стр. 278). Това е в съответствие с резултатите от проучване, публикувано в американския Икономически преглед от Allgood (2004), който показва че студентите &quot;рядко възприемат икономиката като свободно избираема - особено спрямо принципите им &quot; (стр. 5). Още е необходимо да се направи в класната стая, за да бъдат студентите заинтересовани за икономическото образование.<br /> <br /> Симулации допълват стандартните лекции. И двете - компютърната и некомпютърно базираната симулация показват значителни нива на растеж в областта на образованието (вж. Lean, Moizer, Towler, and Abbey, 2006;[5] Dobbins, Boehlje, Erickson and Taylor, 1995; [6] Gentry, 1990; [7] и линковете: Game Developers Conference 2008 and Serious Games Initiative.<br /> <br /> <br /> <br /> <br /> ==Пример за симулационна игра в монополистична конкуренция==<br /> <br /> Чрез симулационна игра студентите могат да участват пряко в [[пазар]], като управляват симулирана фирма и вземат решения относно цените и производството, за да реализират максимална [[печалба]]. Един отличен преглед на използването на една успешна с[[имулация]] на пазара е даден от Motahar (1994) в списание &quot; Journal of Economics Education”.<br /> <br /> Симулационна игра в [[монопол|монополистична конкуренция]] може да се използва като пример в стандартната класна стая по икономика или за експериментална икономика. Икономически опити със симулации на монополистична конкуренция могат да създадат реални [[стимул]]и, които могат да бъдат използвани в преподаването и изучаването на икономика, за да помогнат на учениците да разберат по-добре защо пазарите и другите системи за обмен работят по определен начин. Обяснение на експерименталната икономика е дадено от Рот (1995).<br /> <br /> <br /> <br /> <br /> ===''Предположения на монополистична конкуренция в симулационната игра''===<br /> <br /> <br /> <br /> Симулационна игра в [[монополистична конкуренция]] трябва да включи стандартните [[теория|теоретични]] предположения на тази пазарна структура, в т.ч.:<br /> <br /> • Много купувачи и продавачи<br /> <br /> • Лесен пазар за влизане и излизане<br /> <br /> • Някаква степен на продуктова [[диференциация]]<br /> <br /> • Нулеви икономически печалби в дългосрочен план<br /> <br /> <br /> В симулация на монополистична конкуренция всяка фирма трябва да е малка по размер, и не трябва да бъде в състояние да повлияе на посоката на целия пазар. И все пак всяка фирма има някакъв контрол върху цените поради продуктова диференциация. За да бъдат в съответствие с икономическата теория, симулационният модел следва да позволи навлизането на [[новост]]и докато печалбите са по-големи от нормалното, и съществуват икономически изгоди. Навлизането на нови фирми ще намали цените на пазара, и в крайна сметка ще предизвика икономически изгоди стигнат до нула (вж. Baye, 2009 г.). <br /> <br /> <br /> <br /> ==„Изиграването” на симулационна игра==<br /> <br /> <br /> <br /> От образователна гледна точка, студентите ще имат &quot;възможност &quot;да се учат от собствените си наблюдения и опит чрез участие в симулационна игра (виж Schmidt, 2003). В съответствие с теоретичния модел на монополистична конкуренция (вж. Baye, 2009 г.) , студенти ще наблюдават и докажат, че техните ценови решения се контролират от пазара. Те ще &quot;докажат&quot;, че в симулацията ще трябва да понижат цените на тяхната фирма, за да бъде конкурентна, както са новите фирми на пазара. В дългосрочен план, те ще видят влиянието на променящите се размери. Те биха забелязали, че успешните фирми ще се възползват от [[икономии от мащаба|икономиите от мащаба]], но също така ще внимават да не причинят икономическа неефективност на мащаба в дългосрочен план. Студентите ще разберат, че икономическата печалба не може да се поддържа в дългосрочен план. Те ще видят, от първа ръка, че техните счетоводни печалби неизбежно ще спаднат и ще достигнат нивото на нормалната печалба. Този опит дава на студентите възможност да научат (като допълнение към [[лекция]]та и четивата) икономическите послания на монополистичната конкуренция.<br /> <br /> <br /> <br /> <br /> == Компютърни образователни игри==<br /> <br /> Трябва да се отбележи, че първите компютърни образователни игри, разработени през 50-години са предназначени за обучение на [[ръководен кадър|ръководни кадри]] и получават наименованието &quot;делови игри&quot; или &quot;управленски игри&quot;. По това време компютрите са твърде скъпи и затова с тях могат &quot;да си играят&quot; само президенти на фирми и [[генералeн директор|генерални директори]], т.е. ръководители от високо ниво.<br /> <br /> Първата в света компютърна управленска игра (КУИ) &quot;[[Имитация]] на решенията във висше управленско звено&quot; е разработена от Американската асоциация по управление през 1956г. През 60-те и особено от началото на 70-те години, в [[резултат]] от доказаните си преимущества и във връзка с разпространяването на компютрите, управленските игри навлязат широко в обучението на ръководни кадри (а после и на студенти) във всички развити страни.<br /> <br /> На основата на натрупания досега световен опит, без никакво преувеличение може да се каже, че използването на компютърни делови игри (КДИ) е най-[[ефикасност|ефикасният]] метод за интензификация на учебния процес и активно обучение на възрастни (ръководни кадри, специалисти или студенти), особено ако обучението непосредствено в реални условия е невъзможно, опасно, твърде скъпо или твърде бавно.<br /> <br /> В момента всеки реномиран университет по стопанските дисциплини използува различни по съдържание и сложност делови игри. При това тяхното използуване непрекъснато се разширява и усъвършенствува.<br /> <br /> <br /> <br /> <br /> <br /> ==Компютърни управленски игри в България==<br /> <br /> В България, първата КУИ за обучение на ръководни кадри (адаптирана версия на известната &quot;IBM Business Game&quot;) е внедрена през 1970г. От 1972/73г. се преминава към използване на собствени, разработени специално за българските условия КУИ.<br /> <br /> В обучението на студенти КУИ се използват [[експеримент]]ално от 1974г. и регулярно от учебната 1976/77г. За периода 1974-1990г. тези игри са използвани в обучението на няколко хиляди студенти от различни специалности.<br /> <br /> През периода 1991-2005г. използуването на активни методи за обучение и конкретно КДИ рязко се увеличи и интензифицира. <br /> <br /> <br /> <br /> <br /> ==Вижте също:==<br /> <br /> * Симулации и игри в икономическото образование <br /> * Военна симулация <br /> * Ролева симулация <br /> <br /> <br /> <br /> ==Източници:==<br /> <br /> [1]http://www.articlesbase.com/computer-games-articles/best-simulation-games-845284.html<br /> <br /> [2][[Деловата игра в качеството си на метод за организационно развитие Гл.ас.д-р Силвена Денчева Йорданова, ВУМК-Добрич]]<br /> <br /> [3] http://thai.anriintern.com/news/Business-game<br /> <br /> [4]http://en.wikipedia.org/wiki/Simulations_and_games_in_economics_education<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> * http://sbaweb.wayne.edu/~absel/bkl/vol17/17ak.pdf<br /> * http://businessgames.net/<br /> * http://www.businessgamesonline.com<br /> * http://www.businessweek.com/technology/content/jun2007/tc20070613_838152.htm<br /> <br /> [[category:Управленски решения и риск|Методи за изследване в бизнеса|Основи на управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B5%D0%BB%D0%B5%D0%B3%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=2009 2012-01-22T09:11:54Z

<p>Krasimira racheva: </p> <hr /> <div>'''Делегирането''' на пълномощия представлява основен [[процес]], посредством който ръководителите установяват формални взаимоотношения между хората в организацията. <br /> <br /> За да бъдат реализирани плановете в една [[организация]] някой трябва да изпълни фактически всяка от задачите, произтичащи от целите на организацията. Организационният процес във всяка една организация има два основни [[аспект]]а. Единият представлява делението на организацията на подразделение и съответно на цели и стратегии. Някои ръководители погрешно считат, че това обхваща целия организационен процес. Другият аспект, по-малко забележимият, е свързан с разпределение на пълномощията, което дава възможност за разпределение и координиране на задачите. <br /> <br /> Средството, с помощта на което [[ръководство]]то разпределя пълномощията между отделните нива се нарича делегиране. Организационният процес няма да бъде разбран, ако не изясним предварително и свързаните с него пълномощия и [[отговорност]]. <br /> <br /> <br /> <br /> ==Същност==<br /> <br /> Според теорията на управлението понятието „делегиране” означава предаване на задачи и пълномощия на лица, които поемат отговорността за тяхното изпълнение. Делегирането само по себе си представлява средство, с помощта на което ръководството разпределя между неговите сътрудници твърде много на брой задачи. Те трябва да бъдат изпълнени, за да се достигнат целите на организацията. Ако една задача не бъде делегирана на друг човек, [[ръководител]]ят ще трябва сам да я изпълни. В много случаи това е невъзможно, тъй като времето и възможностите на ръководителя са ограничени.<br /> <br /> [[Мери Фолет]]– една от класиците в [[мениджмънт]]а твърди, че същността на управлението се заключава в умението да направиш така, че задачите да бъдат изпълнени от другите. В по-широк смисъл на думата делегиране представлява акт, който превръща човека в ръководител. <br /> <br /> Делегирането, макар да има фундаментално значение, е една от най-непонятните и неправилно прилагани [[концепця|концепции]] в управлението. <br /> <br /> Много добри предприемачи са претърпели неуспех, именно когато техните организации са се разраснали и не са разбирали напълно необходимостта от [[делегиране]]. <br /> <br /> <br /> '''Отговорност '''<br /> <br /> [[Отговорност]]та, в контекста на делегирането, представлява задължения да бъдат изпълнени някакви задачи от някакво лице и то да отговаря за тяхното удовлетворително изпълнение. Под поемане на задължение се има предвид, че индивидът заема определена [[длъжност]] в организацията и от него се очаква изпълнение на конкретни задачи. Фактически всеки индивид сключва договор с организацията за изпълнение на задачи, които са предписани на дадена длъжност срещу получаване на определено [[възнаграждение]]. Следователно отговорност означава, че работникът отговаря за резултатите от изпълнението на задачи пред този, който го е упълномощил. <br /> <br /> Важното е да се осъзнае, че делегирането се реализира само в случая на поемане на пълномощия и, че отговорността не може да бъде делегирана. Това означава, че един ръководител не може да „размива” отговорността и да я предава на своя подчинен. <br /> <br /> Тук има една тънкост– лице, на което е възложена отговорността за решаване на някаква задача не е задължено да я изпълни лично. То обаче носи отговорността за нейното удовлетворително изпълнение. <br /> <br /> <br /> <br /> '''Пълномощие'''<br /> <br /> Пълномощието представлява ограничено [[право]] да се използват [[ресурс]]ите на организацията. Пълномощията се делегират на длъжността, а не на индивида. <br /> <br /> <br /> <br /> '''Граници на пълномощията '''<br /> <br /> Пълномощията са ограничено право да използваш ресурсите и командваш хората в организацията. Вътре в организацията границите на пълномощията се определят от: [[политика]]та, процедурите, [[правила]]та и длъжностните характеристики, представени на подчинения в писмен вид. <br /> <br /> <br /> <br /> '''Пълномощия и власт '''<br /> <br /> Много често погрешно тези понятия се използват като синоними. За разлика от определението на понятието „пълномощия” [[власт]]та представлява реална способност да се действа или възможност да се влияе на конкретна ситуация. Дадена личност може да има власт без да има пълномощия. <br /> <br /> Или с други думи пълномощията определят какво има право да прави лице, което заема някаква [[длъжност]]. А властта определя какво то действително може да прави. Властта още означава, че управляващият превръща в задължителна за останалите своята воля, т.е., че той налага избрания от него вариант като задължителен за [[подчинен]]ите.<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> [http://en.wikipedia.org/wiki/Delegation http://en.wikipedia.org/wiki/Delegation]<br /> <br /> [http://www.bg-ikonomika.com/ http://www.bg-ikonomika.com/]<br /> <br /> [http://www.businessballs.com/delegation.htm http://www.businessballs.com/delegation.htm]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> [[http://www.academy-for-leaders.bg/blog/post/55 http://www.academy-for-leaders.bg/blog/post/55] Academy for Leaders – тест по лидерски умения – делегиране]<br /> <br /> [[http://www.see.ed.ac.uk/~gerard/Management/art5.html http://www.see.ed.ac.uk/~gerard/Management/art5.html] ''The Art of Delegation'' by Gerard M. Blair<br /> <br /> <br /> [[category:Управленски решения и риск|Управление на човешките ресурси]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B5%D0%BB%D0%B5%D0%B3%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=2007 2012-01-21T18:00:18Z

<p>Krasimira racheva: </p> <hr /> <div>'''Делегирането''' на пълномощия представлява основен [[процес]], посредством който ръководителите установяват формални взаимоотношения между хората в организацията. <br /> <br /> За да бъдат реализирани плановете в една [[организация]] някой трябва да изпълни фактически всяка от задачите, произтичащи от целите на организацията. Организационният процес във всяка една организация има два основни [[аспект]]а. Единият представлява делението на организацията на подразделение и съответно на цели и стратегии. Някои ръководители погрешно считат, че това обхваща целия организационен процес. Другият аспект, по-малко забележимият, е свързан с разпределение на пълномощията, което дава възможност за разпределение и координиране на задачите. <br /> <br /> Средството, с помощта на което [[ръководство]]то разпределя пълномощията между отделните нива се нарича делегиране. Организационният процес няма да бъде разбран, ако не изясним предварително и свързаните с него пълномощия и [[отговорност]]. <br /> <br /> <br /> <br /> ==Същност==<br /> <br /> Според теорията на управлението понятието „делегиране” означава предаване на задачи и пълномощия на лица, които поемат отговорността за тяхното изпълнение. Делегирането само по себе си представлява средство, с помощта на което ръководството разпределя между неговите сътрудници твърде много на брой задачи. Те трябва да бъдат изпълнени, за да се достигнат целите на организацията. Ако една задача не бъде делегирана на друг човек, [[ръководител]]ят ще трябва сам да я изпълни. В много случаи това е невъзможно, тъй като времето и възможностите на ръководителя са ограничени.<br /> <br /> [[Мери Фолет]]– една от класиците в [[мениджмънт]]а твърди, че същността на управлението се заключава в умението да направиш така, че задачите да бъдат изпълнени от другите. В по-широк смисъл на думата делегиране представлява акт, който превръща човека в ръководител. <br /> <br /> Делегирането, макар да има фундаментално значение, е една от най-непонятните и неправилно прилагани [[концепця|концепции]] в управлението. <br /> <br /> Много добри предприемачи са претърпели неуспех, именно когато техните организации са се разраснали и не са разбирали напълно необходимостта от [[делегиране]]. <br /> <br /> <br /> '''Отговорност '''<br /> <br /> [[Отговорност]]та, в контекста на делегирането, представлява задължения да бъдат изпълнени някакви задачи от някакво лице и то да отговаря за тяхното удовлетворително изпълнение. Под поемане на задължение се има предвид, че индивидът заема определена [[длъжност]] в организацията и от него се очаква изпълнение на конкретни задачи. Фактически всеки индивид сключва договор с организацията за изпълнение на задачи, които са предписани на дадена длъжност срещу получаване на определено [[възнаграждение]]. Следователно отговорност означава, че работникът отговаря за резултатите от изпълнението на задачи пред този, който го е упълномощил. <br /> <br /> Важното е да се осъзнае, че делегирането се реализира само в случая на поемане на пълномощия и, че отговорността не може да бъде делегирана. Това означава, че един ръководител не може да „размива” отговорността и да я предава на своя подчинен. <br /> <br /> Тук има една тънкост– лице, на което е възложена отговорността за решаване на някаква задача не е задължено да я изпълни лично. То обаче носи отговорността за нейното удовлетворително изпълнение. <br /> <br /> <br /> <br /> '''Пълномощие'''<br /> <br /> Пълномощието представлява ограничено [[право]] да се използват [[ресурс]]ите на организацията. Пълномощията се делегират на длъжността, а не на индивида. <br /> <br /> <br /> <br /> '''Граници на пълномощията '''<br /> <br /> Пълномощията са ограничено право да използваш ресурсите и командваш хората в организацията. Вътре в организацията границите на пълномощията се определят от: [[политика]]та, процедурите, [[правила]]та и длъжностните характеристики, представени на подчинения в писмен вид. <br /> <br /> <br /> <br /> '''Пълномощия и власт '''<br /> <br /> Много често погрешно тези понятия се използват като синоними. За разлика от определението на понятието „пълномощия” [[власт]]та представлява реална способност да се действа или възможност да се влияе на конкретна ситуация. Дадена личност може да има власт без да има пълномощия. <br /> <br /> Или с други думи пълномощията определят какво има право да прави лице, което заема някаква [[длъжност]]. А властта определя какво то действително може да прави. Властта още означава, че управляващият превръща в задължителна за останалите своята воля, т.е., че той налага избрания от него вариант като задължителен за [[подчинен]]ите.<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> [http://en.wikipedia.org/wiki/Delegation http://en.wikipedia.org/wiki/Delegation]<br /> <br /> [http://www.bg-ikonomika.com/ http://www.bg-ikonomika.com/]<br /> <br /> [http://www.businessballs.com/delegation.htm http://www.businessballs.com/delegation.htm]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> [[http://www.academy-for-leaders.bg/blog/post/55 http://www.academy-for-leaders.bg/blog/post/55] Academy for Leaders – тест по лидерски умения – делегиране]<br /> <br /> [[http://www.see.ed.ac.uk/~gerard/Management/art5.html http://www.see.ed.ac.uk/~gerard/Management/art5.html] ''The Art of Delegation'' by Gerard M. Blair<br /> <br /> <br /> [[category:Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B5%D0%BB%D0%B5%D0%B3%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=2006 2012-01-21T17:50:44Z

<p>Krasimira racheva: </p> <hr /> <div>'''Делегирането''' на пълномощия представлява основен [[процес]], посредством който ръководителите установяват формални взаимоотношения между хората в организацията. <br /> <br /> За да бъдат реализирани плановете в една организация някой трябва да изпълни фактически всяка от задачите, произтичащи от целите на организацията. Организационният процес във всяка една организация има два основни аспекта. Единият представлява делението на организацията на подразделение и съответно на цели и стратегии. Някои ръководители погрешно считат, че това обхваща целия организационен процес. Другият аспект, по-малко забележимият, е свързан с разпределение на пълномощията, което дава възможност за разпределение и координиране на задачите. <br /> <br /> Средството, с помощта на което ръководството разпределя пълномощията между отделните нива се нарича делегиране. Организационният процес няма да бъде разбран, ако не изясним предварително и свързаните с него пълномощия и отговорност. <br /> <br /> <br /> <br /> ==Същност==<br /> <br /> Според теорията на управлението понятието „делегиране” означава предаване на задачи и пълномощия на лица, които поемат отговорността за тяхното изпълнение. Делегирането само по себе си представлява средство, с помощта на което ръководството разпределя между неговите сътрудници твърде много на брой задачи. Те трябва да бъдат изпълнени, за да се достигнат целите на организацията. Ако една задача не бъде делегирана на друг човек, ръководителят ще трябва сам да я изпълни. В много случаи това е невъзможно, тъй като времето и възможностите на ръководителя са ограничени.<br /> <br /> Мери Фолет– една от класиците в мениджмънта твърди, че същността на управлението се заключава в умението да направиш така, че задачите да бъдат изпълнени от другите. В по-широк смисъл на думата делегиране представлява акт, който превръща човека в ръководител. <br /> <br /> Делегирането, макар да има фундаментално значение, е една от най-непонятните и неправилно прилагани концепции в управлението. <br /> <br /> Много добри предприемачи са претърпели неуспех, именно когато техните организации са се разраснали и не са разбирали напълно необходимостта от делегиране. <br /> <br /> <br /> <br /> '''Отговорност '''<br /> <br /> Отговорността, в контекста на делегирането, представлява задължения да бъдат изпълнени някакви задачи от някакво лице и то да отговаря за тяхното удовлетворително изпълнение. Под поемане на задължение се има предвид, че индивидът заема определена длъжност в организацията и от него се очаква изпълнение на конкретни задачи. Фактически всеки индивид сключва договор с организацията за изпълнение на задачи, които са предписани на дадена длъжност срещу получаване на определено възнаграждение. Следователно отговорност означава, че работникът отговаря за резултатите от изпълнението на задачи пред този, който го е упълномощил. <br /> <br /> Важното е да се осъзнае, че делегирането се реализира само в случая на поемане на пълномощия и, че отговорността не може да бъде делегирана. Това означава, че един ръководител не.може да „размива” отговорността и да я предава на своя подчинен. <br /> <br /> Тук има една тънкост– лице, на което е възложена отговорността за решаване на някаква задача не е задължено да я изпълни лично. То обаче носи отговорността за нейното удовлетворително изпълнение. <br /> <br /> <br /> <br /> '''Пълномощие'''<br /> <br /> Пълномощието представлява ограничено право да се използват ресурсите на организацията. Пълномощията се делегират на длъжността, а не на индивида. <br /> <br /> <br /> <br /> '''Граници на пълномощията '''<br /> <br /> Пълномощията са ограничено право да използваш ресурсите и командваш хората в организацията. Вътре в организацията границите на пълномощията се определят от: политиката, процедурите, правилата и длъжностните характеристики, представени на подчинения в писмен вид. <br /> <br /> <br /> <br /> '''Пълномощия и власт '''<br /> <br /> Много често погрешно тези понятия се използват като синоними. За разлика от определението на понятието „пълномощия” властта представлява реална способност да се действа или възможност да се влияе на конкретна ситуация. Дадена личност може да има власт без да има пълномощия. <br /> <br /> Или с други думи пълномощията определят какво има право да прави лице, което заема някаква длъжност. А властта определя какво то действително може да прави. Властта още означава, че управляващият превръща в задължителна за останалите своята воля, т.е., че той налага избрания от него вариант като задължителен за подчинените.<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> <br /> [http://en.wikipedia.org/wiki/Delegation http://en.wikipedia.org/wiki/Delegation]<br /> <br /> [http://www.bg-ikonomika.com/ http://www.bg-ikonomika.com/]<br /> <br /> [http://www.businessballs.com/delegation.htm http://www.businessballs.com/delegation.htm]<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> <br /> [[http://www.academy-for-leaders.bg/blog/post/55 http://www.academy-for-leaders.bg/blog/post/55] Academy for Leaders – тест по лидерски умения – делегиране]<br /> <br /> [[http://www.see.ed.ac.uk/~gerard/Management/art5.html http://www.see.ed.ac.uk/~gerard/Management/art5.html] ''The Art of Delegation'' by Gerard M. Blair<br /> <br /> <br /> <br /> [[category:Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%90%D0%B3%D1%80%D0%B5%D0%B3%D0%B0%D1%82%D0%BD%D0%BE_%D0%BF%D0%BB%D0%B0%D0%BD%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=2002 2012-01-21T17:29:13Z

<p>Krasimira racheva: </p> <hr /> <div>'''Агрегатното планиране представлява планиране, установяващо общите равнища на [[производство]] за средносрочен период(обикновено една година), в резултат от което се вземат решения за агрегираните равнища на наличностите, размера на работната сила и [[субконтрактoр]]ите.<br /> <br /> '''Агрегатното планиране''' се отличава със следните характеристики:<br /> <br /> * Времеви хоризонт от 12 месеца, с уточняване на плана на периодична основа (най-често месечно);<br /> * Агрегирано равнище на търсенето на [[продукт]]а, отнасящо се за една или няколко продуктови [[категория|категории]];<br /> * Приема се, че търсенето е случайно, неопределено или сезонно;<br /> * Съществува възможност за промяна, както на предлагането, така и на търсенето;<br /> * Разнообразие на управленски цели, които могат да включват ниски равнища на наличностите, добри трудови отношения, ниски производствени разходи, гъвкавост при увеличаване на бъдещото равнище на [[производство]] и качествено обслужване на клиентите;<br /> * Производствените мощности са фиксирани и не могат да бъдат променяни.<br /> <br /> <br /> <br /> ==Значение на агрегатното планиране==<br /> <br /> <br /> <br /> * '''Агрегатното планиране''' създава важна взаимовръзка между планирането на производствените мощности, от една страна, и разработването на [[план-графици]] от друга.<br /> * Стратегическото планиране на производствените мощности определя физическия капацитет, който не може да бъде превишаван от '''агрегатното планиране'''. <br /> * Планирането на производствените мощности е дългосрочно планиране и ограничава решенията, свързани с '''агрегатното планиране'''.<br /> <br /> <br /> <br /> ==Алтернативи за решение при агрегатното планиране==<br /> <br /> <br /> <br /> Пазарното търсене може да бъде повлияно по няколко начина:<br /> <br /> # '''Чрез цената -''' Диференциалното определяне на цените често се използва за намаляване на търсенето в пиковите периоди или за създаване на търсене извън тях. <br /> # '''Чрез рекламата или промоцията –''' [[Реклама]]та като цяло се използва за промоция на търсенето в периодите на застой или за изместване на търсенето от пиковите периоди в периодите на застой. <br /> # '''Чрез въвеждане на система за резервации -''' Ефективен начин за въздействие върху търсенето е въвеждане на система за резервации, при която клиентите чакат за изпълнение на своите поръчки и се осъществява резервиране на [[капацитет]] за бъдещо използване. Като резултат търсенето се премества от пиковите периоди в периодите на застой. <br /> # '''Чрез разработване на допълващи продукти –''' [организация|Бизнес-организации], чието търсене на [[продукт]]а е силно сезонно могат да се опитат да разработят [продукт|продукти], които имат обратно сезонно търсене. <br /> <br /> <br /> <br /> Съществуват и множество променливи, които са в състояние да модифицират предлагането чрез '''агрегатното планиране''':<br /> <br /> # Наемане и освобождаване на работници <br /> # Използване на извънредно работно време и престои. <br /> # Използване на почасово-наета или временна работна сила. <br /> # Поддържане на наличности.<br /> # Сключване на [[субконтракт]]и.<br /> <br /> <br /> <br /> ==Чисти стратегии при агрегатното планиране==<br /> <br /> <br /> <br /> * Според първата “чиста” стратегия съгласуването на темпа на [[производство]]то с обема на поръчките става чрез наемане или уволняване на работна сила в зависимост от изменението на търсенето. Успехът на тази стратегия зависи от наличието на групи добре обучени специалисти, които е възможно да бъдат наети по всяко време при увеличаване на търсенето. Недостатък на тази стратегия е възможното намаление на [[производителност]]та на труда поради опасенията на работниците, че ще бъдат съкратени след изпълнението на поръчките, довели до увеличаване на търсенето. При тази стратегия работната сила се използва като [[буфер]] за покриване на измененията в пазарното търсене.<br /> <br /> <br /> <br /> * Другата “чиста” стратегия е свързана с гъвкавото използване на работното време. При тази стратегия, променливата, чрез която се компенсират колебанията в търсенето, е работното време при запазване на постоянно равнище на работната сила. Темпът на производство се [[регулиране|регулира]] с помощта на гъвкав график, предвиждащ както престои при ниско равнище на търсенето, така и труд в извънработно време. – при повишено равнище.<br /> <br /> <br /> <br /> * При третата “чиста” стратегия се поддържа постоянно равнище на работната сила, равнището на [[производство]]то във времето също е постоянно. Варирането в търсенето се покрива чрез изменение в равнището на материалните запаси, системата за резервации, [[субконтракт]]ите, споразуменията за [кооперация|коопериране] или чрез която и да е от възможностите за влияние върху търсенето. Важното при тази стратегия е фиксирането на равнището на редовната работна сила. Тази стратегия е предпочитана от персонала в най-голяма степен, но може да доведе до намаляване на качеството на обслужване на клиентите и увеличаване на разходите за поддържане на [[материални запаси]].<br /> <br /> <br /> <br /> ==Общ модел на агрегатното планиране==<br /> <br /> <br /> <br /> '''Pt - ''' произведеното количество през периода t;<br /> <br /> '''I t-1 - ''' равнището на наличността за период t-1;<br /> <br /> '''Ft - ''' прогнозираното търсене за периода t.<br /> <br /> <br /> <br /> Равнището на наличността в края на периода t може да се определи с помощта на тези [[променливи]], включени в следния модел:<br /> <br /> [[Image:agregatno_planirane.png|thumb|right|alt=Общ модел на агрегатното планиране]]<br /> <br /> ==Графични и таблични модели==<br /> <br /> <br /> <br /> Алгоритъмът, свързан с приложението на графичните и табличните методи, включва следните основни стъпки:<br /> <br /> * Прогнозиране на търсенето за всеки период;<br /> * Определяне на капацитета през редовното работно време, през извънредното работно време и капацитета на субконтракторите за всеки период;<br /> * Изчисляване на разходите за труд, за назначаване и освобождаване на работна сила, както и разходите за създаване и съхранение на наличностите;<br /> * Стратегията за '''агрегатно планиране''' се координира с политиката на [организация|бизнес-организацията] по отношение на работната сила и равнищата на запасите;<br /> * Разработват се алтернативни '''агрегатни планове''' и се проверяват техните общи разходи.<br /> <br /> <br /> <br /> ==Разходи при агрегатното планиране==<br /> <br /> <br /> <br /> * Основни производствени разходи - постоянни и променливи разходи, необходими за [[производство]]то на определен вид продукция за даден период от време. Тези разходи са свързани с [[производство]]то както в редовното, така и в извънредното работно време. <br /> * Разходи, обусловени от колебанията в темпа на [[производство]].<br /> * Разходи за поддържане на наличности. Основен източник на тези разходи е [[капитал]]ът, вложен в материалните запаси.<br /> * Разходи за [[субконтракт]]и - цената, която трябва да бъде платена на външната [[организация]] за [[производство]]то на изделието. Тези разходи могат да бъдат по-ниски или по-високи, отколкото ако изделието бъде направено в организацията-възложител.<br /> * Разходи за незадоволена потребителска поръчка. Тези разходи трябва да отразят ефекта от намаляването на степента и [[качество]]то на обслужването на клиентите. Те са извънредно трудни за оценка , но могат да бъдат свързани с загубата на престиж и с възможно бъдещо намаление на обема на продажбите. Те представляват пропуснати бъдещи ползи.<br /> <br /> ''' '''<br /> <br /> ==Източници==<br /> <br /> <br /> <br /> * Григоров, Н., “Производствен мениджмънт и бенчмаркинг”, Авангард, С., 2002.<br /> * Цветков, Г., „Управление на производството”, ИК „Люрен”, С., 1998.<br /> * Chase, R., N. Aquilano, R. Jacobs, “Operations Management for Competitive Advantage”, 9th edition, Irwin – McGraw-Hill Publishers, 2001.<br /> * Fogarty, D.W., J.H. Blackstone, T.R. Hoffmann, “Production and Inventory Management”, Cincinnati: South-Western Publishing, 1991.<br /> * Hill, T., “Production/Operations Management: text and cases”, 2nd edition, Prentice Hall, London, 1991.<br /> * Meredith, J.R., “The Management of Operations: a conceptual emphasis”, 4th edition, John Wiley and Sons, New York, 1992.<br /> * Schmenner, R.W., “Production/Operations Management: concepts and situations”, 4th edition, Macmillan, New York, 1990.<br /> * Schroeder, R., “Operations Management: Contemporary Concepts and Cases”, Irwin – McGraw-Hill Publishers, 2000.<br /> * Stevenson, W.J., “Production Operations Management”, 7th edition, McGraw-Hill, 2001.<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> <br /> * [http://www.uctm.edu/departments/economic/BG/conspect/55_1_Agragate_planing_theory.pdf|Оптимизиране на разходите за обслужване на материалните запаси чрез агрегатно планиране]<br /> * [http://nitc.ac.in/nitc/bulletin/files/opt_25512_2085776769.pdf|Допълнителна информация и приложение на агрегатното планиране](на английски език)<br /> <br /> [[category:Управление на операциите|Моделиране и прогнозиране в управлението]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%90%D0%B2%D1%82%D0%BE%D0%BD%D0%BE%D0%BC%D0%B8%D1%8F&diff=2001 2012-01-21T17:26:33Z

<p>Krasimira racheva: </p> <hr /> <div> [[Image:autonomy.jpg|thumb|right|alt=Autonomy.|Автономия.]]<br /> <br /> <br /> <br /> Автономия (старогръцки: αὐτονομία autonomia от αὐτόνομος autonomos от αὐτο- auto- &quot;себе си&quot; + νόμος nomos, &quot;[[закон]]&quot; - независим, някой, който дава на себе си собственото право&quot; ) е самоуправление на дадена [[общност]]. За разлика от [[независимост]]та, автономията е ограничена в рамки, които могат да варират значително. Също под автономност се разбира степента, в която служител работи с дискретност и независимост, за да планира работата си и да определи как тя трябва да се направи. Доказано е, че високите нива на [[автономия]] в работата, подпомагат увеличаване на удовлетвореността от работата, и в някои случаи, [[мотивация]] за извършване на работа. В традиционните организации, автономията обхваща служителите при по-високите нива. Новите организационни структури са довели до увеличаване на автономията на по-ниски нива. Освен това, много компании вече правят използването на автономни работни групи.<br /> <br /> ==Автономия на ниво служители==<br /> <br /> Според теориите за работа, служителите, които притежават по-голяма автономност на работното место, се чувстват по-сигурни и по-отговорни за резултатите от тяхната работа, и затова [[мотивация]]та им за работа се увеличава. Твърде много автономност може да доведе и до недоволство на служителите. Всеки човек има различно ниво на необходимост за автономия в работата си. Някои работници не искат и не се чувстват удобно, когато имат голяма автномоност , при други, тя може да доведе до напрежение на работното място и лошото представяне. Автономността за някои значи [[авторитет]], равен на [[ръководител]]я. Когато [[мениджър]]а на организацията дава автономност на служителя си, е възможно това да изложи на [[риск]] работата му.<br /> <br /> ===Управленска автономия===<br /> <br /> <br /> <br /> Мениджърите са склонни към увеличаване на автономията в организации, които са по-децентрализирани. В такива организации, мениджърите имат по-голяма свобода да вземат решения по отношение на работата на служителите и дори [[персонал]] решения. Съществува опасност мениджъра да не е подготвен и да взема лоши решения, вредни за служителите и организацията като цяло.<br /> <br /> ===АВТОНОМИЯ НА НИВО ЕКИП===<br /> <br /> <br /> <br /> През последните години се забелязва [[тенденция]]та в организации, в които съществуват екипи на работното место, да работят автономно. Самостоятелно управление на работните екипи е управление, в което надзорник дава нужните насоки на членовете на екипа, и те се управляват сами. Успехът на такива екипи зависи в голяма степен от членовете на екипа, включително техните професионални възможности и способността им да работят заедно. Много пъти, тези автономни екипи могат значително да подобрят способността на организацията, да бъдат [[креативност|креативни]], гъвкави и иновативни. Въпреки това, когато е на лице твърде много автономия в екипа, е възможно намаляване [[производителност]]та. Когато лицата работят самостоятелно, липсва [[комуникация]], както и без постоянния надзор над екипа може да се създаде несъответсвие с [[цел]]ите на организацията. За това са нужни периодични срещи и надзор от страна на мениджъра.<br /> <br /> ===Автономия на ниво организация===<br /> <br /> Автономията на служители и мениджъри често е продиктувано от [[структура]]та на организацията и нейната [[култура]]. Традиционните и бюрократични организации често разполагат с ниска степен на автономия, но по-новите, по-ограничени структури разчитат и залагат на автономията. Автономия на служителите довежда до минимум някои от релационните бариери между началници и подчинени. Това може да подобри [[функции]]те на работното място, чрез идеите и предложенията на служителите, както и увеличаване на доверието между ръководството и служителите, но може и да създаде разлика между звената чрез различни практики и правила за работа.Автономията, като цяло, е положителен [[признак]] за служители, мениджъри, екипи и организации.<br /> <br /> <br /> <br /> ==Вижте също==<br /> <br /> [[Независимост]]<br /> <br /> [[Организация]]<br /> <br /> [[Мениджмънт]]<br /> <br /> [[Закон]]<br /> <br /> <br /> <br /> ==Източници:==<br /> <br /> http://www.enotes.com/autonomy-reference/autonomy http://www.enotes.com/autonomy-reference/autonomy<br /> <br /> http://bg.wikipedia.org/wiki/Автономия http://bg.wikipedia.org/wiki/%D0%90%D0%B2%D1%82%D0%BE%D0%BD%D0%BE%D0%BC%D0%B8%D1%8F<br /> <br /> ==Външни препратки==<br /> <br /> http://bg.wikipedia.org/wiki/Мениджмънт http://bg.wikipedia.org/wiki/%D0%9C%D0%B5%D0%BD%D0%B8%D0%B4%D0%B6%D0%BC%D1%8A%D0%BD%D1%82<br /> <br /> http://rechnik.info/автономия http://rechnik.info/%D0%B0%D0%B2%D1%82%D0%BE%D0%BD%D0%BE%D0%BC%D0%B8%D1%8F<br /> <br /> [[category:Управление на човешките ресурси|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%90%D0%B1%D1%80%D0%B0%D1%85%D0%B0%D0%BC_%D0%92%D0%B0%D0%BB%D0%B4&diff=2000 2012-01-21T17:25:27Z

<p>Krasimira racheva: </p> <hr /> <div>[[file:Abraham_Wald_in_his_youth.jpg|thumb|right]]<br /> <br /> Ейбрахам Валд (1902-1950г.) е математик, роден в Клуж, днешна Румъния (тогава в Австро-Унгария, родоначалник на [[Последователен анализ|последователния анализ]], допринесъл в полетата на [[Геометрия|геометрията]], [[иконометрия]]та и [[Теория на решенията|теорията на решенията]].<br /> <br /> <br /> <br /> ==Биография==<br /> <br /> Ейбрахам Валд е роден на 31 октомври 1902г. в семейството на [[Юдаизъм|eврейски]] интелектуалци. Поради стриктното практикуване на религията си не посещава училище, тъй като образователната система в тогавашна Австро-Унгария задължава учебните часове в събота. Членовете на семейството му се заемат с обучението му. От образователна гледна точка домашното му обучение не се оказва недостатък. <br /> <br /> След края на [[Втора световна война|Втората световна война]] [[Клуж]] става част от Румъния и на Валд му е позволено да посещава университета в Клуж. Въпреки трудностите, породени от вероизповеданието му, отличителните му умения по [[Математика|математика]] му позволяват да предприеме [[математически изследвания]] и през 1927 г. Валд влиза във [[Виенски университет|Виенския]] университет. Там изучава [[Геометрия|геометрия]] при Карл Менгер (Karl Menger; да не се бърка с [[Карл Менгер|баща му]], Carl Menger). Валд получава докторската си степен през 1931 г<br /> <br /> <br /> Въпреки способностите си, Валд не успява да се реализира като университетски преподавател. Причина за това са [[Антисемитизъм|антисемитските настроения]] в Австрия (настроения, които се засилват през 1938 г. в резултат на [[Националсоциализъм|нацистката]] инвазия). Валд успява да емигрира в САЩ, където работи в Комисията за Икономически проучвания, основана от Алфред Коулс през 1932.<br /> <br /> През 1939 г. Валд намира работа в [[Колумбийски университет|Колумбийския университет]] в Ню Йорк. Лекциите му се отличават с точност и яснота, а записките на много от студентите му достигат до студенти от други университети в Щатите. Освен като преподавател, Валд изявява възможностите си и като работи върху военни проекти по времето, когато САЩ навлизат във Втората световна война. Експертните му познания в областта на [[Статистика|статистиката]] му помагат да разработи метод за изчисляването на уязвимостта на военните самолети.<br /> <br /> След като емигрира в САЩ, Валд се запознава с Лусил Ланг и се жени за нея. През 1950 г. получава покана от индийското правителство да проведе серия от лекции по [[статистика]]. Двамата с жена му заминават за [[Индия]], където намират смъртта си в самолетна катастрофа на 13 декември 1950 г.<br /> <br /> <br /> <br /> ==Разработки==<br /> <br /> ===Валд тест===<br /> <br /> <br /> &quot;Валд тестът&quot; принадлежи към тестовете за [[статистическа проверка на хипотези]]. Той може да бъде изполван за тестване на реалната стойност на [[Параметър|параметрите]], основани на извадкови изчисления. Чрез &quot;Валд тестът' се измерва значимостта на [[Независима променлива|независимите променливи]] – [[Регресия|регресията]] на една [[бинарна]] зависима и на една или повече [[Независима променлива|независими променливи]]. Тестът се прилага изключително често в [[иконометрия]]та. <br /> <br /> <br /> [[file:wald_equation1.jpg|300px]]<br /> <br /> ===Критерий на Валд===<br /> <br /> <br /> <br /> Критерият на Валд е по своята същност критерий за [[вземане на решение]] в условия на [[неопределеност]]. Той се прилага с цел да се намали [[риск]]ът от неблагоприятни последствия след дадено решение. Oпределя се като песимистичен [[критерий]], според който [[вероятност]]та за възникване на даден [[резултат]] е правопропорционална на неговата неблагоприятност. Съответно [[алтернатива]]та, която следва да бъде избрана, е тoзи от най-неблагоприятните изходи за всеки ред, който носи възможно най-добър резултат. <br /> <br /> <br /> <br /> ===Сериен тест - Валд-Волфиц===<br /> <br /> <br /> <br /> Серийният тест или още Валд-Волфиц тест, получил името си от Ейбрахам Валд и Джейкъб Волфиц, е непараметричен [[статистически тест]], който служи за проверка на случайността на едно следствие. Той се използва за тестване на [[хипотеза]]та, че [[елемент]]ите на серията са взаимно независими. Той може да бъде проведен, за да се провери стационарността или съответно липсата на [[корелация]] в един ред или друга серия.<br /> <br /> ==Значими публикации==<br /> <br /> * Wald, Abraham (1939). &quot;A New Formula for the Index of Cost of Living&quot;. ''Econometrica'' (Econometrica, Vol. 7, No. 4) '''7''' (4): 319–331. doi:10.2307/1906982. [http://jstor.org/stable/1906982]. Retrieved 2008-06-27.&amp;nbsp;<br /> * Wald, Abraham (1939). &quot;Contributions to the Theory of Statistical Estimation and Testing Hypotheses&quot;. ''Annals of Mathematical Statistics'' '''10''' (4): 299–326. doi:10.1214/aoms/1177732144.&amp;nbsp;<br /> * Wald, Abraham (1940). &quot;The Fitting of Straight Lines if Both Variables Are Subject to Error&quot;. ''Annals of Mathematical Statistics'' '''11''' (3): 284–300. doi:10.1214/aoms/1177731868.&amp;nbsp;<br /> * Wald, Abraham (June 1945). &quot;Sequential Tests of Statistical Hypotheses&quot;. ''The Annals of Mathematical Statistics'' '''16''' (2): 117–186. doi:10.1214/aoms/1177731118.&amp;nbsp;<br /> * Wald, Abraham (1947). ''Sequential Analysis''. New York: John Wiley and Sons. ISBN&amp;nbsp;0471918067. &quot;See Dover reprint: ISBN 0-486-43912-7&quot;&amp;nbsp;<br /> * Wald, Abraham (1950). ''Statistical Decision Functions''. John Wiley and Sons, New York; Chapman and Hall, London. p.&amp;nbsp;ix+179.<br /> <br /> ==Вижте също==<br /> <br /> <br /> ==Източници==<br /> <br /> # O'Connor, John J.; Robertson, Edmund F., &quot;Abraham Wald&quot;, ''MacTutor History of Mathematics archive'', University of St Andrews, [http://www-history.mcs.st-andrews.ac.uk/Biographies/Wald.html].<br /> # Матилда Александрова, ''&quot;Управленски решения и риск&quot;'', издателство Авангард Прима, IBAN 978-954-323-606-0,София 2009<br /> <br /> <br /> [[category:Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=PEST_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7&diff=1998 2012-01-21T17:22:02Z

<p>Krasimira racheva: </p> <hr /> <div>'''Анализ ПЕСТ /PEST/ '''е второто широко използвано [[средство]] за [[анализ на среда]]та, в която работи дадено предприятие, и е известно като анализ ПЕСТ. Политическите и социални фактори, съчетани с напредъка в технологиите, могат да оказват значително по-силно влияние. Поради това за тях анализът ПЕСТ е уместен. Тук се разглеждат социалните, технологичните, икономическите и политическите фактори, които имат влияние върху средата. <br /> <br /> <br /> ==Същност==<br /> <br /> <br /> ===[[Политически фактори]]===<br /> <br /> • В резултат на държавната политика за въвеждане на средата като пълноправен участник в националната система на [[здравеопазване]], участието й в предоставянето на здравни грижи ще се разшири подчертано. Целта е подобряване достъпността до здравеопазване и създаване на равни възможности за цялото население. Това ще доведе до редица разширени отговорности, включително в дългосрочна перспектива на предписване на лекарства от фармацевти и [[мониторинг]] на лекарствената терапия (фармацевтични грижи). <br /> <br /> • Значително по-ниските цени на генеричните лекарства и схемата за регулиране на фармацевтичните надценки ще намалят разходите за лекарства и, вследствие на това, приходите на аптеките. <br /> <br /> • Държавната регулация на заетостта, безопасността, планирането, [[данъци]]те, [[ДДС]] и дори регламентите на ЕС са фактори, които се отразяват на текущата дейност. Политическите решения в някои европейски страни след [[дерегулация]]та на кварталните аптеки, например в Италия и Холандия, насочва големите играчи към подобни пазари, където в момента те масово придобиват аптеки. <br /> <br /> <br /> <br /> ===[[Икономически фактори]]=== <br /> <br /> •Фактори като лихвени равнища, [[обменни курсове]], [[БВП]], парично предлагане и стопанските цикли засягат както фондовата [[борса]], така и разполагаемия доход на населението. Наемите и цената на недвижимите имоти също са повлияни. <br /> <br /> •[[Режийни]]те разходи се влияят от общото положение на икономиката. <br /> <br /> •По-високата [[инфлация]] води до по-високи разходи за заплати. <br /> <br /> •Добрата икономика създава пълна заетост и така става трудно да се наеме квалифициран персонал в някои райони. <br /> <br /> <br /> <br /> ===[[Социални фактори]]===<br /> <br /> •Резкият спад на [[раждаемост]]та в края на ХХ в. доведе до значителен брой на застаряващо население над 65 г. възраст. <br /> <br /> •Компютърната грамотност създаде възможности за електронна търговия. <br /> <br /> •Понастоящем загрижеността за здравето сред обществеността все още не е достатъчно силно изразена, както във водещите страни членки на ЕС. <br /> <br /> •Социалните фактори влияят върху поведението на потребителите на лекарства, както и на персонала в фирмата и това има отражение върху ефективното управление и функциониране на една фирма. <br /> <br /> •Демографският профил на района, в който се намира фирмата, определя поведението на купувачите и влияе върху обема на поддържаните стокови наличности. <br /> <br /> <br /> <br /> ===[[Технологични фактори]]===<br /> <br /> * Технологичният напредък доведе до широко използване на интернет и вътрешни мрежи, подобряване на съобщенията и т.н. <br /> <br /> * Налице са пилотни проекти за е-здравеопазване, предаване на рецепти и връзка с лекарите, което ще подобри и ускори обработката на рецептите. <br /> <br /> * Вътрешните мрежи на съсловните организации могат да облекчат потока от информация. <br /> <br /> * Напредъкът при [[ПОС-терминал]]ите и [[бар-код]]овете ще улесни управлението на стоковите наличности. Терминали с бар-код четци и магнитни банкови карти спомагат за съкращаване на разходи. <br /> <br /> <br /> <br /> ==Графично представяне==<br /> <br /> PEST анализът е рамка, която стратезите използват за да сканират външната макро среда, в която организацията оперира. PEST е съкращение от следните фактори: <br /> <br /> * Political (Политически)<br /> * Economic (Икономически)<br /> * Social (Социални)<br /> * Technological (Технологични)<br /> <br /> Факторите PEST играят важна роля при избора на [[стратегия]]. Те са извън контрола на фирмата и трябва да се считат или като заплахи или като възможности. Важно е да се отбележи, че макро икономическите фактори могат да се различават в различните континенти, страни и дори региони. Затова PEST анализа обикновено се изготвя на ниво - страна. <br /> <br /> В таблицата по-долу, че намерите примери за фактори във всяка една от посочените групи:<br /> <br /> [[File:pestanaliz.jpg]]<br /> <br /> Изготвянето на PEST Анализ е относително просто и може да бъде извършено по време на [[семинар]], чрез използване на техниката [[''brainstorm]]''.&amp;nbsp; Използването на PEST Анализа може да варира от стратегическо планиране на фирмата, през маркетингово планиране, до планиране развитието на определен продукт. Като варианти на PEST Анализа, понякога се използва [[SLEPT]] (+ Legal - правни фактори) или STEEPLE Анализ (Социално/демографски; Технологични, Икономически, Природни, Политически, Правни и Етични фактори). В някои случаи географските фактори могат да имат важно въздействие. Целта на ПЕСТ анализа е да се идентифицират, проследят, прогнозират и оценят промените, осъществяващи се в политическата, икономическата, социално-културната и технологичната среда на фирмата. Като правило тези промени въздействат върху целия отрасъл. Събитията, които предизвикват тези промени се наричат движещи сили.<br /> <br /> <br /> ==Етапи ==<br /> <br /> ПЕСТ анализът се състои от следните етапи:<br /> <br /> * [[Сканиране]] организациите сканират (наблюдават)обкръжаващата среда, за да разкрият индикаторите или сигналите за текущите и потенциалните промени или за новите проблеми, възникващи в политическата, икономическата, социално-културната и технологична среда. Сканирането позволява на организацията да се информира за бъдещите заплахи и възможности ([[шанс]]ове). По този начин организацията може своевременно да разгледа алтернативни варианти за действие и да предприеме необходимите мерки, за да се адаптира към промените.<br /> * [[Мониторинг]] включва в себе си проследяване на конкретна промяна на [[макросреда]]та във времето. Аналитиците от организацията наблюдават и проследяват еволюцията на разкритите чрез сканирането проблеми. Така те подпомагат формирането на отношението на организацията към слабите сигнали, уловени чрез сканирането.<br /> * Прогнозиране целта на [[прогнозиране]]то е да се разработят възможните параметри на мащаба, направлението, скоростта и интензивността на промените, осъществяващи се във външната среда. Могат да се разграничат два типапрогнозиране:<br /> ** В основата на първия тип стоят очевидни тенденции, за които може да се очаква, че като цяло ще се съхранят в продължение на определено време - такива са демографските тенденции.<br /> ** Втория тип прогнозиране се базира на разработването на алтернативни варианти на бъдещето, които на свой ред са базирани върху т.нар. неочаквани събития ([[неопределеност]]и). За разкриването на алтернативните варианти на бъдещето се използват прогнозни сценарии.<br /> ** Оценяване на този етап фирмата оценява как и защо прогнозираните тенденции влияят върху стратегията на организацията; как фирмата може да промени своята стратегия, за да се адаптира към промените във външната среда.<br /> <br /> <br /> ==Вижте още==<br /> <br /> * [[Технологии]]<br /> * [[Култура]]<br /> * [[Външна среда на фирмата]]<br /> * [[Вътрешна среда на фирмата]]<br /> * [[SWOT анализ]]<br /> * [[Фирмена политика]]<br /> * [[Продуктова политика]]<br /> * [[Стратегия]]<br /> * [[Управление]]<br /> * [[Конкуренция]]<br /> * [[Целеви пазар]]<br /> * [[Стратегически цели]]<br /> * [[Мисия]]<br /> * [[Визия]]<br /> * [[Администрация]]<br /> <br /> ==Източници==<br /> <br /> * David Williamson, Peter Cooke, Wyn Jenkins, and Keith Michael Moreton - Strategic Management and Business Analysis (Paperback - Dec. 31, 2003)<br /> * Erica Olsen - Strategic Planning For Dummies (Paperback - Oct. 30, 2006)<br /> * Babette E. Bensoussan and Craig S. Fleisher - Analysis Without Paralysis: 10 Tools to Make Better Strategic Decisions (Hardcover - June 18, 2008)<br /> * Per V. Jenster and David Hussey - Company Analysis: Determining Strategic Capability (Hardcover - June 15, 2001)<br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> * [http://vip-consult.net/bg/EconomicAnalyses/page-4-29.html Икономически Анализи]<br /> * [http://www.helpos.com/archive/preview-web/11_053_11_index.html Анализ на стратегията на предприятието чрез нетрадиционни методи и съвременни активни методи]<br /> * [http://download.pomagalo.com/568515/vynshna+sreda+i+pest+analiz+na+google+inc/?search Външна среда и анализ на Гугъл Инк]<br /> * [http://webcache.googleusercontent.com/search?q=cache:LO4pnNTTqFsJ:portal.shoumen-cci.com/attachments/trainings/strategishesko_planirane_NPO.pps+pest+%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7&amp;cd=24&amp;hl=bg&amp;ct=clnk&amp;gl=bg СТРАТЕГИЧЕСКО ПЛАНИРАНЕ НА ДЕЙНОСТТА НА НПО]<br /> * [http://www.bg-ikonomika.com/2010/11/18_21.html Стратегически анализ.]<br /> * [http://www.uni-svishtov.bg/dialog/2008/1.08.MCh.pdf Предимства на рейтинга на конкурентните сили за стратегическото управление]<br /> <br /> <br /> [[category:Основи на управлението|Методи за изследване в бизнеса]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=GAP_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7&diff=1997 2012-01-21T17:18:07Z

<p>Krasimira racheva: </p> <hr /> <div>'''GAP анализът''' е инструмент, който помага на компанията да сравни своите действителни постижения с техните потенциални. В същността му стоят два въпроса: &quot;Къде сме ние?&quot; и &quot;Къде искаме да бъдем?&quot; Ако една фирма или организация не използва най-оптимално своите налични средства или се отказва от инвестиции в капитала или технологията, тогава тя започва да функционира под потенциала си.<br /> <br /> <br /> ==Основна концепция==<br /> '''Gap анализът''' е официално проучване на това, което бизнесът прави в момента и на това,какви резултати иска да постигне в бъдеще.GAP анализът се състои в определянето на настоящето състояние, после желаното или целевото състояние и след това от тях се определя несъответствието между двете. Целта на по-късен етап на решаването на [[проблем]] е да се потърси начин да се премахне това несъответствие; това се постига често чрез логическа поредица от действия или междинни състояния, с която се връщаме назад от желаното [[състояние]] към сегашното. С други думи задаваме въпроса: <br /> <br /> &quot;Кое (b) трябва да е на мястото си, или трябва да се е случило по реда си, за да може това желано [[състояние]] (а) да съществува?&quot; <br /> <br /> - след което въпросът: <br /> <br /> &quot;Кое (с) трябва да е на мястото си, или трябва да се е случило по реда си, за да може това желано [[състояние]] (b) да съществува?&quot; <br /> <br /> GAP анализът самостоятелно не може да се използва за всички проблеми, тъй като е напълно възможно целите да се развиват и появяват по време на решаване на проблема; „това, което би следвало да е” може да бъде много променлива [[величина]]. Също така, някои проблеми може да имат и алтернативни решения, в който случай стратегията с връщането назад ще е доста безполезна. GAP анализът е един много полезен инструмент в помощ на мениджърите по [[маркетинг]], когато трябва да се реши каква стратегия или тактика да се избере. И все пак, простите инструменти са и най-[[ефективност|ефективните]]. Тук трябва да се следва една недвусмислена [[структура]]. Първата стъпка е да се реши как ще оценявате несъответствието във времето. Например, по [[пазарен дял]], по [[печалба]], по [[продажби]] или по някакъв друг критерий. Това ще ви помогне да си поставите една SMART цел. (Specific, Measurable, Achievable, Realistic, Time – конкретна, измерима, постижима, реалистична, за някакво време цел) След това просто задавате два въпроса - къде сме сега? и къде искаме да бъдем? Разликата между отговорите на двата въпроса е GAP - несъответствието - това е всъщност пътя, по който може да се стигне там, където искаме бъдем. <br /> <br /> Следващата ви стъпка е да премахнете несъответствието. Първо трябва да решите дали правите това от стратегическа гледна точка или от тактическа гледна точка. Ако създавате [[стратегия]], по нататък ще продължите като създадете [[тактика]]. На диаграмата долу е използвана матрицата на Ансоф за да се премахне несъответствието като използвате стратегии:<br /> <br /> <br /> <br /> ==Стратегически Gap анализ==<br /> <br /> Можете да премахнете несъответствието като използвате [[тактически подход]]. Маркетинговият микс е идеален за това. Така че всъщност вие променяте микса, за да стигнете там, където искате да бъдете. Което означава, че сменяте цени, или [[реклама]], за да се придвижите от мястото, на което сте днес (или всъщност можете да сменяте който и да е елемент от микса или пък да сменяте всички елементи). <br /> <br /> <br /> <br /> ==Тактически Gap анализ==<br /> <br /> Това е начинът, по който вие премахвате несъответствието като вземате решение каква стратегия или тактика да използвате, което всъщност е и същността на GAP анализа. <br /> <br /> GAP анализ и анализ на данни <br /> <br /> Като част от модела, изследваме [[информация]] и GAP анализа и това как всички други части са взаимосвързани.Има многобройни причини да се прави анализ на данни. Повечето имат връзка с GAP анализа между очакваното, един [[стандарт]] или пък [[конкуренцията]]. <br /> <br /> Всяка [[организация]], която иска да успее, трябва да има някаква структурирана система за събиране на данни, [[анализиране на данни]] и извършването на GAP анализ. За всяка важна област трябва за има събрани данни и след това трябва да обърнем тези данни в информация чрез извършване на [[анализ на статистическите данни]]. Данните само по себе си нямат особено значение. Те стават ценни само когато се обработят с помощта на [[статистическия анализ]], който да разкрие информацията. Този [[анализ на несъответствието]] (GAP анализ) може да варира по сложност като се почне от [[средна величина|прости средни величини]] и [[хистограмa|хистограми]] до сложния [[регресионен анализ]].<br /> <br /> Събирането на данни за извършване на GAP анализ може да се направи по редица причини. На базата на информация взетите решения са по-добри на всички нива на организацията. По долу следват примери на използване на информация, която се получава с помощта на [[статистически анализ|статистическия анализ]] на даннитe.<br /> <br /> <br /> <br /> ==GAP анализ и Бенчмаркинг.==<br /> <br /> [[Бенчмаркинг]]ът е един предпочитан инструмент в GAP анализа. Една от първите стъпки, които трябва да се предприемат при всяко усилие е да разберем как се справяме в момента. Препоръчваме да се разбере какво е времето за един цикъл за всеки един от вашите процеси, както и за тези, които са най-добри. Това може да се използва след това като стандарт (бенчмарк) спрямо други организации, които имат сходен процес. Един такъв [[стандарт]] е също полезен при определянето на това дали дейностите и усилията свързани с един [[проект Six Sigma]] са имали някакъв ефект. Трябва да се внимава да не се използват единична стойност при извършването на GAP анализа. Често има циклични модели, сезонни влияния и други такива, които трябва да се вземат под внимание. В най-минималния вариант трябва да се разгледат [[средната стойност]] за даден период и след това да се сравни със средната стойност за сходен период от време, но вече след като се изпълни проекта. Разбира се, когато се прави GAP анализ, трябва също така да се вземат предвид и измененията. <br /> Няколко месеца на лошо изпълнение, последвани от един месец [[изключение]] може лесно да даде същата [[средна стойност]] като тази за целия период при умерено изпълнение, но все пак информацията от GAP анализа e много по-различна. <br /> <br /> ==Времето за един цикъл==<br /> Основните въпроси, на които трябва да се отговори са:<br /> <br /> 1.Защо резултатите от намаляването на времето за един [[цикъл]] изглеждат магически. <br /> <br /> 2.Какво е намаляване на времето на цикъла и какво не е. <br /> <br /> 3.Трябва ли намаляването на времето за един цикъл да е част от стратегическия план? <br /> <br /> 4.Основни елементи на успеха на [[редукция]] на времето за един цикъл. <br /> <br /> 5.Защо времето за един цикъл е критичното измерване за всички процеси. <br /> <br /> 6.[[Ползa]] от подобряването на времето за един цикъл. <br /> <br /> 7.Прилагане на намаляването на времето за един цикъл при непроизводствена среда. <br /> <br /> 8.Защо обслужването и поддържащите функции трябва да подобрят времето за един цикъл. <br /> <br /> 9.Въздействие върху [[потребители]]те при намаляване на времето за един цикъл. <br /> <br /> 10.Принципи на употреба на редукцията на времето за един цикъл. <br /> <br /> 11.Установяване на [[приоритет]]и при намаляване на времето за един [[цикъл]]. <br /> <br /> 12.Екипна работа при намаляването на времето за един цикъл. <br /> <br /> 13.Изисквания при подготовка на [[екип]] за [[редукция]] на времето за един цикъл. <br /> <br /> 14.Екипи по осъществяването на намаляването на времето за един цикъл. <br /> <br /> &quot;Много често при организациите по-малко от 3% от изтеклото време за изпълнение на даден процес има нещо общо с истинската работа.&quot; Център [[FedEx]] за изследване на времето за един цикъл при Университета в Мемфис.<br /> <br /> Време за стигане да пазара: Времето от момента, в който се определят [[ресурси]]те за оценка на изпълнимостта на един [[продукт]] до момента на доставяне на първият [[производствен възел]].<br /> <br /> Когато [[бенчмаркинг]]a за един проект на[[Six Sigma]] събере данни от различни периоди от време и за няколко различни [[параметър]]a, за всеки един тях може да се извърши GAP анализ. Поне трябва да знаете средното изпълнение и изменението, преди да се опитвате до правите някакъв GAP анализ.<br /> <br /> [[Проект]]ите Six Sigma могат да генерират основни промени в обслужването и функциите на работниците, просто трябва да се уверите, че измерванията по GAP анализа хващат това, което наистина се случва. Лесно е да се прехвърли [[стойност]] от една [[функция]] или място на друга. Направете така, че вашите проекти да възвърнат печалбите на организацията като цяло.<br /> <br /> <br /> ==Предвиждания==<br /> <br /> Друга, много ценна употреба на данните е да се правят предвиждания. Един от предпочитаните инструменти е [[регресионния анализ]]. Всъщност една от главните причини за използване на някаква [[статистика]] е да се получи възможност за правене на предвиждания. Много организации имат много сложни [[регресионни модели]] за много аспекти на бизнеса. Компютърните специалисти са добавили към техния лексикон и съкращението [[GIGO]] (Garbage In Garbage Out), тоест ако вкарваш грешни данни в анализа ще получиш грешни резултати. Всеки модел на предвиждане е толкова коректен, колкото коректни са вкараните данни. Препоръчва се да се използва поне някакъв модел на [[анализ на чувствителност]]та. Всъщност някои хора са провели проектирани [[експеримент]]и върху закупени патентовани модели, за да получат по-добро разбиране на факторите и взаимодействията. <br /> <br /> <br /> <br /> ==Източници:==<br /> <br /> <br /> * David, F Strategic Management, Columbus:Merrill Publishing Company, 1989<br /> * Eugene F. Brigham, Louis C. Gapenski Financial Management : Theory and Practice 1988 The Dryden Press <br /> * Eugene F. Brigham, Louis C. Gapenski Cases in Financial Management 1990 The Dryden Press <br /> * Thomas R. Horton, Peter C. Reid Beyond the trust gap: Forging a new partnership between managers: and their employers 1991 <br /> * Simon Majaro Managing Ideas for Profit:The Creative Gap 1 McGraw-Hill Book Co. 342 с. 7866 <br /> * Burton E. Swanson Information System Implementation : Bridging the Gap Between Design and Utilization 1988 <br /> <br /> <br /> <br /> ==Външни препратки:==<br /> <br /> *[http://www.e-fost.org/learnpath/index.php/lp/bg/sic4_content/FIBM-B-4-1-4]<br /> <br /> *[http://en.wikipedia.org/wiki/Gap_analysis]<br /> <br /> *[http://www.uctm.edu/departments/economic/BG/Quality_pdf/09_gap.pdf]<br /> <br /> <br /> [[category:Управленски решения и риск|Основи на управлението|Методи за изследване в бизнеса]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B0%D0%BD%D0%B8%D0%B5%D0%BB_%D0%91%D0%B5%D1%80%D0%BD%D1%83%D0%BB%D0%B8&diff=1996 2012-01-21T17:08:35Z

<p>Krasimira racheva: </p> <hr /> <div>'''Даниел Бернули''' е математик и физик, член на математическата династия Бернули. Приносите му са в областите [[диференциално смятане|диференциално]] и [[интегрално смятане]], [[тригонометрия]], механика на [[флуид]]ите. <br /> <br /> <br /> ==Биография==<br /> <br /> Роден е в Гронинген, Холандия през 1700 година. През 1724г. Даниел заминава за Санкт Петербург като професор по математика, но там не му харесва особено и болест през 1733 г. му послужва като предтекст да напусне. Завръща се в Базелския университет, където последователно оглавява катедрите по [[медицина]], [[метафизика]] и [[натурфилософия]]. Принуждава го баща му, който макар и отдал живота си на математиката, вярвал че от нея пари не могат да се спечелят. Според сведенията, Даниел бил в лоши отношения с баща си. Когато двамата се явили на научно състезание в Университета в Париж, Йохан не издържал на &quot;срама&quot; да се сравнява със сина си и го изгонил от дома. Опитал дори да открадне ръкописа на книгата на Даниел &quot;[[Хидродинамика]]&quot; и да я издаде от свое име под заглавие &quot;[[Хидравлика]]&quot;. Въпреки опитите на Даниел да се сдобри с баща си, Йохан Бернули изпитвал ненавист към него до смъртта си през 1748 г. <br /> <br /> Даниел Бернули е най-успешно реализиралият се учен от второто поколение на династията. Той е един от първите учени,постигнал значителни [[резултат]]и в областта на частните диференциални уравнения. Разработва различни въпроси на математиката и механиката (основоположник на хидродинамиката - [[бернулиево уравнение]]).<br /> <br /> “Цената на едно нещо е еднаква за всички, докато [[полезност]]та му зависи от конкретните житейски обстоятелства, в които е поставен човекът, правещ преценката. Така 1000 спечелени дуката са много по-ценни за просяка, отколкото за заможния човек, макар че и двамата получават еднаква сума.” (Даниел Бернули, 1738)<br /> <br /> <br /> <br /> ==Публикации==<br /> <br /> Един от най-ранните му математически трудове е „Математически упражнения” (Exercitationes) публикуван през 1724 година с помощта на Голдбах.Неговият главен труд е „[[Хидродинамиката]]”(Hydrodynamica), публикуван през 1738 г., той се отличава по това, че всички резултати са насочени и подредени така,че да водят към един единствен принцип, а именно [[запазване на енергия]]та. Там той поставя основата на [[кинетичната теория]] на газовете, като твърди, че увеличаването на температурата води до съответното увеличаване на [[молекулното налягане]] и движение, като се предполага че [[молекулa|молекулите]] са в непрестанно [[хаотично движение]]. Той прави един от най-ранните опити да анализира [[статистическите данни]] от смъртността при едрата шарка, за да докаже [[ефикасността]] от ваксинацията и най-рано се опитва да формулира кинетичната теория на газовете, като пръв налага идеята за обясняване закона на Бойл. Даниел Бернулии публикува и не малко материали за теорията на вероятностите, [[астрономия]]та и теорията на [[диференциалнo уравнениe|диференциалните уравнения]].<br /> <br /> <br /> <br /> ==Научни постижения==<br /> <br /> ===Закон на Бернули===<br /> <br /> Законът не Бернули се отнася за стационарното течение на [[идеален флуид]]. Флуид е опростен модел на абсолютно несвиваем и [[невискозен флуид]]. Ако един флуид се движи, всяка точка от пространството, която е заета от него, се характеризира със скорост на частицата, която в даден момент преминава през нея. Съвкупоността от всички такива скорости на частиците се нарича поле на вектора на скоростта. Когато полето на скоростта не се изменя , движението, което извършва флуидът се нарича стационарно. Законът на Бернули гласи следното:<br /> <br /> Ако се съберат енергиите на единица обем ( гравитационна и [[кинетична енергия|кинетична]]) с налягането (p) на даден флуид, то сборът ще е един и същи като стойност във всички точки на една токова линия. <br /> <br /> [[File:daniel_bernuli1.jpg|500px]]<br /> <br /> <br /> <br /> където ''p ''е статичното налягане, pv/2 – [[динамично налягане]] (кинетичната енергия в единица обем) , pgh – [[хидростатично налягане]] (гравитационната [[потенциална енергия]] в единица обем). Изразът е получен за пръв път през 1738 г. от Даниел Бернули (1700-1782) и е публикуван в труда му &quot;Хидродинамика&quot;. Той се нарича уравнение на Бернули. Уравнението на Бернули е следствие от закона за запазване на енергията.<br /> <br /> Нека една токова тръба има две различни сечения: широка част и стеснена част. От закона на Бернули и от уравнението за [[непрекъснатост]], което гласи, че произведението на скоростта на частиците в дадено сечение и площта на това сечение остава постоянна, може да се направи извода: на местата, където токовата тръба се стеснява, скоростта на струята нараства, а там където се разширява тръбата, [[флуид]]ът се движи с по-малка скорост. От тук следва, че където скоростта е по-голяма, налягането ще бъде по-малко и обратно, където [[скорост]]та е по-малка, налягането ще бъде по-голямо. <br /> <br /> Законът на Бернули и изводите от него са много използвани днес в действието на [[карборатор]]ите,измерване на скорост,също разхода на вода при някои видове водомери,изтичане на течности от резервоари, и др.<br /> <br /> ===Субективно начало===<br /> <br /> Даниел Бернули е включил субективното начало в анализа. Въвел функция на [[очаквана полезност]] u ( xi ) на изход xi от гледна точка на отделния човек. Станало възможно да се изчислява [[субективна полезност]] U на алтернатива:<br /> <br /> [[File:daniel_bernuli2.jpg]]<br /> <br /> <br /> <br /> ===Зависимост на общата и пределната полезност===<br /> <br /> От графиките се вижда, че пределната полезност намалява и кривата е низходяща, а графиката на общата полезност е възходяща и е равна на сумата от всички пределни [[полезност]]и придавани последователно към първата.<br /> <br /> [[File:daniel_bernuli3.jpg]]<br /> <br /> <br /> <br /> [[File:daniel_bernuli4.jpg]]<br /> <br /> <br /> За пръв път разбиране за подобна зависимост наблюдава Даниел Бернули през 1758г. Забелязвайки, че хората продължават да играят на комар с намаляващо се желание не само когато губят, но и когато печелят. По-късно с тази зависимост се занимава и английският философ [[Джереми Бентам]], който провъзгласи, че един от принципите, върху които трябва да се изгради обществото е полезността.<br /> <br /> <br /> <br /> ===Измерване на налягането===<br /> <br /> С течение на времето Бернулии се опитва да открие повече за потока на течности. По специално иска да разбере за връзката между скороста на [[кръвен поток|кръвните потоци]] и [[налягане]]то.Така той провежда множество [[експеримент]]и и най-различни опити, доближаващи се максимално до кръвното налягане:<br /> <br /> [[File:daniel_bernuli5.jpg]]<br /> <br /> <br /> <br /> Скоро лекарите в цяла Европа използвали неговия метод за измерване на кръвното налягане на пациентите, като поставяали стъклени епруветки директно в техните артерии. Едва 170 години по-късно, през 1896 г., един италиански лекар открил по-малко болезнен метод, който все още е в употреба и днес.Въпреки това, методът на Бернули за измерване на налягане, все още се използва и днес в съвременните [[въздухоплавателнo средствo|въздухоплавателни средства]], за измерване на скоростта на въздух, преминаващ в самолета и измерването на неговата [[въздушна скорост]].<br /> <br /> ==Вижте още==<br /> <br /> * [[цел]]<br /> * [[симулация]]<br /> * [[следствие]]<br /> * [[решение]]<br /> * [[равновесие]]<br /> * [[прогноза]]<br /> * [[полза]]<br /> * [[оптимизация]]<br /> * [[научен подход]]<br /> * [[модел]]<br /> * [[метод]]<br /> * [[експеримент]]<br /> * [[алтернатива]]<br /> * [[линейна регресия]]<br /> * [[ограничение]]<br /> <br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> * American Council of Learned Societies. 1991. Biographi- cal dictionary of mathematics (sv “Bernoulli”). <br /> * Deborah McCarthy ( deborah.mccarthy@selu.edu ) is an assistant professor in the College of Education and Human Development, Department of Teaching and Learning, at Southeastern University in Hammond, Louisiana.<br /> * Martin, R., C. Sexton, T. Franklin, and J. Gerlovich. 2005. Teaching science for all children: An inquiry approach. Boston: Pearson <br /> * Kemble, E. 1966. Physical science: Structure and de- velopment. Cambridge, MA: MIT Pres<br /> * Hart, I. 1924. Makers of science, mathematics, physics, astronomy. London: Oxford University Press<br /> * Easley, JA, and MM Tatsuoka. 1968. Scientific thought-cases from classical physics. Boston: Allyn and Bacon <br /> * Dyksterhuis, EJ 1986. The mechanization of the world picture—Pythagoras to Newton. Princeton, NJ: Prince- ton University Press<br /> * Clark, W., J. Golinski, and S. Schaffer, eds. 1999. The sciences in enlightened Europe. Chicago: University of Chicago Press<br /> * Bacon, F. 1915. The advancement of learning. Ed. GW GW Kitchin. London: JM Dent<br /> * Doublet, M.E. 1914. Les Bernoulli et le Bernoullianum, Bordeaux (Gounouilhan)<br /> * Engelsmann, S.B. 1984. Families of curves and theorigin of partial differentiation. Amsterdam(North Holland)<br /> * Greenberg, J.L. 1995. The problem of the earth’sshape fromNewton to Clairaut, New York (CambridgeUniversity Press)<br /> * Jouguet, E. 1909. Lectures de mécanique. La mécaniqueenseignée par les auteurs originaux, vol.2, Paris (Gauthier-Villars). (Vol. 1 (1908) coversthe 17th century)<br /> * Wolf, J.R. 1860. Daniel Bernoulli von Basel. 1700–1782, in Biographien zur Kulturgeschichte von Schweiz, vol. 3, Zürich (Orell Füssli), 151–202 <br /> * Pulte, H. 1990. Das Prinzip der kleinsten Wirkung und die Kraftkonzeptionen der rationellen Mechanik, Stuttgart (Steiner) <br /> * Aiton, E.J. 1955. The contribution ofNewton, Bernoulli and Euler to the theory of tides, Annals of science, 11, 206–223<br /> <br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> * [http://funny-math.comuf.com/index.php?page=history&amp;action=oiler Биография на Ойлер]<br /> * [http://www.znam.bg/com/action/showArticle;jsessionid=08126A74242B650681C41E7809011F63?encID=1&amp;article=265729354 Династия Бернули]<br /> * [http://elearning-phys.uni-sofia.bg/~gchrista/Lekcii/VypBIOL-12-Hydrodynamika.pdf Механика на флуидите]<br /> * [http://sivosten.com/content.php?mode=article&amp;id=1771&amp;ttl=leonard-ojler-1707-1783 Биографични записки]<br /> * [http://conf.ru.acad.bg/bg/docs/sns/2009/SNS2009_PNO-M.pdf Сборник доклади]<br /> * [http://docs.google.com/viewer?a=v&amp;q=cache:IK8DvCkMW9oJ:koronal.com/downloads/Pishtovi/OIT/Tema08.doc+%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5%D0%BB+%D0%B1%D0%B5%D1%80%D0%BD%D1%83%D0%BB%D0%B8&amp;hl=bg&amp;gl=bg&amp;pid=bl&amp;srcid=ADGEEShoKQkBQMX0O_eB8xvV4cgExSPbIQhFEOTKeppZO6cNyvktKHREOs4WZXH4E27HBnh3dbvrm_kOpksJnO8LGfp5ti3Su6e5QzPG-VoT4Td0gTcDl_3UB4w1-hrC-6tbUieTb4HF&amp;sig=AHIEtbSh3Mb3XbJak9bco-sxtw5cmGAFEg Потребност и полезност]<br /> * [http://www.clbme.bas.bg/courses/decision_making/lecture%202%20-%20slides.pdf Теория на полезността]<br /> * [http://www.otgovor.bg/46601/kakvo_predstayalyava_hidrodinamikata.html Хидродинамика]<br /> * [http://translate.googleusercontent.com/translate_c?hl=bg&amp;sl=en&amp;u=http://www.tititudorancea.com/z/daniel_bernoulli.htm&amp;prev=/search%3Fq%3D%25D0%25B4%25D0%25B0%25D0%25BD%25D0%25B8%25D0%25B5%25D0%25BB%2B%25D0%25B1%25D0%25B5%25D1%2580%25D0%25BD%25D1%2583%25D0%25BB%25D0%25B8%26start%3D20%26hl%3Dbg%26sa%3DN%26biw%3D1362%26bih%3D583%26prmd%3Divnso&amp;rurl=translate.google.bg&amp;usg=ALkJrhhrdgv37LQePImY5TRl-rQqwVcFog Дейност Даниел Бернули]<br /> * [http://docs.google.com/viewer?a=v&amp;q=cache:evtZlGJAhMwJ:vasil7penchev.files.wordpress.com/2007/06/principle.doc+%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5%D0%BB+%D0%B1%D0%B5%D1%80%D0%BD%D1%83%D0%BB%D0%B8&amp;hl=bg&amp;gl=bg&amp;pid=bl&amp;srcid=ADGEESgpa1F7DbWSdAV7Djy4sRphsnkTddLbwihnNzUwxwv-TgfMby_p9Ce_JD_yD31C48XXWqcayUY4tj-rAfqU2zdYvKqAvnGTFAOputUXO7xhiVEdOQy1-iedc-tsSxiBj7YB5jMW&amp;sig=AHIEtbR4S2Aa9o2tOHCfrCq9AQOp-F7plA Принцип на Бернули]<br /> * [http://www.ceeol.com/aspx/issuedetails.aspx?issueid=d8569884-685e-4dc8-ac91-106499973556&amp;articleId=5028a1c0-d89f-4414-ace0-6dc3e498c09e Бележки]<br /> * [http://www.scribd.com/doc/13326052/Principle-of-Least-Action-Until-20-Century Закон на Бернули]<br /> <br /> <br /> [[category:Основи на управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D0%B0%D0%BD%D0%B8%D0%B5%D0%BB_%D0%91%D0%B5%D1%80%D0%BD%D1%83%D0%BB%D0%B8&diff=1995 2012-01-21T17:07:25Z

<p>Krasimira racheva: </p> <hr /> <div>'''Даниел Бернули''' е математик и физик, член на математическата династия Бернули. Приносите му са в областите [[диференциално смятане|диференциално]] и [[интегрално смятане]], [[тригонометрия]], механика на [[флуид]]ите. <br /> <br /> <br /> ==Биография==<br /> <br /> Роден е в Гронинген, Холандия през 1700 година. През 1724г. Даниел заминава за Санкт Петербург като професор по математика, но там не му харесва особено и болест през 1733 г. му послужва като предтекст да напусне. Завръща се в Базелския университет, където последователно оглавява катедрите по [[медицина]], [[метафизика]] и [[натурфилософия]]. Принуждава го баща му, който макар и отдал живота си на математиката, вярвал че от нея пари не могат да се спечелят. Според сведенията, Даниел бил в лоши отношения с баща си. Когато двамата се явили на научно състезание в Университета в Париж, Йохан не издържал на &quot;срама&quot; да се сравнява със сина си и го изгонил от дома. Опитал дори да открадне ръкописа на книгата на Даниел &quot;[[Хидродинамика]]&quot; и да я издаде от свое име под заглавие &quot;[[Хидравлика]]&quot;. Въпреки опитите на Даниел да се сдобри с баща си, Йохан Бернули изпитвал ненавист към него до смъртта си през 1748 г. <br /> <br /> Даниел Бернули е най-успешно реализиралият се учен от второто поколение на династията. Той е един от първите учени,постигнал значителни [[резултат]]и в областта на частните диференциални уравнения. Разработва различни въпроси на математиката и механиката (основоположник на хидродинамиката - [[бернулиево уравнение]]).<br /> <br /> “Цената на едно нещо е еднаква за всички, докато [[полезност]]та му зависи от конкретните житейски обстоятелства, в които е поставен човекът, правещ преценката. Така 1000 спечелени дуката са много по-ценни за просяка, отколкото за заможния човек, макар че и двамата получават еднаква сума.” (Даниел Бернули, 1738)<br /> <br /> <br /> <br /> ==Публикации==<br /> <br /> Един от най-ранните му математически трудове е „Математически упражнения” (Exercitationes) публикуван през 1724 година с помощта на Голдбах.Неговият главен труд е „[[Хидродинамиката]]”(Hydrodynamica), публикуван през 1738 г., той се отличава по това, че всички резултати са насочени и подредени така,че да водят към един единствен принцип, а именно [[запазване на енергия]]та. Там той поставя основата на [[кинетичната теория]] на газовете, като твърди, че увеличаването на температурата води до съответното увеличаване на [[молекулното налягане]] и движение, като се предполага че [[молекулa|молекулите]] са в непрестанно [[хаотично движение]]. Той прави един от най-ранните опити да анализира [[статистическите данни]] от смъртността при едрата шарка, за да докаже [[ефикасността]] от ваксинацията и най-рано се опитва да формулира кинетичната теория на газовете, като пръв налага идеята за обясняване закона на Бойл. Даниел Бернулии публикува и не малко материали за теорията на вероятностите, [[астрономия]]та и теорията на [[диференциалнo уравнениe|диференциалните уравнения]].<br /> <br /> <br /> <br /> ==Научни постижения==<br /> <br /> ===Закон на Бернули===<br /> <br /> Законът не Бернули се отнася за стационарното течение на [[идеален флуид]]. Флуид е опростен модел на абсолютно несвиваем и [[невискозен флуид]]. Ако един флуид се движи, всяка точка от пространството, която е заета от него, се характеризира със скорост на частицата, която в даден момент преминава през нея. Съвкупоността от всички такива скорости на частиците се нарича поле на [[вектора на скоростта]]. Когато полето на скоростта не се изменя , движението, което извършва флуидът се нарича [[стационарно]]. Законът на Бернули гласи следното:<br /> <br /> Ако се съберат енергиите на единица обем ( гравитационна и [[кинетична енергия|кинетична]]) с налягането (p) на даден флуид, то сборът ще е един и същи като стойност във всички точки на една токова линия. <br /> <br /> [[File:daniel_bernuli1.jpg|500px]]<br /> <br /> <br /> <br /> където ''p ''е статичното налягане, pv/2 – [[динамично налягане]] (кинетичната енергия в единица обем) , pgh – [[хидростатично налягане]] (гравитационната [[потенциална енергия]] в единица обем). Изразът е получен за пръв път през 1738 г. от Даниел Бернули (1700-1782) и е публикуван в труда му &quot;Хидродинамика&quot;. Той се нарича уравнение на Бернули. Уравнението на Бернули е следствие от закона за запазване на енергията.<br /> <br /> Нека една токова тръба има две различни сечения: широка част и стеснена част. От закона на Бернули и от уравнението за [[непрекъснатост]], което гласи, че произведението на скоростта на частиците в дадено сечение и площта на това сечение остава постоянна, може да се направи извода: на местата, където токовата тръба се стеснява, скоростта на струята нараства, а там където се разширява тръбата, [[флуид]]ът се движи с по-малка скорост. От тук следва, че където скоростта е по-голяма, налягането ще бъде по-малко и обратно, където [[скорост]]та е по-малка, налягането ще бъде по-голямо. <br /> <br /> Законът на Бернули и изводите от него са много използвани днес в действието на [[карборатор]]ите,измерване на скорост,също разхода на вода при някои видове водомери,изтичане на течности от резервоари, и др.<br /> <br /> ===Субективно начало===<br /> <br /> Даниел Бернули е включил субективното начало в анализа. Въвел функция на [[очаквана полезност]] u ( xi ) на изход xi от гледна точка на отделния човек. Станало възможно да се изчислява [[субективна полезност]] U на алтернатива:<br /> <br /> [[File:daniel_bernuli2.jpg]]<br /> <br /> <br /> <br /> ===Зависимост на общата и пределната полезност===<br /> <br /> От графиките се вижда, че пределната полезност намалява и кривата е низходяща, а графиката на общата полезност е възходяща и е равна на сумата от всички пределни [[полезност]]и придавани последователно към първата.<br /> <br /> [[File:daniel_bernuli3.jpg]]<br /> <br /> <br /> <br /> [[File:daniel_bernuli4.jpg]]<br /> <br /> <br /> За пръв път разбиране за подобна зависимост наблюдава Даниел Бернули през 1758г. Забелязвайки, че хората продължават да играят на комар с намаляващо се желание не само когато губят, но и когато печелят. По-късно с тази зависимост се занимава и английският философ [[Джереми Бентам]], който провъзгласи, че един от принципите, върху които трябва да се изгради обществото е полезността.<br /> <br /> <br /> <br /> ===Измерване на налягането===<br /> <br /> С течение на времето Бернулии се опитва да открие повече за потока на течности. По специално иска да разбере за връзката между скороста на [[кръвен поток|кръвните потоци]] и [[налягане]]то.Така той провежда множество [[експеримент]]и и най-различни опити, доближаващи се максимално до кръвното налягане:<br /> <br /> [[File:daniel_bernuli5.jpg]]<br /> <br /> <br /> <br /> Скоро лекарите в цяла Европа използвали неговия метод за измерване на кръвното налягане на пациентите, като поставяали стъклени епруветки директно в техните артерии. Едва 170 години по-късно, през 1896 г., един италиански лекар открил по-малко болезнен метод, който все още е в употреба и днес.Въпреки това, методът на Бернули за измерване на налягане, все още се използва и днес в съвременните [[въздухоплавателнo средствo|въздухоплавателни средства]], за измерване на скоростта на въздух, преминаващ в самолета и измерването на неговата [[въздушна скорост]].<br /> <br /> ==Вижте още==<br /> <br /> * [[цел]]<br /> * [[симулация]]<br /> * [[следствие]]<br /> * [[решение]]<br /> * [[равновесие]]<br /> * [[прогноза]]<br /> * [[полза]]<br /> * [[оптимизация]]<br /> * [[научен подход]]<br /> * [[модел]]<br /> * [[метод]]<br /> * [[експеримент]]<br /> * [[алтернатива]]<br /> * [[линейна регресия]]<br /> * [[ограничение]]<br /> <br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> * American Council of Learned Societies. 1991. Biographi- cal dictionary of mathematics (sv “Bernoulli”). <br /> * Deborah McCarthy ( deborah.mccarthy@selu.edu ) is an assistant professor in the College of Education and Human Development, Department of Teaching and Learning, at Southeastern University in Hammond, Louisiana.<br /> * Martin, R., C. Sexton, T. Franklin, and J. Gerlovich. 2005. Teaching science for all children: An inquiry approach. Boston: Pearson <br /> * Kemble, E. 1966. Physical science: Structure and de- velopment. Cambridge, MA: MIT Pres<br /> * Hart, I. 1924. Makers of science, mathematics, physics, astronomy. London: Oxford University Press<br /> * Easley, JA, and MM Tatsuoka. 1968. Scientific thought-cases from classical physics. Boston: Allyn and Bacon <br /> * Dyksterhuis, EJ 1986. The mechanization of the world picture—Pythagoras to Newton. Princeton, NJ: Prince- ton University Press<br /> * Clark, W., J. Golinski, and S. Schaffer, eds. 1999. The sciences in enlightened Europe. Chicago: University of Chicago Press<br /> * Bacon, F. 1915. The advancement of learning. Ed. GW GW Kitchin. London: JM Dent<br /> * Doublet, M.E. 1914. Les Bernoulli et le Bernoullianum, Bordeaux (Gounouilhan)<br /> * Engelsmann, S.B. 1984. Families of curves and theorigin of partial differentiation. Amsterdam(North Holland)<br /> * Greenberg, J.L. 1995. The problem of the earth’sshape fromNewton to Clairaut, New York (CambridgeUniversity Press)<br /> * Jouguet, E. 1909. Lectures de mécanique. La mécaniqueenseignée par les auteurs originaux, vol.2, Paris (Gauthier-Villars). (Vol. 1 (1908) coversthe 17th century)<br /> * Wolf, J.R. 1860. Daniel Bernoulli von Basel. 1700–1782, in Biographien zur Kulturgeschichte von Schweiz, vol. 3, Zürich (Orell Füssli), 151–202 <br /> * Pulte, H. 1990. Das Prinzip der kleinsten Wirkung und die Kraftkonzeptionen der rationellen Mechanik, Stuttgart (Steiner) <br /> * Aiton, E.J. 1955. The contribution ofNewton, Bernoulli and Euler to the theory of tides, Annals of science, 11, 206–223<br /> <br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> * [http://funny-math.comuf.com/index.php?page=history&amp;action=oiler Биография на Ойлер]<br /> * [http://www.znam.bg/com/action/showArticle;jsessionid=08126A74242B650681C41E7809011F63?encID=1&amp;article=265729354 Династия Бернули]<br /> * [http://elearning-phys.uni-sofia.bg/~gchrista/Lekcii/VypBIOL-12-Hydrodynamika.pdf Механика на флуидите]<br /> * [http://sivosten.com/content.php?mode=article&amp;id=1771&amp;ttl=leonard-ojler-1707-1783 Биографични записки]<br /> * [http://conf.ru.acad.bg/bg/docs/sns/2009/SNS2009_PNO-M.pdf Сборник доклади]<br /> * [http://docs.google.com/viewer?a=v&amp;q=cache:IK8DvCkMW9oJ:koronal.com/downloads/Pishtovi/OIT/Tema08.doc+%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5%D0%BB+%D0%B1%D0%B5%D1%80%D0%BD%D1%83%D0%BB%D0%B8&amp;hl=bg&amp;gl=bg&amp;pid=bl&amp;srcid=ADGEEShoKQkBQMX0O_eB8xvV4cgExSPbIQhFEOTKeppZO6cNyvktKHREOs4WZXH4E27HBnh3dbvrm_kOpksJnO8LGfp5ti3Su6e5QzPG-VoT4Td0gTcDl_3UB4w1-hrC-6tbUieTb4HF&amp;sig=AHIEtbSh3Mb3XbJak9bco-sxtw5cmGAFEg Потребност и полезност]<br /> * [http://www.clbme.bas.bg/courses/decision_making/lecture%202%20-%20slides.pdf Теория на полезността]<br /> * [http://www.otgovor.bg/46601/kakvo_predstayalyava_hidrodinamikata.html Хидродинамика]<br /> * [http://translate.googleusercontent.com/translate_c?hl=bg&amp;sl=en&amp;u=http://www.tititudorancea.com/z/daniel_bernoulli.htm&amp;prev=/search%3Fq%3D%25D0%25B4%25D0%25B0%25D0%25BD%25D0%25B8%25D0%25B5%25D0%25BB%2B%25D0%25B1%25D0%25B5%25D1%2580%25D0%25BD%25D1%2583%25D0%25BB%25D0%25B8%26start%3D20%26hl%3Dbg%26sa%3DN%26biw%3D1362%26bih%3D583%26prmd%3Divnso&amp;rurl=translate.google.bg&amp;usg=ALkJrhhrdgv37LQePImY5TRl-rQqwVcFog Дейност Даниел Бернули]<br /> * [http://docs.google.com/viewer?a=v&amp;q=cache:evtZlGJAhMwJ:vasil7penchev.files.wordpress.com/2007/06/principle.doc+%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5%D0%BB+%D0%B1%D0%B5%D1%80%D0%BD%D1%83%D0%BB%D0%B8&amp;hl=bg&amp;gl=bg&amp;pid=bl&amp;srcid=ADGEESgpa1F7DbWSdAV7Djy4sRphsnkTddLbwihnNzUwxwv-TgfMby_p9Ce_JD_yD31C48XXWqcayUY4tj-rAfqU2zdYvKqAvnGTFAOputUXO7xhiVEdOQy1-iedc-tsSxiBj7YB5jMW&amp;sig=AHIEtbR4S2Aa9o2tOHCfrCq9AQOp-F7plA Принцип на Бернули]<br /> * [http://www.ceeol.com/aspx/issuedetails.aspx?issueid=d8569884-685e-4dc8-ac91-106499973556&amp;articleId=5028a1c0-d89f-4414-ace0-6dc3e498c09e Бележки]<br /> * [http://www.scribd.com/doc/13326052/Principle-of-Least-Action-Until-20-Century Закон на Бернули]<br /> <br /> <br /> [[category:Основи на управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D1%8A%D1%80%D0%B6%D0%B0%D0%B2%D0%BD%D0%B8_%D1%86%D0%B5%D0%BD%D0%BD%D0%B8_%D0%BA%D0%BD%D0%B8%D0%B6%D0%B0&diff=1994 2012-01-21T16:39:10Z

<p>Krasimira racheva: </p> <hr /> <div>'''Държавните ценни книжа''' (ДЦК) обслужват [[вътрешен дълг|вътрешния]] и [[външен дълг|външния дълг]] на държавата. Те се емитират за финансиране на [[бюджетен дефицит|бюджетния дефицит]] на страната. Всички ДЦК са гарантирани от държавата и ще бъдат изплатени на датата на падежа им по номиналната стойност, независимо от цената на покупката им.<br /> Към ДЦК принадлежат [[спестовна облигация|спестовните облигации]], [[съкровищен бон|съкровищните бонове]], съкровищните [[полица|полици]] и съкровищните [[облигация|облигации]]. Според начина на емитиране те биват '''налични'' и '''безналични'''. Според начина на формиране на дохода те биват '''сконтови и '''лихвоносни'''.Също така се формират и според вида на дохода. [[Брейди облигации]]те са държавни ценни книжа, които са издадени в замяна на част от [[външен дълг|външния дълг]] на България. <br /> <br /> <br /> ==Същност и характерни особености ==<br /> <br /> Държавните ценни книжа представляват задължение на държавата. Те са прехвърлими документи и права, които могат да бъдат предлагани публично. ДЦК имат дефинирана [[доходност]] и [[падеж]]. Под държавни ценни книжа / ДЦК / най-общо се разбират всички дългови ценни книжа емитирани от държавата. Чрез издаването им правителството набира необходимите за нормалното му функциониране средства, които се превръщат в [[държавен дълг]]. Този дълг е секюритизиран (материализиран и лесно прехвърлим) и представлява договорно задължение на [[емитент]]а към инвеститорите да плати основната сума и [[лихва|лихвите]] на падежа. <br /> <br /> ДЦК материализират [[заем]]ите, които държавата в лицето на правителството тегли и ползва за определен период от време. Те материализират парично вземане за техните притежатели с размер номиналната стойност на книгата. Всяка ДЦК се издава за точно определен срок. Времето от деня на издаване до деня на падежа (деня, в който ще се изплати заема) се нарича [[матуритет]]. Той варира от 1 месец до няколко години. Номиналната стойност представлява една част от заема, който титулярът на книжата е предоставил на държавата. Обикновено тя е цяло число кратно на 100 или 1 000 парични единици. [[Лихвен процент|Лихвеният процент]] е своеобразна цена на получения от държавата заем. Лихвата по ДЦК често е под формата на [[купон]]и които отразяват процента за определен период - за 6 месеца , за 1 година и т. н. <br /> <br /> <br /> ==Предназначение на ДЦК==<br /> <br /> Предназначението на ДЦК е да финансират [[бюджетeн дефицит|бюджетния дефицит, да финансират някакво мероприятие, да покрият натрупания от кредити държавен дълг. По своя характер те са високоликвидни, като изплащането им на падежа е гарантирано с пълната законодателна сила на държавата. Това тяхно качество им придава [[статут]] на доминиращ инструмент на финансовите пазари. ДЦК заемат висок относителен дял в [[борсова търговия|борсовата търговия]]. В някои развити страни сделките с тях достигат до 80% от [[оборот]]а на пазарите.<br /> <br /> Освен като инструмент за управление на ликвидността преди всичко на търговските банки, те са атрактивно инвестиционно направление на институционалните инвеститори от типа [[пенсионен фонд|пенсионни]] и [[инвестиционен фонд|инвестиционни]] фондове.<br /> <br /> Държавните ценни книжа, представляващи дълг на държавата, се смятат за най-ниско рисковите инвестиции, тъй като са гарантирани с пълната законодателна сила на правителството. Това качество ги прави доминиращ инструмент на финансовите пазари. Инвестициите в ДЦК и доходите от тях са данъчно защитени, което е още една тяхна привлекателна характеристика.<br /> <br /> <br /> ==Видове ДЦК ==<br /> <br /> Към ценните книжа, емитирани от правителството, принадлежат спестовните облигации, съкровищните бонове, съкровищните полици и съкровищните облигации (вътрешен и външен дълг)<br /> <br /> ===Според срочността на емисиите ===<br /> <br /> В страните с развита пазарна икономика се емитират три основни вида ДЦК краткосрочни (treasury bills), средносрочни (treasury notes) и дългосрочни (treasury bonds). Разликата между тях е в срока, за който са издадени, и начина на определяне на дохода. <br /> <br /> '''Краткосрочни''' - до 1 г. ценни книжа с [[матуритет]] най-много до 1 година или съкровищни бонове. По правило те се продават с отстъпка от [[номинал]]а, като точните дати за провеждането на аукционите на краткосрочните ДЦК се съобщават ежемесечно по предварително разработена схема (календар на емисиите).<br /> <br /> '''Средносрочни''' - от 1 до 5 г.Наричат се още съкровищните [[полицa|полици]].Те се причисляват към групата на лихвоносните държавни ценни книжа. Те се водят по безналичен начин по сметките на [[търговска банка|ТБ]] и други финансови институции и в наличен вид (на приносител). Удобни за продажба на държавни, частни фирми и домакинства. Имат матуритет над 1 година и до 10 години включително. За разлика от съкровищните бонове те изплащат полугодишна [[лихва]] на [[приносител]]я си. Според лихвения процент те биват: <br /> * Съкровищни полици с фиксиран лихвен процент (При съкровищните полици с фиксиран лихвен процент лихвите се плащат на полугодие.)<br /> * Съкровищни полици с плаващ лихвен процент <br /> <br /> '''Дългосрочни''' - над 5 г. Наричат се още [[съкровищнa облигациия|съкровищни облигациии]] са почти са идентични със средносрочните ДЦК с тази разлика, че са с матуритет над 10 години. Доходът по тях също се изразява във вид на фиксиран или плаващ лихвен процент, който се изплаща на полугодие. Продажбата им се осъществява чрез конвенционален [[ценови аукцион]]. По своя характер те представляват дългосрочни вземания на правителството в лицето на Министерство на финансите и се емитират на три месеца по предварително определена схема. <br /> <br /> ===Според начина на емитиране ===<br /> <br /> * [[Налични ДЦК]]- тe притежават всички особености на ценна книга. По своята същност те са документ за материализирани права, издаден от държавата. Издават се във физически вид с отпечатване на съответните реквизити. Този вид държавни ценни книжа, обаче са по-слабо защитени от фалшифициране и са свързани с големи разходи за отпечатване, които се поемат от държавата. <br /> * [Безналични ДЦК]]- характеризират се с ниски разходи при емитирането, по-голямо удобство при съхранение и по-висока сигурност срещу [[фалшификация|фалшифициране]]. Това са ценни книги, които се притежават от определен брой крупни [[инвеститор]]и и е по-добре да се водят безналично по [[регистър|регистри]], определени за тази цел в БНБ чрез т.нар. Book-entry system. По този начин се намалява рискът от забавяне на плащанията, което увеличава доверието у инвеститорите. Освен това се намалява [[риск]]ът от фалшифициране и се намаляват разходите по отпечатване на книжата. Съкратените разходи и процедури по безналичните ценни книжа улесняват първичното им разпределение и [[сделкa|сделките]] с тях. <br /> <br /> ===Според начина на формиране на дохода ===<br /> <br /> * [[Сконтови ДЦК]] Доходността на сконтовите съкровищни бонове се формира от отстъпката от [[номинал]]а. Носят доход на притежателя си под формата на [[сконто]] (разликата между покупната цена и номинала в деня на падежа). Към тази група ДЦК спадат съкровищните бонове, които се издават с [[матуритет]] една година. <br /> <br /> [[Лихвоносни ДЦК]] Доходността на лихвоносните съкровищни бонове и облигации се формира от начислената лихва. Продават се по номинал или под номинала (с [[премия]]). <br /> <br /> [[Сконтови-лихвоносни ДЦК]] Доходът при тях се получава под формата на лихва и под формата на отстъпка. В условията за провеждане на аукцион за този вид ценни книжа [[Международен Валутен Фонд|МФ]] (в лицето на [[Българска Народна Банка|БНБ]]) посочва, както отстъпката от номинала, така и лихвения процент, който носят. <br /> <br /> ===Според вида на дохода ===<br /> <br /> * [[ДЦК с фиксирана доходност]]- Дохода не се променя и е равен на посочената доходност на емисията.<br /> <br /> * [[ДЦК с плаваща доходност]] биват:<br /> - Базирана на ОЛП ([[основен лихвен процент]]) - доходността се променя съобразно измененията на ОЛП<br /> - Базирана на ИПЦ ([[индекса на потребителскa ценa]]) - доходността се формира от стойността на ИПЦ и допълнителна премия .<br /> <br /> <br /> ==Вижте също ==<br /> <br /> *[[репо сделки]]<br /> *[[брейди облигации]]<br /> *[[корпоративни облигации]]<br /> <br /> <br /> ==Източници==<br /> <br /> * Месечен бюлетин, “Държавни заеми и ценни книжа” - 1991-1997 г., изд. МФ и БНБ, гр. София<br /> * Иванка Петкова, “Сделки с ценни книжа”, 1993г.<br /> <br /> <br /> ==Външни препратки==<br /> <br /> [http://www.bnb.bg Българска народна банка]<br /> <br /> [http://www.referatite.com/DTcK_vidove-13.html Видове ДЦК]<br /> <br /> <br /> [[category:Финансови пазари и инструменти]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%94%D1%8A%D1%80%D0%B6%D0%B0%D0%B2%D0%BD%D0%B8_%D1%86%D0%B5%D0%BD%D0%BD%D0%B8_%D0%BA%D0%BD%D0%B8%D0%B6%D0%B0&diff=1993 2012-01-21T16:38:34Z

<p>Krasimira racheva: </p> <hr /> <div>'''Държавните ценни книжа''' (ДЦК) обслужват [[вътрешен дълг|вътрешния]] и [[външен дълг|външния дълг]] на държавата. Те се емитират за финансиране на [[бюджетен дефицит|бюджетния дефицит]] на страната. Всички ДЦК са гарантирани от държавата и ще бъдат изплатени на датата на падежа им по номиналната стойност, независимо от цената на покупката им.<br /> Към ДЦК принадлежат [[спестовна облигация|спестовните облигации]], [[съкровищен бон|съкровищните бонове]], съкровищните [[полица|полици]] и съкровищните [[облигация|облигации]. Според начина на емитиране те биват '''налични]'' и '''безналични'''. Според начина на формиране на дохода те биват '''сконтови и '''лихвоносни'''.Също така се формират и според вида на дохода. [[Брейди облигации]]те са държавни ценни книжа, които са издадени в замяна на част от [[външен дълг|външния дълг]] на България. <br /> <br /> <br /> ==Същност и характерни особености ==<br /> <br /> Държавните ценни книжа представляват задължение на държавата. Те са прехвърлими документи и права, които могат да бъдат предлагани публично. ДЦК имат дефинирана [[доходност]] и [[падеж]]. Под държавни ценни книжа / ДЦК / най-общо се разбират всички дългови ценни книжа емитирани от държавата. Чрез издаването им правителството набира необходимите за нормалното му функциониране средства, които се превръщат в [[държавен дълг]]. Този дълг е секюритизиран (материализиран и лесно прехвърлим) и представлява договорно задължение на [[емитент]]а към инвеститорите да плати основната сума и [[лихва|лихвите]] на падежа. <br /> <br /> ДЦК материализират [[заем]]ите, които държавата в лицето на правителството тегли и ползва за определен период от време. Те материализират парично вземане за техните притежатели с размер номиналната стойност на книгата. Всяка ДЦК се издава за точно определен срок. Времето от деня на издаване до деня на падежа (деня, в който ще се изплати заема) се нарича [[матуритет]]. Той варира от 1 месец до няколко години. Номиналната стойност представлява една част от заема, който титулярът на книжата е предоставил на държавата. Обикновено тя е цяло число кратно на 100 или 1 000 парични единици. [[Лихвен процент|Лихвеният процент]] е своеобразна цена на получения от държавата заем. Лихвата по ДЦК често е под формата на [[купон]]и които отразяват процента за определен период - за 6 месеца , за 1 година и т. н. <br /> <br /> <br /> ==Предназначение на ДЦК==<br /> <br /> Предназначението на ДЦК е да финансират [[бюджетeн дефицит|бюджетния дефицит, да финансират някакво мероприятие, да покрият натрупания от кредити държавен дълг. По своя характер те са високоликвидни, като изплащането им на падежа е гарантирано с пълната законодателна сила на държавата. Това тяхно качество им придава [[статут]] на доминиращ инструмент на финансовите пазари. ДЦК заемат висок относителен дял в [[борсова търговия|борсовата търговия]]. В някои развити страни сделките с тях достигат до 80% от [[оборот]]а на пазарите.<br /> <br /> Освен като инструмент за управление на ликвидността преди всичко на търговските банки, те са атрактивно инвестиционно направление на институционалните инвеститори от типа [[пенсионен фонд|пенсионни]] и [[инвестиционен фонд|инвестиционни]] фондове.<br /> <br /> Държавните ценни книжа, представляващи дълг на държавата, се смятат за най-ниско рисковите инвестиции, тъй като са гарантирани с пълната законодателна сила на правителството. Това качество ги прави доминиращ инструмент на финансовите пазари. Инвестициите в ДЦК и доходите от тях са данъчно защитени, което е още една тяхна привлекателна характеристика.<br /> <br /> <br /> ==Видове ДЦК ==<br /> <br /> Към ценните книжа, емитирани от правителството, принадлежат спестовните облигации, съкровищните бонове, съкровищните полици и съкровищните облигации (вътрешен и външен дълг)<br /> <br /> ===Според срочността на емисиите ===<br /> <br /> В страните с развита пазарна икономика се емитират три основни вида ДЦК краткосрочни (treasury bills), средносрочни (treasury notes) и дългосрочни (treasury bonds). Разликата между тях е в срока, за който са издадени, и начина на определяне на дохода. <br /> <br /> '''Краткосрочни''' - до 1 г. ценни книжа с [[матуритет]] най-много до 1 година или съкровищни бонове. По правило те се продават с отстъпка от [[номинал]]а, като точните дати за провеждането на аукционите на краткосрочните ДЦК се съобщават ежемесечно по предварително разработена схема (календар на емисиите).<br /> <br /> '''Средносрочни''' - от 1 до 5 г.Наричат се още съкровищните [[полицa|полици]].Те се причисляват към групата на лихвоносните държавни ценни книжа. Те се водят по безналичен начин по сметките на [[търговска банка|ТБ]] и други финансови институции и в наличен вид (на приносител). Удобни за продажба на държавни, частни фирми и домакинства. Имат матуритет над 1 година и до 10 години включително. За разлика от съкровищните бонове те изплащат полугодишна [[лихва]] на [[приносител]]я си. Според лихвения процент те биват: <br /> * Съкровищни полици с фиксиран лихвен процент (При съкровищните полици с фиксиран лихвен процент лихвите се плащат на полугодие.)<br /> * Съкровищни полици с плаващ лихвен процент <br /> <br /> '''Дългосрочни''' - над 5 г. Наричат се още [[съкровищнa облигациия|съкровищни облигациии]] са почти са идентични със средносрочните ДЦК с тази разлика, че са с матуритет над 10 години. Доходът по тях също се изразява във вид на фиксиран или плаващ лихвен процент, който се изплаща на полугодие. Продажбата им се осъществява чрез конвенционален [[ценови аукцион]]. По своя характер те представляват дългосрочни вземания на правителството в лицето на Министерство на финансите и се емитират на три месеца по предварително определена схема. <br /> <br /> ===Според начина на емитиране ===<br /> <br /> * [[Налични ДЦК]]- тe притежават всички особености на ценна книга. По своята същност те са документ за материализирани права, издаден от държавата. Издават се във физически вид с отпечатване на съответните реквизити. Този вид държавни ценни книжа, обаче са по-слабо защитени от фалшифициране и са свързани с големи разходи за отпечатване, които се поемат от държавата. <br /> * [Безналични ДЦК]]- характеризират се с ниски разходи при емитирането, по-голямо удобство при съхранение и по-висока сигурност срещу [[фалшификация|фалшифициране]]. Това са ценни книги, които се притежават от определен брой крупни [[инвеститор]]и и е по-добре да се водят безналично по [[регистър|регистри]], определени за тази цел в БНБ чрез т.нар. Book-entry system. По този начин се намалява рискът от забавяне на плащанията, което увеличава доверието у инвеститорите. Освен това се намалява [[риск]]ът от фалшифициране и се намаляват разходите по отпечатване на книжата. Съкратените разходи и процедури по безналичните ценни книжа улесняват първичното им разпределение и [[сделкa|сделките]] с тях. <br /> <br /> ===Според начина на формиране на дохода ===<br /> <br /> * [[Сконтови ДЦК]] Доходността на сконтовите съкровищни бонове се формира от отстъпката от [[номинал]]а. Носят доход на притежателя си под формата на [[сконто]] (разликата между покупната цена и номинала в деня на падежа). Към тази група ДЦК спадат съкровищните бонове, които се издават с [[матуритет]] една година. <br /> <br /> [[Лихвоносни ДЦК]] Доходността на лихвоносните съкровищни бонове и облигации се формира от начислената лихва. Продават се по номинал или под номинала (с [[премия]]). <br /> <br /> [[Сконтови-лихвоносни ДЦК]] Доходът при тях се получава под формата на лихва и под формата на отстъпка. В условията за провеждане на аукцион за този вид ценни книжа [[Международен Валутен Фонд|МФ]] (в лицето на [[Българска Народна Банка|БНБ]]) посочва, както отстъпката от номинала, така и лихвения процент, който носят. <br /> <br /> ===Според вида на дохода ===<br /> <br /> * [[ДЦК с фиксирана доходност]]- Дохода не се променя и е равен на посочената доходност на емисията.<br /> <br /> * [[ДЦК с плаваща доходност]] биват:<br /> - Базирана на ОЛП ([[основен лихвен процент]]) - доходността се променя съобразно измененията на ОЛП<br /> - Базирана на ИПЦ ([[индекса на потребителскa ценa]]) - доходността се формира от стойността на ИПЦ и допълнителна премия .<br /> <br /> <br /> ==Вижте също ==<br /> <br /> *[[репо сделки]]<br /> *[[брейди облигации]]<br /> *[[корпоративни облигации]]<br /> <br /> <br /> ==Източници==<br /> <br /> * Месечен бюлетин, “Държавни заеми и ценни книжа” - 1991-1997 г., изд. МФ и БНБ, гр. София<br /> * Иванка Петкова, “Сделки с ценни книжа”, 1993г.<br /> <br /> <br /> ==Външни препратки==<br /> <br /> [http://www.bnb.bg Българска народна банка]<br /> <br /> [http://www.referatite.com/DTcK_vidove-13.html Видове ДЦК]<br /> <br /> <br /> [[category:Финансови пазари и инструменти]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%93%D1%80%D1%83%D0%BF%D0%BE%D0%B2%D0%BE_%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D0%B2%D1%8E&diff=1992 2012-01-21T15:59:28Z

<p>Krasimira racheva: </p> <hr /> <div>'''Групово интервю''' може да бъде дефинирано като [[метод]] за събиране на информация чрез спонтанно обстойно дискутиране на предварително определен кръг от въпроси, в създадени малки групи от хора, ръководени от изследовател, който най-често се нарича [[модератор]].<br /> <br /> <br /> <br /> ==Същност и характеристика==<br /> <br /> Груповите интервюта са преди всичко метод за събиране на информация, чийто източник е дискусията. Те не са съвкупност от [[монолог|монолози]] между модератора и всеки отделен участник. По тази причина терминът[[групово интервю]] се предпочита в американска научна литература, а европейската предпочита [[групова дискусия|групови дискуси]].<br /> <br /> Интервюта разчитат на спонтанността на участието на лицата. Спонтанността идва от главната идея - [[информация]]та да произхожда от груповата работа. <br /> <br /> Провежданите интервюта върху изследваната тема са обстойни. Те се водят така, че да се влезе в дълбочината на темата и да се изчерпят основните нейни [[аспект]]и. По тази причина една сесия продължава най-често от 1ч.30мин. – 2ч.<br /> <br /> Груповите интервюта се провеждат по предварително определен кръг от въпроси, който намира своя израз в ръководството на дискусията. Кръгът от обсъждани въпроси има собствена вътрешна [[логика]], която оформя логиката на развитие и на груповото интервю.<br /> Дискусията се направлява от специално обучен качествен изследовател – [[модератор]].<br /> <br /> <br /> В България се наложи практиката серията от груповите интервюта да не включва по-малко от три такива. Този метод разчита разчита на [[градационен подход]]. <br /> Най-често срещаната големина на групите е от 7-8 души. Налице са и минигрупи от по 4-5 души, които в България са по скоро изключение.<br /> <br /> <br /> ==Области на приложение==<br /> <br /> Класическо приложение на метода:<br /> <br /> * да служи за параметризиране на изследователски проблеми<br /> <br /> * формулиране на [[хипотезa|хипотези]]<br /> <br /> * тестване на въпросници и други изследователски инструменти<br /> <br /> '''Формират се следните [[тенденция|тенденции]]'''<br /> <br /> * Разширяването на предметната му област <br /> <br /> * Използването му все повече и повече в качеството на заключително [[изследване]] – изследване, въз основа на което се изработват управленски решения<br /> <br /> <br /> ===Примери за приложение на метода===<br /> <br /> * Разработване на нови продукти, пазарна [[сегментация]], [[пазарно позициониране]], изследвания на маркетингови програми.<br /> <br /> <br /> ==Ръководене на групово интервю==<br /> <br /> Ефективното ръководене на групово интервю е много важен аспект на доброто му управление.<br /> Модераторът не може да се възприема като четец на въпроси и пасивен слушател на обсъждането. Той трябва да стимулира груповото интервю, да съблюдава балансираното участие на всяко лице, за хармоничното протичане на груповия [[процес]].<br /> <br /> Tрябва да се познават най-често срещаните проблеми с които модераторът може да се сблъска:<br /> <br /> *да не се получи група<br /> <br /> *да се получи изолиране на някои участници<br /> <br /> *да се получи ярко изразено [[лидерство]]<br /> <br /> <br /> ==Стадиите на груповия процес==<br /> <br /> Интервюираните групи заживяват един собствен живот, преминавайки през процес от няколко стадии, които формират групов процес.<br /> Обикновено тези стадии протичат без да бъдат осъзнавани от участниците, но когато това се случва и с модераторите, е налице реална опасност от компрометиране на метода.<br /> <br /> Груповият процес състои от пет стадия:<br /> <br /> Образуване<br /> <br /> Изявяване<br /> <br /> Нормиране<br /> <br /> Изпълняване<br /> <br /> Завършване<br /> <br /> <br /> ==Техники в групово интервю==<br /> <br /> При провеждане на групово интервю се използват различни техники, които обобщено се наричат проективни техники. Те са предназначени да изследват убеждения, нагласи, чувства, които не са осъзнати на когнитивното равнище на нашето съзнание и не могат да бъдат изследвани с един пряк подход на задаване на въпроси.<br /> <br /> <br /> <br /> ===Проективните техники могат да бъдат обособени в следните категории:===<br /> <br /> [[Асоциативнa техникa|Асоциативни техники]] <br /> <br /> [[Техникa на допълването|Техники на допълването]]<br /> <br /> [[Конструктивнa техникa|Конструктивни техники]]<br /> <br /> [[Ролевa техникa|Ролеви техники]]<br /> <br /> <br /> <br /> ==Разновидности на груповите интервюта==<br /> <br /> Интервю в минигрупи<br /> <br /> Екстензивни групови интервю<br /> <br /> Групови интервю в две последователни [[сесия|сесии]]<br /> <br /> Интервю с двама модератори<br /> <br /> Интервю с предварително [[наблюдение]]<br /> <br /> Интервю с частично участие на представител на клиента<br /> <br /> Интервю в домашна среда.<br /> <br /> <br /> <br /> ==ПРЕДИМСТВА==<br /> <br /> * Опитът или чувствата на един човек карат да се възпламенят тези на друг, което е добро средство за стимулиране на творчеството.<br /> <br /> * Процесът на групово [[интервю]] разкрива различията между потребителите, като този начин става възможно да се разбере широк набор от нагласи и образци на поведение за кратко време.<br /> <br /> * Групите могат да бъдат наблюдавани от представители на [[клиент]]а, които да добият впечтатление от първа къка.<br /> <br /> * Спонтанността в отговорите се окуражава при груповото интервю.<br /> <br /> * Социалните и културните влияния върху нагласите и поведението биват установявани.<br /> <br /> <br /> <br /> ==НЕДОСТАТЪЦИ==<br /> <br /> * Те могат да възпрепятстват честния обмен на [[мнениe|мнения]] и убеждения и да окуражат свърхпредставянето на някои участници.<br /> <br /> * Поради отрицателна реакция спрямо модератора или обсъжданата тематика групата може “да замръзне”.<br /> <br /> * Появата на изявен лидер в групата може да накара другите да се оттеглят от [[дискусия]]та или да се [[комформизъм|конформират]] с неговите мнения.<br /> <br /> * Може да се получи така, че хора с по-особени мнения да се побоят да ги споделят и по този начин да не се обхване цялото богатство от мнения.<br /> <br /> <br /> ==Източници==<br /> <br /> [[category:Методи за изследване в бизнеса|Стратегическо управление]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%93%D1%80%D1%83%D0%BF%D0%BE%D0%B2%D0%BE_%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D0%B2%D1%8E&diff=1991 2012-01-21T15:55:12Z

<p>Krasimira racheva: </p> <hr /> <div>'''Групово интервю''' може да бъде дефинирано като [[метод]] за събиране на информация чрез спонтанно обстойно дискутиране на предварително определен кръг от въпроси, в създадени малки групи от хора, ръководени от изследовател, който най-често се нарича [[модератор]].<br /> <br /> <br /> <br /> ==Същност и характеристика==<br /> <br /> Груповите интервюта са преди всичко метод за събиране на информация, чийто източник е дискусията. Те не са съвкупност от [[монолог|монолози]] между модератора и всеки отделен участник. По тази причина терминът[[групово интервю]] се предпочита в американска научна литература, а европейската предпочита [[групова дискусия|групови дискуси]].<br /> <br /> Интервюта разчитат на спонтанността на участието на лицата. Спонтанността идва от главната идея - информацията да произхожда от груповата работа. <br /> <br /> Провежданите интервюта върху изследваната тема са обстойни. Те се водят така, че да се влезе в дълбочината на темата и да се изчерпят основните нейни аспекти. По тази причина една сесия продължава най-често от 1ч.30мин. – 2ч.<br /> <br /> Груповите интервюта се провеждат по предварително определен кръг от въпроси, който намира своя израз в ръководството на дискусията. Кръгът от обсъждани въпроси има собствена вътрешна [[логика]], която оформя логиката на развитие и на груповото интервю.<br /> Дискусията се направлява от специално обучен качествен изследовател – [[модератор]].<br /> <br /> <br /> В България се наложи практиката серията от груповите интервюта да не включва по-малко от три такива. Този метод разчита разчита на градационен подход. <br /> Най-често срещаната големина на групите е от 7-8 души. Налице са и минигрупи от по 4-5 души, които в България са по скоро изключение.<br /> <br /> <br /> ==Области на приложение==<br /> <br /> Класическо приложение на метода:<br /> <br /> * да служи за параметризиране на изследователски проблеми<br /> <br /> * формулиране на [[хипотезa|хипотези]]<br /> <br /> * тестване на въпросници и други изследователски инструменти<br /> <br /> ===Формират се следните тенденции:===<br /> <br /> * Разширяването на предметната му област <br /> <br /> * Използването му все повече и повече в качеството на заключително изследване – изследване, въз основа на което се изработват управленски решения<br /> <br /> <br /> ===Примери за приложение на метода===<br /> <br /> * Разработване на нови продукти, пазарна сегментация, пазарно позициониране, изследвания на маркетингови програми.<br /> <br /> <br /> ==Ръководене на групово интервю==<br /> <br /> Ефективното ръководене на групово интервю е много важен аспект на доброто му управление.<br /> Модераторът не може да се възприема като четец на въпроси и пасивен слушател на обсъждането. Той трябва да стимулира груповото интервю, да съблюдава балансираното участие на всяко лице, за хармоничното протичане на груповия [[процес]].<br /> <br /> Tрябва да се познават най-често срещаните проблеми с които модераторът може да се сблъска:<br /> <br /> *да не се получи група<br /> <br /> *да се получи изолиране на някои участници<br /> <br /> *да се получи ярко изразено лидерство<br /> <br /> <br /> ==Стадиите на груповия процес==<br /> <br /> Интервюираните групи заживяват един собствен живот, преминавайки през процес от няколко стадии, които формират групов процес.<br /> Обикновено тези стадии протичат без да бъдат осъзнавани от участниците, но когато това се случва и с модераторите, е налице реална опасност от компрометиране на метода.<br /> <br /> Груповият процес състои от пет стадия:<br /> <br /> Образуване<br /> <br /> Изявяване<br /> <br /> Нормиране<br /> <br /> Изпълняване<br /> <br /> Завършване<br /> <br /> <br /> ==Техники в групово интервю==<br /> <br /> При провеждане на групово интервю се използват различни техники, които обобщено се наричат проективни техники. Те са предназначени да изследват убеждения, нагласи, чувства, които не са осъзнати на когнитивното равнище на нашето съзнание и не могат да бъдат изследвани с един пряк подход на задаване на въпроси.<br /> <br /> <br /> <br /> ===Проективните техники могат да бъдат обособени в следните категории:===<br /> <br /> [[Асоциативнa техникa|Асоциативни техники]] <br /> <br /> [[Техникa на допълването|Техники на допълването]]<br /> <br /> [[Конструктивнa техникa|Конструктивни техники]]<br /> <br /> [[Ролевa техникa|Ролеви техники]]<br /> <br /> <br /> <br /> ==Разновидности на груповите интервюта==<br /> <br /> Интервю в минигрупи<br /> <br /> Екстензивни групови интервю<br /> <br /> Групови интервю в две последователни сесии<br /> <br /> Интервю с двама модератори<br /> <br /> Интервю с предварително наблюдение<br /> <br /> Интервю с частично участие на представител на клиента<br /> <br /> Интервю в домашна среда<br /> <br /> <br /> <br /> ==ПРЕДИМСТВА==<br /> <br /> * Опитът или чувствата на един човек карат да се възпламенят тези на друг, което е добро средство за стимулиране на творчеството.<br /> <br /> * Процесът на групово [[интервю]] разкрива различията между потребителите, като този начин става възможно да се разбере широк набор от нагласи и образци на поведение за кратко време.<br /> <br /> * Групите могат да бъдат наблюдавани от представители на клиента, които да добият впечтатление от първа къка.<br /> <br /> * Спонтанността в отговорите се окуражава при груповото интервю.<br /> <br /> * Социалните и културните влияния върху нагласите и поведението биват установявани.<br /> <br /> <br /> <br /> ==НЕДОСТАТЪЦИ==<br /> <br /> * Те могат да възпрепятстват честния обмен на [[мнениe|мнения]] и убеждения и да окуражат свърхпредставянето на някои участници.<br /> <br /> * Поради отрицателна реакция спрямо модератора или обсъжданата тематика групата може “да замръзне”.<br /> <br /> * Появата на изявен лидер в групата може да накара другите да се оттеглят от [[дискусия]]та или да се [[комформизъм|конформират]] с неговите мнения.<br /> <br /> * Може да се получи така, че хора с по-особени мнения да се побоят да ги споделят и по този начин да не се обхване цялото богатство от мнения.<br /> <br /> <br /> ==Източници==<br /> <br /> [[category:Методи за изследване в бизнеса|Стратегическо управление]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%93%D0%BE%D1%82%D1%84%D1%80%D0%B8%D0%B4_%D0%9B%D0%B0%D0%B9%D0%B1%D0%BD%D0%B8%D1%86&diff=1990 2012-01-21T15:36:53Z

<p>Krasimira racheva: </p> <hr /> <div>[[Image: laibnic.jpg|thumb|right|alt= laibnic.| Готфрид Вилхелм фон Лайбниц.]]<br /> <br /> <br /> <br /> '''Готфрид Вилхелм фон Лайбниц''' (нем. Gottfried Wilhelm von Leibniz; 21 юни (1 юли 1646, [[Лайпциг]], [[Германия]] – 14 ноември 1716 , [[Хановер]], Германия) е немски [[философ]], [[математик]], [[юрист]] и [[дипломат]].<br /> <br /> <br /> <br /> ==Биография==<br /> <br /> <br /> <br /> [[Image: marka.JPG|thumb|right|alt=marka.| Марка посветена на Лайбниц.]]<br /> <br /> <br /> <br /> Лайбниц е роден на 1 юли 1646 г. в семейството на [[професор]]a по [[етика]] от [[Лайпцигски университет|Лайпцигския университет]] Фридрих Лайбниц и неговата жена Катерина Шмюк.<br /> <br /> Баща му умира, когато Готфрид е бил на 8 години. В наследство му оставя голямата си лична библиотека. Свободният достъп до книгите и вроденият талант, позволили на младия Лайбниц, само на 12 години, самотоятелно да изучи [[латински език|латински]] и да започне изучаването на [[гръцки език]].<br /> <br /> На 15 години Готфрид сам постъпва в Лайпцигския университет, където по рано е работил баща му. Докато е студент се запознава с работите на [[Кеплер]], [[Галилей]] и други учени. След 2 години се мести в [[Йенския университет]], където изучава [[математика]]. После пак се връща в Лайбциг за да учи право, но не успява да получи докторска степен. Разсторен от отказа, Готфрид се отправя към [[Нюрнбергски университет|Нюрнбергския университет]], където успешно защитава [[дисертация]] за исканата докторска степен. Яснотата на изложението и ораторският талант на Лайбниц, при защитата на дисертацията, предизвикват всeобщо възхищение.<br /> <br /> Същата година написва първото от многото си съчинения- „За комбинаторното изкуство”. Изпреварвайки времето с два века, 20 годишният Лайбниц замисля проект за математизиране на [[логиката]]. Бъдещата теория (която не завършва) той нарича „всеобща характеристика”. Тя включва всичките [[логически операции]], свойствата на които, той ясно представил.<br /> <br /> Завършвайки обучението си, се устройва на работа, като съветник на курфюста [[Майнц]], по юридически и търговски дела. Работата изсиквала постоянни пътувания по цяла Европа. По време на тези пътешествия се запознава с [[Гюйгенс]], който се съгласява да го обучава по математика. Службата не продължава дълго. В началото на 1672 година, с важна дипломатическа мисия, Лайбниц напуска Майнц, а след около година курфюстът умира.<br /> <br /> По това време Готфрид Лайбниц създава &quot;[[Степенчат изчислител]]&quot;, механизм, способен да оперира с четирите основни аритметични операции и да изважда квадратен корен, при това с 12-разредни числа. За съжаление, изчислителят имал много недостатъци и се нуждаел от постоянен ремонт.<br /> <br /> През 1673 г. Лайбниц е в Лондон, където на заседание на [[Кралското общество]], демонстрира [[арифмометъра]] си (степенчатия изчислител) и го избират за член на Обществото. От [[Олденбург]], президентът на Обществото, получава изложените нютоновски открития: анализ на [[безкрайно малките числа]] и [[теорията на безкрайните редове]]. Веднага оценява моща на метода и започава да го развива. Така той въвежда първия ред за числото π:<br /> <br /> <br /> [[image:leibniz.png]]<br /> <br /> <br /> През 1675 г. Лайбниц завършва варианта на [[матемаческия си анализ]], като внимателно обмисля неговата символика и терминология. Почти всички негови нововъведения се използват в науката, като само терминът „интеграл” е въведен от [[Якоб Бернулий]], а Лайбниц го е нарекъл просто сума.<br /> <br /> Лайбниц продължава математическите си изследвания и открива „основната теорема на анализа”. Разменя си няколко любезни писма с [[Нютон]], в които моли да му разясни някои неясни неща относно теорията на редовете. Вече през 1676 г., в писмата си Лайбниц излага основите на математическия си анализ. Обема на неговите преписки е колосален.<br /> <br /> През 1682 основава научното списание [[Acta Eruditorum]], което изиграва значителна роля в разпространението на [[научните знания]] в [[Европа]].<br /> <br /> През 1697 г. , по време на пътуването си из Европа, руският цар [[Петър I]] се запознава с Лайбниц. Това била случайна среща в хеноверския замък Копенбрюг. По време на тържество през 1711 г., посветено на сватбата на наследника на престола [[Алексей Петрович]], се състояла втората им среща. Този път срешата оказва влияние на имератора. На следващата година по молба на императора, Лайбниц го придружава до Теплиц и Дрезден. Тази среща е изключително важна, тъй като довежда до съгласието на императора да се създаде [[Академия на науките]] в [[Петербург]]. Това е началото на развитието на [[научните изследвания]] в Русия по запоедноевропейски образец.<br /> <br /> През 1700 г. Лайбниц основава [[Берлинската академия на науките]] и става нейния първи президент. Избират го за чуждестранен член на [[Френската академия на науките]].<br /> <br /> <br /> [[Image: Moneta.JPG|thumb|right|alt= moneta.| Немска паметна монета, посветена на 250-та годишнина от смъртта на Лайбниц.]]<br /> <br /> <br /> <br /> Лайбниц умира 1716 г., като на погребението му присъства само неговия личен секретар.<br /> <br /> Лайбниц става първият гражданин на Германия, за когото се издига паметник.<br /> <br /> В чест на Лайбниц, неговото име носят [[кратер]] и най-високата горна верига на [[Луната]], също и университета в Хановер.<br /> <br /> <br /> <br /> ==Философия==<br /> <br /> <br /> <br /> Лайбниц е един от най-важните представители на новоевропейската [[метафизика]], в центара на която стои въпроса за това, какво е [[субстанция]]. Лайбниц развива система, която получава наименованиео [[субстанционален плурализъм]] или [[монадология]]. Според Лайбниц, основание за съществуващите явления и [[феномен]]и, служат простите [[субстанция|субстанции]] или монади. Всичките монади са прости и не съдържат части. Те са безкрайно много и всички се отличават една от друга. Това обяснява безкрайното разнообразие от феномени в света.<br /> <br /> Простите субстанции са създадени от [[Бог]]а едновременно и могат да се унищожат само всички заедно. [[Монадите]] не могат да претърпят изменения в своето [[вътршно състояние]] от действията на външни причини, освен от Бог. Лайбниц в една от своите работи , [[„Монадология”]], използва следното метафорични определение за явтономността на съществуващите прости [[субстанция|субстанции]]: „ Монадите нямат прозорци и врати, през които каквото или който си пожелае, да може да влезе или излезе.” Монадата е способна да измени състоянито си и всичките нейни изменения, произхождат от вътрешния и принцип. Действието на вътрешния принцип, което довежда до изменение на вътрешния живот на монадата, се нарича стремление.<br /> <br /> За простите субстанции имащи само стремление е подходящо общото име [[монада]] или [[ентелехия]]. Монади имащи по-отчетливи [[възприятиe|възприятия]], съпроводени с [[памет]], Лайбнис нарича души. В този ред на мисли, не съществува съвършено [[неодушевена природа]]. Доколкото никоя субстанция не може да умре, то тя не може окончателно да се лиши от някой вътрешен живот. Лайбниц твърди, че монадите, които основават явлението „неодушевена” природа, се намират в състояние на дълбок [[сън]] или [[безсъзнание]]. Всяка, дори най-неразвитата монада, може да бъде извикана по волята на Бог за [[съзнателен живот]], извършващ определен прогрес в своето развитие.<br /> <br /> Разумните души, съставящи Царство на Духа, се намират на особено положение. Безкрайният прогрес на цялата съвкупност от монади е представен в два аспекта. Първият, е развитието на царството на природата, където господства механичната необходимост. Вторият, е развитието на царството на духа, където основен закон се явява [[свобода]]та. Под последния, Лайбниц разбира познаниято на вечните истини, в духа на [[новоевропейски рационализъм|новоевропейския рационализъм]]. Душите в системата на Лайбниц, по негово въображение, представляват „ живото огледало на [[Вселена]]та”. Разумните души представят себе си, заедно с представянето на Бога.<br /> <br /> Лайбниц комбинира [[атомизъм|атомизма]] на[[Демокрит]] с различието на актуалното и потенциалното при [[Аристотел]]. Животът се поява, когато [[атом]]ът се пробужда. Тези монади могат да достигнат на равнището на [[самосъзнание]]то ([[аперцепция]]та).<br /> <br /> [[Разум]]ът на човек е също монада, а атомите са спящи монади. Монадата притежава две характеристики – [[стремеж]] и [[възприятие]].<br /> <br /> Според Лайбниц [[пространство]]то и [[време]]то са субективни – това е способ за възприемането на монадите. В дйствителност, пространството може да не се изчерпва с трите известни измерения. С това Лайбниц повлиявя на [[Кант]].<br /> <br /> Лайбниц счита, че монадите се излъчват и поглъщат от Бог. Неговите функции поддържат предопределената [[хармония]] между монадите.<br /> <br /> <br /> <br /> ==Научна дейност==<br /> <br /> <br /> <br /> Най-важните научни постижения на Лайбниц:<br /> <br /> * Лайбниц, независимо от [[Нютон]], създава [[математически анализ]] – диференциални и интегрални изчисления.<br /> * Създава [[комбинаторика]]та като наука; само той, в цялата история на математката, работи еднакво свободно, както с непрекъснатите, така и с дискретните.<br /> * Обосновава необходимостта от редовно измерване на [[температурата на тялото]] на болните.<br /> * Много преди [[Зигмонд Фроид]], доказва съществуването на [[подсъзнание]]то при човека.<br /> <br /> 1684 г. Лайбниц публикува първата в света обширна разработка на [[диференциално изчисляване]]: „Новия метод на максимумите и минимумите”, при което в първата част името на [[Нютон]] не се споменава, а във втората заслугите на Нютон са описани не ясно. Тогава Нютон не обръща внимание. Неговите разработки по анализа започнали да се издават чак 1704 г.<br /> <br /> В тази кратка разработка на Лайбниц, се излагат основите на диференциалното изчисление. Използвайки геометричното тълкуване на отношението dy/dx, той накратко обеснява признаците на нарастване и намаляване, [[максимум]] и [[минимум]],[[изпъкналост]] и [[вдлъбнатост ]](следователно и достатачното условие за екстрмум в простия случаи), а така също и [[инфлексна точка]]. Без някакви пояснения, се въвежда и понятието „разлика на разликите” ([[кратни диференциали]]), обозначавано с ddv. Лайбниц пише: „Това което човек, разбиращ от тези изчисления, може да получи в три реда, другите учени мъже са били принудени да търсят по сложни обходни пътища.”<br /> <br /> 1686 г. Лайбниц дава подразделение на съществените числа на [[алгебрa|алгебрични]] и трансцедентни, като по-рано аналогично е класифицирал кривите линии. Първи въвежда символа на [[интеграл]]а и оказал, че тази операция е обратна на диференцирането. <br /> 1692 г.е въведено общо понятие на криви от семейство с един [[параметър]] и е изведено тяхното уравнение.<br /> 1693 г. Лайбниц разглежда въпроса за решаването на [[линейнa системa|линейни системи]]; така се въвежда понятието [[определител]]. Но това откритие тогава не е придизвикало интерес и линейната алгебра възниква едва след половин век.<br /> 1695 г. Лайбниц въвежда показателна [[функция]] в най-общ вид: uv.<br /> 1702 г. заедно с [[Бернулий]], е открил начин на разлагане на [[рационална дроб|рационалните дроби]] на сума от прости. Това решава много въпроси за интегралите на рационалните функции. <br /> Подхода на Лайбниц към математическия анализ е имал някой особености. Лайбниц е мислил за външния анализ не кинематически, като [[Нютон]], а алгебрически. В първите си работи, той е разбирал безкрайно малките обекти, като актуални обекти, сравними между себе си, само ако са от един [[порядък]]. Възможно е да се е надявал да намери връзката им със своята концепция за монадите. Накрая на живота си той се изказал в полза на безкрайнo малки величини , т.е. [[променлива величина|променливите величини]], но не е пояснил какво е имал в предвид. В общо философски план той разглеждал безкраино малките величини, като основа на [[непрекъснатост]]та в природата.<br /> <br /> Лайбниц е описал [[двуична система|двуичната система]] на изчисления с цифри 0 и 1, на която е оснавана съвременната [[компютърна техника]].<br /> Във [[физика]]та, Лайбниц е въвел понятието &quot;жива сила&quot; ([[кинетична енергия]]) .<br /> <br /> <br /> <br /> ==Изобретения==<br /> <br /> <br /> [[Image: stepenchat_izchislitel.jpg|thumb|left|alt=stepenchat izchislitel.| Изобретеният от Лайбниц степенчат изчислител.]]<br /> <br /> <br /> <br /> През 1673 г. след запознававането си с [[Християн Хюйгенс]], Лайбниц е създал [[механична сметачна машина]], изпълняваща [[аритметическо действие|аритметически действия]].Машината е била демонстрирана във френската академия на науките и Лондонското кралско общество.<br /> <br /> Лайбниц е подсказал на [[Ден Папен]] конструкцията на [[парна машина|парната машина]] (цилиндър и бутало).<br /> <br /> Други негови изобретения могат да се отбележат: устройство за използване енергията на вятъра при отвеждане на водите от шахти и чертежи на подводната лодка.<br /> <br /> <br /> <br /> ==Oсновни произведения==<br /> <br /> * „Монадология”, 1714<br /> * „Нова система на природата”<br /> * „Нови опити върху човешкия разум”<br /> * „Размишления за физика”, 1686<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> * Погребысский И. Б. Готфрид Вильгельм Лейбниц. М., 1971.<br /> * Герье В. И. Лейбниц и его век: Отношения Лейбница к России и Петру Великому. СПб., Наука, 2008 (Слово о сущем; Т.75)<br /> * Альманах «Философский век»<br /> * Каринский Вл. Умозрительное знание в философской системе Лейбница<br /> * Серебреников В. С. Лейбниц и его учение о душе человека.<br /> * Белл Э. Т. Творцы математики.<br /> <br /> <br /> <br /> ==Препратки==<br /> <br /> <br /> * [http://www.i-text.narod.ru/lib-f.html/ Произведения на Лайбниц (на руски)]<br /> * [http://www.litclub.com/library/fil/leibniz/der_briefwechsel.html Кореспонденцията между Лайбниц и Кларк]<br /> * [http://www.fmi.uni-sofia.bg/Members/babev/dis-456/zapiski/lekcii-ot-tu/MA11sec88.pdf/view теорема на Лайбниц-Нютон]<br /> <br /> [[category: Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Formula7.jpg&diff=1989 2012-01-21T15:12:09Z

<p>Krasimira racheva: качи нова версия на „Файл:Formula7.jpg“</p> <hr /> <div></div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Formula3.jpg&diff=1988 2012-01-21T15:08:22Z

<p>Krasimira racheva: качи нова версия на „Файл:Formula3.jpg“</p> <hr /> <div></div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1987 2012-01-21T15:07:09Z

<p>Krasimira racheva: /* Пълзяща средна */</p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image: formula3.jpg]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1986 2012-01-21T15:06:20Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image: formula3.jpg|thumb|left|alt=|]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1985 2012-01-21T15:05:11Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image:formula3.jpg|tumb|left|alt=|]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1984 2012-01-21T15:04:36Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image:formula3.jpg|tumb|left]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1983 2012-01-21T14:59:39Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image:formula3.jpg]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1982 2012-01-21T14:55:21Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[file:formula3.jpg]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1981 2012-01-21T14:54:39Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[file: Formula3|thumb]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1980 2012-01-21T14:53:56Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image: Formula3.JPG|thumb|right|alt]]<br /> [[Image: Moneta.JPG|thumb|right|alt= moneta.| Немска паметна монета, посветена на 250-та годишнина от смъртта на Лайбниц.]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1979 2012-01-21T14:53:01Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image: formula3.JPG|thumb]]<br /> [[Image: Moneta.JPG|thumb|right|alt= moneta.| Немска паметна монета, посветена на 250-та годишнина от смъртта на Лайбниц.]]<br /> <br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1978 2012-01-21T14:51:09Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[image:formula3|thumb.jpg]]<br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1977 2012-01-21T14:49:52Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[file:formula3|thumb.jpg]]<br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8|thumb|.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%92%D0%B8%D0%B4%D0%BE%D0%B2%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%B0%D0%BD%D0%B5&diff=1976 2012-01-21T14:48:55Z

<p>Krasimira racheva: </p> <hr /> <div>Прогнозирането е изкуството и науката за предсказване на бъдещи събития. [[Прогноза|Прогнозите]] за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на [[процес]]а, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.<br /> <br /> <br /> ==Качествени методи==<br /> <br /> Четири от най-важните качествени методи са &quot;Делфи&quot;, пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.<br /> <br /> ==Метод „Делфи”==<br /> <br /> Методът &quot;Делфи&quot; се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:<br /> а/ разработване на унифицирана програма за индивидуално [[анкета|анкетиране]] на експертите<br /> б/ провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват<br /> в/ запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение <br /> г/ използуване на количествени оценки на отговорите на [[експерт]]ите<br /> д/ статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност<br /> е/ информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения<br /> ж/ изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.<br /> <br /> ===Пазарните изследвания===<br /> <br /> Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие.<br /> Класификацията на методите за събиране на данни се осъществява според вида на източниците на [[информация]]. На тази основа те се разделят на първични и вторични. <br /> * Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, [[счетоводен баланс|счетоводни баланси]], предишни пазарни проучвания.<br /> * Вторичните са външни източници на информация, получават се извън фирмата – икономически [[анализ]]и, доклади на държавни институци, [[публикация|публикации]], компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват [[показател]]и за точност.<br /> <br /> ===Аналогия на жизнения цикъл===<br /> <br /> Метод за прогнозиране, базиран на анализ на [[жизнен цикъл|жизнения цикъл]] на аналогична [[стока]] или услуга.<br /> <br /> ===Групова експертна оценка===<br /> <br /> Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение. <br /> * Използват се в случаи, когато тази информация не може да бъде получена по експериментален път<br /> * Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.<br /> Определят се:<br /> * [[обект]]ът, за който се провежда експертиза<br /> * целите на експертното изследване<br /> * видът на експертизата<br /> * видът и съдържанието на експертните оценки<br /> * множеството на допустимите стойности на оценките<br /> * списъкът на [[експерт]]ите<br /> * начинът и правилата на провеждане на експертизата<br /> <br /> ==Прогнозиране с времеви редове==<br /> <br /> Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с [[наличност]]ите и [[план-графиk|план-графиците]]. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, [[експоненциално изглаждане|експоненциалното изглаждане]], иконометричните модели и методът на Бокс-Дженкинс.<br /> <br /> ===Пълзяща средна===<br /> <br /> Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че [[времеви ред|времевият ред]] има само компонента &quot;равнище&quot; плюс случайна компонента. Не се предполага да се търси сезонна компонента, [[тренд]] или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред.<br /> Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в [[търсенето]]. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на [[търсене]]то. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:<br /> <br /> [[file:formula1.jpg]]<br /> <br /> <br /> - търсенето за даден период t<br /> - прогнозното търсене през период t+1<br /> - средната, изчислена за период t<br /> <br /> Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата [[прогноза]] за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:<br /> <br /> [[file:formula2.jpg]]<br /> <br /> След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната &quot;пълзи&quot; след появяването на новите [[данни]]. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.<br /> <br /> Общо правило е, че колкото е по-дълъг периодът на [[осредняване]], толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N<br /> Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича &quot;претеглена пълзяща средна&quot;.<br /> <br /> [[file:formula3.jpg]]<br /> <br /> <br /> При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:<br /> <br /> W= const=1/N<br /> <br /> Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. &quot;[[метод на експоненциално изглаждане]]&quot;.<br /> <br /> ===Експоненциално изглаждане===<br /> <br /> Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето.<br /> Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:<br /> 1) Експоненциалните модели са сравнително точни.<br /> 2) Относително лесно формулиране на модела.<br /> 3) Изискват се малко изчисления, които могат да се извършат [[автоматизиранe|автоматизирано]] чрез компютър.<br /> 4) Не е необходимо съхраняването на голям обем данни за миналото.<br /> 5) Лека процедура за тестване на точността на модела.<br /> <br /> Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото [[търсене]]. За да се формализира горепосочената логика, средната се изразява:<br /> <br /> [[file:formula4.jpg]] <br /> <br /> В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 &lt;α&lt;1 ).<br /> Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите.<br /> При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без [[цикъл|цикли]], сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:<br /> <br /> <br /> [[file:formula5.jpg]]<br /> <br /> В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:<br /> <br /> [[ file:formula6.jpg]]<br /> <br /> Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните.<br /> Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:<br /> <br /> <br /> [[file:formula7.jpg]] <br /> <br /> Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α.<br /> Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.<br /> <br /> <br /> <br /> ===Метод на Бокс-Дженкинс ===<br /> <br /> Статистически метод за анализ на времеви редове, базиран на Байесово [[апостериорно разпределение]], отличаващ се с голяма степен на точност.<br /> <br /> <br /> ==Каузални методи за прогнозиране ==<br /> <br /> Каузалните методи за прогнозиране включват [[регресия]]та, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи.<br /> Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.<br /> <br /> ===Прогнозиране чрез регресионен модел===<br /> <br /> Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.[[Анализатор]]ът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за [[прогнозиране]] трябва да бъде специфицирана изцяло от анализатора.<br /> Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на [[фактор]]ите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на [[тренд]]а,получен като функция на времето.<br /> Най- простия случай е линейният модел с една независима променлива:<br /> <br /> [[file:formula8|thumb|.jpg]]<br /> <br /> Където:<br /> Y-оцененото търсене<br /> X-независимата променлива фактор (причиняващ промените в Y)<br /> a-свободния член на модела(стойност на Y при X=0)<br /> b-регресионният коефициент, измерващ наклона на регресионната линия<br /> <br /> Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно [[вариация]]та на продажбите на съответния продукт. <br /> <br /> ===Иконометрични модели===<br /> <br /> <br /> Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.<br /> <br /> <br /> ===Имитационни модели===<br /> <br /> Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на [[аналитичен модел]]. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно: <br /> -cтатичен, динамичен.<br /> * Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по [[метод Монте Карло]] ).<br /> * Динамичен: Системата се разглежда с промените, които настъпват във времето.<br /> -детерминиран, стохастически<br /> * Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.<br /> * Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.<br /> -Непрекъснат, дискретен<br /> * Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез [[диференциални уравнения]] относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране. <br /> * Дискретен: Дискретният модел отразява изменението на състоянието на [[обект]]а, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.<br /> <br /> ==Избор на метод за прогнозиране==<br /> <br /> Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.<br /> <br /> ==Източници==<br /> <br /> [[category:Моделиране и прогнозиране в управлението|Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%9B%D0%BE%D0%B3%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%BD%D0%B0_%D1%84%D1%83%D0%BD%D0%BA%D1%86%D0%B8%D1%8F&diff=1975 2012-01-21T14:26:05Z

<p>Krasimira racheva: </p> <hr /> <div>'''Логистичната функция''' или '''логистичната крива''' е обща сигмоидна крива (на англ. [[sigmoid curve]]), получила името си през 1844 г. или 1845 г. от [[Пиер Франсоа Ферхулст]] , който я изучава във връзка с прираста на населението. Тя може да е модел на &quot;S-образна&quot; крива (съкратено S-крива), посочваща растежа на някои населения ''P.'' В началния етап растежът е приблизително експоненциален, след което, когато насищането започне, растежът се забавя и на датата на падежа - растежът спира. <br /> <br /> Простата логистична функция може да бъде дефинирана с формулата <br /> <br /> [[image:logistic_function.png]]<br /> <br /> <br /> където променливата ''Р'' може да се счита за обозначаване на населението, а с променливата ''t'' се отбелязва времето''.'' Стойностите на ''t'' са в интервала на [[реалните числа]] от - ∞ до + ∞. На практика, поради естеството на [[показателната функция]] ''e''−''t'', е достатъчно да се изчисли ''t ''кат''о '' малък диапазон от реални числа като [-6, 6].<br /> <br /> <br /> <br /> Логистичната функция намира приложение в редица области, включително [[невронна мрежа|изкуствени невронни мрежи]], [[биология]], биоматематика, [[демография]] , [[икономика]] , [[химия]] , [[математическа психология]] , [[теория на вероятността]] , [[социология]] , [[политически науки]] и [[статистика]] . Тя е лесна за изчисляване на производни:<br /> <br /> <br /> <br /> [[image:Picture 2|\frac{d}{dt}P(t) = P(t)\cdot(1-P(t))\,\! .]]<br /> <br /> <br /> <br /> Тя има свойството, че:<br /> <br /> <br /> <br /> [[image:Picture 3|1-P(t) = P(-t)\! .]]<br /> <br /> <br /> <br /> С други думи функцията ''P - 1/2'' е [[нечетена]].<br /> <br /> <br /> <br /> <br /> <br /> [[Image: LogisticFunction.png|thumb|right|alt=Проста логистична функция| Проста логистична функция]]<br /> <br /> <br /> <br /> <br /> <br /> ==Логистично диференциално уравнение==<br /> <br /> Логистичната функция е решението на простото от първи ред нелинейно [[диференциално уравнение]] <br /> <br /> [[image:Picture 4|\ Фракции {г} {} DT P (T) = P (у) (1-P (т)) \!]]<br /> <br /> <br /> <br /> където ''Р'' е променлива, по отношение на времето ''t'' и с [[граничното условие]] ''P'' (0) = 1 / 2. Това уравнение е непрекъснатата версия на [[логистичната карта]].<br /> <br /> <br /> <br /> <br /> <br /> Качественото поведение е лесно разбираемо в условията на [[фаза линия]]: производната е 0 при ''P'' = 0,1 и производната е положителна за ''P'' между 0 и 1, и отрицателни за ''P'' над 1 или по-малко от 0 (въпреки негативната популация която като цяло не съответства с физическия модел).<br /> <br /> Така се получава едно нестабилно равновесие на 0 и стабилно равновесие на 1, и по този начин за всяка ''Р'' стойност по''-''голямаот 0 и по-малка от 1, ''P'' нараства до 1. <br /> <br /> Човек може лесно да намери „символичното” решение на <br /> <br /> [[image:Picture 5|P(t)=\frac{e^{t}}{e^{t}+e^{c}}]]<br /> <br /> <br /> <br /> Изборът на постоянната интеграцията ''ec'' = 1 дава другите добре познати форми на определението на логистичната крива<br /> <br /> [[image:Picture 6|P(t) = \frac{e^{t}}{e^{t} + 1} \! = \frac{1}{1 + e^{-t}} \! ]]<br /> <br /> <br /> <br /> По голямо количество, както може да се види от аналитично решение, логистичната крива показва началото на показателния растеж на отрицателната стойност ''t'', която е приблизителен резултат от намаляването на този растеж по наклон ¼ при ''t'' = 0, тогава приближаването ''y'' = 1 не съответства с разлагащата се прогресивна разлика.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> Логистичната функция е обратна на естествената логит функция (на англ. [[logit]]) и може да се използва за превръщане на логаритъма от неравенство във [[вероятност]]; преобразуването от лог - вероятност съотношение на две алтернативи също е под формата на логистична крива.<br /> <br /> <br /> <br /> Логистичната сигмоидна функция е свързана с [[хиперболичен тангенс]] <br /> <br /> <br /> <br /> [[image:Picture 7|2 \, P(t) = 1 + \tanh \left( \frac{t}{2} \right).]]<br /> <br /> ==В екологията: моделиране прираста на населението==<br /> <br /> <br /> <br /> [[Image: LogisticFunction2.png|thumb|right|alt= Пиер Франсоа Ферхюлст ( на англ. Pierre-François Verhulst (1804–1849)| Пиер Франсоа Ферхюлст ( на англ. Pierre-François Verhulst (1804–1849)]]<br /> <br /> <br /> <br /> <br /> <br /> Типичното прилагане на [[логистичното уравнение]] е един общ модел за растеж на населението , дължащо се на [[Пиер Франсоа Ферхюлст]] (на англ. [[Pierre-François Verhulst]]) през 1838 г., когато размерът на възпроизвеждането е пропорционален на вече съществуващото население и размерът на наличните ресурси, всички други са еднакви.<br /> <br /> Уравнението Ферхлюст е публикувано след като Ферхлюст е прочел „[[Томас Малтус]] &quot; [[''Опит върху принципа на населението '']]''&quot;''. Ферхлюст е получил своето логистично уравнение за описване на самоограничаващия се растеж на биологичното население.<br /> <br /> <br /> <br /> Това равенство също така понякога се нарича ''Verhulst-Pearl уравнение'' след преоткриването му през 1920 година. Алфред Лотка (на англ. [[Alfred J. Lotka]]) извежда уравнението отново през 1925 г., като го нарича ''закон за ръста на населението.''<br /> <br /> <br /> <br /> Оставяйки ''P'' да е размера на населението ''(N'' често се използва в областта на екологията) и ''t'' - време, този модел е формализирано от [[диференциалното уравнение]]<br /> <br /> [[image:Picture 8|\frac{dP}{dt}=rP\left(1 - \frac{P}{K}\right)]]<br /> <br /> <br /> <br /> където постояннaта величина ''R'' определя скоростта на растеж и ''К'' е [[транспортният капацитет]].<br /> <br /> <br /> <br /> В уравнението в безпрепятствен темп на растеж се моделира от първия период +''rP.'' Стойността на размера ''R'' представлява пропорционално увеличение на населението ''P'' в една единица време. По късно, тъй като населението нараства, а вторият период, който се умножава е −''rP''2''/K,'' става по-голям от първия, тъй като някои членове на обществото ''P'' пречат един на друг, конкурирайки се за някои критични ресурси, като храна или жилищна площ. Този антагонистичен ефект се нарича ''пречка,'' и се моделира от стойността на параметъра ''К''. Конкуренцията намалява комбинирания темп на растеж, докато стойността на ''P'' престава да се увеличава (това се нарича ''пълно развитие на населението'').<br /> <br /> Разделяйки двете страни на уравнението на ''K'' се получава<br /> <br /> [[image:Picture 9|\frac{d}{dt}\frac{P}{K}=r\frac{P}{K}\left(1 - \frac{P}{K}\right)]]<br /> <br /> <br /> <br /> <br /> <br /> Сега изразяването ''х'' = ''P'' / ''K'' отбелязва диференциалното уравнение<br /> <br /> [[image:Picture 10|\frac{dx}{dt} = r x (1-x)]]<br /> <br /> <br /> <br /> За ''r'' = 1 имаме конкретен случай, с които сме започнали.<br /> <br /> <br /> <br /> В [[екологията]] , видовете понякога се отнасят като r-стратег или K-стратег в зависимост от [[избирателните]] процеси, които са оформили тяхната стратегия за жизнен цикъл. Решението на уравнението (с ''P'' 0 съществуваща първоначала популация) е<br /> <br /> [[image:Picture 11|P(t) = \frac{K P_0 e^{rt}}{K + P_0 \left( e^{rt} - 1\right)} ]]<br /> <br /> <br /> <br /> където<br /> <br /> [[image:Picture 12|\lim_{t\to\infty} P(t) = K.\,]]<br /> <br /> <br /> <br /> Което означава, че ''K'' е гранична стойност на ''P:'' най-високата стойност в която населението може да достигне дадено безкрайно време (или се доближава до достигане на ограниченото време). Важно е да се подчертае, че транспортния капацитет е асимптотично постигнат независимо от първоначалната стойност ''P'' (0) &amp;gt; 0, и в случай, че ''P'' (0) &amp;gt; ''K.''<br /> <br /> <br /> <br /> ===Променлив във времето транспортен кацитет===<br /> <br /> <br /> <br /> Тъй като условията на околната среда влият на транспортния капацитет, вследствие на това той може да бъде променлив във времето: ''K (т)&amp;gt;'' 0, което довежда до следния математически модел:<br /> <br /> [[image:Picture 13|\frac{dP}{dt}=rP\left(1 - \frac{P}{K(t)}\right)]]<br /> <br /> <br /> <br /> Особено важен случай е, че транспортният капацитет се променя периодично с период ''Т:''<br /> <br /> [[image:Picture 1|K(t+T) = K(t).\,]]<br /> <br /> <br /> <br /> Може да се докаже, че в такъв случай, независимо от първоначалната стойност ''P'' (0)&amp;gt; 0, ''P( t)'' ще клони към уникално периодично решение ''P''*(''t''), чийто период е ''T''.<br /> <br /> <br /> <br /> Характерната стойност за ''T'' е една година: в такъв случай ''K ''(''t'') отразява периодични промени в метеорологичните условия.<br /> <br /> <br /> <br /> Друго интересно обобщение е, че транспортния капацитет K(t) е функция на населението в по-ранен момент, улавя забавянето на начина, по който населението променя заобикалящата го среда. <br /> <br /> <br /> <br /> ==В невронни мрежи==<br /> <br /> <br /> <br /> Логистичните функции често се използват в [[невронните мрежи]] за въвеждане на [[нелинейност в модел]] и / или за стягащи сигнали в рамките на определен [[диапазон]]. Популярния [[невроннен мрежов елемент]] изчислява една [[линейна комбинация]] от неговите входни сигнали и прилага ограничена логистична функция на резултата. Този модел може да се разглежда като &quot;загладен&quot; вариант на класическия [[невронов праг]] .<br /> <br /> Общ избор за активиране или &quot;смазване&quot; на функциите, използвани за клип на големи величини за съхраняване на отговор на ограничени невронни мрежи, е<br /> <br /> [[image:Picture 2|g(h) = \frac{1}{1 + e^{-2 \beta h}} \! ]]<br /> <br /> <br /> <br /> което ние познаваме, че е от формата на логистична функция. Тези отношения са резултат от опростената реализация на изкуствени [[невронни мрежи]] с [[изкуствени неврони]] . Лекари предупреждават, че сигмоиднитеа функции, които са симетрични по произхода (например [[хиперболичен тангенс]] ) водят до по-бързо сближаване, когато класификацията на мрежите е с обратно [[разпространение]].<br /> <br /> <br /> <br /> ==В статистиката==<br /> <br /> <br /> <br /> Логистичните функции се използват и в [[статистика]]та. Първо, те са [[кумулативната функция на разпределението]] на [[логистичнoто семейство на разпределението]]. На второ място те се използват в [[логистичната регресия]] на модела за начина, по който вероятноста ''р'' на дадено събитие може да бъде засегната от една или повече обяснителни [[променливи]] величини : например би могло да има модел<br /> <br /> [[image:Picture 3|p=P(a + bx)\,]]<br /> <br /> <br /> <br /> където ''х'' е обяснителната променлива величина,а ''а ''и'' b'' са параметри на моделите, които се монтират.<br /> <br /> Едно важно приложение на логистичната функция е в [[модела Раш]] ([[Rasch model]]). По-специално, моделът Rasch представлява основа за максимална вероятностна оценка на местоположението на обекти или лица, за един непрекъснат процес, въз основа на колекциите на категорични данни, например способностите на хората за един непрекъснат процес въз основа на отговорите, които са били категоризирани като правилно и неправилно.<br /> <br /> ==В медицината: моделиране растежа на туморите==<br /> <br /> <br /> <br /> Друго приложение на логистичната крива е в медицината, където се използва логистичното диференциално уравнение за моделиране на растежа на туморите. Това приложение може да се счита за продължаване на посочените по-горе рамки на екологията. Обозначен с ''Х (t)'' размера на тумора по време ''t'' се получава<br /> <br /> <br /> <br /> [[image:Picture 1|X^{\prime}=r\left(1 - \frac{X}{K}\right)X]]<br /> <br /> <br /> <br /> което е от вида:<br /> <br /> <br /> <br /> [[image:Picture 4|X^{\prime}=F\left(X\right)X, F^{\prime}(X) \le 0 ]]<br /> <br /> <br /> <br /> където ''F (Х)'' е най-разпространения вид тумор.<br /> <br /> Ако химиотерапия започва с ефект „вход-убий” уравнението може да бъде <br /> <br /> [[image:Picture 7|X^{\prime}=r\left(1 - \frac{X}{K}\right)X - c(t)X, ]]<br /> <br /> <br /> <br /> където ''c''(''t'') е терапията водеща до смърт. В случай на много дълго лечение ''c(t)'' може да се моделира като периодична функция (с петиод Т) или (в случай на продължителна терапия), като константна функция<br /> <br /> <br /> <br /> [[image:Picture 10| \frac{1}{T}\int_{0}^{T}{c(t)\, dt} &gt; r \Rightarrow \lim_{t \rightarrow +\infty }x(t)=0 ]]<br /> <br /> <br /> <br /> например, ако средната на терапията водеща до смърт е по-голяма от първоначалната ставка на разпространението тогава там имаме ликвидиране на болестта. Разбира се, това е прекалено опростен модел, както на растежа така и на лечението (например той не взема под внимание феномена на клонинговата резистентност).<br /> <br /> <br /> <br /> <br /> <br /> ==В химията: реакционни модели==<br /> <br /> <br /> <br /> Концентрация на реагентите и продуктите в [[автокаталитичните реакции]] (в които поне един от продуктите е [[реагент]]) следват логистичната функция.<br /> <br /> <br /> <br /> <br /> <br /> ==Във физиката: разпределение на Ферми ==<br /> <br /> <br /> <br /> Определя статистическото разпределение на фермиони над енергийните състояния на системата в термодинамично равновесие. С други думи, това е разпределението на вероятностите , когато всички възможни нива на енергия са заети от фермион, според статистиката Ферми – Дирак ( на англ. [[Fermi-Dirac statistics]]).<br /> <br /> <br /> <br /> <br /> <br /> '''''В езикознанието: смяна на езика<br /> <br /> '''''<br /> <br /> В лингвистиката, логистичната функция би трябвало да е езиков модел на климата. Иновация, която несигурно в началото се разпространява бързо с времето, а до края на този процес остава само една много малка част от елементите, които не са били подложени на съответната промяна.<br /> <br /> <br /> <br /> <br /> <br /> ==В икономиката==<br /> <br /> <br /> <br /> Логистичната функция може да се използва за илюстриране напредъка на дифузия на иновациите чрез техния жизнен цикъл. Този метод е бил използван в документи от няколко изследователи в Международния институт за приложни системни анализи (IIASA). Тези документи се занимавали с разпространението на различни иновации, инфраструктура, заместители на енергията и ролята на работата в икономиката, както и с дългосрочния икономически цикъл. Дългите икономическите цикли били изучавани от Робърт Айрес (1989 г.). Книгата на Арнулф Грюблер (1990) дава подробно описание на разпространението на инфраструктурните обекти, включително канали, жп линии, магистрали и авиокомпани, показвайки че тяхното разпространение следва формата на логистичната крива.<br /> <br /> <br /> <br /> <br /> <br /> ==Двойна логистична функция==<br /> <br /> <br /> <br /> [[Image: LogisticFunction3.png|thumb|right|alt= Двойна логистична сигмоидна крива| Двойна логистична сигмоидна крива]]<br /> <br /> <br /> <br /> <br /> <br /> Двойната логистична функция е подобна на логистичната функция с множество приложения. Нейната обща формула е:<br /> <br /> <br /> <br /> [[image:Picture 1| y = \mbox{sgn}(x-d) \, \Bigg(1-\exp\bigg(-\bigg(\frac{x-d}{s}\bigg)^2\bigg)\Bigg), ]]<br /> <br /> <br /> <br /> където'' d ''е нейният център, а ''s'' е стръмния фактор. Тук „sgn” представлява [[сигнум]] функция.<br /> <br /> Тя се основава на кривата на [[Гаус]] (на англ. [[Gaussian curve]]) и графически е подобна на два еднакви логистични сигмоида свързани заедно в точката ''х = d.''<br /> <br /> Едно от приложенията и е при нелинейното нормализиране на проби, тъй като има свойството да отстранява отделените слоеве.<br /> <br /> <br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> <br /> * Jannedy, Stefanie; Bod, Rens; Hay, Jennifer (2003). ''Probabilistic Linguistics''. Cambridge, Massachusetts: MIT Press<br /> * Gershenfeld, Neil A. (1999). ''The Nature of Mathematical Modeling''. Cambridge, UK: Cambridge University Press.<br /> * Kingsland, Sharon E. (1995). ''Modeling nature: episodes in the history of population ecology''. Chicago: University of Chicago Press.<br /> * Weisstein, Eric W., &quot;Logistic Equation&quot; from MathWorld.<br /> <br /> <br /> <br /> <br /> <br /> ==Външни препратки==<br /> <br /> <br /> <br /> <br /> <br /> [http://rasch.org/rmt/rmt64k.htm От къде произхожда терминът логистична крива]<br /> [http://luna.cas.usf.edu/~mbrannic/files/regression/Logistic.html Логистична регресия]<br /> [http://luna.cas.usf.edu/~mbrannic/files/regression/Logistic.html - Използване на проста S крива в Excel]<br /> [http://mathworld.wolfram.com/SigmoidFunction.html Сигмоидна функция]<br /> [http://jsxgraph.uni-bayreuth.de/wiki/index.php/Logistic_process - Логистичен процес]<br /> [[http://www.appricon.com/index.php/logistic-regression-analysis.html - Анализ и интерпретация на логистичната регресия]]<br /> [http://www.omidrouhani.com/research/logisticregression/html/logisticregression.htm Логистична регресия]<br /> <br /> [[category:Управленски решения и риск]]</div>

Krasimira racheva https://wiki.basaga.org/index.php?title=%D0%93%D0%BE%D1%82%D1%84%D1%80%D0%B8%D0%B4_%D0%9B%D0%B0%D0%B9%D0%B1%D0%BD%D0%B8%D1%86&diff=1974 2012-01-21T14:23:30Z

<p>Krasimira racheva: </p> <hr /> <div>[[Image: laibnic.jpg|thumb|right|alt= laibnic.| Готфрид Вилхелм фон Лайбниц.]]<br /> <br /> <br /> <br /> '''Готфрид Вилхелм фон Лайбниц''' (нем. Gottfried Wilhelm von Leibniz; 21 юни (1 юли 1646, [[Лайпциг]], [[Германия]] – 14 ноември 1716 , [[Хановер]], Германия) е немски [[философ]], [[математик]], [[юрист]] и [[дипломат]].<br /> <br /> <br /> <br /> ==Биография==<br /> <br /> <br /> <br /> [[Image: marka.JPG|thumb|right|alt=marka.| Марка посветена на Лайбниц.]]<br /> <br /> <br /> <br /> Лайбниц е роден на 1 юли 1646 г. в семейството на [[професора]] по [[етика]] от [[Лайпцигския университет]] Фридрих Лайбниц и неговата жена Катерина Шмюк.<br /> <br /> Баща му умира, когато Готфрид е бил на 8 години. В наследство му оставя голямата си лична библиотека. Свободният достъп до книгите и вроденият талант, позволили на младия Лайбниц, само на 12 години, самотоятелно да изучи [[латински]] и да започне изучаването на [[гръцки език]].<br /> <br /> На 15 години Готфрид сам постъпва в Лайпцигския университет, където по рано е работил баща му. Докато е студент се запознава с работите на [[Кеплер]], [[Галилей]] и други учени. След 2 години се мести в [[Йенския университет]], където изучава [[математика]]. После пак се връща в Лайбциг за да учи право, но не успява да получи докторска степен. Разсторен от отказа, Готфрид се отправя към [[Нюрнбергския университет]], където успешно защитава дисертация за исканата докторска степен. Яснотата на изложението и ораторският талант на Лайбниц, при защитата на дисертацията, предизвикват весобщо възхищение.<br /> <br /> Същата година написва първото от многото си съчинения- „За комбинаторното изкуство”. Изпреварвайки времето с два века, 20 годишният Лайбниц замисля проект за математизиране на [[логиката]]. Бъдещата теория (която не завършва) той нарича „всеобща характеристика”. Тя включва всичките [[логически операции]], свойствата на които, той ясно представил.<br /> <br /> Завършвайки обучението си, се устройва на работа, като съветник на курфюста [[Майнц]], по юридически и търговски дела. Работата изсиквала постоянни пътувания по цяла Европа. По време на тези пътешествия се запознава с [[Гюйгенс]], който се съгласява да го обучава по математика. Службата не продължава дълго. В началото на 1672 година, с важна дипломатическа мисия, Лайбниц напуска Майнц, а след около година курфюстът умира.<br /> <br /> По това време Готфрид Лайбниц създава &quot;[[Степенчат изчислител]]&quot;, механизм, способен да оперира с четирите основни аритметични операции и да изважда квадратен корен, при това с 12-разредни числа. За съжаление, изчислителят имал много недостатъци и се нуждаел от постоянен ремонт.<br /> <br /> През 1673 г. Лайбниц е в Лондон, където на заседание на [[Кралското общество]], демонстрира [[арифмометъра]] си (степенчатия изчислител) и го избират за член на Обществото. От [[Олденбург]], президентът на Обществото, получава изложените нютоновски открития: анализ на [[безкрайно малките числа]] и [[теорията на безкрайните редове]]. Веднага оценява моща на метода и започава да го развива. Така той въвежда първия ред за числото π:<br /> <br /> <br /> [[image:leibniz.png]]<br /> <br /> <br /> През 1675 г. Лайбниц завършва варианта на [[матемаческия си анализ]], като внимателно обмисля неговата символика и терминология. Почти всички негови нововъведения се използват в науката, като само терминът „интеграл” е въведен от [[Якоб Бернулий]], а Лайбниц го е нарекъл просто сума.<br /> <br /> Лайбниц продължава математическите си изследвания и открива „основната теорема на анализа”. Разменя си няколко любезни писма с [[Нютон]], в които моли да му разясни някои неясни неща относно теорията на редовете. Вече през 1676 г., в писмата си Лайбниц излага основите на математическия си анализ. Обема на неговите преписки е колосален.<br /> <br /> През 1682 основава научното списание [[Acta Eruditorum]], което изиграва значителна роля в разпространението на [[научните знания]] в [[Европа]].<br /> <br /> През 1697 г. , по време на пътуването си из Европа, руският цар [[Петър I]] се запознава с Лайбниц. Това била случайна среща в хеноверския замък Копенбрюг. По време на тържество през 1711 г., посветено на сватбата на наследника на престола [[Алексей Петрович]], се състояла втората им среща. Този път срешата оказва влияние на имератора. На следващата година по молба на императора, Лайбниц го придружава до Теплиц и Дрезден. Тази среща е изключително важна, тъй като довежда до съгласието на императора да се създаде [[Академия на науките]] в [[Петербург]]. Това е началото на развитието на [[научните изследвания]] в Русия по запоедноевропейски образец.<br /> <br /> През 1700 г. Лайбниц основава [[Берлинската академия на науките]] и става нейния първи президент. Избират го за чуждестранен член на [[Френската академия на науките]].<br /> <br /> <br /> [[Image: Moneta.JPG|thumb|rught|alt= moneta.| Немска паметна монета, посветена на 250-та годишнина от смъртта на Лайбниц.]]<br /> <br /> <br /> <br /> Лайбниц умира 1716 г., като на погребението му присъства само неговия личен секретар.<br /> <br /> Лайбниц става първият гражданин на Германия, за когото се издига паметник.<br /> <br /> В чест на Лайбниц, неговото име носят [[кратер]] и най-високата горна верига на [[Луната]], също и университета в Хановер.<br /> <br /> <br /> <br /> ==Философия==<br /> <br /> <br /> <br /> Лайбниц е един от най-важните представители на [[новоевропейската метафизика]], в центара на която стои въпроса за това, какво е [[субстанция]]. Лайбниц развива система, която получава наименованиео [[субстанционален плурализъм]] или [[монадология]]. Според Лайбниц, основание за съществуващите явления и [[феномени]], служат [[простите субстанции]] или [[монади]]. Всичките монади са прости и не съдържат части. Те са безкрайно много и всички се отличават една от друга. Това обяснява безкрайното разнообразия от феномени в света.<br /> <br /> Простите субстанции са създадени то [[Бога]] едновременно и могат да се унищожат само всички заедно. [[Монадите]] не могат да претърпят изменения в своето [[вътршно състояние]] от действията на външни причини, освен от Бог. Лайбниц в една от своите работи , [[„Монадология”]], използва следното метафорични определение за явтономността на съществуващите прости [[субстанции]]: „ Монадите нямат прозорци и врати, през които каквото или който си пожелае, да може да влезе или излезе.” Монадата е способна да измени състоянито си и всичките нейни изменения, произхождат от вътрешния и принцип. Действието на вътрешния принцип, което довежда до изменение на вътрешния живот на монадата, се нарича стремление.<br /> <br /> За [[простите субстанции]] имащи само стремление е подходящо общото име [[монада]] или [[ентелехия]]. Монади имащи по-отчетливи [[възприятия]], съпроводени с [[памет]], Лайбнис нарича [[души]]. В този ред на мисли, не съществува съвършено [[неодушевена природа]]. Доколкото никоя субстанция не може да умре, то тя не може окончателно да се лиши от някой вътрешен живот. Лайбниц твърди, че монадите, които основават явлението „неодушевена” природа, се намират в състояние на дълбок [[сън]] или [[безсъзнание]].Всяка, дори най-неразвитата монада, може да бъде извикана по волята на Бог за [[съзнателен живот]], извършващ определен прогрес в своето развитие.<br /> <br /> Разумните [[души]], съставящи Царство на Духа, се намират на особено положение. Безкрайният прогрес на цялата съвкупност от монади е представен в два аспекта. Първият, е развитието на царството на [[природата]], където господства механичната необходимост. Вторият, е развитието на царството на духа, където основен закон се явява [[свободата]]. Под последния, Лайбниц разбира познаниято на вечните истини, в духа на [[новоевропейския рационализъм]]. Душите в системата на Лайбниц, по негово въображение, представляват „ живото огледало на [[Вселената]]”. Разумните души представят себе си, заедно с представянето на Бога.<br /> <br /> Лайбниц комбинира [[атомизма]] на[[ Демокрит]] с различието на актуалното и потенциалното при [[Аристотел]]. Животът се поява, когато [[атомът]] се пробужда. Тези монади могат да достигнат на равнището на [[самосъзнанието]] ([[аперцепцията]]).<br /> <br /> [[Разумът]] на човек е също монада, а атомите са спящи монади. Монадата притежава две характеристики – [[стремеж]] и [[възприятие]].<br /> <br /> Според Лайбниц [[пространството]] и [[времето]] са субективни – това е способ за възприемането на монадите. В дйствителност, пространството може да не се изчерпва с трите известни измерения. С това Лайбниц повлиявя на [[Кант]].<br /> <br /> Лайбниц счита, че монадите се излъчват и поглъщат от Бог. Неговите функции поддържат предопределената [[хармония]] между монадите.<br /> <br /> <br /> <br /> ==Научна дейност==<br /> <br /> <br /> <br /> Най-важните научни постижения на Лайбниц:<br /> <br /> * Лайбниц, независимо от [[Нютон]], създава [[математически анали]]з – диференциални и интегрални изчисления.<br /> * Създава [[комбинаториката]] като наука; само той, в цялата история на математката, работи еднакво свободно, както с непрекъснатите, така и с дискретните.<br /> * Обосновава необходимостта от редовно измерване на [[температурата на тялото]] на болните.<br /> * Много преди [[Зигмонд Фроид]], доказва съществуването на [[подсъзнанието]] при човека.<br /> <br /> 1684 г. Лайбниц публикува първата в света обширна разработка на [[диференциалното изчисляване]]: „Новия метод на максимумите и минимумите”, при което в първата част името на [[Нютон]] не се споменава, а във втората заслугите на Нютон са описани не ясно. Тогава Нютон не обръща внимание. Неговите разработки по анализа започнали да се издават чак 1704 г.<br /> <br /> В тази кратка разработка на Лайбниц, се излагат основите на диференциалното изчисление. Използвайки геометричното тълкуване на отношението dy/dx, той накратко обеснява признаците на нарастване и намаляване, [[максимум]] и [[минимум]],[[ изпъкналост]] и [[вдлъбнатост ]](следователно и достатачното условие за екстрмум в простия случаи), а така също и [[инфлексната точка]]. Без някакви пояснения, се въвежда и понятието „разлика на разликите” ([[кратни диференциали]]), обозначавано с ddv. Лайбниц пише: „Това което човек, разбиращ от тези изчисления, може да получи в три реда, другите учени мъже са били принудени да търсят по сложни обходни пътища.”<br /> <br /> 1686 г. Лайбниц дава подразделение на съществените числа на [[алгебрични]] и [[трансцедентни]], като по-рано аналогично е класифицирал [[кривите линии]]. Първи въвежда символа на [[интеграла]] и оказал, че тази операция е обратна на диференцирането. <br /> <br /> 1692 г.е въведено общо понятие на криви от семейство с един [[параметър]] и е изведено тяхното уравнение.<br /> <br /> 1693 г. Лайбниц разглежда въпроса за решаването на [[линейни системи]]; така се въвежда понятието [[определител]]. Но това откритие тогава не е придизвикало интерес и [[линейната алгебра]] възниква едва след половин век.<br /> <br /> 1695 г. Лайбниц въвежда [[показателна функция]] в най-общ вид: uv.<br /> <br /> 1702 г. заедно с [[Бернулий]], е открил начин на [[разлагане]] на [[рационалните дроби]] на сума от прости. Това решава много въпроси за интегралите на [[рационалните функции]]. <br /> <br /> Подхода на Лайбниц към математическия анализ е имал някой особености. Лайбниц е мислил за външния анализ не [[кинематически]], като [[Нютон]], а алгебрически. В първите си работи, той е разбирал безкрайно малките обекти, като актуални обекти, сравними между себе си, само ако са от един [[порядък]]. Възможно е да се е надявал да намери връзката им със своята концепция за монадите. Накрая на живота си той се изказал в полза на безкрайнo малки величини , т.е. [[променливите величини]], но не е пояснил какво е имал в предвид. В общо философски план той разглеждал безкраино малките величини, като основа на [[непрекъснатостта]] в природата.<br /> <br /> Лайбниц е описал [[двуичната система]] на изчисления с цифри 0 и 1, на която е оснавана съвременната [[компютърна техника]].<br /> <br /> Във [[физиката]], Лайбниц е въвел понятието [[жива сила]] ([[кинетична енергия]]) .<br /> <br /> <br /> <br /> ==Изобретения==<br /> <br /> <br /> <br /> <br /> <br /> [[Image: stepenchat_izchislitel.jpg|thumb|left|alt=stepenchat izchislitel.| Изобретеният от Лайбниц степенчат изчислител.]]<br /> <br /> <br /> <br /> През 1673 г. след запознававането си с [[Християн Хюйгенс]], Лайбниц е създал [[механична сметачна машина]], изпълняваща [[аритметически действия]].Машината е била демонстрирана във френската академия на науките и Лондонското кралско общество.<br /> <br /> Лайбниц е подсказал на [[Ден Папен]] конструкцията на [[парната машина]] (цилиндър и бутало).<br /> <br /> Други негови изобретения могат да се отбележат: устройство за използване енергията на вятъра при отвеждане на водите от шахти и чертежи на [[подводната лодка]].<br /> <br /> <br /> <br /> ==Oсновни произведения==<br /> <br /> <br /> <br /> * „Монадология”, 1714<br /> * „Нова система на природата”<br /> * „Нови опити върху човешкия разум”<br /> * „Размишления за физика”, 1686<br /> <br /> <br /> <br /> ==Източници==<br /> <br /> <br /> <br /> * Погребысский И. Б. Готфрид Вильгельм Лейбниц. М., 1971.<br /> * Герье В. И. Лейбниц и его век: Отношения Лейбница к России и Петру Великому. СПб., Наука, 2008 (Слово о сущем; Т.75)<br /> * Альманах «Философский век»<br /> * Каринский Вл. Умозрительное знание в философской системе Лейбница<br /> * Серебреников В. С. Лейбниц и его учение о душе человека.<br /> * Белл Э. Т. Творцы математики.<br /> <br /> <br /> <br /> ==Препратки==<br /> <br /> <br /> <br /> * [http://www.i-text.narod.ru/lib-f.html/ Произведения на Лайбниц (на руски)]<br /> * [http://www.litclub.com/library/fil/leibniz/der_briefwechsel.html Кореспонденцията между Лайбниц и Кларк]<br /> * [http://www.fmi.uni-sofia.bg/Members/babev/dis-456/zapiski/lekcii-ot-tu/MA11sec88.pdf/view теорема на Лайбниц-Нютон]<br /> <br /> [[category: Управленски решения и риск]]</div>

Krasimira racheva