Моделирование и количественные методы анализа в бизнесе [2021] [МГУ] [Олег Косоруков]

Моделирование и количественные методы анализа в бизнесе [2021]
МГУ (Высшая Школа Управления и Инноваций филиал МГУ имени М. В. Ломоносова)
Олег Косоруков

Цель реализации Программы.
Освоение курса связанно с изучением теоретических основ статистики, теории вероятностей и получением комплексных знаний по практическому использованию методов обработки и анализа информации в бизнес - среде.

Изучение курса позволяет использовать полученные знания на практике при обработке первичных данных, представлении полученных результатов в виде таблиц, графиков, диаграмм, построении обобщающих показателей.

На их основе обеспечивается возможность использования наиболее эффективных статистических и количественных методов и моделей в экономическом анализе, включая построение распределений, количественные методы оценки вероятностей, методы принятия решений в условиях неопределенности, методы построения доверительных интервалов, методы построения и оценки статистических гипотез.

Спойлер: Результаты обучения

1. Освоить программный инструментарий персонального анализа первичных данных, а именно форматы исходной информации, механизмы работы, методы интерпретации результатов.
2. Изучить основные характеристики описательной статистики, методы их вычисления и интерпретации.
3. Изучить методы количественного анализа неопределенности, способы классификации недетерминированных задач.
4. Сформировать представление и навыки практического вычисления количественных характеристик процессов в условиях неопределенности.
5. Освоить методы принятия решений в условиях неопределенности.

Спойлер: Содержание

Раздел 1. Методы статистической обработки данных

Тема 1. Описание данных: графики и таблицы

• Таблицы частот и гистограммы.
• Формы гистограмм.
• Анализ взаимозависимостей с помощью диаграмм рассеивания.
• Временные ряды.
• Исследование данных с помощью сводных таблиц.

Навыки по результатам изучения темы:​

• уметь строить и интерпретировать таблицы частот и гистограммы (Excel, StatPro);
• уметь строить и интерпретировать диаграммы рассеивания (Excel, StatPro);
• уметь строить и интерпретировать временные ряды (Excel, StatPro);
• уметь проводить анализ данных и проверять гипотезы с помощью сводных таблиц (Excel).

​

Тема 2. Описание данных: обобщающие показатели

• Измерение среднего значения по совокупности.
• Медиана.
• Мода.
• Минимум, максимум и разброс.
• Измерение степени разброса: дисперсия и стандартное отклонение.
• Квартили и персентили.
• Интерпретация стандартного отклонения: правила областей.
• Вычисление обобщенных показателей с помощью надстройки StatPro.
• Меры взаимосвязи: ковариация и корреляция.
• Описание наборов данных с помощью прямоугольных диаграмм.
• Примеры использования программного инструментария.

Навыки по результатам изучения темы:​

• уметь строить описательную статистику совокупности в Excel;
• уметь интерпретировать показатели описательной статистики;
• уметь строить и применять для анализа данных прямоугольные диаграммы (Excel, StatPro);
• уметь выбирать адекватный инструментарий и корректного применения его для анализа количественной информации.

​

Раздел 2. Количественные методы оценки вероятности

Тема 3. Вероятность и распределения вероятностей

• Понятие о вероятности.
• Правило дополнения.
• Аддитивное правило вероятности.
• Условная вероятность и мультипликативное правило.
• Вероятностная независимость.
• Дискретные случайные величины.
• Математическое ожидание и дисперсия.
• Производные вероятностные распределения.
• Распределение двух случайных величин: сценарный подход.
• Распределение двух случайных величин: подход с точки зрения совместной вероятности.
• Независимые случайные величины.
• Взвешенные суммы случайных величин.

Навыки по результатам изучения темы:​

• уметь классифицировать вероятности (простая, совместная, условная) и применять основные законы вычисления вероятностей;
• уметь вычислять математическое ожидание и дисперсию дискретных случайных величин и интерпретировать их;
• уметь вычислять основные вероятностные характеристики для взвешенных сумм случайных величин.

​

Тема 4. Нормальные, биномиальные и Пуассоновские распределения

• Представление непрерывных случайных величин с помощью функции плотности распределения вероятностей.
• Нормальное распределение.
• Функция плотности распределения вероятностей для нормального распределения.
• Стандартизация: Z-значения.
• Таблицы нормального распределения и Z-значения.
• Вычисления с нормальным распределением в Excel.
• Вероятности стандартизованных диапазонов.
• Применение нормального распределения.
• Биномиальное распределение.
• Математическое ожидание и стандартное отклонение для биномиального распределения.
• Биномиальное распределение в контексте выборок.
• Применение биномиального распределения.
• Распределение Пуассона.
• Подбор закона распределения по имеющимся данным.

Навыки по результатам изучения темы:​

• уметь идентифицировать наиболее известные распределения;
• уметь решать задачи с использованием нормального распределения (Excel);
• уметь решать задачи с использованием нормального распределения (Excel);
• уметь применять программный инструмент BestFit для подбора распределений.

​

Тема 5. Многошаговые процедуры принятия решений в условиях неопределенности

• Примеры многошаговых процедур принятия решений.
• Оценка стратегий (EMV).
• Задача с тендером.
• Дерево решений и его программная реализация (TreePlan).
• Дополнительные факторы, влияющие на выбор решения.
• Задача с выводом на рынок нового товара.

Навыки по результатам изучения темы:​

• владеть методологией разбора и анализа многошаговых ситуаций в условиях неопределенности;
• уметь применять надстройку TreePlan для принятия обоснованных решений;
• уметь проводить анализ чувствительности принимаемых решений в Excel.

​

Тема 6. Выборки и распределения выборок

• Терминология теории выборок.
• Методы построения случайных выборок.
• Простейший подход.
• Использование StatPro для построения простых случайных выборок.
• Систематический метод построения выборок.
• Метод стратификации.
• Кластерный подход.
• Многоступенчатые методы построения выборок.
• Введение в теорию оценок.
• Источники ошибок при оценивании.
• Закон распределения выборочного математического ожидания.
• Центральная предельная теорема.
• Определения размеров выборки.
• Некоторые ключевые идеи теории простых случайных выборок.

Навыки по результатам изучения темы:​

• уметь использовать программный инструмент StatPro для построения простых случайных выборок,
• уметь применять метод стратификации (метод пропорциональных частичных выборок).

​

Тема 7. Оценка доверительных интервалов

• Распределения выборочных характеристик.
• t-распределение.
• Доверительный интервал для среднего значения.
• Доверительный интервал для суммарного значения.
• Доверительный интервал для пропорции.
• Доверительный интервал для стандартного отклонения.
• Доверительный интервал для разности двух средних значений.
• Доверительный интервал для разности между долями.
• Управление длиной доверительного интервала.
• Размер выборки для оценки среднего значения.
• Размер выборки для оценки других параметров.

Навыки по результатам изучения темы:​

• уметь классифицировать статистические задачи по типу оцениваемых параметров;
• уметь вычислять доверительные интервалы для задач статистического оценивания (Excel, StatPro);
• уметь определять размеры случайных выборок, исходя из желаемой точности результата (Excel, StatPro).

​

Тема 8. Проверка гипотез

• Основные понятия теории проверки гипотез.
• Нулевая и альтернативная гипотезы.
• Односторонние и двусторонние тесты.
• Типы ошибок.
• Уровень значимости и область отвержения гипотезы.
• Проверка гипотез для математического ожидания.
• Проверка гипотез для доли совокупности.
• Проверка гипотез для разности математических ожиданий.
• Проверка гипотез для разности между долями совокупности.

Навыки по результатам изучения темы:​

• уметь формулировать нулевую и альтернативную гипотезы;

​

Примечание: на момент составление темы актуальная цена не известна

Продажник