что такое априорная оценка
априорная оценка
Смотреть что такое «априорная оценка» в других словарях:
априорная информация — Информация, которая была получена ранее рассматриваемого момента времени. Чаще всего таким моментом является проводимый эксперимент. После проведения эксперимента появляется апостериорная информация. [http://www.morepc.ru/dict/] априорная… … Справочник технического переводчика
Априорная информация — [prior information] предварительные данные, представления исследователя, используемые при формировании экономико математической модели. Их источником могут быть, во первых, теоретические соображения (например, представление об отрицательной… … Экономико-математический словарь
Оценка апостериорного максимума — В статистике метод оценки с помощью апостериорного максимума (MAP) тесно связан с методом максимального правдоподобия (ML), но дополнительно при оптимизации использует априорное распределение величины, которую оценивает. Содержание 1 Введение 2… … Википедия
Валидность априорная — (лат. a priori – из предшествующего) – предварительная и скорее интуитивная оценка содержательной валидности теста. Иными словами, это степень, в которой пункты теста имеют, как представляется, априорную связь с моделями поведения, которые… … Энциклопедический словарь по психологии и педагогике
ВАЛИДНОСТЬ, АПРИОРНАЯ — Своего рода предварительная, интуитивная оценка содержательной валидности теста. Степень, в которой пункты теста, как кажется, имеют интуитивную, априорную связь с моделями поведения, которые, как считается, они тестируют. Также называется… … Толковый словарь по психологии
ЭЛЛИПТИЧЕСКИЙ ОПЕРАТОР — линейный дифференциальный или псевдодифференциальный оператор с обратимым главным символом (см. Символ оператора). Пусть А дифференциальный или псевдодифференциальный оператор (вообще говоря, матричный) на области с главным символом Если А… … Математическая энциклопедия
УСТОЙЧИВОСТЬ РАЗНОСТНЫХ СХЕМ — одно из важных понятий теории разностных (сеточных) методов, характеризующее непрерывную зависимость решений разностных схем но отношению к входной информации. Точнее, пусть разностная схема (разностный или сеточный аналог исходной задачи)… … Математическая энциклопедия
ШАУДЕРА МЕТОД — метод решения краевых задач для линейных равномерно эллиптических уравнений 2 го порядка, в основе к рого лежат априорные оценки и метод продолжения по параметру. Ш. м. решения Дирихле задачи для линейного равномерно эллиптического уравнения… … Математическая энциклопедия
ГИПЕРБОЛИЧЕСКОГО ТИПА УРАВНЕНИЕ — численные методы решения методы решения уравнений гииерболпч. типа на основе вычислительных алгоритмов. Различные математич. модели во многих случаях приводят к дифференциальным уравнениям гиперболич. типа. Такие уравнения имеют точные аиалитич.… … Математическая энциклопедия
Понимаем теорему Байеса
Перевод статьи подготовлен специально для студентов базового и продвинутого курсов «Математика для Data Science».
Теорема Байеса – одна из самых известных теорем в статистике и теории вероятности. Даже если вы не работаете с расчетами количественных показателей, вероятно, вам в какой-то момент пришлось познакомиться с этой теоремой во время подготовки к экзамену.
Вот так она выглядит, но что это значит и как работает? Сегодня мы это узнаем и углубимся в теорему Байеса.
Основания для подтверждения наших суждений
В чем вообще заключается смысл теории вероятности и статистики? Одно из наиболее важных применений относится к принятию решений в условиях неопределенности. Когда вы принимаете решение совершить какое-либо действие (если, конечно, вы человек разумный), вы делаете ставку на то, что после завершения этого действия оно повлечет за собой результат лучший, чем если бы этого действия не произошло… Но ставки – это вещь ненадежная, как же вы в конечном итоге принимаете решение делать ли тот или иной шаг или нет?
Так или иначе вы оцениваете вероятность успешного исхода, и, если эта вероятность выше определенного порогового значения, вы предпринимаете шаг.
Таким образом, возможность точно оценить вероятность успеха имеет решающее значение для принятия правильных решений. Несмотря на то, что случайность всегда будет играть определенную роль в конечном исходе, вам следует учиться правильно использовать эти случайности и оборачивать их в свою пользу с течением времени.
Именно здесь вступает в силу теорема Байеса – она дает нам количественную основу для сохранения нашей веры в исход действия по мере изменений окружающих факторов, что, в свою очередь, позволяет нам со временем совершенствовать процесс принятия решений.
Разберем формулу
Давайте еще раз посмотрим на формулу:
P(A|B) – это пример апостериорной (условной) вероятности, то есть такой, которая измеряет вероятность какого-то определенного состояния окружающего мира (а именно состояния, при котором произошло событие В). Тогда как P(A) – это пример априорная вероятности, которая может быть измерена при любом состоянии окружающего мира.
Давайте посмотрим на теорему Байеса в действии на примере. Предположим, что недавно вы закончили курс по анализу данных от bootcamp. Вы еще не получили ответа от некоторых компаний, в которых вы проходили собеседование, и начинаете волноваться. Итак, вы хотите рассчитать вероятность того, что конкретная компания сделает вам предложение об устройстве на работу, при условии, что уже прошло три дня, а они вам так и не перезвонили.
Перепишем формулу в терминах нашего примера. В данном случае, исход А (Offer) – это получения предложения о работе, а исход В (NoCall) – «отсутствие телефонного звонка в течение трех дней». Исходя из этого, нашу формулу можно переписать так:
Значение P(Offer|NoCall) — это вероятность получения предложения при условии, что звонка нет в течение трех дней. Эту вероятность оценить крайне сложно.
Однако обратной вероятности, P(NoCall|Offer), то есть отсутствию телефонного звонка в течение трех дней, при учете, что в итоге вы получили предложение о работе от компании, вполне можно привязать какое-то значение. Из разговоров с друзьями, рекрутерами и консультантами вы узнаете, что эта вероятность небольшая, но иногда компания все же может сохранять тишину в течение трех дней, если она все еще планирует пригласить вас на работу. Итак, вы оцениваете:
40% — это неплохо и кажется, еще есть надежда! Но мы еще не закончили. Теперь нам нужно оценить P(Offer), вероятность выхода на работу. Все знают, что поиск работы – это долгий и трудный процесс, и возможно вам придется проходить собеседование несколько раз, прежде чем вы получите это предложение, поэтому вы оцениваете:
Теперь нам осталось оценить P(NoCall), вероятность, что вы не получите звонок от компании в течение трех дней. Существует множество причин, по которым вам могут не перезвонить в течение трех дней – они могут отклонить вашу кандидатуру или до сих пор проводить собеседования с другими кандидатами, или рекрутер просто заболел и поэтому не звонит. Что ж, есть множество причин, по которым вам могли не позвонить, так что эту вероятность вы оцениваете как:
А теперь собрав это все вместе, мы можем рассчитать P(Offer|NoCall):
Это довольно мало, так что, к сожалению, рациональнее оставить надежду на эту компанию (и продолжать отправлять резюме в другие). Если это все еще кажется немного абстрактным, не переживайте. Я чувствовал то же самое, когда впервые узнал про теорему Байеса. Теперь давайте разберемся, как мы пришли к этим 8,9% (имейте в виду, что ваша изначальная оценка в 20% уже была низкой).
Интуиция, стоящая за формулой
Помните, мы говорили о том, что теорема Байеса дает основания для подтверждения наших суждений? Так откуда же они берутся? Они берутся из априорной вероятности P(A), которая в нашем примере зовется P(Offer), по сути, это и есть наше изначальное суждение том, насколько вероятно, что человек получит предложение о работе. В нашем примере вы можете считать, что априорная вероятность – это вероятность того, что вы получите предложение о работе в тот же момент, когда покинете собеседование.
Появляется новая информация – прошло 3 дня, а компания вам так и не перезвонила. Таким образом мы используем другие части уравнения, чтобы скорректировать нашу априорную вероятность нового события.
Давайте рассмотрим вероятность P(B|A), которая в нашем примере называется P(NoCall|Offer). Когда вы впервые видите теорему Байеса, вы задаетесь вопросом: Как понять откуда взять вероятность P(B|A)? Если я не знаю, чему равна вероятность P(A|B), то каким магическом образом я должен узнать, чему равна вероятность P(B|A)? Я вспоминаю фразу, которую однажды сказал Чарльз Мангер:
«Переворачивайте, всегда переворачивайте!»
— Чарльз Мангер
Он имел в виду, что, когда вы пытаетесь решить сложную задачу, ее нужно перевернуть с ног на голову и посмотреть на нее под других углом. Именно это и делает теорема Байеса. Давайте переформулируем теорему Байеса в терминах статистики, чтобы сделать ее более понятной (об это я узнал отсюда):
Для меня, например, такая запись выглядит понятнее. У нас есть априорная гипотеза (Hypothesis) — о том, что мы получили работу, и наблюдаемые факты — доказательства (Evidence) – телефонного звонка нет в течение трех дней. Теперь мы хотим узнать вероятность того, что наша гипотеза верна, с учетом предоставленных фактов. Как бы решили выше, у нас есть вероятность P(A) = 20%.
Время переворачивать все с ног на голову! Мы используем P(Evidence|Hypothesis), чтобы посмотреть на задачу с другой стороны и спрашиваем: «Какова вероятность наступления этих событий-доказательств в мире, где наша гипотеза верна?». Итак, если вернуться к нашему примеру, мы хотим знать, насколько вероятно, что, если нам не звонят в течение трех дней, нас все равно возьмут на работу. В изображении выше я пометил P(Evidence|Hypothesis), как “scaler” (скейлер), потому что это слово хорошо отражает суть значения. Когда мы умножаем его на априорное значение, он уменьшает или увеличивает вероятность события, в зависимости от того «вредит» ли какое-либо событие-доказательство нашей гипотезе. В нашем случае, чем больше дней проходит без звонка, тем меньше вероятность того, что нас позовут на работу. 3 дня тишины – это уже плохо (они сокращают нашу априорную вероятность на 60%), тогда как 20 дней без звонка полностью уничтожат надежду на получение работы. Таким образом, чем больше накапливается событий-доказательств (больше дней проходит без телефонного звонка), тем быстрее скейлер уменьшает вероятность. Скейлер – это механизм, который теорема Байеса использует для корректировки наших суждений.
Есть одна вещь, с которой я боролся в оригинальной версии этой статьи. Это была формулировка того, почему P(Evidence|Hypothesis) легче оценить, чем P(Hypothesis|Evidence). Причина этого заключается в том, что P(Evidence|Hypothesis) – это гораздо более ограниченная область суждений о мире. Сужая область, мы упрощаем задачу. Можно провести аналогию с огнем и дымом, где огонь – это наша гипотеза, а наблюдение дыма – событие, доказывающее наличие огня. P(огонь|дым) оценить сложнее, поскольку много чего может вызвать дым – выхлопные газы автомобилей, фабрики, человек, который жарит гамбургеры на углях. При этом P(дым|огонь) оценить проще, поскольку в мире, где есть огонь, почти наверняка будет и дым.
Значение вероятности уменьшается по мере того, сколько проходит дней без звонка.
Последняя часть формулы, P(B) или же P(Evidence) – это нормализатор. Как следует из названия, его цель – нормализовать произведение априорной вероятности и скейлера. Если бы у на не было нормализатора, мы бы имели следующее выражение:
Заметим, что произведение априорной вероятности и скейлера равно совместной вероятности. И поскольку одно из составляющих в нем P(Evidence), то на совместную вероятность повлияла бы маленькая частота событий.
Это проблема, поскольку совместная вероятность – это значение, включающее в себя все состояния мира. Но нам то не нужны все состояния, нам нужны только те состояния, которые были подтверждены событиями-доказательствами. Другими словами, мы живем в мире, где события – доказательства уже произошли, и их количество уже не имеет значения (поэтому мы не хотим, чтобы они влияли на наши расчеты в принципе). Деление произведения априорной вероятности и скейлера на P(Evidence) меняет его с совместной вероятности на условную(апостериорную). Условная вероятность учитывает только те состояния мира, в которых произошло событие-доказательство, именно этого мы и добиваемся.
Еще одна точка зрения, с которой можно взглянуть на то, почему мы делим скейлер на нормализатор, заключается в том, что они отвечают на два важных вопроса – и их отношение объединяет эту информацию. Давайте возьмем пример из моей недавней статьи про Байеса. Предположим, мы пытаемся выяснить, является ли наблюдаемое животное кошкой, основываясь на единственном признаке – ловкости. Все, что мы знаем, так это то, что животное, о котором мы говорим, проворное.
Подведем итог
Теперь, когда мы знаем, как трактовать каждую часть формулы, мы можем наконец собрать все воедино и посмотреть на то, что получилось:
априорная оценка
Смотреть что такое «априорная оценка» в других словарях:
априорная информация — Информация, которая была получена ранее рассматриваемого момента времени. Чаще всего таким моментом является проводимый эксперимент. После проведения эксперимента появляется апостериорная информация. [http://www.morepc.ru/dict/] априорная… … Справочник технического переводчика
Априорная информация — [prior information] предварительные данные, представления исследователя, используемые при формировании экономико математической модели. Их источником могут быть, во первых, теоретические соображения (например, представление об отрицательной… … Экономико-математический словарь
Оценка апостериорного максимума — В статистике метод оценки с помощью апостериорного максимума (MAP) тесно связан с методом максимального правдоподобия (ML), но дополнительно при оптимизации использует априорное распределение величины, которую оценивает. Содержание 1 Введение 2… … Википедия
Валидность априорная — (лат. a priori – из предшествующего) – предварительная и скорее интуитивная оценка содержательной валидности теста. Иными словами, это степень, в которой пункты теста имеют, как представляется, априорную связь с моделями поведения, которые… … Энциклопедический словарь по психологии и педагогике
ВАЛИДНОСТЬ, АПРИОРНАЯ — Своего рода предварительная, интуитивная оценка содержательной валидности теста. Степень, в которой пункты теста, как кажется, имеют интуитивную, априорную связь с моделями поведения, которые, как считается, они тестируют. Также называется… … Толковый словарь по психологии
ЭЛЛИПТИЧЕСКИЙ ОПЕРАТОР — линейный дифференциальный или псевдодифференциальный оператор с обратимым главным символом (см. Символ оператора). Пусть А дифференциальный или псевдодифференциальный оператор (вообще говоря, матричный) на области с главным символом Если А… … Математическая энциклопедия
УСТОЙЧИВОСТЬ РАЗНОСТНЫХ СХЕМ — одно из важных понятий теории разностных (сеточных) методов, характеризующее непрерывную зависимость решений разностных схем но отношению к входной информации. Точнее, пусть разностная схема (разностный или сеточный аналог исходной задачи)… … Математическая энциклопедия
ШАУДЕРА МЕТОД — метод решения краевых задач для линейных равномерно эллиптических уравнений 2 го порядка, в основе к рого лежат априорные оценки и метод продолжения по параметру. Ш. м. решения Дирихле задачи для линейного равномерно эллиптического уравнения… … Математическая энциклопедия
ГИПЕРБОЛИЧЕСКОГО ТИПА УРАВНЕНИЕ — численные методы решения методы решения уравнений гииерболпч. типа на основе вычислительных алгоритмов. Различные математич. модели во многих случаях приводят к дифференциальным уравнениям гиперболич. типа. Такие уравнения имеют точные аиалитич.… … Математическая энциклопедия
Априорная вероятность
Опубликовано 29.05.2021 · Обновлено 29.05.2021
Что такое априорная вероятность?
Априорная вероятность относится к вероятности возникновения события, когда существует конечное количество исходов, и каждый из них имеет одинаковую вероятность. Исходы с априорной вероятностью не зависят от предшествующего исхода. Или, другими словами, любые результаты на сегодняшний день не дадут вам преимущества в прогнозировании будущих результатов. Подбрасывание монеты обычно используется для объяснения априорной вероятности. Вероятность завершения игры орлом или решкой составляет 50% при каждом подбрасывании монеты, независимо от того, выпадет ли у вас решка или орел. Самый большой недостаток этого метода определения вероятностей заключается в том, что он может применяться только к конечному набору событий, поскольку большинство реальных событий, которые нас волнуют, подвержены условной вероятности, по крайней мере, в некоторой степени. Априорная вероятность также называется классической вероятностью.
Ключевые выводы
Понимание априорной вероятности
Априорная вероятность – это в значительной степени теоретическая основа для вероятностей, которые могут быть ограничены небольшим количеством результатов. Формула для вычисления априорной вероятности очень проста:
Априорная вероятность = желаемый результат (ы) / общее количество результатов
Таким образом, априорная вероятность выпадения шестерки на шестигранной кости равна единице (желаемый результат – шесть), деленной на шесть. Таким образом, у вас есть 16% шанс выпадения шестерки и точно такой же шанс с любым другим числом, которое вы выберете на кубике. Конечно, априорные вероятности можно складывать в набор результатов, поэтому ваши шансы выпадения четного числа на одном кубике увеличиваются до 50% просто потому, что желаемых результатов больше.
Пример априорной вероятности из реального мира
Повседневный пример априорной вероятности – это ваши шансы на выигрыш в числовой лотерее. Формула для расчета вероятности становится намного более сложной, поскольку ваши шансы основаны на комбинации чисел на билете, выбранной случайным образом в правильном порядке, и вы можете купить несколько билетов с несколькими комбинациями чисел. Тем не менее, существует ограниченный набор комбинаций, которые приведут к победе. К сожалению, количество возможных результатов затмевает количество желаемых результатов – ваш конкретный набор билетов. Вероятность выиграть главный приз в лотерее, такой как лотерея Powerball в США, составляет одну к сотням миллионов. Более того, шансы выиграть только главный приз (а не разделить его) снижаются по мере увеличения банка и увеличения числа игроков.
Априорная вероятность и финансы
Применение априорной вероятности к финансам ограничено. Помимо того, что люди не хотят отдавать свою финансовую судьбу в руки лотереи, большинство результатов, о которых заботятся финансовые сотрудники, не имеют конечного числа результатов. Вы не можете сказать, что цена акции имеет три возможных исхода: рост, падение или сохранение неизменной цены, если на эти результаты влияет ряд внешних факторов, которые изменяют вероятность каждого исхода.
В финансах люди чаще используют эмпирическую или субъективную вероятность, а не классическую. При эмпирической вероятности вы смотрите на прошлые данные, чтобы понять, какими будут результаты в будущем. С субъективной вероятностью вы накладываете на данные свой личный опыт и взгляды, чтобы сделать звонок, который является уникальным для вас. Если акция росла в течение трех дней после того, как превзошла рекомендации аналитиков, инвестор может разумно ожидать, что она продолжится, основываясь на недавнем ценовом движении. Однако другой инвестор может увидеть то же ценовое движение и вспомнить, что консолидация последовала за резким ростом этих акций два года назад, принимая противоположный смысл из тех же данных о ценах. В зависимости от рынка, оба инвестора могут быть не более точными, чем прогноз, основанный на априорной вероятности, но мы лучше относимся к решениям, которые можем обосновать, используя хотя бы некоторую логику, выходящую за рамки случайности.
Априорная и апостериорная оценка качества прогноза
Апостериори – на основании опыта.
Априори – независимо от предшествующего опыта.
Оценка качества прогноза – одна из центральных проблем в процессе разработки управленческих решений. Степень доверия к разработанному прогнозу во многом влияет на принимаемое решение и сказывается на эффективности управленческих решений, принимаемых с использованием разработанного прогноза.
Однако, как это ни кажется неожиданным, оценка качества прогноза является достаточно сложной задачей не только в момент, когда прогноз только разработан (априорная оценка), но и в момент, когда прогнозируемое событие уже произошло (апостериорная оценка). Прежде чем приступить к обсуждению оценки качества прогноза, отметим тот важный для более четкого понимания процесса принятия решения факт, что качественный прогноз при принятии решения может быть использован по-разному. Если со стороны руководства организации не оказывается значительное воздействие на ход развития событий, а лишь осуществляется наблюдение за ним, то после окончания прогнозируемого периода не-обходимо лишь сопоставить значения спрогнозированных показателей и параметров с полученными в действительности. Это позволяет оценить качество разработанного прогноза апостериорно.
В то же время, пожалуй, более действенным может оказаться использование результатов разработанного прогноза в случае, когда ЛПР может оказать влияние на ход развития событий. Примером такого влияния может являться, в частности, корректировка управляющих воздействий на основании ожидаемых спрогнозированных значений показателей и параметров. Это так называемый активный прогноз. Однако если в результате анализа спрогнозированных значений показателей и параметров ЛПР изменил управляющие воздействия, которые, в свою очередь, изменили развитие прогнозируемых событий, причем нередко в сторону более благоприятную для ЛПР, то вряд ли корректно первоначально разработанный прогноз считать неточным.
Если бы прогноз не был разработан, то не было бы принято и последовавшее за его разработкой эффективное управленческое решение.
После того как прогноз разработан, должны быть определены критерии, по которым точность прогноза может быть оценена.
Как правило, для оценки прогноза используются два метода: дифференциальный или интегральный.
При дифференциальном методе оцениваются наборы оценок отдельных составляющих качества прогноза, имеющих достаточно четкий объективный смысл.
В частности, могут использоваться такие критерии, как ясность и четкость задания на прогноз, соответствие прогноза заданию, своевременность разработки прогноза, профессиональный уровень разработки прогноза, надежность использованной информации и т. д.
Интегральный метод предполагает обобщенную оценку качества прогноза на базе оценки качества прогноза по частным критериям.
Однако в ряде случаев этот способ оказывается недостаточно убедительным, поскольку к оценке качества прогноза по частным критериям вольно или невольно добавляется необходимость оценки сравнительной важности критериев и их влияния на интегральную оценку.
Примером использования интегрального метода может служить критерий «интегрального качества экспертного прогноза» – оценка прогноза, по которому предполагает, в частности, и оценку по перечисленным выше частным критериям.
Если говорить об экспертном прогнозе, то его качество определяется, прежде всего, такими частными критериями, как:
– компетентность (или в более общем виде – качество) эксперта;
– качество информации, предоставляемой экспертам;
– качество экспертной информации, поступающей от экспертов;
– уровень технологии разработки прогноза или, иными словами, качество методов и процедур, используемых при разработке прогноза.
Если период прогнозирования уже завершился, то необходимо сопоставить спрогнозированные значения показателей и параметров с полученными в результате реализовавшегося с действительности хода прогнозируемых событий.
Для проведения такой оценки необходимо принять во внимание все основные факторы, определяющие качество разработанного прогноза.
7. Контроль хода реализации и корректировки прогноза. После того как прогноз подготовлен и представлен руководству организации, заказчику и т. д., наступает новый этап работы с подготовленным материалом.
Вариантная разработка прогноза также предполагает разработку прогноза при различных альтернативных вариантах условий и предположений, которые могут изменяться. События, вчера казавшиеся маловероятными, сегодня происходят, а казавшиеся наиболее вероятными не происходят вовсе. Базируясь на устаревшем, не учитывающем реалии действительного развития событий прогнозе, трудно принять эффективное управленческое решение.
Поэтому неотъемлемой частью современной технологии прогнозирования является периодически осуществляемый (в зависимости от происходящих изменений) мониторинг хода реализации прогнозированного развития событий.
Мониторинг позволяет своевременно выявлять значительные отклонения в ходе развития событий.
Если они могут оказать принципиальное влияние на дальнейший ход событий в части, касающейся принятия важных стратегических решений, то прогноз должен быть подвергнут корректировке.
Необходимо отчетливо понимать, что прогнозы ценны не сами по себе, как возможность профессионального предсказания ожидаемого хода развития событий в той или иной области человеческой деятельности, а в большей степени как необходимый и очень существенный элемент разработки важных управленческих решений.
Поэтому при выявившихся значительных отклонениях в ходе развития событий в прогнозируемой области деятельности, особенно в случае активного прогноза, в уже разработанный прогноз должны вноситься соответствующие коррективы.
Коррективы могут быть различного уровня значимости, сложности, трудоемкости и т. д. Если они не очень значительны, то эта проблема может решаться на уровне аналитической группы, сопровождающей разработкой прогноза.
Если коррективы более существенны, то может потребоваться дополнительное привлечение отдельных экспертов, а в особо важных случаях при наличии значительных изменений – дополнительная работа экспертной комиссии с возможным изменением состава.
Структура прогноза обусловлена сроками, на которые он рассчитан, а также основными направлениями научно-технического развития, которые прежде всего зависят от «срока жизни» тенденций, сложившихся в пери-од, предшествующих их разработке. Чем более устойчивый характер носят эти тенденции, тем шире может быть горизонт прогнозирования. Различные воспроизводственные процессы имеют разные скорости протекания, разные временные циклы. Цикл воспроизводства приборов значительно короче цикла производства станков и другого оборудования, сроки обновления продукции машиностроения в значительной мере определяются динамикой технического уровня орудий труда.
Прогноз является предплановым документом и поэтому его внедрение на практике означает разработку научно-обоснованной стратегии фирмы, бизнес-план на основе использования вариантов прогноза показателей качества, затрат на его достижение и другой информации.
Прогнозирование управленческих решений преследует цель получения научно-обоснованных альтернатив развития для различных показателей, которые используются в НИОКР, а также для развития всей системы менеджмента. Получается, что прогнозирование управленческих решений есть часть системы менеджмента и способствует развитию всей системы в целом.
Но ЛПР должен помнить, что только решения и планы бывают идеальными, а люди и обстоятельства всегда реальны, и поэтому каждое управленческое решение, каждый план несет в себе возможность не только успеха, но и неудачи.
Контрольные вопросы
1. Дайте определения понятиям «прогноз» и «прогнозирование».
2. Какие источники неопределенности выделяют при прогнозировании УР?
3. Каковы основные задачи прогнозирования УР?
4. Какие выделяют источники информации при прогнозировании УР?
5. Охарактеризуйте методы и принципы прогнозирования УР.
6. Какие выделяют этапы прогнозирования УР?
7. Дайте характеристику этапам прогнозирования УР.