决策量化方法--第二章预备知识.ppt

数据挖掘技术(Data -mining) 数据挖掘的有关技术 (1) 统计分析系统(SAS，SPSS) (2) DSS，EIS，ES (3) 多维电子表格及数据库 (4) 神经网络 (5) 数据可视化 数据挖掘技术(Data -mining) 数据挖掘的应用 商品销售 制造 金融服务/信用卡 远程通信 数据库 * 第二章 决策量化方法准备知识 商业电子表格制模（Excel) 概率与统计简介 基础运筹学 数据挖掘技术 概率与概率分布 (1) 数权归纳：更易理解、直观、总体状态与趋势，比较结果，应用于量化方法。 (2) 平均数 mean = 中位数 众 数 变动幅度：最大数值—最小数值 绝对商差均值： 标准差 = 方差 ∑ i=1 n ABS[xi-μ] xi n = μ i=1 n ∑ n [xi-μ]2 ∑ n i=1 n 误差平均均值 = 数据-原始数值 数据-有用形式 信息 处理 数据解释 概率与概率分布 (3) 概率： 事件A发生概率P(A) 独立事件概率： P(A∪B)=P(A)+P(B) (A、B独立事件） P(A∩B)=P(A)?P(B) 条件概率（贝叶斯定律）：P(A/B)= P(A)=0 P(A)=1 0P(A)1 P(B/A) P(A) P(B) 概率与概率分布 实例： 购买的二手车，也许会好，也许会不好。如果买的车好，70%的会耗油量较低， 20%的会有中等的耗油量。如果买的车不好，50的会耗油量较高，30%的会有中等 耗油量。对一辆二手车的实验表明该车耗油量较低。如果成交的二手车有60%是好 的，那么，这辆车属于好的概率为多少？ l?房地产E网 房地产E网-倾力打造行业管理资料库,汇聚海量的免费管理资料,我们将致力为广大管理者提供更多的资料下载服务. 概率与概率分布 概率与概率分布 概率与概率分布 概率树： P(HOC)=0.26 P(MOC)=0.24 P(LOC)=0.50 P(GB/HOC)=0.23 P(BB/HOC)=0.77 P(GB/MOC)=0.5 P(BB/MOC)=0.5 P(GB/LOC)=0.84 P(BB/LOC)=0.16 P=0.06 P=0.20 P=0.12 P=0.12 P=0.42 P=0.08 概率分布 二项分布： 特征：每次实验有两种可能的结果，可以称之为成功和失败；两种结果是互斥的；成功和失败的概率都是一个固定的常数，分别为P和q=1-P；连续实验的结果之间是独立的。 P(n次实验中有r次成功)=Crnprqn-r = prqn-r 均值 = μ = np 方差 = δ2 = n.p.q 标准差 = δ = (n.p.q)1/2 n! r!(n-r)! 柏松分布(pocsson distribution) 柏松分布的特征： 试验次数n较大(大于20)； 成功的概率P较小。 P(r次成功) = 其中e = 2.7183， μ = 平均成功次数 = n.p 均值 = μ= n.p 方差=δ2 = n.p 标准差=δ= （n.p）1/2 *只用到成功的概率 e-μ μr r! 正态分布 特征： 连续的 是关于均值μ对称的 均值、中位数及众数三者相等 曲线下总面积为1 μ f(x) 观察值x 正态分布 f(x)= e-(x- μ)2/2δ2= e- 其中x-变量值，μ-均值，δ-标准差，π=3.14159 e=2.7183 Z= = 商开均值的标准差个数 P(x1 x x2)= z1 = z2 = 1 δ· 2π 1 δ· 2π Z2 2 1-P(x x1)-P(xx2), x1≤μ P(xx1)-P(xx2), x1μ X1-μ δ X2-μ δ μ x1 x2 X-μ δ 概率分布实例 一个中型超市日销售500品脱牛奶，标准差为50品脱。 (a)如果在一天的开门时，该超市有600品脱的牛奶存货，这一天牛奶脱销的概率有多少？ (b)一天中牛奶需求在450到600品脱之间的概率有多大？ (c)如果要使脱销概率为0.05，该超市应该准备多少品脱的牛奶存货？ (d)如果要使脱销概率为0.01，应准备多少品脱的牛奶存货？ 0.0228 0.