Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
курс_Лекций_ит.doc
Скачиваний:
1
Добавлен:
01.07.2025
Размер:
3 Мб
Скачать
☆

Программы управления проектами (уп).

Пользователи:

  1. Топ – менеджеры

  2. Проджект менеджеры

Основные функции программ УП:

  1. Составление и модификация календарных планов и проектных работ

  2. Управление затратами

    1. Учет всех видов затрат

    2. Учет альтернативных расценок на каждый ресурс

    3. Прогноз инфляционной зависимости

    4. Пересчет затрат на момент начала и окончания работ

    5. Учет фиксированных и переменных цен

  3. Деловая графика

    1. Диаграммы Ганта (график начала и окончания работ).

    2. Сетевые диаграммы

    3. Диаграмма ресурсов

  4. Генерация отчетов

    1. Отчеты состояния планов по затратам и срокам

    2. Галерея готовых отчетных форм

    3. Отчеты нестандартной формы

  5. Поддержка коллективной работы с программами в сети

  6. Экспорт, импорт данных из других программ

  7. Управление ресурсами

  8. Обеспечение работы с множеством проектов

  9. Наличие специального языка программирования

СА Super Project

MS Project

Project Scheduler

Time Line

Сравнительная характеристика программ УП:

Характеристики

Наименование программы

Super Project

MS Project

Project Scheduler

Time Line

1. Базовые операции

4

5

4

4

2. Управление затратами

4

3

4

4

3. Настройка системы

4

4

3

4

4. Импорт, экспорт данных

4

4

5

4

5.Сетевой доступ

3

4

3

3

6. Генерация отчетов, деловая графика

3

3

4

4

7. Управление ресурсами

4

2

5

4

8. Календарное планирование

4

2

4

4

9.Скорость работы по отдельной процедуре

    1. V пересчета календарного плана

    2. V автоматического перераспределения ресурсов

0:0.8

3:51

0:0.2

0:45

0:0.2

0:0.2

0:34

0:34

10. Документация

4

5

3

4

11. Итоговая оценка (по 10- бальной шкале методом взвешенных %).

6.9

7.1

7.7

7.0

Лекция №3. Технологии обработки экономической информации на основе табличного процессора Excel.

Основные понятия.

Технологии прогнозирования основывается на двух важнейших методах составления прогноза:

  • Анализ временных рядов;

  • Корреляция и регрессионный анализ

В основе АНАЛИЗА ВРЕМЕННЫХ РЯДОВ – допущение о наличии информации за ряд прошлых периодов. Эти данные позволяют выявить долгосрочные тенденции и повторяющиеся циклы.

При отсутствии данных за прошлые периоды прибегают к КОРРЕЛЯЦИИ: рассматривают показатели с целью выявления возможной взаимосвязи между ними. И далее применяют технику проведения РЕГРЕССИОННОГО АНАЛИЗА для построения уравнения, описывающего выявленную взаимосвязь.

1.1. Прогнозирование на основе зависимости между двумя переменными (корреляция и регрессия).

В регрессионном анализе изучается односторонняя зависимость переменной Y от одной или нескольких переменных Х1 …., Хk. Основная задача регрессионного анализа – установление формы зависимости между зависимой (Y) и независимыми (Х1 …., Хk) переменными и анализ достоверности параметров этой зависимости. Такие переменные, как расходы на рекламу, транспорт, численность населения и т.п. являются независимыми переменными, а те переменные, которые мы пытаемся оценить (например, объем продаж), являются зависимыми переменными.

Схема составления прогноза заключается в сборе данных о значениях зависимых и независимых переменных, их анализе на предмет наличия связи (корреляция) и выведении математического уравнения, описывающего эту связь (регрессия).

Первая стадия корреляционного анализа – сбор данных о значениях переменных и составления точечных диаграмм (ХY-диаграммы). Точечные диаграммы имеют различный вид:

Так, на рис. а пример абсолютной отрицательной корреляции, на рис.б – сильной положительной корреляции. На рис. в – взаимосвязь между значениями не усматривается, на рис. г взаимосвязь наличествует, но это не линейная зависимость, а параболическая.

Предположение наличия линейной зависимости между двумя переменными основывается на значении коэффициента корреляции r, который рассчитывается по формуле:

,

где n – число пар значений переменных, а Σ символ суммирования.

Значение коэффициента корреляции колеблется от -1 ( в случае абсолютной отрицательной корреляции) до +1 (в случае абсолютной положительной корреляции). Такие диаграммы как показаны на рис. в, г, дадут коэффициенты корреляции почти равные нулю. Хотя на рис. г точки взаимосвязаны между собой, но там зависимость параболическая, а коэффициент корреляции измеряет тесноту линейной связи. Это свидетельствует о важности не только расчетов, но и рассмотрения точечной диаграммы, поскольку даже при r близким к нулю возможно тесная взаимосвязь, но не линейная, а, например, параболическая как показано на рис. г.

Если установлена тесная линейная корреляция между переменными, то можно вывести уравнение прямой и использовать её для прогнозирования поведения зависимой переменной в будущем. Этот процесс носит название ЛИНЕЙНОЙ РЕГРЕССИИ.

Уравнение прямой (линейной) регрессии имеет общий вид:

Y = a + b*x,

где y – результативный показатель; х – независимая переменная (фактор); a и b представляют собой константы, их значения определяют положение и направленность прямой в осях координат.

Константа а называется точкой пересечения прямой с осью ординат и её значение представляет собой значение у, когда х=0. Константу b называют коэффициентом при х.

Задача регрессионного анализа заключается в экспериментальном определении коэффициентов регрессии, путем наблюдения за характером изменения входных параметров (факторов) и выходной величины (результативного показателя). Линейная модель уравнения регрессии строится по методу наименьших квадратов. Этот критерий минимизирует сумму квадратов вертикальных отклонений точек от прямой регрессии.

В реальных процессах зависимость результативного показателя у зависит от целого ряда переменных (факторов) х1, х2, …,хk. – и это будет множественная регрессия. Модель множественной регрессии имеет следующий вид:

j ≠ i,

где bi – линейные коэффициенты, bii – нелинейные коэффициенты, bij- коэффициенты, учитывающие взаимное влияние факторов.

Для анализа общего качества регрессии используют коэффициент детерминации (определенности) R2. Он характеризует долю вариации (разброса) зависимой переменной, объясненной с помощью данного уравнения. Т.е. с увеличением объясняемой доли разброса R2 à1.

Значимость уравнения регрессии определяют, используя критерий Фишера (F-критерий). Расчетное значение Fв сравнивается с критическим значением (Fкр), определяемого по таблице критических точек распределения Фишера: Fкр = k/n–k – 1; где k - число факторов, (n-k-1) – число степеней свободы знаменателя и n – это число параллельных опытов. Если Fв > Fкр - то полученное уравнение регрессии значимо, т.е. хотя бы один из коэффициентов уравнения не равен нулю.

Значимость коэффициентов регрессии проверяется с помощью t-критерия, основанного на распределении Стьюдента. Если вычисленный t-критерий коэффициента bi ( çtbi ê) больше tкр., то коэффициент значимый и влияние соответствующего фактора значимо. tкр определяют по уровню значимости и числу степеней свободы f = n-k-1.

В табличном процессоре MS Excel значения статистических функций удобно вычислять при помощи мастера функций. Для выполнения статистического анализа имеется набор средств анализа данных, называемый Пакет анализа. Для работы с дополнением Пакет анализа следует задать Сервис-Анализ данных. При отсутствии в меню этой команды следует задать Сервис - Надстройки и в появившемся диалоговом окне Надстройки включить переключатель Пакет анализа, нажать кнопку ОК. Начнет загружаться пакет Анализ данных.

В пакете Анализ данных инструмент Регрессия предлагает линейный регрессионный анализ, который заключается в подборе графика для набора наблюдений с помощью метода наименьших квадратов.