Bit metode simulacije. Modeliranje simulacije ekonomskih procesa: karakteristike i glavne vrste
Federalna agencija za ribarstvo
Ministarstvo poljoprivrede
Tehničko sveučilište Kamchatsky Goslardić
Odjel za informacijske sustave
Tema: "Modeliranje imitacije ekonomskog jezika
Aktivnosti poduzeća »
Tečaj
Vođa: položaj
Bilchinskaya s.g. "__" ________ 2006
Developer: Student c.
Zheitheva D.S. 04 PI1 "__" ________ 2006
Rad je zaštićen "___" __________ 2006 S procjenom ______
Petropavlovsk- Kamchatsky, 2006
Uvod ................................................. .. ................................................ .. ......................... 3.
1. Teoretske temelje modeliranja imitacija .......................................... 4
1.1. Modeliranje. Simulacijsko modeliranje .......................................... 4
1.2. Monte Carlo Metoda ............................................... ........................................... devet
1.3. Korištenje zakona distribucije slučajnih varijabli ....................... 12
1.3.1. Ujednačena distribucija ................................................ ................ 12
1.3.2. Diskretna distribucija (opći slučaj) ....................................... 13
1.3.3. Normalna distribucija................................................ .................. četrnaest
1.3.4. Eksponencijalna distribucija ................................................ ...... petnaest
1.3.5. Generalizirana distribucija Erland .............................................. , .. šesnaest
1.3.6. Trokutasta distribucija ................................................ ................. 17.
1.4. Planiranje eksperimenta za simulaciju računala ................... 18
1.4.1. Cyber \u200b\u200bpristup organizaciji eksperimentalnih studija složenih objekata i procesa ....................................... ..... ............................................... ..... ............. osamnaest
1.4.2. Regresijska analiza i model modela modela. devetnaest
1.4.3. Ortogonalno planiranje drugog reda ................................ 20
2. Praktični rad .............................................. .................................................. ..... 22.
3. Zaključci o poslovnom modelu "Učinkovitost proizvodnje" ................................... 26
Zaključak ................................................. .............. .................................... .............. ..................... 31.
Bibliografija ............................................... .. ................................. 32
Dodatak A ................................................ .................................................. .......... 33.
Dodatak B ................................................ .................................................. ........... 34.
Dodatak u .................................................... .. ................................................ .. ........... 35.
Dodatak g ................................................ .................................................. ........... 36.
Dodatak d ................................................ .................................................. ........... 37.
Dodatak e ................................................ .................................................. ........... 38.
Uvod
Modeliranje u gospodarstvu počeo se primjenjivati \u200b\u200bdugo prije nego što se gospodarstvo konačno poduzela kao neovisna znanstvena disciplina. Matematički modeli korišteni su F. Kene (1758. Ekonomski stol), A. Smith (klasični makroekonomski model), D. Ricardo (Međunarodni trgovinski model). U XIX stoljeću, matematička škola (L. Valras, O. Kurto, Pareto, F. Edgeworth, i drugi, pridonijeli su modeliranju. U 20. stoljeću, metode matematičkog modeliranja gospodarstva korištene su vrlo široko i sa svojim korištenjem povezane su s izvanrednim radovima dobitnika Nobelovih nagrada (D. HICKS, R. SALOW, V. Leontiev, P. Samuelson).
Naravno na temu "modeliranje imitacije ekonomskih procesa" je neovisni obrazovni i istraživački rad.
Svrha pisanja ovog kolegija je konsolidacija teorijskog i praktičnog znanja. Pristupi rasvjete i metode za korištenje imitacije modeliranje u projektnoj gospodarskoj aktivnosti.
Glavni zadatak je istražiti učinkovitost gospodarske aktivnosti poduzeća uz pomoć modeliranja simulacije.
1. Teoretske temelje modeliranja imitacija
1.1. Modeliranje. Modeliranje simulacije
U procesu upravljanja različitim procesima, potreba za predviđanjem rezultata u određenim uvjetima stalno se predviđa. Kako bi se ubrzala odluka o odabiru optimalne verzije upravljanja i uštede eksperimentu, koriste se procesi.
Modeliranje je prijenos svojstava jednog sustava, koji se naziva objekt modeliranja, na drugi sustav, koji se naziva model objekta, provodi se utjecaj na model kako bi se odredila svojstva objekta po prirodi njegovog ponašanja.
Takva zamjena (prijenos) objekata objekata mora se obaviti u slučajevima kada je to izravno proučavanje je teško ili čak nemoguće. Kao praksa modeliranja pokazuje, objekt koji zamjenjuje njegov model daje često pozitivan učinak.
Model je prikaz objekta, sustava ili koncepata (ideja) u nekom obliku osim njihovog stvarnog postojanja. Model bilo kojeg objekta može biti točna kopija ovog objekta (iako napravljen od drugog materijala i na drugoj skali) ili prikazati neke od karakterističnih svojstava objekta u apstraktnom obliku.
U isto vrijeme, tijekom procesa simulacije moguće je dobiti pouzdane informacije o objektu s manje vremena, financija, sredstava i drugih resursa.
Glavni ciljevi modeliranja su:
1) analiza i definicija svojstava objekata prema modelu;
2) dizajn novih sustava i rješenje na modelu zadataka optimizacije (pronalaženje najbolje opcije);
3) upravljanje složenim objektima i procesima;
4) predviđanje ponašanja objekta u budućnosti.
Najčešće vrste modeliranja su najčešće:
1) matematički;
2) fizički;
3) imitacija.
U matematičkom modeliranju, objekt u studiji zamjenjuje se odgovarajućim matematičkim omjerima, formulama, izrazima, s kojima se rješavaju određeni analitički zadaci (analiza), postoje optimalna rješenja, a prognoze su napravljene.
Fizički modeli su stvarni sustavi iste prirode kao i predmet koji se proučava ili drugi. Najtipičnija opcija za fizičko modeliranje je korištenje izgleda, instalacija ili odabira fragmenata objekata za ograničene eksperimente. I najčešće je pronašao uporabu prirodnih znanosti, ponekad u gospodarstvu.
Za složene sustave koji uključuju ekonomske, društvene, informacijske i druge socio-informacijske sustave, široko je korištena simulacija simulacije. To je uobičajeni tip analognog modeliranja koji se provodi pomoću skupa matematičkih instrumentalnih alata posebnih imitiranja računalnih programa i tehnologija programiranja, što omogućuje analognim procesima da provede ciljanu studiju strukture i funkcija stvarnog složenog procesa u memoriji računala u memoriji računala u "Imitacija" način rada, izvršite optimizaciju nekih njegovih parametara.
Da biste dobili potrebne informacije ili rezultate, potrebno je "pokrenuti" simulacijske modele, a ne "odlučiti" njih. Modeli imitacije nisu sposobni formirati vlastito rješenje kao što se odvija u analitičkim modelima, a može poslužiti samo kao sredstvo za analizu ponašanja sustava pod uvjetima koji određuju eksperimentator.
Prema tome, modeliranje imitacije nije teorija, već metodologija za rješavanje problema. Štoviše, simulacijsko modeliranje je samo jedna od nekoliko dostupnih sistemske analitike najvažnijih metoda za rješavanje problema. Budući da je potrebno prilagoditi alat ili metodu za rješavanje problema, a ne obrnuto, onda se pojačava prirodno pitanje: u kojim slučajevima je korisno modeliranje?
Potreba za rješavanjem problema po eksperimentiranju postaje očita kada se pojavi potreba o specifičnim informacijama o sustavu koji se ne mogu naći u poznatim izvorima. Izravan eksperimentiranje na stvarnom sustavu eliminira mnogo poteškoća, ako je potrebno osigurati usklađenost između modela i realnih uvjeta; Međutim, nedostaci takvog eksperimentiranja ponekad su vrlo značajni:
1) može poremetiti utvrđeni postupak Društva;
2) Ako je komponenta sustava ljudi, onda rezultati eksperimenata mogu utjecati na tzv. Houutorm učinak, manifestirao je u činjenici da ljudi osjećaju da ih za njih uočava, mogu promijeniti svoje ponašanje;
3) može biti teško održavati iste radne uvjete sa svakim ponavljanjem eksperimenta ili tijekom cijelog vremena eksperimentalne serije;
4) dobiti istu veličinu uzorka (i, posljedično, statistička značajnost rezultata eksperimentiranja) može zahtijevati prekomjerne troškove vremena i sredstava;
5) Kada eksperimentirati s stvarnim sustavima, možda je nemoguće proučiti mnoštvo alternativnih opcija.
Iz tih razloga, istraživač bi trebao razmotriti izvedivost korištenja imitacije modeliranja u prisutnosti bilo kojeg od sljedećih uvjeta:
1. Ne postoji završena matematička formulacija ovog zadatka, ili još nisu razvijeni analitičke metode za rješavanje formuliranog matematičkog modela. Ova kategorija uključuje mnoge modele masovnog održavanja povezane s obzirom na redovi.
2. Dostupne su analitičke metode, ali matematički postupci su tako složeni i intenzivni radovi koji simulacija modeliranje daje jednostavniji način rješavanja problema.
3. Postoje analitička rješenja, ali njihova implementacija je nemoguća zbog nedovoljne matematičke pripreme dostupnog osoblja. U tom slučaju, potrebno je usporediti troškove dizajna, testiranja i rada na simulacijskom modelu s troškovima povezanim s pozivom stručnjaka iz dijela.
4. Osim procjene određenih parametara, poželjno je provoditi na simulacijskom modelu praćenja procesa procesa za određeno razdoblje.
5. Modeliranje imitacije može biti jedina mogućnost zbog poteškoća u postavljanju eksperimenata i opažanja fenomena u stvarnim uvjetima (na primjer, proučavanje ponašanja letjelice u uvjetima međuplanetarnih letova).
6. Za dugotrajno djelovanje sustava ili procesa može biti potrebno komprimirati vremensku liniju. Modeliranje imitacije omogućuje potpuno kontrolu vremena postupka koji se proučava, budući da se fenomen može usporiti ili ubrzati po želji (na primjer, problemi istraživanja pad gradova).
Dodatna prednost Simulacija se može smatrati najširem mogućem mogućnostima za njegovu primjenu u području obrazovanja i osposobljavanja. Razvoj i korištenje simulacijskog modela omogućuje eksperimentatoru da vidi i testira stvarne procese i situacije na modelu. To bi zauzvrat trebalo pomoći razumjeti i doživjeti problem koji stimulira proces pronalaženja inovacija.
Simulacija se implementira skupom matematičkih alata, posebnim računalnim programima i tehnikama koje omogućuju korištenje računala za provođenje ciljanog modeliranja u načinu "imitacija" strukture i funkcija složenog procesa i optimizacije nekih njegovih parametara. Skup tehnika softvera i modeliranja određuje specifičnosti simulacijskog sustava - poseban softver.
Simulacija ekonomskih procesa obično se primjenjuje u dva slučaja:
1. za upravljanje složenim poslovnim procesom, kada se simulacijski model upravljanog ekonomskog objekta koristi kao alat u krugu prilagodljivog sustava kontrole nastao na temelju informacijskih tehnologija;
2. Prilikom provođenja eksperimenata s diskretnim kontinuiranim modelima složenih ekonomskih objekata za dobivanje i "promatranje" njihove dinamike u hitnim situacijama povezanim s rizicima čije je prirodno modeliranje nepoželjno ili nemoguće.
Modeliranje simulacije kao posebnu informacijsku tehnologiju sastoji se od sljedećih glavnih faza:
1. Strukturna analiza procesa , U ovoj fazi, analiza strukture složenog stvarnog procesa i njegovog raspadanja u jednostavnije međusobno povezane subprocese, od kojih svaka obavlja određenu funkciju. Identificirane potprocese mogu se podijeliti na druge jednostavnije potprocese. Prema tome, struktura simuliranog procesa može biti predstavljena kao graf koji ima hijerarhijsku strukturu.
Strukturna analiza je posebno učinkovita u modeliranju gospodarskih procesa, gdje se mnoge komponente podračuna vizualno nastavljaju i nemaju fizički subjekt.
2. Formalizirani opis modela , Dobivena grafička slika simulacijskog modela, funkcije koje izvodi svaka potprocesa, uvjeti interakcije svih subprocesa trebaju se opisati na poseban jezik za naknadno emitiranje.
To se može učiniti na različite načine: za opisivanje ručno na bilo kojem određenom jeziku ili pomoću računalnog grafičkog dizajnera.
3. Model zgrade , Ova faza uključuje veze emitiranja i uređivanja, kao i verifikaciju parametara.
4. Provođenje ekstremnog eksperimenta , U ovoj fazi korisnik može dobiti informacije o tome koliko je blizu stvoreni model stvarno postojećeg fenomena, i kako je najbolji ovaj model pogodan za istraživanje novih, a ne testiranih vrijednosti argumenata i sustava.
1.2. Monte Carlo Metoda
Statistička ispitivanja prema Monte Carlo metodi su najjednostavniji modeliranje imitacije s potpunom odsustvom bilo kakvih pravila ponašanja. Dobivanje uzoraka prema Metonu Monte Carlo - glavno načelo računalne simulacije sustava koji sadrže stohastičke ili probabilističke elemente. Generiranje metode povezana je s radom Neumanana i Ulan u kasnim 1940-ima, kada su uvedeni ime "Monte Carlo" za njega i primijenili ga na rješavanje nekih nuklearnih emisija oklopnih zadataka. Ova matematička metoda bila je poznata i ranije, ali sam našao svoje drugo rođenje u Los Alamosu u zatvorenim radovima na nuklearnoj tehnologiji, koji su provedeni pod oznakom Kodeksa "Monte Carlo". Upotreba metode bila je tako uspješna da je distribuirana u drugim područjima, posebno u gospodarstvu.
Stoga se mnogi stručnjaci pojam "Monte Carlo metoda" ponekad činilo sinonim za pojam "simulacijsko modeliranje", koji je općenito netočan. Modeliranje simulacije je širi koncept, a Monte Carlo metoda je važna, ali daleko od jedine metodološke komponente simulacije.
Prema Monte Carlo metodi, dizajner može simulirati rad tisuća složenih sustava koji kontroliraju tisuće sorti takvih procesa i istražite ponašanje cijele skupine, obrade statističkih podataka o obradi. Drugi način primjene ove metode je simulirati ponašanje upravljačkog sustava u vrlo velikom rasponu vremena modela (nekoliko godina), a astronomsko vrijeme izvođenja simulacijskog programa na računalu može napraviti drugi drugi drugi.
Kada analizirate metodu Monte Carlo, računalo koristi postupak za generiranje pseudo-slučajnih brojeva za simulaciju podataka iz opće populacije. Postupak analize Metone metode Monte Carlo gradi uzorke iz općeg seta u skladu s uputama korisnika, a zatim izvodi sljedeće radnje: imitira slučajni uzorak od opće populacije, analiza uzoraka provodi analizu i zadržava rezultate. Nakon velikog broja ponavljanja, spremljeni rezultati dobro oponašaju stvarnu raspodjelu statističkih podataka uzorka.
U različitim zadacima koje se nailaze na stvaranje složenih sustava, vrijednosti koje se određuju slučajno mogu koristiti. Primjeri takvih vrijednosti su:
1 slučajnih trenutaka vremena u kojem nalozi dolaze u tvrtku;
3 vanjski utjecaji (zahtjevi ili promjene zakona, plaćanja za novčane kazne, itd.);
4. plaćanje bankovnih kredita;
5 primitka sredstava od kupaca;
6 mjernih pogrešaka.
Broj, skup brojeva, vektora ili funkcije može se koristiti kao odgovarajuće varijable. Jedna od sorti Monte Carlo metode s numeričkim rješenjem zadataka, uključujući slučajne varijable, metoda statističkih testova, što je model slučajnih događaja.
Monte Carlo Metoda temelji se na statističkim testovima, a po prirodi je ekstremna, može se koristiti za rješavanje potpuno determinističkih zadataka, kao što je privlačnost matrica, rješavanje diferencijalnih jednadžbi u privatnim derivatima, pronalaženje ekstremima i numeričke integracije. Prilikom izračuna metoda Monte Carlo, statistički rezultati se dobivaju ponavljanjem testova. Vjerojatnost da se ovi rezultati razlikuju od istinske ne više od određene vrijednosti je funkcija broja testova.
Izračuni na Monte Carlo metodi leži slučajni izbor brojeva iz određene probabilističke distribucije. Uz praktične izračune, ovi brojevi se uzimaju iz tablica ili su dobiveni nekim operacijama, a rezultati su pseudo-slučajni brojevi s istim svojstvima kao i brojevi dobiveni slučajnim uzorkom. Postoji veliki broj računalnih algoritama koji nam omogućuju da dobijemo duge sekvence pseudo-slučajnih brojeva.
Jedan od najjednostavnijih i učinkovitijih računalnih metoda za dobivanje niza ravnomjerno raspoređenih slučajnih brojeva r i, Korištenje, na primjer, kalkulator ili bilo koji drugi uređaj koji radi u sustavu decimalnog broja, uključuje samo jedan postupak množenja.
Metoda je sljedeća: ako r i \u003d. 0.00403507, zatim R i + 1 \u003d (40353607ri) mod 1, gdje MOD 1 znači ekstrakcijski rad iz rezultata samo frakcijskog dijela nakon decimalne točke. Kao što je opisano u raznim književnim izvorima, broj r počinje se ponavljati nakon ciklusa od 50 milijuna brojeva, tako da r 5oooooo1 \u003d r 1. Sekvenca R1 dobiva se ravnomjerno raspoređena na intervalu (0, 1).
Uporaba Monte Carlo metoda može dati značajan učinak u modeliranju razvoja procesa, čija je jednosmjerna opažanja nepoželjna ili nemoguća, a druge matematičke metode u odnosu na ove procese nisu razvijene ili neprihvatljive zbog brojnih rezervacija i pretpostavki to može dovesti do ozbiljnih pogrešaka ili pogrešnih zaključaka. U tom smislu, potrebno je ne samo promatrati razvoj procesa u neželjenim područjima, već i za procjenu hipoteza na parametrima neželjenih situacija na koje će takav razvoj dovesti, uključujući parametre rizika.
1.3. Koristeći zakone distribucije slučajnih varijabli
Za visokokvalitetnu procjenu složenog sustava, prikladno je koristiti rezultate teorije slučajnih procesa. Iskustvo u promatranju objekata pokazuje da funkcioniraju u uvjetima djelovanja velikog broja slučajnih čimbenika. Stoga, predviđanje ponašanja složenog sustava može imati smisla samo u probabilističkim kategorijama. Drugim riječima, samo vjerojatnosti njihovog pojavljivanja mogu se naznačiti za očekivane događaje, a u odnosu na neke vrijednosti potrebno je ograničiti zakone njihove distribucije ili drugih probabilističkih karakteristika (na primjer, srednje vrijednosti, disperzije itd. ).
Za proučavanje procesa funkcioniranja svakog pojedinog složenog sustava, uzimajući u obzir slučajne čimbenike, potrebno je imati prilično jasnu ideju o izvorima slučajnih utjecaja i vrlo pouzdanih podataka o njihovim kvantitativnim karakteristikama. Stoga je bilo kakva izračuna ili teorijska analiza povezana s proučavanjem složenog sustava, a eksperimentalna akumulacija statističkog materijala koji karakterizira ponašanje pojedinih elemenata i sustava u cjelini u stvarnim uvjetima. Obrada ovog materijala omogućuje vam da dobijete izvorne podatke za izračunavanje i analizu.
Zakon distribucije slučajnih varijacija naziva se omjer, koji omogućuje određivanje vjerojatnosti slučajne varijable u bilo kojem intervalu. Može se postaviti tablice, analitički (kao formula) i grafički.
Postoji nekoliko zakona za distribuciju slučajnih varijabli.
1.3.1. Jedinstvena distribucija
Ova vrsta distribucije koristi se za dobivanje složenijih distribucija, diskretnih i kontinuiranih. Takve distribucije dobivaju se pomoću dvije glavne tehnike:
a) inverzne funkcije;
b) kombiniranje vrijednosti koje su distribuirane drugim zakonima.
Jedinstveni zakon - Zakon distribucije slučajnih varijabli s simetričnim izgledom (pravokutnik). Gustoća jedinstvene raspodjele daje se formulom:
oni. U intervalu na koji svi mogući vrijednosti slučajne varijable pripadaju, gustoća štedi stalnu vrijednost (sl. 1).
Funkcija gustoće vjerojatnosti i karakteristika jedinstvene distribucije
U imitacijskim modelima ekonomskih procesa, jedinstvena raspodjela se ponekad koristi za simulaciju jednostavnog (jednostupanjskog) rada, pri izračunavanju rasporeda mreže rada, u vojnom radu - modeliranju vremena prolaska podjelama, vrijeme kopanja rovovi i izgradnja fortifikacijskih struktura.
Ujednačena distribucija se koristi ako se samo činjenica da imaju maksimalni raspon je poznat o vremenskim intervalima, a ništa se ne zna o distribuciji vjerojatnosti ovih intervala.
1.3.2. Diskretna distribucija
Diskretne distribucije predstavili su dva zakona:
1) BINOMINE, gdje je vjerojatnost događaja u nekoliko neovisnih testova određena Bernoulli formulom:
n - broj neovisnih testova
m je broj događaja u n testiranju.
2) distribucija Poissona, gdje je s velikim brojem testova, vjerojatnost pojave događaja je vrlo mala i određena je formulom:
k - broj događaja u nekoliko neovisnih testova
Prosječan broj događaja u nekoliko neovisnih testova.
1.3.3. Normalna distribucija
Normalna ili Gaussova distribucija, nesumnjivo je jedna od najvažnijih i najčešće korištenih vrsta kontinuiranih distribucija. To je simetrično u odnosu na matematičko očekivanje.
Kontinuirani slučajni iznos t. ima normalnu raspodjelu vjerojatnosti s parametrima t. i > O Ako je gustoća vjerojatnosti povezana (slika 2, slika 3):
gdje t. - očekivana vrijednost M [t];
Slika 2, Sl. 3. Funkcija gustoće vjerojatnosti i karakteristika normalne distribucije
Bilo koji složeni rad u objektima gospodarstva sastoji se od mnogih kratkih uzastopnih elementarnih komponenti. Stoga, u procjenama, troškovi rada uvijek sugeriraju da je njihovo trajanje slučajna raznolikost podijeljena prema normalnom zakonu.
U imitacijskim modelima ekonomskih procesa, zakon normalne distribucije koristi se za simulaciju složenog rada s više koraka.
1.3.4. Eksponencijalna distribucija
Također zauzima vrlo važno mjesto pri provođenju sistemske analize gospodarske aktivnosti. Ovaj zakon o distribuciji podliježe mnogim fenomenima, na primjer:
1 vrijeme primitka naloga za poduzeće;
2 posjeta kupcima trgovine supermarketa;
3 telefonske razgovore;
4 Životni vijek dijelova i čvorova u računalu instaliran, na primjer, u računovodstvu.
Funkcija eksponencijalne distribucije je sljedeća:
F (x) \u003d na 0 Parametar eksponencijalne distribucije,\u003e 0. Eksponencijalna raspodjela je posebni slučajevi gama distribucije. Sl. 5 funkcija gustoće vjerojatnosti gama distribucije U imitacijskim modelima ekonomskih procesa, eksponencijalna raspodjela se koristi za simulaciju intervala narudžbi koje ulaze u tvrtku iz brojnih klijenata. U teoriji pouzdanosti koristi se za simulaciju vremenskog intervala između dvije uzastopne greške. U vezi i računalnih znanosti - za modeliranje informacija o informacijama. 1.3.5. Generalizirana distribucija Erlanda P (t) \u003d na t≥0; Gdje K-elementarne uzastopne komponente raspoređene eksponencijalnim pravom. Generalizirana raspodjela Erlanda koristi se u stvaranju matematičkih i imitacija modela. Ova distribucija se uobičajeno koristi umjesto normalne distribucije ako je model smanjen na čisto matematički zadatak. Osim toga, u stvarnom životu postoji objektivna vjerojatnost primjene skupina kao reakcija na neke akcije, stoga se pojavljuju grupne niti. Upotreba čisto matematičkih metoda za istraživanje u modelima učinaka iz takvih tečaja je ili nemoguće zbog nedostatka metode za dobivanje analitičkog izražavanja ili teških, budući da analitički izrazi sadrže veliku sustavnu pogrešku zbog brojnih pretpostavki, zahvaljujući koji je istraživač mogao primiti te izraze. Da biste opisali jednu od sorti grupnog fluksa, možete primijeniti opću distribuciju Erlanda. Pojava grupnih tokova u složenim ekonomskim sustavima dovodi do oštar povećanje prosječnih trajanja raznih kašnjenja (nalozi u redovima, kašnjenja u plaćanjima, itd.), Kao i povećanje vjerojatnosti rizičnih događaja ili osiguranih događaja. 1.3.6. Trokutasta distribucija Triangularna distribucija je više informativnija od uniforme. Za ovu distribuciju određuju se tri vrijednost - minimalna, maksimalna i moda. Grafikon funkcije gustoće sastoji se od dva segmenta izravnog, od kojih se jedan povećava pri mijenjanju X. Od minimalne vrijednosti na način, a drugi se smanjuje kada se mijenja X. od modne vrijednosti do maksimuma. Vrijednost matematičkog očekivanja trokutaste distribucije jednaka je jednoj trećini zbroja minimalnog, modnog i maksimuma. Trokutalna raspodjela se koristi kada je najvjerojatnija vrijednost poznata u nekom intervalu i pretpostavlja se da je linearna priroda funkcije gustoće. Slika 5. Funkcija gustoće vjerojatnosti i karakteristike trokutaste distribucije. Trokutalna distribucija je jednostavna za primjenu i interpretirati, ali je potrebno za svoj izbor za težinu. U imitacijskim modelima ekonomskih procesa, takva se distribucija ponekad koristi za simulaciju vremena pristupa bazama podataka. 1.4. Planiranje eksperimenta za simulaciju računala Simulacijski model je neovisan o odabranom sustavu modeliranja (na primjer, hodočasnik ili GPSS) omogućuje vam da dobijete prve prve točke i informacije o zakonu o raspodjeli bilo koje veličine eksperimentatora koji je zainteresiran (eksperimentator je subjekt koji trebaju kvalitativne i kvantitativne zaključke o karakteristikama procesa u studiju). 1.4.1. Cyber \u200b\u200bpristup organiziranju eksperimentalnih studija složenih objekata i procesa. Planiranje eksperimenta može se smatrati kibernetskim pristupom organizaciji i ponašanju eksperimentalnih studija složenih objekata i procesa. Glavna ideja metode sastoji se u mogućnosti optimalne kontrole eksperimenta u uvjetima nesigurnosti, koja je poznata onima preduvjeta na kojoj se temelji kibernetiku. Svrha većine istraživačkih radova je odrediti optimalne parametre složenog sustava ili optimalnih uvjeta za proces obrade: 1. određivanje parametara investicijskog projekta u uvjetima neizvjesnosti i rizika; 2. izbor strukturnih i električnih parametara fizičke instalacije, pružajući najprofitabilniji način rada; 3. dobivanje najviše moguće reakcije reakcije mijenjanjem temperature, tlaka i omjera reagensa - u zadacima kemije; 4. Izbor legurskih komponenti za dobivanje legure s maksimalnom vrijednošću bilo kakve karakteristike (viskoznost, otpornost na prazninu, itd.) - u metalurgiji. Pri rješavanju problema ove vrste, potrebno je uzeti u obzir utjecaj velikog broja čimbenika, od kojih neki nisu podložni regulaciji i kontroli, što je izuzetno teško ispuniti teorijsko istraživanje problema. Stoga idu na putu uspostavljanja osnovnih obrazaca kroz niz eksperimenata. Istraživač je mogao izraziti rezultate eksperimenta u prikladnom za analizu i uporabu. 1.4.2. Regresijska analiza i model modela modela Slika7 Primjer pokusa eksperimentalnih rezultata Vrijednosti raspršenja η V. U tom slučaju, ne samo mjerne pogreške i uglavnom učinak smetnji z. , Složenost optimalnog problema kontrole karakterizira ne samo složenošću same ovisnosti η v (v \u003d 1, 2, ..., n) ali i utjecaj z. Što čini element slučajnosti u eksperimentu. Ovisnost o grafikonu η v (x i) Određuje vrijednosti povezanosti korelacije η V. i x I. koji se mogu dobiti u skladu s rezultatima eksperimenta koristeći metode matematičke statistike. Izračun takvih ovisnosti s velikim brojem ulaznih parametara x I. i značajne smetnje z. I glavni je zadatak istraživača eksperimentatora. U isto vrijeme, težak zadatak, to je učinkovitije korištenje metoda planiranja eksperimenta. Razlikovati dvije vrste eksperimenta: Pasivno; Aktivan. Za pasivni eksperiment Istraživač dovodi do praćenja procesa (mijenjanjem ulaznih i izlaznih parametara). Prema rezultatima promatranja, zaključuje se da su ulazni parametri vikenda zaključeni. Pasivni eksperiment se obično izvodi na temelju postojećeg gospodarskog ili proizvodnog procesa koji ne dopušta aktivnu intervenciju eksperimentatora. Ova metoda je malo skupa, ali zahtijeva puno vremena. Aktivni eksperiment Provodi se uglavnom u laboratorijskim uvjetima, gdje eksperimentator ima sposobnost promjene ulaznih karakteristika prema unaprijed određenom planu. Takav eksperiment brže dovodi do cilja. Odgovarajuće metode aproksimacije nazivaju se regresijska analiza. Regresijska analiza To je metodološki alat pri rješavanju problema prognoziranja, planiranja i analize gospodarskih aktivnosti poduzeća. Zadaci regresijske analize su uspostava oblika odnosa između varijabli, procjene regresije funkcije i uspostave utjecaja čimbenika na zavisnu varijablu, procjenu nepoznatih vrijednosti (predviđanja vrijednosti) ovisne varijable. 1.4.3. Ortogonalno planiranje drugog reda. Ortogonalno planiranje eksperimenta (u usporedbi s neobičnim) smanjuje broj eksperimenata i značajno pojednostavljuje izračune po primitku regresijske jednadžbe. Međutim, takvo planiranje je izvedivo samo s mogućnošću provođenja aktivnog eksperimenta. Praktična sredstva za pronalaženje ekstreme je eksperiment faktora. Glavne prednosti eksperimenta faktora - jednostavnost i mogućnost pronalaženja ekstremne točke (s nekom pogreškom), ako je nepoznata površina dovoljno glatka i ne postoje lokalni krajnosti. Treba napomenuti dva glavna nedostatka eksperimenta faktora. Prvi je nemogućnost pronalaženja ekstrem u prisutnosti unih nepoznatih površina i lokalnih ekstremima. Drugi je u nedostatku sredstava za opisivanje prirode površine u blizini ekstremne točke zbog korištenja najjednostavnijih linearnih regresijskih jednadžbi, što utječe na inerciju sustava kontrole, budući da je u procesu upravljanja potrebno provesti faktor eksperimenti za odabir kontrolnih efekata. Za potrebe upravljanja, ortogonalno planiranje drugog reda je najprikladnije. Obično se eksperiment sastoji od dvije faze. Prvo, koristeći eksperiment faktora, područje u kojem postoji ekstremna točka. Zatim, u području postojanja ekstremne točke, eksperiment se provodi kako bi se dobila regresijska jednadžba 2. reda. Regresijska jednadžba 2. narudžbe omogućuje vam odmah određivanje kontrolnih utjecaja, bez dodatnih eksperimenata ili eksperimenata. Dodatni eksperiment bit će potreban samo u slučajevima u kojima će se površina odgovora značajno promijeniti pod utjecajem nekontroliranih vanjskih čimbenika (na primjer, značajnu promjenu porezne politike u zemlji ozbiljno će utjecati na površinu odgovora koji odražava proizvodne troškove poduzeće 2. Praktični rad. U ovom odjeljku gledat ćemo kako možete primijeniti teoretsko znanje u određene ekonomske situacije. Glavni zadatak našeg tečaja je utvrditi učinkovitost poduzeća koja se bavi komercijalnim aktivnostima. Za provedbu projekta odabrali smo hodočasni paket. Hodočasnik paketa ima širok raspon mogućnosti za simuliranje privremene, prostorne i financijske dinamike simuliranih objekata. Uz to, možete stvoriti diskretne kontinuirane modele. Razvijeni modeli imaju imovinu procesa kolektivnog upravljanja modeliranja. U tekstu modela možete umetnuti bilo koji blok pomoću standardnog C ++ jezika. Hodočasnik paketa ima vlasništvo mobilnosti, tj. Prijenos na bilo koju drugu platformu u prisutnosti C ++ kompajlera. Modeli u hodočasničkom sustavu sastavljeni su i stoga imaju velike brzine, što je vrlo važno za rješavanje rješenja za upravljanje i prilagodljivi odabir opcija pod vremenskom skalom ultrahator. Kôd objekta primljen nakon kompilacije može se ugraditi u programe koji se razvijaju ili prenose (prodaju) kupcu, budući da prilikom rada modeli, alati hodočasnički paket se ne koriste. Peta verzija hodočasnika je softverski proizvod nastao 2000. godine na objektno orijentiranoj osnovi i uzimajući u obzir glavna pozitivna svojstva prethodnih verzija. Prednosti ovog sustava: Orijentacija o zajedničkom modeliranju materijala, informacija i "gotovinskih" procesa; Prisutnost razvijenog slučaja, koja omogućuje izgradnju višestrukih modela u načinu strukturne analize sustava; Dostupnost sučelja s bazama podataka; Mogućnost modela krajnjih korisnika izravno analizirati rezultate zahvaljujući formaliziranoj tehnologiji za stvaranje funkcionalnog praćenja modela koristeći vizualne C ++, Delphi ili drugih sredstava; Sposobnost kontrole modela izravno tijekom njihovog izvršenja pomoću posebnog dijaloga. Dakle, hodočasnički paket je dobar način stvaranja diskretnih i kontinuiranih modela, ima mnoge prednosti i uvelike pojednostavljuje stvaranje modela. Cilj promatranja je poduzeće koje se bavi provedbom proizvode robe. Za statističku analizu ovih funkcioniranja poduzeća i uspoređivanje dobivenih rezultata, uspoređeni su svi čimbenici koji utječu na proces izdavanja i prodaje robe. Tvrtka se bavi proizvodnjom robe u malim serijama (poznata je veličina ove serije). Postoji tržište gdje se ovaj proizvod prodaje. Veličina serije kupljene robe u općem slučaju je slučajna vrijednost. Strukturna shema poslovnog procesa sadrži tri sloja. Na dva sloja postoje autonomni procesi "proizvodnja" (Dodatak a) i "prodaja" (Dodatak b), čiji su programi neovisni. Nema putova za transakcijske transakcije. Posredovačena interakcija tih procesa provodi se samo kroz resurse: materijalni resursi (u obliku gotovih proizvoda) i monetarnih resursa (uglavnom putem tekućeg računa). Upravljanje novčanim sredstvima javlja se na zasebnom sloju - u procesu "monetarne operacije" (Dodatak B). Predstavljamo ciljnu funkciju: vrijeme odgode plaćanja s tekućeg računa TRS-a. Glavni parametri upravljanja: 1 proizvode cjenovne jedinice; 2 Volumen proizvedene robe; 3 Iznos zatraženog zajma u Banci. Učvršćivanje svih ostalih parametara: 4 sata objavljivanja stranke; 5 Broj proizvodnih linija; 6 Interval primitak narudžbe od kupaca; 7 raspršivanje veličine prodane serije; 8 troškova komponenti i materijala za oslobađanje stranke; 9 početni kapital na tekućem računu; možete minimizirati TRS za određenu situaciju na tržištu. Minimum TRS-a postiže se s jednom od maksimuma iznosa novca na tekućem računu. Štoviše, vjerojatnost o rizičnom događaju - neplaćanje dugova na kreditima je blizu minimuma (to se može dokazati tijekom statističkog eksperimenta s modelom). Prvi proces " Proizvodnja "(Dodatak a) provodi glavne osnovne procese. Knot 1 imitira primitak narudžbi za proizvodnju stranaka proizvoda od upravljanja Društva. Čvor 2 - Pokušajte dobiti kredit. Pomoćna transakcija pojavljuje se u ovom čvoru - zahtjev banci. Knot 3 - čeka zajam za ovaj zahtjev. Čvor 4 je uprava Banke: ako se vrati prethodni zajam, onda je novi (inače zahtjev čeka u redu). Node 5 prenosi kredit na tekući račun tvrtke. U čvoru 6, pomoćni zahtjev je uništen, ali informacije koje je zajam osiguran je "barijera" na putu sljedećeg zahtjeva za još jedan zajam (držite operaciju). Glavna raspolaganja transakcija prolazi kroz čvor 2 bez odgode. U čvoru 7, komponente se plaćaju ako postoji dovoljan iznos na tekućem računu (čak i ako zajam nije primljen). U suprotnom, postoji očekivanje zajma ili plaćanje prodanih proizvoda. U čvoru 8, transakcija postaje u redu ako su sve proizvodne linije zauzete. U čvoru 9 se provodi proizvodnja serije proizvoda. U čvoru 10 postoji dodatna aplikacija za povrat kredita, ako je zajam prethodno istaknut. Ova aplikacija ulazi u čvor 11, gdje se novac prenosi s tekućeg računa Društva u Banku; Ako nema novca, zahtjev očekuje. Nakon povratka kredita, ova je aplikacija uništena (u čvoru 12); Banka ima informacije da je zajam vraćen, a tvrtka se može izdati sljedeći zajam (RELS operacija). Red za transakcije prolazi čvor 10 bez kašnjenja, au čvoru je uništen. Zatim se vjeruje da je stranka napravljena i ušla u skladište gotovih proizvoda. Drugi proces " Prodajni "(Dodatak b) imitira osnovne funkcije prodaje proizvoda. Čvor 14 je generator kupca proizvoda. Te se transakcije pretvaraju u skladište (čvor 15), a ako postoji tražena količina robe, kupac je izdao robu; Inače, kupac čeka. Čvor 16 oponaša odmor robe i kontrolu reda čekanja. Nakon primitka robe, kupac navodi novac na tekući račun tvrtke (čvor 17). U čvoru 18, kupac se smatra servisiranjem; Odgovarajuća transakcija više nije potrebna i uništena. Treći proces " Monetarne operacije "(Dodatak b) imitira ožičenje u računovodstvu. Zahtjevi za ožičenje dolaze iz prvog sloja iz čvorova 5, 7, 11 (procesa "proizvodnje") i od čvora 17 ("prodajni" proces). Potopljene linije pokazuju protok novčanih iznosa na računu 51 ("Naselje račun", čvor 20), račun 60 ("dobavljači, izvođači", čvor 22), račun 62 ("kupci, kupci", čvor 21) i račun 90 ("Banka", čvor 19). Konvencionalni brojevi približno odgovaraju planu računovodstvenih računa. Čvor 23 imitira rad financijskog ravnatelja. Poslužene transakcije nakon računovodstvenih postova vraćaju se na one čvorove, odakle su to činili; Ovi čvorovi su u T → Uppown transakcijski parametar. Izvorni kod modela prikazan je u aplikaciji. Ovaj izvorni kod gradi sam model, tj. Stvara sve čvorove (prikazane u strukturnoj shemi poslovnog procesa) i odnos između njih. Kodeks može generirati hodočasnički dizajner (GEM), u kojem se grade procesi u obliku objekta (Dodatak e). Model se kreira pomoću Microsoft Developer Studio. Microsoft Developer Studio je softverski paket koji se temelji na C ++ jeziku. Nakon pridruživanja projektu dodatnih knjižnica (Pilgrim.lib, COMCTL32.Lib) i datoteke resursa (holgrim.res), sastaviti ovaj model. Nakon kompilacije dobivamo gotov model. Datoteka izvješća automatski se stvara u kojoj se pohranjuju rezultati modeliranja nakon jednog modela. Datoteka izvješća prikazana je u Dodatku D. 3. Zaključci o poslovnom modelu "Učinkovitost proizvodnje" 1) broj čvorova; 2) naziv čvora; 3) vrstu čvora; 5) m (t) prosječno vrijeme čekanja; 6) ulazni metar; 7) ostaje transakcija; 8) stanje čvora u tom trenutku. Model se sastoji od tri neovisna procesa: glavnog proizvodnog procesa (Dodatak a), proces prodaje proizvoda (Dodatak B) i proces upravljanja novčanim tokovima (Aplikacija B). Glavni proizvodni proces.
Tijekom razdoblja modeliranja poslovnog procesa u čvoru 1 ("narudžbe") je formirano 10 zahtjeva za proizvodnju proizvoda. Vrijeme formiranja prosječnog naloga je 74 dana, kao rezultat, jedna transakcija nije ušla u okvir procesa modeliranja. Preostalih 9 transakcija ušla je u čvoru 2 ("razvoj1"), gdje je stvoren odgovarajući broj zahtjeva za bankom za primanje kredita. Prosječno vrijeme čekanja je 19 dana, ovo vrijeme modeliranja, za koje su zadovoljni sve transakcije. Nadalje, može se vidjeti da je 8 zahtjeva dobilo pozitivan odgovor u čvoru 3 ("izdavanje rješavanja"). Prosječno vrijeme dopušteno je 65 dana. Učitavanje ovog čvora bilo je prosječno 70,4%. Stanje čvora u vrijeme završetka vremena simulacije je zatvoreno, to je zbog činjenice da ovaj čvor pruža novi zajam samo u slučaju povratka prethodnog, dakle, zajam u to vrijeme Kraj modeliranja nije otplaćen (to se vidi iz čvora 11). Node 5 obavlja kredit na tekući račun poduzeća. I, kao što se može vidjeti iz tablice rezultata, banka je prebačena na račun tvrtke od 135.000 rubalja. U čvoru 6, sve 11 zahtjeva za kredit je uništeno. U čvoru 7 ("naknada dobavljači") isplaćeno je komponentama u iznosu prethodno dobivenih kredita (135.000 rubalja). U čvoru 8 vidimo da je 9 transakcija u redu. To se događa kada su sve proizvodne linije zauzete. U čvoru 9 ("Nalog") se provodi izravno proizvodnje. Za proizvodnju jedne serije proizvoda traje 74 dana. Tijekom razdoblja modeliranja izvršeno je 9 narudžbi. Učitavanje ovog čvora bilo je 40%. U čvoru 13, aplikacije za proizvodnju proizvoda uništene su u količini od 8 komada. S izračunom da se stranke izrađuju i ulaze u skladište. Prosječno vrijeme proizvodnje je 78 dana. U čvoru 10 ("vilica 2"), 0 dodatnih povrata kredita je stvoreno. Te su prijave upisane u čvor 11 ("povratak"), gdje je banka vraćena zajam u iznosu od 120.000 rubalja. Nakon povratka kredita, zahtjev za povratak je uništen u čvoru 12 u iznosu od 7 kom. s prosječnim vremenom -37 dana. Proces prodaje proizvoda.
U čvoru 14 ("kupci"), generirani su 26 transakcija-kupaca proizvoda s prosječnom starošću od 28 dana. Jedna transakcija očekuje u redu. Zatim, 25 kupaca transakcija "okrenuta" u skladište (čvor 15) za robu. Učitavanje skladišta za razdoblje modeliranja bilo je 4,7%. Proizvodi iz skladišta su odmah izdani - bez kašnjenja. Kao rezultat izdavanja proizvoda, u skladištu je ostalo 1077 jedinica. Proizvodi, u redu, dobivanje robe se ne očekuje, dakle, prilikom primanja narudžbe, tvrtka može izdati željenu količinu robe iz skladišta. Čvor 16 imitira oslobađanje proizvoda 25 korisnika (1 transakcija u redu). Nakon primitka robe, kupci bez odlaganja platili su robu primljene u iznosu od 119160 rubalja. U čvoru 18, svi se poslužuju trantakti uništeni. Proces upravljanja monetarnim protokom.
U tom procesu bavimo se sljedećim računovodstvenim ožičenjem (zahtjevi za izvršenje koji dolaze iz čvorova 5, 7, 11 i 17, respektivno): 1 izdana kreditna banka - 135000 rubalja; 2 Plaćanje dobavljačima za dodatnu opremu - 135000 rubalja; 3 Povratak bankovnog kredita - 120000 rubalja; 4 Na tekućem računu primljena sredstva iz prodaje proizvoda - 119160 rubalja. Kao rezultat tih ožičenja primili smo sljedeće podatke o raspodjeli sredstava na računima: 1) sch. 90: Banka. 9 transakcija se servisiralo, jedan očekuje u redu. Ravnoteža je 9970000 rubalja. Obavezno - 0 rubalja. 2) Sch. 51: r / račun. Služe se 17 transakcija, očekuje se u redu. Ravnoteža sredstava -14260 Utrljajte. Potrebno - 15.000 rubalja. Prema tome, kada je vrijeme modeliranja produženo, transakcija u redu je odmah servisirana da bude, zbog nedostatka sredstava na računu Društva. 3) Sch. 61: Kupci. 25 transakcija. Odmor ravnoteže - 9880840 utrljati. Obavezno - 0 rubalja. 4) Sch. 60: Dobavljači. U okviru ovog eksperimenta ne razmatra se 0 transakcija (proces "opskrbe robom"). Ravnoteža je 135.000 rubalja. Obavezno - 0 rubalja. Čvor 23 imitira rad financijskog ravnatelja. Su servisirali 50 transakcija Analiza rasporeda "dinamika kašnjenja".
Kao rezultat načina modela, osim datoteke koja sadrži podatke o tablici, dobivamo grafikon kašnjenja u redu (sl. 9). Rasporedite dinamiku kašnjenja u redu u čvoru "Calc. Račun 51 označava da se kašnjenje s vremenom povećava. Vrijeme kašnjenja plaćanja s tekućeg računa poduzeća je 18 dana. Ovo je prilično visok pokazatelj. Kao rezultat toga, koje je poduzeće manje i manje plaćanja, a uskoro će vrijeme kašnjenja premašiti vrijeme čekanja vjerovnika - to može dovesti do bankrota poduzeća. Ali, na sreću, ta kašnjenja nisu česte i stoga je to plus to ovom modelu. Situaciju možete riješiti minimiziranjem vremena odgode plaćanja za određenu situaciju na tržištu. Minimalno vrijeme odgode postići će se na jednom od maksimuma iznosa novca na tekućem računu. U tom slučaju vjerojatnost neplaćanja dugova na zajmovima bit će blizu minimuma. Procjena učinkovitosti modela.
Na temelju opisa procesa možemo zaključiti da su procesi proizvodnje i prodaje općenito učinkovito. Glavni problem modela je proces upravljanja monetarnim protokom. Glavni problem ovog procesa je dugovi o otplati bankovnog kredita, čime se ne dovodi do nedostatka sredstava na tekućem računu, koji neće dopustiti slobodno manipuliran primljenim sredstvima, od tada Moraju biti poslani da otplaćuju kredit. Kao što smo postali poznati iz analize rasporeda "dinamika kašnjenja", u budućnosti će tvrtka biti u mogućnosti vratiti račune koji se plaćaju na vrijeme, ali ne uvijek u jasno navedenim linijama Stoga se može zaključiti da je u ovom trenutku model prilično učinkovit, ali zahtijeva od najmanjih usavršavanja. Generalizacija rezultata statističkih informacija provedena je analizom rezultata eksperimenta. Raspored kašnjenja u čvoru "namire" pokazuje da, tijekom razdoblja modeliranja, vrijeme kašnjenja u čvoru traje, uglavnom na istoj razini, iako se povremeno pojavljuju kašnjenja. Slijedi da povećanje vjerojatnosti pojave situacije kada poduzeće može biti na rubu stečaja, iznimno niska. Prema tome, model je prihvatljiv, ali kao što je gore spomenuto, zahtijeva manje poboljšanja. Zaključak Komplicirani unutarnji odnosi i veliki u broju elemenata sustava je isplativo, izravne metode modeliranja i često za izgradnju i studiju se prenose na simulacijske metode. Pojava najnovijih informacijskih tehnologija povećava se ne samo sposobnosti sustava modeliranja, već i vam omogućuje da primijenite veću raznolikost modela i metoda za njihovu provedbu. Poboljšanje računalnih i telekomunikacijskih tehnika dovelo je do razvoja metoda modeliranja strojeva, bez kojih je nemoguće proučiti procese i fenomene, kao i izgradnju velikih i složenih sustava. Na temelju obavljenog posla, može se reći da je vrijednost modeliranja u gospodarstvu vrlo velika. Stoga bi moderan ekonomist trebao biti dobar u ekonomskim i matematičkim metodama, kako bi se mogli praktično primjenjivati \u200b\u200bna model stvarnih ekonomskih situacija. To vam omogućuje da bolje asimilirate teorijska pitanja moderne ekonomije, doprinosi podizanju razine kvalifikacija i opće profesionalne kulture stručnjaka. Uz pomoć raznih poslovnih modela, moguće je opisati ekonomske objekte, obrasce, komunikacije i procese ne samo na razini zasebne tvrtke, već i na razini države. A to je vrlo važna činjenica za bilo koju zemlju: možete predvidjeti uspone i naljepnice, krize i stolice u gospodarstvu. BIBLIOGRAFIJA 1. Emelyanov a.a., Vlasova e.a. Modeliranje računala - m.: Moskva država. Ekonomski sveučilište, statistika i informatika, 2002. 2. Zamkov o.o., Tolstopyenko A.V., cheremekh yu.n. Matematičke metode u ekonomiji, M., Posao i servis, 2001. 3. Koleev V.a., matematička ekonomija, M., UNITI, 1998. 4. Najmor T. Stroj imitacija pokusi s modelima ekonomskih sustava. - m.: Mir, 1975. - 392 str. 5. SVIETS B.YA., YAKOVLEV S.A. Simulacija sustava. - M.: Više. SHK., 2001. 6. Shannon R.E. Modeliranje simulacijskog sustava: Znanost i umjetnost. - m.: Mir, 1978. 7. www.thrasta.narod.ru. Dodatak A. Shema poslovnog modela "Učinkovitost poduzeća" Dodatak B. Proces implementacije proizvoda poslovnog modela "Učinkovitost poduzeća" Dodatak B. Proces upravljanja novčanim tokovima poslovnog modela "Učinkovitost poduzeća" Dodatak G. Model izvornog koda Dodatak D. Datoteku izvješća modela Dodatak E. Učenici, diplomirani studenti, mladi znanstvenici koji koriste bazu znanja u studijima i radu bit će vam vrlo zahvalni. Sveučilište u međunarodnom poslovanju. Na temu: imitacija modeliranja u gospodarstvu Izvršeni student c. Ekonomija Tazhibaev ermek Almaty 2009. Plan Uvod 1. Definicija koncepta "modeliranja imitacije" 2. Imitacija Modeliranje reproduktivnih procesa u industriji nafte i plina 3. Metoda Monte Carla kao vrste modeliranja imitacije 4. Primjer. Evaluacija geoloških zaliha Zaključak Uvod Proučavanje operacija naširoko se koristi i analitički i statistički modeli. Svaki od ovih vrsta ima svoje prednosti i nedostatke. Analitički modeli više nepristojan, uzeti u obzir manji broj čimbenika, uvijek zahtijevaju nikakve pretpostavke i pojednostavljenja. No, rezultati izračuna na njima lakše su predvidljivi, jasnije odražavaju inherentni fenomen. I, glavna stvar, analitički modeli su više prilagođeni da pronađu optimalna rješenja. Statistički modeli, u usporedbi s analitičkim, točnijim i detaljnijim, ne zahtijevaju tako grube pretpostavke, omogućuju vam da razmislite o velikom (u teoriji - neograničen veliki) broj čimbenika. Ali oni također imaju vlastite nedostatke: masući, loš poremećaj, visoka potrošnja strojno vrijeme, i što je najvažnije, ekstremne poteškoće pronalaženja optimalnih rješenja koja padaju "na dodir" nagađanjem i uzorcima. Najbolji rad u području operacija temelji se na dijeljenju analitičkih i statističkih modela. Analitički model omogućuje općim uvjetima shvatiti fenomen, zabraniti konturu glavnih uzoraka. Sve pojašnjenje mogu se dobiti pomoću statističkih modela. Simulacijska simulacija se odnosi na procese, u kojem može intervenirati ljudsku volju s vremena na vrijeme. Osoba koja vodi operaciju može, ovisno o uspostavljenoj situaciji, uzeti one ili druge odluke, baš kao i šahov igrač, gledajući na ploču, odabire svoj sljedeći potez. Tada se matematički model pokreće, što pokazuje kakva se očekuje da se situacija očekuje kao odgovor na ovu odluku i na koje će posljedice će voditi nakon nekog vremena. Prihvaća se sljedeće "trenutno rješenje" već uzimajući u obzir pravu novu situaciju itd. Kao rezultat ponovljenog ponavljanja takvog postupka, glava, kao što je bila, "dobici iskustva", studira na vlastite i tuđim pogreškama i postupno naučiti kako bi ispravna rješenja - ako ne i optimalna, onda gotovo optimalna. 1.
Određivanje koncepta "modeliranja imitacije" U modernoj literaturi ne postoji jedinstvena stajališta o pitanju onoga što treba razumjeti u modeliranju imitacije. Dakle, postoje različita tumačenja: U prvom - pod simulacijskom modelu shvaća se kao matematički model u klasičnom smislu; U drugom - ovaj izraz ostaje samo za one modele u kojima se na ovaj ili onaj način igraju slučajni utjecaji (oponašaju); U trećem, pretpostavlja se da se model simulacije razlikuje od konvencionalnog matematičkog opis, ali kriterij za koji se može reći kada se ne uvede matematički model i imitacija; Modeliranje simulacije se primjenjuje na postupke, u kojem može intervenirati ljudsku volju s vremena na vrijeme. Osoba koja vodi operaciju može, ovisno o uspostavljenoj situaciji, uzmite određene odluke, baš kao i šahov koji gleda na ploču, odabire svoj sljedeći potez. Tada djeluje matematički model, koji pokazuje koji se očekuje situacija, kao odgovor na ovu odluku i na koje će posljedice voditi nakon nekog vremena. Sljedeća tekuća odluka je već uzeta u obzir pravu novu okolinu, itd. Kao rezultat ponovljenog ponavljanja takvog postupka, glava kao što je bila, "dobiva iskustvo", studira na vlastite i druge ljude i postupno Naučite napraviti prave rješenja - ako ne i optimalno, onda gotovo optimalno. Pokušajmo ilustrirati proces simulacije kroz usporedbu s klasičnim matematičkim modelom. Faze procesa izgradnje matematičkog modela složenog sustava: 1. Formulirati osnovna pitanja o ponašanju sustava, odgovore na koje želimo dobiti korištenje modela. 2. Od mnoštva zakona koji kontroliraju ponašanje sustava, oni čiji je utjecaj ključan prilikom traženja odgovora na pitanja. 3. Osim ovih zakona, ako je potrebno, za sustav u cjelini ili pojedinačne dijelove formulira se određena hipoteza o funkcioniranju. Kriterij adekvatnosti modela je praksa. Poteškoće u izgradnji matematičkog modela složenog sustava: Ako model sadrži mnoge veze između elemenata, razne nelinearne ograničenja, veliki broj parametara itd. Real sustavi često su podložni utjecaju slučajnih različitih čimbenika, a računovodstvo koje analitički predstavlja vrlo velike poteškoće, često nepremostive s njima; Sposobnost usklađivanja modela i originala s ovim pristupom samo na početku. Te se poteškoće određuju korištenjem modeliranja imitacije. Privodi se na sljedećim koracima: 1. Kao i prije, formulirani su glavna pitanja o ponašanju složenog sustava, odgovore na koje želimo dobiti. 2. Razgradnja sustava se provodi na jednostavnijim blokovima dijelova. 3. Zakoni i "uvjerljiva" hipoteza formuliraju se u pogledu ponašanja kao sustava kao cjeline i pojedinih dijelova. 4. Ovisno o pitanjima postavljenim prije istraživača, uveden je takozvani sustav sustava koji simulira vrijeme u stvarnom sustavu. 5. Potrebne fenomenološka svojstva sustava i odvojenih dijelova postavljena su formalizirana. 6. Random parametri koji se pojavljuju u modelu uspoređuju se s nekim implementacijama koje su spremljene konstantnom za jedan ili više sustava sustava sustava. Zatim se nalaze nove implementacije. 2.
Simulacijsko modeliranje procesa reprodukcije u industriji nafte i plina Moderna faza razvoja naftne i plinske industrije karakterizira komplikacija veza i interakcije prirodnih, ekonomskih, organizacijskih i drugih čimbenika proizvodnje, kako na razini pojedinih poduzeća i naftnih i plinskih područja te na razini javnosti. U naftnoj i plinskoj industriji, proizvodnja se odlikuje dugim razdobljima, proizvodnja proizvodnje - proces u vremenu (traženje i istraživanje, razvoj i aranžman, proizvodnja nafte, plin i kondenzat), prisutnost kašnjenja i kašnjenja, dinamički Korišteni resursi i drugi čimbenici, vrijednosti mnogih od kojih su nosili probabilistički karakter. Vrijednosti tih čimbenika sustavno se mijenjaju zbog puštanja u rad novih depozita, kao i ne potvrđuju očekivane rezultate razvoja. To prisiljava industriju nafte i plina za povremeno revidiranje planova za reprodukciju stalnih sredstava i redistribuiranja resursa kako bi se optimizirali rezultati proizvodnih i gospodarskih aktivnosti. Pri izradi planova, značajna pomoć osobama koje pripremaju nacrt gospodarske odluke mogu osigurati korištenje metoda matematičkog modeliranja, uključujući imitaciju. Suština ovih metoda je višestruka reprodukcija planiranih rješenja s naknadnom analizom i izborom najracionalnijih na određenom sustavu kriterija. Koristeći simulacijskog modela, možete stvoriti jedinstvenu strukturnu shemu koja integrira funkcionalne kontrole (strateško, taktičko i operativno planiranje) za glavne industrijske procese industrije (pretraživanja, istraživanja, razvoja, rudarstva, prijevoza, ulja i plina). 3.
Monte Carlo metoda kao vrstasimulacijska simulacija Datum rođenja metode Montte Carlo se smatra 1949. godine, kada se pojavio članak pod nazivom "Monte Carlo metoda". Stvoritelji ove metode smatraju američkim matematičarima J. Neuman i S. Ulama. U SSSR-u, prvi članci o Monte Carlo metodi su objavljeni 1955-1956. Znatiželjno je da je teoretska osnova metode bila poznata dugo vremena. Štoviše, neke od zadataka statistike izračunati su ponekad uz pomoć slučajnih uzoraka, tj. U stvari, Monte Carlo. Međutim, prije pojave elektroničkih računalnih strojeva (računala), ova metoda nije mogla pronaći nikakvu široku uporabu, za simuliranje slučajnih varijabli "ručno - vrlo naporno djelo. Dakle, pojava Monta-Carlo metode kao vrlo univerzalne numeričke metode je bio moguće samo zbog računala izgled. Samo ime "Monte Carlo" dolazi iz grada Monte Carla u Kneževini Monaka, poznatog po svojoj kockarskoj kući. Ideja o metodi je izuzetno jednostavna i je sljedeća. Umjesto opisuje proces pomoću analitičkog aparata (diferencijalne ili algebarske jednadžbe), "crtanje" slučajnog fenomena proizveden je pomoću posebno organiziranog postupka, koji uključuje nesreću i daje slučajni rezultat. Zapravo, konkretna implementacija slučajnog procesa razvija se svaki drugi put; Također, kao rezultat statističkog modeliranja dobivamo novu, različitu od druge provedbe postupka u studiju. Što nam može dati? Samo po sebi ništa, baš, kažem, jedan slučaj liječenja pacijenta s lijekom. Još jedna stvar, ako postoji mnogo takvih implementacija. Ovaj skup implementacija može se koristiti kao određeni umjetno dobiveni statistički materijal, koji se može obraditi konvencionalnim metodama matematičke statistike. Nakon takvog liječenja dobivene su sve karakteristike interesa za nas: vjerojatnosti događaja, matematička očekivanja i disperzija slučajnih varijabli, itd. Prilikom modeliranja slučajnih fenomena Monte Carlo, koristimo najviše šanse kao studijski uređaj, prisiljavajući ga "rad na nama. " Često je takav prijem jednostavniji od pokušaja izgradnje analitičkog modela. Za složene operacije u kojima su uključeni veliki broj elemenata (automobili, ljudi, organizacije, komunalne proizvode), u kojem su slučajni čimbenici teško isprepleteni, gdje je proces jasno nemarkskpy, metoda statističkog modeliranja, u pravilu, to Ispada da je lakše nego analitički (i često se događa jedini mogući). U biti, svaki probabilistički zadatak može se riješiti metodom Monte Carlo, ali se postaje opravdano samo kada je postupak crtanja lakši, a ne teže od analitičkog izračuna. Dajte nam primjer kada je MONTE Carlo metoda je moguća, ali iznimno nerazen. Neka, na primjer, u određenoj svrsi napravljeni su tri neovisna snimka, od kojih svaki spada u cilj s vjerojatnošću 1/2. Potrebno je pronaći vjerojatnost najmanje jednog udarca. Osnovni izračun daje nam vjerojatnost barem jednog hita jednako 1 - (1/2) 3 \u003d 7/8. Isti zadatak može se riješiti i "crtanje", statističko modeliranje. Umjesto "tri snimke", baciti ćemo "tri novčića", s obzirom na to reći, grb - za udaranje, odluku - za "slip". Doživljava "uspješno", ako je barem jedan od grba jedan od novčića. Mi ćemo proizvesti vrlo, vrlo mnogo eksperimenata, izračunati ukupni broj "sreće" i podijeliti broj N produkcija. Dakle, dobivamo učestalost događaja, i to je blizu vjerojatnosti s velikim brojem eksperimenata. Pa, što? Primijenite takav prijem mogao je osoba koja čak i ne zna teoriju vjerojatnosti, ipak, u načelu, moguće je. Metoda Monte Carlo je numerička metoda rješavanja matematičkih problema koristeći modeliranje slučajnih varijabli. Razmotrite jednostavan primjer ilustrirajući način. PRIMJER 1. Pretpostavimo da trebamo izračunati područje stana Slika S. To može biti proizvoljna figura s curvioarnom granicom, koja je navedena grafički ili analitički, povezana ili se sastoji od nekoliko komada. Neka bude brojka prikazana na Sl. 1, i pretpostavite da se sve nalazi unutar jednog trga. Odaberite unutar kvadratnog N slučajnih točkica. Označite broj bodova koji su došli u dodatak unutar S. Geometrijski očito, područje s je približno jednak omjeru F / N. Što je veća n, to je veća točnost ove procjene. Dvije značajke Monte Carlo metode. Prva značajka metode je jednostavna struktura računalnog algoritma. Druga značajka metode je pogreška izračuna, u pravilu je proporcionalna D / N2, gdje je D neki trajni, n je broj testova. Može se vidjeti da kako bi se smanjila pogreška 10 puta (drugim riječima, da biste dobili još jedan vjerni decimalni znak odgovora), potrebno je povećati N (tj. Volumen rada) je 100 puta. Jasno je da je nemoguće postići visoku točnost. Stoga se obično kaže da je Monte Carlo metoda posebno učinkovita u rješavanju tih zadataka u kojima je rezultat potrebna s malom točnosti (5-10%). Način primjene metode Monte Carlo u teoriji je vrlo jednostavan. Da bi se dobio umjetni slučajni uzorak iz skupa količine opisanih pomoću funkcije raspodjele vjerojatnosti, slijedi: 1. Izgradite grafikon ili tablicu integralne funkcije distribucije na temelju broja brojeva koji odražavaju proces u studiju (a ne na temelju broja slučajnih brojeva), a vrijednosti slučajnog varijabilnog procesa su deponirane duž apscisa osi (x) i vrijednosti vjerojatnosti (od 0 do 1) - na osi rejonice (y). 2. Uz pomoć generatora slučajnog broja za odabir slučajnog decimalnog broja od 0 do 1 (s potrebnim brojem ispuštanja). 3. Držite horizontalnu izravnu iz točku na redijskoj osi koja odgovara odabranom slučajnom broju, do raskrižja s krivuljom raspodjele vjerojatnosti. 4. niže od ove točke raskrižja okomito na Asčissu. b. Ponovite korake 2-5 za sve potrebne slučajne varijable, slijedeći redoslijed u kojem su zabilježene. Opće značenje je lako razumjeti s jednostavnim primjerom: broj poziva na telefonsku postaju za 1 minutu odgovara sljedećoj distribuciji: Broj vjerojatnosti poziva Kumulativna vjerojatnost oko 0,10 0,10 Pretpostavimo da želimo provesti mentalni eksperiment za pet vremena. Konstruiramo kumulativni raspored distribucije vjerojatnosti. Uz pomoć generatora slučajnog broja, dobivamo pet brojeva, od kojih se svaki koristi za određivanje broja poziva u ovom vremenskom intervalu. RANOM broj slučajni broj poziva Uzimajući još nekoliko takvih uzoraka, možete se pobrinuti da ako se koriste brojevi su stvarno raspoređeni ravnomjerno, svaka od vrijednosti vrijednosti u studiju će se pojaviti s istom frekvencijom kao nadrealnim svijetom, a mi ćemo primati rezultate tipične za ponašanje sustava u studiju. Vratimo se na primjer. Da bismo izračunali, trebali smo odabrati slučajne točkice na jednom kvadratu. Kako to učiniti fizički? Zamislite takav eksperiment. Sl. 1. (Na povećanoj ljestvici) sa slikama i trg visjela na zidu kao metu. Strijelac, koji je bio na nekoj udaljenosti od zida, puca n Times, ciljanje središta trga. Naravno, svi metci neće leći točno do centra: pokušavaju na cilj n slučajnih točkica. Je li moguće procijeniti S. kvadrat na tim točkama. Jasno je da će s visokom strijelom kvalifikacije, rezultat iskustva biti vrlo loš, jer će gotovo svi metci pasti u blizini centra i pasti u S. Nije teško razumjeti da će naša metoda izračunavanja područja biti valjana samo kada slučajne točke neće biti jednostavna "slučajna", a također "ravnomjerno raspršena" tijekom trga. U ciljevima poslovanja operacija, Monte Carlo metoda se koristi u tri osnovne uloge: 1) pri modeliranju kompleksa, integriranim operacijama, gdje su prisutni mnogi interakcijski slučajni čimbenici; 2) prilikom provjere primjenjivosti jednostavnijih, analitičkih metoda i razjašnjenja uvjeta njihove primjenjivosti; 3) Kako bi se razvili izmjene i dopune analitičkih formula kao što su "empirijske formule" u struci. 4.
Primjer, Evaluacija geoloških zaliha Za procjenu vrijednosti nadoknadivih rezervi potrebno je, prije svega, odrediti iznos ukupnih ili geoloških rezervi. Analiza strukturnih zamki. Za procjenu sadržaja u strukturnoj zamci ulja i / ili plina, geologa za pretraživanje i polje i geofizike trebaju ispitati prirodu strukturne zamke. Takva studija je potrebno odrediti moguću veličinu geoloških zaliha. Raspon promjena zaliha određuje se kombinacijom sljedećih procjena: volumen sedimentnih stijena (RV), poroznosti (f), perico vode zasićenja (SW), efektivna snaga (NP) G. Definicija vjerojatnih vrijednosti parametara. U ovoj fazi geolozi trebaju procijeniti vrijednost vjerojatnosti za parametre koji se koriste u izračunu geoloških zaliha. Svaki se parametar pripisuje intervalnim vrijednostima vjerojatnosti, na temelju stručnih razreda geologa Analiza grafikona vjerojatnosti. Grafika akumuliranu vjerojatnost. Kontinuirana krivulja je vjerojatnost da će vrijednost parametra koja se razmatra biti "jednaka ili veća" od vrijednosti na mjestu horizontalne osi, koja presijeca vertikalnu liniju dizajniranu iz krivulje, s okomitom na okomitu os. za bilo koje vrijednosti od 0 do 100%. Krivulja je izgrađena prema histogramima, koji su prikazani kao zasjenjeni stupci. Histogrami su stručna procjena geologa pretraživanja i terena i geofizičara koji pružaju informacije u sljedećem obliku: Po našem mišljenju, vjerojatnost da je volumen depozita stijena u rasponu od 0 do 390 tisuća stopa je 10%; Prema našoj procjeni, vjerojatnost da je količina pasmine od 380 do 550 Cu. noge su 15% i tako dalje. Ove procjene geologa akumuliraju i kao rezultat toga dobiva se generalizirana krivulja vjerojatnosti. Na temelju ove krivulje možete ekstrapolirati vrijednosti očekivanih vjerojatnosti za proučavane parametre. Brojanje geoloških dionica. Volumen geoloških rezervi izračunava se pomoću sljedeće formule: RVXFX (L-SW) X NPX - gdje je Fv koeficijent ulja koji dovodi do površinskih uvjeta. Korištenje prosječnih vrijednosti za dobivanje približne procjene geoloških zaliha. Kada procjenjuje približnu količinu ulja na terenu, koristit ćemo sljedeće vrijednosti parametara: Prosječni volumen volumena stijena je 1,35 milijuna akrofita (1 acroFut \u003d 7760 barela ili oko 1230 m3) Srednje poroznosti - 17% Prosječna zasićenost vode - 20% Prosječna učinkovita snaga - 75% Koeficijent dovođenja - 1,02 (u uvjetima spremnika ne postoji besplatan plin). Sada ćemo zamijeniti te vrijednosti u formuli (1,35 x 1 0) X (1 7%) X (75%) X (, tj.: 1350000x0,17x0.8x0.75x0,98) \u003d 134946 akrofiti ili 134946x7760 \u003d 1047413760, tj. Približno 1,047 milijardi barela nafte (165 milijuna m3, 141 milijun tona). Najčešći način: Monte Carlo Metoda. Prije svega, potrebno je konstruirati histograme i krivulje akumulirane vjerojatnosti za svaki parametar. Za svaku od tih krivulja slučajno je odabrati točku koja odgovara vjerojatnosti od 0 do 100%. Nakon toga, potrebno je zamijeniti vrijednost parametra koji odgovara toj vjerojatnosti u jednadžbi. Tada možete brojati geološke pričuve na tim vrijednostima parametara i izračunati punu vjerojatnost. Na primjer: Za 50% akumuliranu vjerojatnost, imamo 25% šanse da će volumen stijena biti 690000 akroleta Za 20% akumulirane vjerojatnosti, imamo 35% vjerojatnosti da će poroznost biti 21% Za 25% akumuliranu vjerojatnost, imamo 25% vjerojatnost da je sadržaj vode 33% 80% akumulirane vjerojatnosti pokazuje 32% vjerojatnosti da će učinkovita snaga biti 74%. Koeficijent dovođenja ulje na površinske uvjete uzima se jednak 1.02. Koristeći ove vrijednosti izračunavamo geološke pričuve: (0.69 x 1 0) X (2 1%) X (L - 33%) X (74%) X ---- Odlučivanje, dobivamo otprilike: 521 milijuna barela nafte (82 milijuna m3, 70 milijuna tona). Rezultat ovog izračuna je znatno manji nego kada koristite prosječne vrijednosti parametara. Moramo znati vjerojatnost tog rezultata. Da bismo odredili vjerojatnost da će geološke rezerve biti 521 milijun barela ulja, izračunavamo punu vjerojatnost: 0.25 x 0.35 x 0.05 x 0.35 x 1.0 \u003d 0.006125, tj. Vjerojatnost je 0,6125% - ne baš dobro! Ovaj postupak se ponavlja više puta, za koje smo koristili program izrađen za računalo. To nam daje razumnu probabilističku distribuciju geoloških rezervi. Kao rezultat izvršenja programa predviđena je obujam geoloških rezervi nafte: volumen ulja najvjerojatnije će biti 84658 akrofita ili oko 88,5 milijuna tona. Koristite raspodjelu akumulirane vjerojatnosti. Na sljedećem koraku koristite raspored, morate odabrati nekoliko procjena sa svojim vjerojatnostima. Za svaku od tih vrijednosti izračunava se dinamika proizvodnje, razvojni projekt varijante. Ovi izračuni se zatim mogu koristiti za procjenu kapitalnih operativnih troškova za svaku vrijednost zaliha odabranu iz rasporeda. Zatim se analiziraju ekonomski pokazatelji za svaku vrijednost dionica. Nakon nekog vremena, a nakon bušenja nekih bušotina, koeficijent uspjeha izračunava se formulom. Omjer uspjeha \u003d broj Wells Vasche. Ulje broj prometa. Dobro Tijekom razdoblja već nekoliko godina izrađuje se grafikon vjerojatnosti uspjeha. Na primjer, za uvjetno područje, raspored koeficijenta uspjeha je sastavljen nakon devet godina rada. Kroz odgovarajuće vrijednosti uspjeha su uvjetne linije, zatim se omotnica krivulja provodi kroz njihove centre. Ekstremne točke ovih linija odgovara maksimalnoj razini uspjeha, a središnja krivulja odgovara najvjerojatnijoj razini postizanja uspjeha vjerojatnosti vrijednosti određena je na temelju subjektivnih presuda komercijalnih geologa. Slično tome, određuje se razina dionica po jažici. Uz pomoć uspješnosti i prosječne rezerve po jažici, vjerojatnost postizanja određene razine zaliha potrebnih za sastavljanje programa bušenja i procjenjuje se na određivanje broja dobro potrebnih bušotina. Zaključak Glavni nedostatak analitičkih modela je da neizbježno zahtijevaju nikakve pretpostavke, osobito o "hramovi" procesa. Prihvatljivost tih pretpostavki ne mora uvijek biti procijenjena bez kontrolnih izračuna, ali ih proizvode Monte Carlo. Figurativno govoreći, Monte Carlo Metoda u zadacima istraživanja operacija igra ulogu neku vrstu primitka. Statistički modeli ne zahtijevaju ozbiljne pretpostavke i pojednostavljenja. U načelu, u statističkom modelu "penje" ništa - bilo koji distribucijski zakoni, bilo koja složenost sustava, mnoštvo njezinih država. Glavni nedostatak statističkih modela je njihova glomazna i složenost. Ogroman broj implementacija potreban za pronalaženje željenih parametara s prihvatljivom točnosti zahtijeva puno strojno vrijeme. Osim toga, rezultati statističkog modeliranja su mnogo teže shvatiti od izračuna na analitičkim modelima, a prema tome je teže optimizirati rješenje (potrebno je slijepo prianjati "slijepo). Ispravna kombinacija analitičkih i statističkih metoda u proučavanju operacija je slučaj umjetnosti, slabosti i iskustva istraživača. Često analitičkim metodama uspijevamo opisati neke "podsustave", dodijeljene u velikom sustavu, a zatim iz takvih modela kao iz "cigle", izgraditi veliku, složenu modelu zgrade. Bibliografija 1. Ventnica E.S. "Proučavanje operacija", Moskva "Sovjetski Radio" 1972 2. Sable I.M. "Metoda Monte Carlo", Moskva "Znanost", 1985 3. "Ekonomske i matematičke metode i primijenjeni modeli", ed. Fedoseeva V.V., Moskva "UNITI" 2001 Koncept modeliranja imitacije, uporabu u gospodarstvu. Faze procesa konstruiranja matematičkog modela složenog sustava, kriterije za njegovu adekvatnost. Modeliranje diskretnog događaja. Metoda Monte Carlo je vrsta simulacije. ispitivanje, dodano 12/23/2013 Statistički model slučajnog procesa. Numerička metoda Monte Carlo. Vrste imitacije, njegove prednosti i mogućnosti. Jednostavan imitacijski model sustava za obradu dokumenata. Koristiti za simuliranje SIMAN jezika. Njegovi glavni modeliranje blokova. prezentacija, dodano 22.10.2014 Izračun ekonomskog učinka rada Banke. Simulacija na temelju unaprijed instaliranih ovisnosti. Raspodjela funkcija eksponencijalnog prava. Podešavanje vremena korisničke usluge na CASS i okrenite promociju. ispitivanje, dodano 03.10.2008 Izračun ekonomskog učinka rada Banke. Algoritam simulacija modeliranje gotovinske hodnika. Raspodjela funkcija eksponencijalnog prava. Podešavanje vremena korisničke usluge na CASS i okrenite promociju. Programi unosa. ispitivanje, dodano 03.10.2008 Modeliranje simulacije kao metoda za analizu ekonomskih sustava. Pre-projektni pregled tiskarskih tvrtki. Proučavanje navedenog sustava pomoću modela procesa Markovog procesa. Izračun vremena usluge jedne primjene. naravno, dodano 10/23/2010 Učinkovitost kapitalnih ulaganja. Statističke metode za procjenu izvedivosti ulaganja s rizikom. Analiza osjetljivosti, scenariji. Uspostavljanje nominalnih i graničnih vrijednosti neizvjesnih čimbenika. Simulacija Modeliranje Monte Carlo. ispit, dodano 10.27.2008 Koncept ravnomjerno raspoređene slučajne varijable. Multiplikativna usklađena metoda. Modeliranje kontinuiranih slučajnih varijabli i diskretne distribucije. Algoritam za imitaciju modeliranje ekonomskih odnosa između zajmodavca i dužnika. naravno, dodano 01/03/2011 Pregled metoda rješavanja problema. Izračun broja kupaca, prihoda, prosječnog veličine reda i broj kvarova za razdoblje modeliranja. Algoritam za modeliranje procesa, razvoj njihove provedbe softvera. Eksperimentirajte stroj s razvijenim modelom. tečaj, dodano 01/15/2011 Opis računalne simulacije. Prednosti, faze i pristupi izgradnji modeliranja imitacije. Sadržaj osnovnog koncepta za postavljanje jezika modeliranja GPSS. Način procjene i revizije planova (Pert). Modeliranje u GPSS sustavu. rad tečaja, dodano 03/03/2011 Metoda simulacijskog modeliranja u razvoju ekonomskih i matematičkih modela za objašnjenje nesigurnosti poduzeća statistike. Funkcioniranje simulacijskog modela proizvodnje stolice za male veličine: vrijeme rada i koeficijenti opreme. Modeliranje simulacije je metoda koja vam omogućuje da izgradite modele koji opisuju procese kao što bi zapravo. Ovaj model može "izgubiti" na vrijeme i za testiranje i određeni skup. U tom slučaju, rezultati će biti određeni slučajnim prirodom procesa. Prema tim podacima, možete dobiti dovoljno stabilnu statistiku. Relevantnost ove teme je da je imitacija modeliranje na digitalnim računalnim strojevima jedan od najmoćnijih istraživačkih alata, posebno, složene dinamičke sustave. Kao i svaka računala simulacija, to omogućuje izvršavanje računalnih eksperimenata sa samo dizajniranim sustavima i studijskim sustavima, poljskim eksperimentima s kojima, zbog sigurnosnih razloga ili visokih troškova, nisu prikladni. U isto vrijeme, zahvaljujući svojoj blizini u obliku fizičkog modeliranja, ova metoda studije dostupna je širem rasponu korisnika. Modeliranje simulacije je metoda istraživanja u kojoj je studijski sustav zamijenjen modelom s dovoljnom točnosti koja opisuje pravi sustav i eksperimente se provode s njom kako bi se dobili informacije o ovom sustavu. Ciljevi ponašanja takvih eksperimenata mogu biti najrazličitiji - od identificiranja svojstava i obrazaca sustava u studiju, prije rješavanja specifičnih praktičnih zadataka. S razvojem računalne opreme i softvera, spektar primjene imitacije u području gospodarstva značajno se proširio. Trenutno se koristi kako za rješavanje problema upravljanja intrafirny i za upravljanje modeliranjem na makroekonomskoj razini. Razmotrite glavne prednosti korištenja imitacije modeliranja u procesu rješavanja problema financijske analize. U procesu modeliranja simulacije, istraživač se bavi četiri glavna elementa: Pravi sustav; Logički matematički model simuliranog objekta; Simulacijski (stroj) model; Računalo na kojem se provodi imitacija je usmjeren računalni eksperiment. Da biste opisali dinamiku simuliranih procesa u modeliranju imitacije, provodi se vremenski zadatak modela. Ti mehanizmi su ugrađeni u kontrolne programe bilo kojeg sustava modeliranja. Ako je ponašanje jedne komponente sustava simulirano na računalu, provedba aktivnosti u simulacijskom modelu može se provesti uzastopno, ponovno izračunavanjem vremenske koordinate. Da biste simulirali paralelne događaje stvarnog sustava, neke globalne varijable (pružanje sinkronizacije svih događaja u sustavu) t0, koji se naziva model (ili sistemsko) vrijeme. Postoje dva glavna načina za promjenu t0: Korak po korak (intervali fiksnih promjena vrijeme modela); Slične (primjenjuju se intervali promjenjive promjene vrijeme modela, dok se korak mjeri intervalom prije sljedećeg događaja). U slučaju postupka korak po korak, promocija vremena nastaje s minimalnim mogućim konstantnim korakom (načelo T). Ovi algoritmi nisu vrlo učinkoviti s gledišta korištenja strojno vrijeme za njihovo provođenje. Fer metoda (načelo "posebnih država"). U njemu se koordinate vremenske promjene mijenjaju samo kada se stanje sustava promijeni. U vremenskim postupcima, duljina privremenog koraka je maksimalno moguće. Model vrijeme od trenutnog trenutka mijenja se u najbliži trenutak sljedećeg događaja. Korištenje poželjnije metode je poželjno ako je učestalost događaja mala, onda će velika duljina koraka ubrzati tijek vremena modela. Prilikom rješavanja mnogih zadataka financijske analize koriste se modeli koji sadrže slučajne varijable, ponašanje koje nije podložno za upravljanje odlučivačima. Takvi se modeli nazivaju stohastički. Korištenje imitacije omogućuje donošenje zaključaka o mogućim rezultatima na temelju probabilističkih distribucija slučajnih čimbenika (vrijednosti). Stohastika imitacija se često zove Monte Carlo. Od svega navedenog, može se zaključiti da je modeliranje simulacije omogućuje vam da uzmete u obzir maksimalni mogući broj vanjskih čimbenika okoliša za potporu donošenju odluka uprave i najmoćnije sredstvo za analizu investicijskih rizika. Potreba za njegovom korištenjem u domaćoj financijskoj praksi posljedica je posebnosti ruskog tržišta koje karakterizira subjektivizam, ovisnost o neekonomskim čimbenicima i visokom stupnju nesigurnosti. Rezultati simulacije mogu se nadopuniti probabilističkom i statističkom analizom i kao cjelina pružaju upravitelju s najmomnijim informacijama o stupnju utjecaja ključnih čimbenika za očekivane rezultate i moguće scenarije za razvoj događaja. Procesi postaju metoda koja omogućuje projektiranje uzoraka koji opisuju procese na takav način kao da zapravo funkcioniraju. Primjenjujući ih, moguće je dobiti stabilnu i pouzdanu statistiku. Na temelju tih podataka možete odabrati optimalni put razvoja organizacije. Metoda simulacije je metoda istraživanja u kojoj će se određeni sustav zamijeniti s onim koji ima dovoljno točnosti u opisu prave. Mora se provesti eksperimente kako bi se dobili pouzdane informacije. Takav postupak će omogućiti shvatiti suštinu fenomena bez pribjegavanja u ovom slučaju do stvarnih promjena u objektu u vrijeme. Simulacija poslovnih procesa je poseban slučaj matematičkog modeliranja. Činjenica je da postoji klasa objekata za koje se analitički modeli nisu razvijeni iz raznih razloga. Ili nema sustava za korištenje inovativnog rješenja. U takvim slučajevima koristi se imitacija modeliranja ekonomskih procesa. Pripremilo se to kada: Simulacijski procesi imaju nekoliko vrsta. Razmotrite ih detaljnije. Modeliranje alarma je inovativni smjer koji se široko koristi za istraživanje decentraliziranih sustava. Dinamika njihovog funkcioniranja određena je ne toliko globalnim zakonima i propisima, već, naprotiv, ta načela postaju rezultat individualne aktivnosti članova ove skupine. Stoga, u ovom slučaju, svrha i ciljevi modela su da se dobiju podnesci o tim temeljnim načelima, ponašanje odabranog sustava. No, bit će potrebno nastaviti od pretpostavki o pojedincu, privatnom ponašanju svojih pojedinačnih objekata, kao i njihovim odnosima u sustavima. Agent postaje posebna suština koja ima aktivnost i autonomiju u ponašanju, može prihvatiti i primijeniti rješenja u skladu s nizom posebnih pravila, interakciju s okolnim okruženjem, a i samostalno se mijenjaju. Diskretno-događaj modeliranje je pristup modeliranju, koji nudi apstrakt iz dostupnih događaja, uzimajući u obzir brojne osnovne događaje u sustavu. Govorimo o "čekanju", "obradu narudžbe", "pokret s teretom", "istovar" i tako dalje. Takvo modeliranje je vrlo dobro razvijeno i ima ogromnu sferu primjene - iz logistike, kao i sustave usluga do proizvodnih i prometnih sustava. Općenito, metoda može idealno ući u bilo kojoj situaciji; J. Gordon je osnovana sredinom dvadesetog stoljeća. Dinamika sustava je simulacijsko modeliranje ekonomskih procesa kada grafike, grafikoni, izračuni će se graditi za istraživanje objekta, odražavajući razloge i globalne utjecaje nekih kriterija za druge u određenom vremenskom razdoblju. Zatim je sustav stvoren na njima imitiran na računalu. Zbog toga postoji prava prilika za ostvarivanje suštine onoga što se događa i identificirati postojeće veze uzroka i istraživanja između fenomena i objekata. Dinamika sustava pomaže u izgradnji modela za razvoj gradova, poslovnih procesa, proizvodnih sustava, ekologije, populacije, epidemija i tako dalje. Tečaj Prema temi: "Modeliranje industrijskih i ekonomskih procesa" Na temu: "simulacija modeliranje ekonomskih procesa" Uvod I. Glavni pojmovi teorije modeliranja ekonomskih sustava i procesa 1 Koncept modeliranja 1.2 Koncept modela Ii. Glavni pojmovi teorije modeliranja ekonomskih sustava i procesa 2.1 Provjera i razvoj ekonomskih sustava 2 komponente modela simulacije Iii. Osnove simulacije 3.1 Model imitacije i njegove značajke 2 suština simulacije Iv. Praktičan 1 Izjava o problemima 2 rješenja zadatka Zaključak Popis rabljene literature primjena Uvod Simulacija, linearno programiranje i regresijska analiza na rasponu i učestalost uporabe dugo su zauzimali prva tri mjesta među svim metodama za istraživanje operacija u gospodarstvu. Prilikom simulacije simulacije, algoritam implementira model reproducira proces rada sustava u vremenu i prostoru, a komponente procesa elementarnih pojava su simulirane uz zadržavanje njegove logičke vremenske strukture. Trenutno je simulacija postala prilično učinkovito rješenje za rješavanje složenih zadataka automatizacije istraživanja, eksperimenata, dizajna. Ali ovladati simulacijom kao radni alat, njegove dovoljno mogućnosti i razviti metodologiju modeliranja samo uz puno ovladavanje tehnikama i tehnologijom praktičnog rješenja problema modeliranja funkcioniranja sustava na računalu. Ovaj cilj se također provodi tu radionicu, koja se usredotočuje na metode, načela i glavne faze modeliranja u okviru metodologije općeg modeliranja, a također razmatraju modeliranje specifičnih sustava i vještine korištenja tehnologije modeliranja s praktičnom implementacijom modela funkcioniranja sustava , Razmatraju se problemi sustava za masovno održavanje, na kojima se temelje imitacijski modeli ekonomskih, informacija, tehnoloških, tehničkih i drugih sustava. Prikazane su metode probabilističkog modeliranja diskretnih i slučajnih kontinuiranih vrijednosti koje mogu razmotriti prilikom modeliranja ekonomskih sustava, slučajnih utjecaja na sustav. Zahtjevi modernog društva specijalistu u području ekonomije stalno raste. Trenutno, uspješne aktivnosti nisu moguće u gotovo svim sferama gospodarstva bez modeliranja ponašanja i dinamike razvoja procesa, proučavanje značajki razvoja ekonomskih objekata, razmatranje njihovog funkcioniranja u različitim uvjetima. Softver i tehnička sredstva trebaju biti ovdje prvi asistenti. Umjesto učenja iz njihovih pogrešaka ili na pogreške drugih ljudi, preporučljivo je popraviti i provjeriti spoznaju stvarne stvarnosti s rezultatima dobivenim na računalnim modelima. Modeliranje simulacije je najviše vizualni, koji se koristi u praksi za računalnu simulaciju situacija dopustiti mogućnostima kako bi se postigla najučinkovitija rješenja za probleme. Simulacija vam omogućuje da proučite analizirani ili projicirani sustav prema operativnoj studiji, koja sadrži međusobno povezane korake: · Razvoj konceptualnog modela; · Razvoj i provedba softvera simulacijskog modela; · Provjera ispravnosti, autentičnosti modela i procjenu točnosti rezultata modeliranja; · Planiranje i provođenje eksperimenata; · donošenje odluka. To vam omogućuje da koristite modeliranje imitacije kao univerzalni pristup donošenju odluka u uvjetima neizvjesnosti, uzimajući u obzir modele koji su teški za formacijske čimbenike, kao i primjenu osnovnih načela sustavnog pristupa rješavanju praktičnih problema. Široko rasprostranjeno uvođenje ove metode u praksi sprječava potrebu za stvaranjem softverskih implementacija simulacijskih modela koji se ponovno stvaraju u modelu dinamiku funkcioniranja simuliranog sustava. Za razliku od tradicionalnih metoda programiranja, razvoj simulacijskog modela zahtijeva restrukturiranje načela razmišljanja. Nije ni čudo da se načela na temelju modeliranja imitacije dala poticaj razvoju programiranja objekta. Stoga su napori programa za imitaciju softvera usmjereni na pojednostavljenje provedbe programa simulacijskih modela: Stvoreni su specijalizirani jezici i sustavi za te svrhe. Programi imitacija softvera u njihovom razvoju promijenili su se tijekom nekoliko generacija, počevši od modeliranja jezika i načina automatizacije modela za generiranje programa, interaktivnih i inteligentnih sustava, distribuiranih sustava modeliranja. Glavna svrha svih tih sredstava je smanjiti složenost stvaranja softverskih implementacija modela imitacije i eksperimentiranja s modelima. Jedan od prvih jezika za modeliranje koji olakšavaju proces pisanja simulacijskih programa bio je GPSS jezik stvoren u obliku konačnog proizvoda Jeffrey Gordona u IBM-u 1962. Trenutno postoje prevoditelji za operacijske sustave DOS-a - GPSS / PC, za OS / 2 i DOS - GPSS / H i za Windows - GPSS svijet. Studija ovog jezika i stvaranje modela omogućuje razumijevanje načela razvoja simulacijskih programa i nauče raditi s simulacijskim modelima. (Simulacijski sustav opće namjene - sustav modeliranja opće namjene) je jezik modeliranja Za izgradnju događaja diskretne simulacije i provođenje eksperimenata pomoću osobnog računala. GPSS sustav je jezik i prevoditelj. Kao svaki jezik, sadrži rječnik i gramatiku s kojima se mogu razviti modeli sustava određenog tipa. I. Glavni pojmovi teorije modeliranja ekonomskih sustava i procesa 1.1 Koncept modeliranja Pod modeliranjem se shvaća kao proces izgradnje, proučavanja i korištenja modela. Usko je povezano s takvim kategorijama kao apstrakcijom, analogijom, hipotezom, itd. Proces simulacije nužno uključuje izgradnju apstrakcija i zaključaka analogije i dizajn znanstvenih hipoteza. Glavna značajka modeliranja je da je to metoda posredovanog znanja uz pomoć zamjenika objekata. Model djeluje kao neobičan instrument znanja da istraživač stavlja jedni druge i objekt, i s kojim istražuje objekt interesa. Bilo koji socio-ekonomski sustav je složen sustav u kojem su desetke i stotine ekonomskih, tehničkih i društvenih procesa interakciju koji se stalno mijenjaju pod utjecajem vanjskih uvjeta, uključujući znanstveni i tehnološki napredak. U takvim uvjetima, upravljanje socioekonomskim i proizvodnim sustavima pretvori se u složeni zadatak koji zahtijeva posebna sredstva i metode. Modeliranje je jedan od glavnih metoda spoznaje, oblik je odraz stvarnosti i je razjasniti ili reproducirati određena svojstva stvarnih objekata, objekata i fenomena koristeći druge predmete, procese, fenomene ili koristeći apstraktni opis kao sliku, plan , Kartice, izgaranje jednadžbi, algoritama i programima. U najopniniju smislu, pod modelom, logičan (verbalni) ili matematički opis komponenti i funkcija koje prikazuje bitna svojstva simuliranog objekta ili procesa obično se smatraju sustavima ili elementima sustava od određene točke pogled. Model se koristi kao uvjetna slika dizajnirana za pojednostavljenje proučavanja objekta. U načelu, ne samo matematički (ikonični), već i materijalni modeli primjenjivi su u gospodarstvu, ali materijalni modeli imaju samo demonstracijsku vrijednost. Postoje dva gledišta o stvorenju modeliranja: Ovo je proučavanje objekata znanja o modelima; To je izgradnja i proučavanje modela zapravo postojećih objekata i fenomena, kao i procijenjenih (dizajniranih) objekata. Mogućnosti modeliranja, odnosno prijenos rezultata dobivenih tijekom izgradnje i proučavanja modela, izvorni se temelji na činjenici da se model u određenom smislu prikazuje (reproducira, simulira, opisuje, oponaša) neke od Znanstvenici objekta. Modeliranje kao oblik refleksije stvarnosti je široko rasprostranjen, a prilično potpuna klasifikacija mogućih vrsta modeliranja je izuzetno teška, barem zbog smislenosti koncepta "modela", koji se široko koristi ne samo u znanosti i tehnologiji, nego i u umjetnosti i svakodnevnom životu. Riječ "model" došlo je do latinske riječi "Modulus", znači "mjeru", "uzorak". Njegova početna važnost bila je povezana s građevinskom umjetnošću, a na gotovo svim europskim jezicima koristi se za određivanje slike ili preduvjeta, ili stvari slične onoj s drugom stvari. Među društveno-ekonomskim sustavima preporučljivo je dodijeliti proizvodni sustav (PS), koji, za razliku od sustava drugih razreda, sadrži kao važan element svjesno postojeće osobe koja obavlja funkcije upravljanja (donošenje odluka i njihovu kontrolu). U skladu s tim, razne podjele poduzeća mogu se smatrati PS-om, samim poduzećima, istraživačkim i dizajnerskim organizacijama, udrugama, industrijama i, u nekim slučajevima, nacionalno gospodarstvo u cjelini. Priroda sličnosti između simuliranog objekta i modela razlikuje se: Fizički - objekt i model imaju istu ili sličnu fizičku prirodu; Promatra se strukturna - sličnost između strukture objekta i strukture strukture; Funkcionalan - objekt i model obavljaju slične funkcije na odgovarajući učinak; Dinamično - Postoji podudarnost između stanja sekvencijalno mijenjanja objekta i modela; Probabilistic - postoji podudarnost između probabilističkih procesa u objektu i modelu; Geometrijsko - postoji podudarnost između prostornih obilježja objekta i modela. Modeliranje je jedan od najčešćih načina za proučavanje procesa i pojava. Modeliranje se temelji na načelu analogije i omogućuje nam proučavanje objekta pod određenim uvjetima i, uzimajući u obzir neizbježno jednostrano stajalište. Objekt je težak dostupan studiji, nije izravno proučavano, već kroz razmatranje drugog, sličnog i više pristupačni model. Prema svojstvima modela, obično je moguće prosuditi svojstva objekta koji se proučava. Ali ne i sve nekretnine, ali samo o onima koji su slični u modelu, au objektu i istovremeno su važni za istraživanje. Takva svojstva nazivaju se bitna. Postoji li potreba za matematičkom modeliranjem gospodarstva? Kako bi bili sigurni da je to dovoljno da odgovori na pitanje: je li moguće obaviti tehnički projekt bez plana djelovanja, tj. Crteži? Ista se situacija odvija u gospodarstvu. Je li potrebno dokazati potrebu za korištenjem gospodarskih i matematičkih modela za donošenje odluka o upravljanju u području ekonomije? Ekonomski i matematički model ispadaju kao glavni način eksperimentalnog istraživanja gospodarstva. Ima sljedeća svojstva: Oponašaju pravi ekonomski proces (ili ponašanje objekta); Ima relativno nisku cijenu; Može se više puta koristiti; Uzima u obzir različite uvjete funkcioniranja objekta. Model može i treba odražavati unutarnju strukturu ekonomskog objekta iz navedenih (definiranih) točaka gledišta, a ako je nepoznato, onda samo njegovo ponašanje, koristeći princip "crne kutije". U načelu, bilo koji model može se formulirati na tri načina: Kao rezultat izravnog promatranja i proučavanja fenomena stvarnosti (fenomenološka metoda); Iscrpljenost od općenitijeg modela (deduktivna metoda); Generalizira više privatnih modela (induktivna metoda, tj. Dokaz indukcijom). Modeli, beskrajni u svojoj raznolikosti mogu se klasificirati prema različitim značajkama. Prije svega, svi modeli mogu se podijeliti na fizički i opisni. I s onima i drugima stalno se bavimo. Konkretno, opis uključuje modele u kojima je simulirani objekt opisan riječima, crtežima, matematičkim ovisnostima, itd. Takve modele mogu se pripisati literaturi, vizualnim umjetnostima, glazbi. Ekonomski i matematički modeli naširoko se koriste u upravljanju ekonomskim procesima. U literaturi ne postoji dobro uspostavljena definicija ekonomskog i matematičkog modela. Uzmite sljedeću definiciju kao osnova. Ekonomski i matematički model je matematički opis gospodarskog procesa ili objekt koji se provodi kako bi se proučavao ili upravljao: matematički zapis o rješenom ekonomskom problemu (stoga se često koriste uvjeti zadatak i model koriste kao sinonimi). Modeli se također mogu klasificirati za druge značajke: Modeli opisani u trenutku stanja gospodarstva nazivaju se statički. Modeli koji pokazuju razvoj objekta modeliranja nazivaju se dinamično. Modeli koji se mogu graditi ne samo u formulama formule (analitička reprezentacija), već iu obliku numeričkih primjera (numerički prikaz), u obliku tablica (reprezentacija matriksa), u obliku posebne vrste reprezentacije mreže grafova ). 2 model koncepta Trenutno je nemoguće nazvati područje ljudske aktivnosti u kojoj bi se metode promatranja koristile za jedan stupanj ili drugi. U međuvremenu, općenito priznata definicija koncepta modela ne postoji. Po našem mišljenju, sljedeća definicija zaslužuje preferencije: model je predmet bilo koje prirode koju je stvorio istraživač kako bi se dobila nova znanja o izvornom objektu i odražava samo značajan (s gledišta developera) svojstva izvornika. Analizirajući sadržaj ove definicije, mogu se izvući sljedeći zaključci: ) Bilo koji model je subjektivan, nosi pečat individualnosti istraživača; ) Bilo koji model homomorfnog, tj. Ona ne odražava sve, već samo bitna svojstva izvornog objekta; ) Moguće je postojanje raznih modela iste izvorne originalnosti, koje se razlikuju u ciljevima studije i stupnja adekvatnosti. Model se smatra adekvatnim predmetom izvornika, ako je dovoljan stupanj aproksimacije na razini razumijevanja simuliranog procesa od strane istraživača odražava uzorke procesa funkcioniranja stvarnog sustava u vanjskom okruženju. Matematički modeli mogu se podijeliti na analitičku, algoritamsku (imitaciju) i kombinirati. Za analitičko modeliranje, karakteristično je da se sustavi algebarskih, diferencijalnih, integralnih ili konačnih jednadžbi koriste za opisivanje rada sustava. Analitički model može se istražiti sljedećim metodama: a) analitički kada imaju tendenciju dobiti eksplicitne ovisnosti općenito za željene karakteristike; b) numerički kada, bez znanja kako riješiti jednadžbe u općem obliku, oni nastoje dobiti brojne rezultate s određenim početnim podacima; c) kvalitativno, kada, bez rješavanja jasnog oblika, možete pronaći neka svojstva rješenja (na primjer, za procjenu održivosti otopine). U algoritamičkom (simulacijskom) modeliranju opisana je proces funkcioniranja sustava u vremenu, a komponente elementarne fenomene procesa su simulirane, uz održavanje njihove logičke strukture i protok protoka. Modeli imitacije mogu također biti deterministički i statistički. Ukupni cilj modeliranja u procesu donošenja odluka formuliran je ranije - ova definicija (izračun) vrijednosti odabranog pokazatelja uspješnosti za različite strategije za rad (ili utjelovljenja projiciranog sustava). Prilikom razvoja određenog modela, svrha modeliranja treba biti rafinirana na temelju korištenog kriterija učinkovitosti. Stoga je svrha modeliranja definirana kao svrha rada u studiju i planiranoj metodi korištenja rezultata istraživanja. Na primjer, problematična situacija koja zahtijevala donošenje odluka formulira se na sljedeći način: pronaći opciju za izgradnju računalne mreže koja bi imala minimalne troškove pri ispunjavanju zahtjeva za performanse i pouzdanosti. U tom slučaju, svrha modeliranja je pronaći mrežne parametre koji pruža minimalnu PE vrijednost, što je uloga troškova. Zadatak se može formulirati različito: od nekoliko opcija za konfiguraciju računalne mreže, odaberite najpouzdaniji. Ovdje se jedan od pokazatelja pouzdanosti odabire kao PE (prosječni rad za neuspjeh, vjerojatnost rada bez problema, itd.), A svrha simulacije je komparativna procjena mrežnih opcija za ovaj pokazatelj. Primjeri primjera omogućuju da izbor samog pokazatelja učinkovitosti još ne definira "arhitekturu" budućeg modela, jer u ovoj fazi njegov koncept nije formuliran, ili, kako kažu, konceptualni model sustava pod studija nije definirana. Ii. Glavni pojmovi teorije modeliranja ekonomskih sustava i procesa 2.1 Provjera i razvoj ekonomskih sustava Modeliranje simulacije je najmoćnija i univerzalna metoda istraživanja i procjena učinkovitosti sustava, čiji se ponašanje ovisi o učincima slučajnih čimbenika. Takvi sustavi uključuju zrakoplove i populaciju životinja, a poduzeće koje djeluju u uvjetima reproduciranog tržišnog odnosa. Modeliranje imitacije temelji se na statističkom eksperimentu (Monte Carlo metoda), čija je implementacija gotovo nemoguća bez korištenja računalne opreme. Stoga je bilo koji model simulacije u konačnici više ili manje složeni softverski proizvod. Naravno, kao i bilo koji drugi program, simulacijski model može se razviti na bilo kojem univerzalnom programskom jeziku, čak iu jeziku asemblera. Međutim, u ovom slučaju, u ovom slučaju nastaju sljedeći problemi: Znanje ne zahtijeva samo područje predmet na koji se odnosi sustav pod studijem, već i programski jezik, te na prilično visokoj razini; Razviti specifične procedure za osiguranje statističkog eksperimenta (stvaranje slučajnih utjecaja, planiranje eksperimenta, obrada rezultata) može potrajati i prisiliti barem od samog modela sustava. I konačno, još jedan možda najvažniji problem. U mnogim praktičnim zadacima, interes nije samo (i ne toliko) kvantitativnu procjenu učinkovitosti sustava, koliko ponašanja na ovaj ili onaj način. Za takvo promatranje, istraživač mora imati relevantno "gledano prozore", koji bi se mogao zatvoriti ako je potrebno, prijenos na drugo mjesto, da promijeni ljestvicu i oblik zastupanja promatranih obilježja, itd., I bez čekanja na kraju eksperimentalnog modela. Model simulacije u ovom slučaju djeluje kao izvor odgovora na pitanje: "Što će se dogoditi ako ...". Provedba takvih mogućnosti na univerzalnom programskom jeziku vrlo je teška. Trenutno će biti dosta softverskih proizvoda koji omogućuju modeliranje procesa. Takvi paketi uključuju: hodočasnike, GPS, simplex i broj drugih. U isto vrijeme, u ovom trenutku, postoji proizvod na ruskom tržištu računalne tehnologije koja vam omogućuje da vrlo učinkovito riješite navedene probleme, matlail paket koji sadrži alat simulink vizualnog modeliranja. Simulink je alat koji vam omogućuje brzo simulirati sustav i dobiti očekivane učinke i usporediti ih s troškovima njihovog postignuća. Postoji mnogo različitih vrsta modela: fizički, analogni, intuitivni itd. Posebno mjesto među kojima zauzima matematičke modele, koji, prema akademiku A.A. Samara, "najveće su narušavanje znanstvene revolucije XX. Stoljeća." Matematički modeli podijeljeni su u dvije skupine: analitički i algo-ritmički (koji se ponekad nazivaju simulacija). Trenutno je nemoguće imenovati područje ljudske aktivnosti u kojoj bi se metode modeliranja koristile u jednoj mjeri. Ne predstavlja iznimke i gospodarske aktivnosti. Međutim, u području imitacija modeliranja ekonomskih procesa, još uvijek se primjećuju neke poteškoće. Po našem mišljenju, ta se okolnost objašnjava sljedećim razlozima. Ekonomski procesi se događaju u velikoj mjeri spontano, nekontrolirani. Oni su loše podložni vojničkim uvjetima vlade političkim, javnim i ekonomskim vođama pojedinih industrija i gospodarstva zemlje u cjelini. Zbog toga su ekonomski sustavi slabo učenje i formalizirani. Stručnjaci iz područja ekonomije, u pravilu, imaju nedovoljnu matematičku obuku općenito i posebno na pitanja matematičkog modeliranja. Većina njih ne zna kako formalno opisati (formalizirati) promatrane ekonomske procese. To vam ne dopušta da utvrdite je li matematički model gospodarskog sustava koji se razmatra adekvatan. Stručnjaci iz područja matematičkog modeliranja, bez formaliziranog opisa ekonomskog procesa na raspolaganju, ne mogu stvoriti adekvatnu matematičku modelu. Postojeći matematički modeli koji su uobičajeni za pozivanje modela ekonomskih sustava mogu se podijeliti u tri skupine. Prva skupina uključuje modele, prilično točno odražavajući bilo koju stranu određenog gospodarskog procesa, koji se javlja u sustavu relativno malog opsega. Sa stajališta matematike, oni su vrlo jednostavni odnosi između dviju i tri varijable. Obično su to algebarske jednadžbe 2. ili 3. stupnja, kao posljednje utočište, sustav algebarskih jednadžbi koje zahtijevaju rješavanje primjene metode iteracije (uzastopne aproksimacije). Primjenjuju se u praksi, ali ne predstavljaju Inte-Res sa stajališta stručnjaka u području matematičkog modeliranja. Druga skupina može uključivati \u200b\u200bmodele koji opisuju stvarne procese koji se pojavljuju u malim i srednjim ekonomskim sustavima izloženim slučajnim i nesigurnim čimbenicima. Razvoj takvih modela zahtijeva prihvaćanje kako bi se omogućilo nesigurnosti. Na primjer, morate odrediti raspodjelu slučajnih varijabli vezanih uz ulazne varijable. Ova umjetna operacija u dobro poznatoj stepi dovodi do sumnje u pouzdanost rezultata modeliranja. Međutim, ne postoji drugi način za stvaranje matematičkog modela. Među modelima ove skupine su najčešći modeli takozvani sustavi za masovno održavanje. Postoje dvije vrste tih modela: analitički i algoritamski. Analitički modeli ne uzimaju u obzir djelovanje slučajnih čimbenika i stoga se mogu koristiti samo kao modeli prve aproksimacije. Uz pomoć algoritamskih modela, postupak u studiju može se opisati s bilo kojim stupnjem točnosti na razini njegovog razumijevanja od strane direktora zadatka. Treća skupina uključuje modele velikih i vrlo velikih (makroekonomskih) sustava: velikih trgovačkih i industrijskih poduzeća i udruge, sektore nacionalnog gospodarstva i gospodarstva zemlje u cjelini. Stvaranje matematičkog modela gospodarskog sustava takve skale je složen znanstveni problem, čija je rješenje samo glavna istraživačka institucija. 2.2 Komponente simulacijskog modela Numerička simulacija se bavi tri vrste vrijednosti: izvorni podaci izračunati varijabilnim vrijednostima i vrijednosti parametra. Na listu Excel nizoru s tim vrijednostima zauzimaju odvojena područja. Izvorni pravi podaci, uzorci ili broj brojeva dobivaju se izravnim unutarnjim promatranjem ili eksperimentima. Kao dio simulacijskog postupka ostaju nepromijenjeni (jasno je da ako je potrebno, možete dodati ili smanjiti setove vrijednosti) i igrati dvostruku ulogu. Neki od njih (neovisne varijable okruženja, X) služe kao osnova za izračunavanje varijabli modela; Najčešće je to karakteristike prirodnih čimbenika (vrijeme, fotoperiod, temperatura, obilje hrane za životinje, dozu toksičnosti, resetirajte količine onečišćujućih tvari, itd.). Drugi dio podataka (ovisne varijable objekta, Y) je kvantitativna karakteristika države, reakcije ili ponašanja objekta istraživanja, koje je dobiveno u određenim uvjetima pod djelovanjem registriranih čimbenika okoliša. U biološkom smislu, prva skupina vrijednosti ne ovisi o drugoj; Naprotiv, varijable objekata ovise o varijablama okoliša. Na Excel listu, podaci se unose s tipkovnice ili iz datoteke u normalnom načinu rada s proračunskom tablicom. Podaci o namiru modela reproduciraju teoretski promišljeno stanje objekta, koji je određen prethodnim državom, razinu promatranih čimbenika okoliša i karakteriziraju se ključnim parametrima procesa koji se proučava. U običnom slučaju, kada se koriste izračunavanje vrijednosti modela (YM I) za svaki vremenski korak (i), koriste se parametri (a), karakteristika prethodnog stanja (YMI -1) i trenutne razine okolišnih čimbenika (XI ): Y m i \u003d f (a, y m i-1, x i, i), gdje je () usvojen oblik omjera parametara i varijabli medija, tip modela, \u003d 1, 2, ... t ili i \u003d 1, 2, ... n. Izračuni karakteristika sustava prema formulama modela za svaki put korak (za svaku državu) omogućuju vam da formirate niz iz eksplicitnih varijabli modela (YM), što bi trebalo točno ponoviti strukturu niza stvarnih ovisnih varijabli (Y ), što je potrebno za naknadno postavljanje parametara modela. Formule za izračun varijabli modela se ručno uvode u stanice Excelov lista (pogledajte presjek korisnih prijemnika). Parametri modela (a) čine treću skupinu vrijednosti. Svi parametri mogu biti predstavljeni onoliko: \u003d (a 1, a 2, ..., J, ..., m), gdje je J broj parametra, m - Ukupan broj parametara, i organizirati u zasebnom bloku. Jasno je da se broj parametara određuje strukturom metoda formula modela. Uzimajući poseban položaj na Excelov listu, igraju najveću ulogu u modeliranju. Parametri su dizajnirani za karakterizaciju najviše stvorenja, mehanizam za provedbu promatranih fenomena. Parametri moraju imati biološko (fizičko) značenje. Za neke zadatke potrebno je usporediti parametre koji se izračunati za različite polja podataka. Tako ponekad moraju biti popraćeni njihovim statističkim pogreškama. Odnos između komponenti simulacijskog sustava formira funkcionalno jedinstvo, usmjeren na postizanje zajedničkog cilja - procjenu parametara modela (sl. 2.6, tablica 2.10). U provedbi pojedinih funkcija označenih strelicama, nekoliko elemenata su u isto vrijeme. Da ne bi nered slikom, dijagram ne odražava blokove grafičkog prikaza i randomizacije. Simulacija je dizajniran da služi bilo kakve promjene u dizajnu modela, koje, ako je potrebno, može izvršiti istraživač. Osnovni dizajni imitacija sustava, kao i mogući načini njihovog razgradnje i integracije prikazani su u okviru simulacijskih sustava. simulacijski gospodarski redak Iii. Osnove simulacije 1 model imitacije i njegove značajke Modeliranje simulacije je vrsta analognog modeliranja koji se provode skup matematičkih alata, poseban imitirajući računalne programe i tehnologije programiranja koje vam omogućuju da izvršite ciljano proučavanje strukture i funkcija stvarnog složenog procesa u memoriji računala u " Imitacija "način rada, optimizirati neke od parametara. Simulacijski model je ekonomski i matematički model, čija se proučavanje provodi eksperimentalne metode. Eksperiment se promatra za rezultate izračuna na različitim vrijednostima unesenih egzogenih varijabli. Simulacijski model je dinamičan model zbog činjenice da ima takav parametar kao vrijeme. Model simulacije se također naziva posebnim softverskim paketom koji vam omogućuje da imitirate aktivnosti složenog objekta. Izgled modeliranja imitacije bio je povezan s "novim valom" u gospodarstvu-tematskom modeliranju. Problemi ekonomske znanosti i prakse u području upravljanja i gospodarskog obrazovanja, s jedne strane, i povećanje uspješnosti računala, s druge strane, uzrokovali su želju da proširi okvir "klasičnih" ekonomskih i matematičkih metoda , Neki razočaranje je došlo u mogućnostima regulatornih, ravnoteže, optimizacije i teorijskih i modela igara, u početku zasluženo privučeni činjenicom da doprinose mnogim problemima ekonomskog upravljanja situacijom logičke jasnoće i objektivnosti, te također dovodi do "razumne" (uravnoteženo, optimalno, kompromisno) otopina. Nije uvijek moguće u potpunosti shvatiti priori ciljeve i, štoviše, formalizirati kriterij optimalnosti i (ili) ograničenjama dopuštenih rješenja. Stoga se mnogi pokušaji još uvijek primjenjuju takve metode počele su dobiti neprihvatljive, na primjer, nerealizirane (iako optimalna) rješenja. Prevladavanje poteškoća koje proizlaze iz puta neuspjeha u potpunosti formalizirati (kao što se radi u regulatornim modelima) postupke za usvajanje društveno-ekonomskih rješenja. Prednost je postala razumna sinteza intelektualnih mogućnosti stručnjaka i informacijske relikvije računala, koje se obično provode u dijalozima. Isti tečaj u tom smjeru je prijelaz na "poluamamativni" multi-kriteriji Ljudsko-stroj modeli, drugi je prijenos središta gravitacije s potiskivanim modelima usmjerenim na shemu "uvjeti - odluka", za opisne modele koji Dajte odgovor na pitanje "Što će se dogoditi ako ...". Simulacija se obično pribjegava u slučajevima kada su ovisnosti između elemenata simuliranih sustava tako složene i nisu sigurne da oni nisu podložni formalnom opisu na jeziku moderne matematike, tj. Koristeći analitičke modele. Dakle, imitacija modeliranja istraživači složenih sustava su prisiljeni koristiti kada čisto analitičke metode nisu primjenjive ili neprihvatljive (zbog složenosti odgovarajućih modela). Prilikom simulacije modeliranja, dinamički procesi izvornog sustava zamijenjeni su procesima simuliranog algoritma u apstraktnom modelu, ali s obzirom na istog omjera trajanja, logičke i vremenske sekvence, kao u stvarnom sustavu. Stoga se metoda simulacije može nazvati algoritamskom ili djelovanjem. Usput, takvo ime bi bilo uspješnije, jer je imitacija (prevedeno od latinskog imitacije) je reproducirati bilo kakva umjetna sredstva, tj. Modeliranje. U tom smislu, naziv "simulacijskog modeliranja" naširoko se koristi je tautološka. U procesu simuliranja funkcioniranja sustava u studiji, kao u eksperimentu s izvornim samim izvorom, zabilježeni su određeni događaji i države, na kojima se tada izračunaju potrebne karakteristike funkcioniranja sustava. Za sustave, primjerice, informacije o informacijama i računanju, kao takve dinamičke karakteristike mogu se definirati: Izvedba uređaja za obradu podataka; Duljina redova usluga; Usluge čekanja u redovima; Broj primjena ostavio je sustav bez održavanja. U simulacijskom modeliranju, procesi bilo kojeg stupnja složenosti mogu se reproducirati ako postoji opis naveden u bilo kojem obliku: formule, tablice, grafikone ili čak usmeno. Glavna značajka imitacijskih modela je da je proces u studiju "kopiran" na računalnom stroju, tako da imitacijski modeli, za razliku od analitičkih modela omogućuju: Uzeti u obzir u modelima ogroman broj čimbenika bez bruto pojednostavljenja i pretpostavki (i stoga, povećati adekvatnost modela sustava u studiju); Dovoljno je uzeti u obzir faktor nesigurnosti u modelu uzrokovane slučajnim karakterom mnogih varijabli modela; Sve to vam omogućuje da napravite prirodni zaključak da se modeli imitacije mogu stvoriti za širu klasu objekata i procesa. 2 suština simulacije Suština modeliranja imitacije je ciljani eksperimentiranje s modelom simulacije "sviranjem" na njemu različitih opcija za sustav s odgovarajućom ekonomskom analizom. Odmah napomenemo da se rezultati takvih eksperimenata i odgovarajuće ekonomske analize trebaju odrediti u obliku tablica, grafova, nomograma, itd., Što uvelike pojednostavljuje proces donošenja odluka na temelju rezultata modeliranja. Oglas iznad brojnih prednosti imitacijskih modela i simulacijske simulacije, imamo i njihove nedostatke koji moraju biti zapamćeni u praktičnoj uporabi simulacije. To: Nedostatak dobro strukturiranih načela za izgradnju imitacija modela, koji zahtijeva značajno proučavanje svakog specifičnog slučaja njegove izgradnje; Metodološke poteškoće u pronalaženju optimalnih rješenja; Povećani uvjeti za brzinu računala, na koje se provode modeli imitacije; Poteškoće povezane s prikupljanjem i pripremom reprezentativnih statističkih podataka; Jedinstvenost imitacija modela, koji ne dopušta korištenje gotovih softverskih proizvoda; Složenost analize i razumijevanja rezultata dobivenih kao rezultat računalnog eksperimenta; Prilično visokih troškova vremena i novca, osobito pri traženju optimalnog ponašanja sustava u studiju. Broj i bit navedenih nedostataka je vrlo impresivna. Međutim, s obzirom na veliki znanstveni interes u ovim metodama i njihovom izuzetno intenzivnom razvoju posljednjih godina, može se pouzdano pretpostaviti da se mnogi od gore navedenih nedostataka modeliranja imitacija mogu eliminirati u konceptualnom i primijenjenom planu. Simulacija simulacija kontroliranog procesa ili upravljanog objekta je informacijska tehnologija na visokoj razini koja pruža dvije vrste radnji koje se izvode pomoću računala: ) raditi na stvaranju ili modifikaciji simulacijskog modela; ) Rad simulacijskog modela i interpretacije rezultata. Simulacija ekonomskih procesa obično se primjenjuje u dva slučaja: Za upravljanje složenim poslovnim procesom, kada se simulacijski model upravljanog ekonomskog objekta koristi kao alat za alat% u krugu adaptivnog upravljačkog sustava nastalog na temelju informacijske tehnologije; Prilikom provođenja eksperimenata s diskretnim kontinuiranim modelima složenih ekonomskih objekata za dobivanje i praćenje njihove dinamike u situacijama vezanim uz hitne situacije, čije je prirodno modeliranje nepoželjno ili nemoguće. Sljedeće tipične zadatke mogu se razlikovati, riješiti simulacijom korištenjem modeliranja imitacije prilikom upravljanja ekonomskim objektima: Modeliranje logističkih procesa za definiranje privremenih i vrijednosti parametara; Upravljanje procesom provedbe investicijskog projekta u različitim fazama životnog ciklusa, uzimajući u obzir moguće rizike i taktiku gotovinskih izgled; Analiza procesa čišćenja u radu mreže kreditnih institucija (uključujući primjenu na procese međusobnih naselja u kontekstu ruskog bankarskog sustava); Predviđanje financijskog obavljanja poduzeća za određeno vremensko razdoblje (s analizom ravnoteže na računima); Poslovna reinženjering neuređenog poduzeća (promjena u strukturi i resursima poduzeća u stečaju, nakon čega je moguće napraviti prognozu osnovnih financijskih rezultata uz pomoć simulacijskog modela i dati preporuke o izvedivosti ove ili one opcije rekonstrukcija, ulaganje ili kreditiranje industrijskih aktivnosti); Simulacijski sustav koji osigurava stvaranje modela za rješavanje navedenih zadataka mora imati sljedeća svojstva: Mogućnost korištenja imitacija programa zajedno s posebnim gospodarskim i matematičkim modelima i metodama temeljenim na teoriji upravljanja; Instrumentalne metode za provođenje strukturne analize složenog gospodarskog procesa; Sposobnost modeliranja materijala, monetarnih i informacijskih procesa i tokova unutar jednog modela, općenito, model vremena; Sposobnost uvođenja trajnog načina poboljšanja nakon primitka izlaznih podataka (osnovni financijski pokazatelji, vremenske i prostorne karakteristike, parametri rizika, itd.) I ekstremni eksperiment. Mnogi ekonomski sustavi su u biti masovni sustav (SMO), tj. Sustavi u kojima, s jedne strane, imaju zahtjev za obavljanje bilo kakvih usluga, as druge, postoji zadovoljstvo tih zahtjeva. Iv. Praktičan 1 Izjava o problemima Istražite dinamiku ekonomskog pokazatelja na temelju analize jednodimenzionalne vremenske serije. Tijekom devet uzastopnih tjedana potražnja Y (t) (M MU rubalja) zabilježen je na kreditnim resursima financijskog društva. Time serija Y (t) ovog indikatora prikazana je u tablici. Zahtijeva: Provjerite nenormalna opažanja. Izgradite linearni model Y (t) \u003d a 0 + a 1 t, čiji parametri za procjenu MNC (Y (t)) - izračunate, modelirane vrijednosti vremenske serije). Procijeniti adekvatnost konstruiranih modela koristeći svojstva neovisnosti preostale komponente, priliku i usklađenosti s normalnim zakon o distribuciji (kada koristite R / S-kriterij, uzmite tabelirane granice od 2,7-3,7). Procijenite točnost modela na temelju korištenja prosječne relativne aproksimacije pogreške. Dva modela izgrađena prognozom potražnje za sljedeća dva tjedna (povjerenje interval prognoze izračunava se u vjerojatnosti povjerenja p \u003d 70%) Stvarne vrijednosti indikatora, modeliranje i rezultati predviđanja grafički su. 4.2 rješenje zadatka jedan). Prisutnost anomalnih opažanja dovodi do izobličenja rezultata modeliranja, pa je potrebno osigurati da nema nenormalnih podataka. Da biste to učinili, koristimo IRWin metodu i pronašli karakterističan broj () (tablica 4.1). ; Izračunate vrijednosti uspoređuju se s vrijednostima tabličnih kriterija, a ako se pokažu da je više tabularne, onda se odgovarajuća vrijednost razine reda smatra anomalno. Dodatak 1 (Tablica 4.1) Sve dobivene vrijednosti uspoređene su s vrijednostima tablice, ne prelazi ih, to jest, nema nenormalnih opažanja. ) Konstruirati linearni model, parametri koji će procijeniti MNC (- izračunati, modelirane vrijednosti vremenske serije). Da biste to učinili, koristite analizu podataka u Excelu Dodatak 1 ((sl. 4.2) .ris 4.1) Rezultat regresijske analize sadržan je u tablici. Dodatak 1 (Tablica 4.2 i 4.3.) U drugoj kartici stupca. 4.3 sadrži koeficijente regresije jednadžbe A 0, a 1, u trećem stupcu - standardne pogreške koeficijenata regresije jednadžbe, te u četvrto - T - statistike koje se koriste za provjeru značajnosti koeficijenata regresije jednadžbe , Jednadžba regresije (potražnja za kreditnim resursima) iz (vrijeme) ima obrazac Dodatak 1 (Sl. 4.5) 3) Procijenite adekvatnost izgrađenih modela. 1. Provjerite neovisnost (nedostatak autokorelacije) s D-Darbinom - Watsonovom kriterijom formule: Dodatak 1 (Tablica 4.4) Jer Izračunata vrijednost D ulazi u interval od 0 do D1, tj. U intervalu od 0 do 1,08, ne imovina neovisnosti se ne izvodi, razina niza ostataka sadrže autokorelaciju. Prema tome, model na ovom kriteriju je neadekvatna. 2. Provjerite nasumice razine redova ostataka provodit će se na temelju kriterija točaka okretanja. P\u003e Broj rotacijskih točaka je 6. Dodatak 1 (Sl. 4.5) Nejednakost se izvodi (6\u003e 2). Slijedom toga, izvršava se točnost nesreće. Model o ovom kriteriju je adekvatan. 3. Usklađenost broja ostataka prema normalnom zakon o distribuciji određuje s kriterijima RS: Maksimalnu razinu broja ostataka, Minimalna razina broja ostataka, RMS devijacija, Izračunata vrijednost ulazi u interval (2.7-3,7), stoga se obavlja imovina raspodjele normalnosti. Model o ovom kriteriju je adekvatan. 4. Provjerite jednakost nula matematičkog očekivanja retka ostataka. U našem slučaju, dakle, hipoteza o jednakosti matematičkog očekivanja vrijednosti preostale serije vrijedi. Tablica 4.3 Prikupljena analiza podataka brojnih ostataka. Dodatak 1 (Tablica 4.6) 4) Procijenite točnost modela na temelju korištenja prosječne relativne pogreške. Da bismo procijenili točnost dobivenog modela, koristimo pokazatelj relativne pogreške približne, koja se izračunava pomoću formule: Izračun relativne pogreške aproksimacije Dodatak 1 (Tablica 4.7) Ako pogreška izračunata formulom ne prelazi 15%, točnost modela smatra se prihvatljivom. 5) Prema konstruiranom modelu, predviđa potražnje za sljedeća dva tjedna (povjerenje interval prognoze izračunava se tijekom vjerojatnosti povjerenja p \u003d 70%). Koristimo funkciju Excel Studesset. Dodatak 1 (Tablica 4.8) Za izgradnju intervalne prognoze izračunavamo interval pouzdanosti. Mi ćemo uzeti vrijednost razine značajnosti, stoga je vjerojatnost povjerenja 70%, a kriterij učenika za Širina intervala pouzdanosti izračunava se formulom: Izračunajte gornju i donju granicu prognoze (tab. 4.11). Dodatak 1 (Tablica 4.9) 6) Stvarne vrijednosti pokazatelja, modeliranja i prognoziranja rezultati su grafički. Raspored odabira transformiramo dodavanjem podataka o projekciji. Dodatak 1 (Tablica 4.10) Zaključak Ekonomski model definiran je kao sustav međusobno povezanih gospodarskih fenomena, izraženih u kvantitativnim karakteristikama i predstavljen u sustavu jednadžbi, tj. To je sustav formaliziranog matematičkog opisa. Za ciljano proučavanje ekonomskih fenomena i procesa i formuliranje gospodarskih zaključaka - teoretski i praktični, preporučljivo je koristiti metodu matematičkog modeliranja. Od posebnog interesa manifestira se na metode i sredstva simulacije, koja je povezana s poboljšanjem informacijskih tehnologija koje se koriste u simulacijskim sustavima: razvoj grafičkih školjki za dizajn modela i interpretaciju izlaznih rezultata modeliranja, koristeći multimedijske fondove, internetska rješenja itd. , U ekonomskoj analizi, simulacija je najsvestraniji instrument u području financijskog, strateškog planiranja, poslovnog planiranja, upravljanja proizvodnjom i dizajnom. Matematičko modeliranje ekonomskih sustava Najvažnije vlasništvo matematičkog modeliranja je njegova svestranost. Ova metoda vam omogućuje da formirate različite varijante svog modela u dizajnu i razvoju gospodarskog sustava, za provođenje više eksperimenata s dobivenim varijantama modela za određivanje (na temelju navedenih kriterija za funkcioniranje sustava) parametri stvoreni sustavom potrebnim kako bi se osigurala njegova učinkovitost i pouzdanost. Ona ne zahtijeva stjecanje ili proizvodnju bilo koje opreme ili hardvera za izvršavanje sljedećeg izračuna: potrebno je jednostavno promijeniti numeričke vrijednosti parametara, početnih uvjeta i načina rada proučavanih složenih ekonomskih sustava. Metodološki matematičko modeliranje uključuje tri glavna tipa: analitička, simulacija i kombinirana (analitička imitacija) modeliranje. Analitičko rješenje, ako je moguće, daje potpunu i vizualnu sliku, omogućujući dobivanje ovisnosti o rezultatima modeliranja iz skupa izvornih podataka. U ovoj situaciji, trebali biste se preseliti na korištenje simulacijskih modela. Model simulacije u načelu omogućuje reprodukciju cijelog procesa funkcioniranja gospodarskog sustava s očuvanjem logičke strukture, odnosa između pojava i slijeda njihovog protoka u vremenu. Modeliranje simulacije omogućuje vam da uzimanje u obzir veliki broj stvarnih dijelova funkcioniranja simuliranog objekta i neophodan je u završnim fazama sustava stvaranja sustava kada su sve strateška pitanja već riješena. Može se primijetiti da je simulacijsko modeliranje namijenjeno rješavanju problema izračunavanja karakteristika sustava. Broj opcija koje treba procijeniti mora biti relativno mala, jer implementacija simulacijskog modeliranja za svaku izvedbu ekonomskog sustava zahtijeva značajne račune resursa. Činjenica je da je glavni značajka modeliranja imitacije činjenica da je potrebno koristiti statističke metode za dobivanje značajnih rezultata. Ovaj pristup zahtijeva višestruko ponavljanje imitiranog procesa s promjenjivim vrijednostima slučajnih čimbenika, nakon čega slijedi statistička sredstva (obrada) rezultata pojedinih pojedinačnih izračuna. Korištenje statističkih metoda, neizbježnih u modeliranju simulacije, zahtijeva velike izdatke strojno vrijeme i računalnih resursa. Drugi nedostatak metode simulacije je činjenica da stvaraju dovoljno smislene modele gospodarskog sustava (i na onim fazama stvaranja ekonomskog sustava, kada se koristi simulacija modeliranja, potrebni su vrlo detaljni i smisleni modeli) Značajni konceptualni i programerski napori su napori potreban. Kombinirano modeliranje omogućuje kombiniranje prednosti analitičke i simulacije. Kako bi se povećala pouzdanost rezultata, kombinirani pristup treba primijeniti na temelju kombinacije analitičkih i simulacijskih metoda. U tom slučaju, analitičke metode treba primijeniti u fazama analize svojstava i sinteze optimalnog sustava. Dakle, s naše točke gledišta potrebno je sustav sveobuhvatnih alata za učeničko učenje i metode analitičke i simulacije. Organizacija praktičnih studija studenti studiraju načine rješavanja zadataka optimizacije koji su smanjeni na linearno programiranje zadataka. Izbor ove metode modeliranja posljedica je jednostavnosti i jasnoće i značajne formulacije relevantnih zadataka i kako ih riješiti. U procesu obavljanja laboratorija, studenti rješavaju sljedeće tipične zadatke: transport zadatak; zadatak raspodjele resursa poduzeća; Zadatak plasmana opreme, itd. 2) Proučite temelje simulacijskog modeliranja industrijskih i neproduktivnih sustava za masovno održavanje u GPSS svjetskom okruženju (simulacija sustava opće namjene). Razmatraju se metodološka i praktična pitanja stvaranja i korištenja imitacija modela u analizi i projektiranju složenih ekonomskih sustava i donošenja odluka u izvršavanju komercijalnih i marketinških aktivnosti. Načini za opisivanje i formaliziranje simuliranih sustava, faza i tehnologija za izgradnju i korištenja imitacijskih modela, pitanja organiziranja ciljanih eksperimentalnih studija o simulacijskim modelima se proučava. Popis rabljene literature Održavanje 1. akulich i.l. Matematičko programiranje u primjerima i zadacima. - m.: Visoka škola, 1986 2. Vlasov t.p., Shimko P.D. Simulacija ekonomija procesa. - Rostov-on-Donu, Phoenix - 2005 (elektronički udžbenik) 3. Yavorsky V.V., Amirov A.j. Ekonomski informatički i informacijski sustavi (laboratorijske radionice) - Astana, Foliant, 2008 4. Simonovich S.V. Informatika, Peter, 2003 5. vorobyov n.n. Teorija igara za ekonomiste - kibernetiku. - m.: Znanost, 1985 (elektronički udžbenik) 6. Alesinskaya t.v. Ekonomske i matematičke metode i modeli. - Tagan Rog, 2002 (elektronički udžbenik) 7. GersHGORN A.S. Matematičko programiranje i njegova uporaba u ekonomskim izračunima. -M. Gospodarstvo, 1968 Dodatno 1. Darbinyan M.M. Robne rezerve u trgovini i njihovoj optimizaciji. - M. Ekonomija, 1978 2. Johnston D.ZH. Ekonomske metode. - m.: Financije i statistika, 1960 3. epishin yu.g. Ekonomske i matematičke metode i planiranje suradnje potrošača. - m.: Ekonomija, 1975 4. Zhitnikov s.a., Birzhanova z.n., Ashirbekova B.M. Ekonomske i matematičke metode i modeli: tutorial. - Karaganda, izdavač Keu, 1998 5. ZAMKOV O.O., Tolstopyenko A.V., Cheremnyy yu.n. Matematičke metode u gospodarstvu. - M.: Dis, 1997 6. Ivanilov yu.p., Lotov A.V. Matematičke metode u gospodarstvu. - m.: Znanost, 1979 7. Kalinina V.N., Pinkin A.V. Statistika matematike. M: 1998 8. Kumaev V.A. Matematičko gospodarstvo. M., 1998 9. Kremer N.S., Pučić B.A., Trishin I.m., Friedman M.N. Proučavanje operacije u gospodarstvu. Tutorial - m.: Banke i burze, UNIT, 1997 10. Spirin A.A:, Fomin G.P. Ekonomske i matematičke metode i modeli u trgovini. - m.: Ekonomija, 1998 Prilog 1 Tablica 4.1.
Tablica 4.2.
Čimbenici Standardna pogreška t-statistika Y-raskrižje A 0 Tablica 4.3. Zaključak ostataka
Ostatak zaključenja Promatranje Predviđeno y. Tablica 4.6.
Provjereno je vlasništvo Korištene statistike ime vrijednost Neovisnost d-kriterij neadekvatan Nesreća Kriteriji rotacijskih točaka adefiniranje Normalnost Kriterij RS adefiniranje Prosječno \u003d 0? t-statistika student adefiniranje Zaključak: Model statistike neadekvatne Tablica 4.7.
Predviđeno y. Tablica 4.9. Prognoza tablice 
Slika 4 prikazuje karakteristike gama distribucije, kao i graf njegove funkcije gustoće za različite vrijednosti tih karakteristika. 
Ovo je distribucija koja ima asimetrični izgled. Ona zauzima međuprostor između eksponencijalnog i normalnog. Čini se da gustoća vjerojatnosti distribucije uzemljenja:
Slika 5 prikazuje karakteristike trokutaste raspodjele i grafikonu funkcije gustoće vjerojatnosti.
Ako uzmemo u obzir ovisnost jedne od karakteristika sustava η v (x i) kao funkcija samo jedne varijable x I. (Sl. 7), zatim na fiksne vrijednosti x I. Dobit ćemo različite vrijednosti η v (x i)
. 
Skrom
.8
Čizma
oblik
Microsoft Developer Studio.
Slika 9 Kašnjenje grafikona u čvoru "Naselje".
Pošaljite dobro djelo u bazu znanja je jednostavna. Koristite obrazac ispod
Slične dokumente
, 
.
,
, 
gdje 
jednak 1.12.
gdje
(Pronađi iz tablice 4.1)
