L'essenza del metodo di simulazione. Modellazione di simulazione dei processi economici: caratteristiche e tipi principali
Agenzia federale della pesca
Ministro dell'Agricoltura
Kamchatsky Gosardic Technical University
Impianti dipartimento di informazione
Argomento: "Modellazione dell'imitazione del economico
Attività aziendali »
Lavoro del corso
Leader: posizione
Bilchinskaya S.G. "__" ________ 2006
Sviluppatore: studente c.
Zheitheva D.S. 04 PI1 "__" ________ 2006
Il lavoro è protetto da "___" __________ 2006 Con una stima ______
Petropavlovsk- Kamchatsky, 2006
Introduzione ................................................. .. ................................................ .. ......................... 3.
1. Fondazioni teoriche di imitazione Modellazione .......................................... 4
1.1. Modellazione. Modellazione di simulazione .......................................... 4
1.2. Metodo Monte Carlo ................................................. ........................................... nove.
1.3. Uso delle leggi della distribuzione di variabili casuali ....................... 12
1.3.1. Distribuzione uniforme ................................................ ................ 12.
1.3.2. Distribuzione discreta (cassa generale) ....................................... 13
1.3.3. Distribuzione normale................................................ .................. quattordici.
1.3.4. Distribuzione esponenziale ................................................ ...... quindici.
1.3.5. Distribuzione generalizzata di erland .............................................. . .. sedici.
1.3.6. Distribuzione triangolare ................................................ ................. 17.
1.4. Pianificazione di un esperimento informatico di simulazione ................... 18
1.4.1. Approccio informatico all'organizzazione di studi sperimentali di oggetti e processi complessi ................................... ..... ............................................. ..... ............. diciotto.
1.4.2. Analisi di regressione e esperimento del modello di modellazione. diciannove
1.4.3. Pianificazione ortogonale del secondo ordine ................................ 20
2. Lavoro pratico .............................................. .................................................. ..... 22.
3. Conclusioni sul modello di business "Efficienza produttiva" ....................................... 26
Conclusione ................................................. .............. .................................... .............. ..................... 31.
Bibliografia .................................................. .. ................................. 32.
Appendice A ................................................ .................................................. .......... 33.
Appendice B ................................................ .................................................. ........... 34.
Appendice in ................................................ .. ................................................ .. ........... 35.
Appendice G ................................................ .................................................. ........... 36.
Appendice D ................................................ .................................................. ........... 37.
Appendice E ................................................ .................................................. ........... 38.
introduzione
La modellazione nell'economia ha iniziato ad applicare molto prima che l'economia sia finalmente intrapresa come una disciplina scientifica indipendente. I modelli matematici sono stati utilizzati da F. Kene (1758. Tavolo economico), A. Smith (modello macroeconomico classico), D. Ricardo (modello commerciale internazionale). Nel XIX secolo, una scuola matematica (L. Valras, O. Kurto, Pareto, F. Edgeworth, e altri, ha contribuito alla modellazione. Nel 20 ° secolo, i metodi della modellazione matematica dell'economia sono stati utilizzati molto ampiamente e con il loro uso sono associati alle opere eccezionali dei vincitori del premio Nobel (D. Hicks, R. Solow, V. Leontiev, P. Samuelson).
Il corso del corso sul tema del "imitazione modellizzazione dei processi economici" è un lavoro educativo e di ricerca indipendente.
Lo scopo di scrivere questo lavoro del corso è il consolidamento della conoscenza teorica e pratica. Approcci e metodi di illuminazione per l'utilizzo della modellazione dell'imitazione nell'attività economica del progetto.
Il compito principale è esplorare l'efficacia dell'attività economica dell'impresa con l'aiuto della modellazione di simulazione.
1. Fondamenti teorici di imitazione Modellazione
1.1. Modellazione. Modellazione di simulazione
Nel processo di gestione di vari processi, la necessità di prevedere i risultati in determinate condizioni è costantemente previsto. Per accelerare la decisione sulla scelta della versione ottimale della gestione e dei risparmi all'esperimento, vengono utilizzati processi.
La modellazione è il trasferimento delle proprietà di un sistema, che viene chiamato oggetto di modellazione, a un altro sistema, che viene chiamato il modello oggetto, l'impatto sul modello viene eseguito per determinare le proprietà dell'oggetto da parte della natura del suo comportamento.
Tale sostituzione (trasferimento) delle proprietà dell'oggetto deve essere eseguita nei casi in cui studiano direttamente è difficile o addirittura impossibile. Poiché la pratica della modellazione mostra, l'oggetto che sostituisce il suo modello dà un effetto spesso positivo.
Il modello è una rappresentazione di un oggetto, sistema o concetti (idee) in qualche forma diversa dalla loro reale esistenza. Il modello di qualsiasi oggetto può essere una copia esatta di questo oggetto (anche se fatta da un altro materiale e su un'altra scala) o visualizzare alcune delle proprietà caratteristiche dell'oggetto in forma astratta.
Allo stesso tempo, durante il processo di simulazione, è possibile ottenere informazioni affidabili sull'oggetto con meno tempo, finanza, fondi e altre risorse.
Gli obiettivi principali della modellazione sono:
1) Analisi e definizione di proprietà degli oggetti in base al modello;
2) la progettazione di nuovi sistemi e la soluzione sul modello di compiti di ottimizzazione (trovare l'opzione migliore);
3) Gestione di oggetti e processi complessi;
4) Previsione del comportamento dell'oggetto in futuro.
I tipi più comuni di modellazione sono più comuni:
1) matematico;
2) fisico;
3) imitazione.
Nella modellazione matematica, l'oggetto in studio è sostituito dai corrispondenti rapporti matematici, formule, espressioni, con il quale sono stati risolti alcuni compiti analitici (analisi), ci sono soluzioni ottimali e le previsioni sono fatte.
I modelli fisici sono sistemi reali della stessa natura dell'oggetto studiato o altro. L'opzione più tipica per la modellazione fisica è quella di utilizzare layout, installazioni o selezione di frammenti di oggetti per esperimenti limitati. E più ampiamente ha trovato l'uso di scienze naturali, a volte nell'economia.
Per sistemi complessi, che includono sistemi economici, sociali, informativi e altri sistemi socio-informazione, è stato ampiamente utilizzato la simulazione di simulazione. Questo è un tipo comune di modellazione analogica implementata utilizzando una serie di strumenti strumentali matematici di speciali programmi di programmi informatici e tecnologie di programmazione, consentendo ai processi analogici di condurre uno studio mirato della struttura e delle funzioni di un vero processo complesso nella memoria del computer nel Modalità "imitazione", eseguire l'ottimizzazione di alcuni dei suoi parametri.
Per ottenere le informazioni o i risultati necessari, è necessario "eseguire" modelli di simulazione "eseguire" e non "decidere" loro. I modelli di imitazione non sono in grado di formare la propria soluzione come in cui si svolge in modelli analitici e può solo servire come mezzo per analizzare il comportamento del sistema in condizioni che sono determinate dallo sperimentatore.
Di conseguenza, la modellazione dell'imitazione non è la teoria, ma una metodologia per risolvere i problemi. Inoltre, la modellazione di simulazione è solo una delle diverse analisi sistemiche disponibili dei metodi più importanti per risolvere i problemi. Dal momento che è necessario adattare lo strumento o il metodo per risolvere il problema, e non viceversa, quindi una domanda naturale sorge: in quali casi è utile la modellazione dell'imitazione?
La necessità di risolvere i problemi mediante la sperimentazione diventa evidente quando sorge la necessità relativa alle informazioni specifiche del sistema che non possono essere trovate in fonti note. La sperimentazione diretta sul reale sistema elimina molte difficoltà, se necessario garantire la conformità tra il modello e le condizioni reali; Tuttavia, gli svantaggi di tale sperimentazione sono talvolta molto significativi:
1) può interrompere la procedura stabilita della Società;
2) Se il componente del sistema è le persone, i risultati degli esperimenti possono influenzare il cosiddetto effetto Houutorm, manifestato nel fatto che le persone sentono di essere osservate per loro, possono cambiare il loro comportamento;
3) può essere difficile mantenere le stesse condizioni di lavoro con ciascuna ripetizione dell'esperimento o durante l'intero periodo della serie sperimentale;
4) per ottenere le stesse dimensioni del campione (e, di conseguenza, il significato statistico dei risultati di sperimentazione) può richiedere costi eccessivi del tempo e dei mezzi;
5) Quando si sperimentano i sistemi reali, potrebbe essere impossibile studiare una pluralità di opzioni alternative.
Per questi motivi, il ricercatore dovrebbe considerare la fattibilità di utilizzare la modellazione di imitazione in presenza di una delle seguenti condizioni:
1. Non vi è alcuna formulazione matematica completata di questo compito, o metodi analitici per risolvere un modello matematico formulato non sono ancora stati sviluppati. Questa categoria include molti modelli di manutenzione di massa associati alla considerazione della coda.
2. Sono disponibili metodi analitici, ma le procedure matematiche sono così complesse e intensive di lavoro che la modellazione di simulazione fornisce un modo più semplice per risolvere il problema.
3. Esistono soluzioni analitiche, ma la loro attuazione è impossibile a causa della insufficiente preparazione matematica del personale disponibile. In questo caso, è necessario confrontare i costi del design, dei test e del lavoro su un modello di simulazione con i costi associati all'invito agli specialisti della parte.
4. Oltre a stimare determinati parametri, è auspicabile implementare sul modello di simulazione monitorando il processo di processo per un determinato periodo.
5. La modellazione di imitazione può essere l'unica possibilità a causa delle difficoltà di fissare esperimenti e osservazioni dei fenomeni in condizioni reali (ad esempio lo studio del comportamento del veicolo spaziale nelle condizioni dei voli interplanetari).
6. Per l'azione a lungo termine di sistemi o processi, potrebbe essere necessario comprimere la timeline. L'imitazione modellazione consente di controllare appieno il tempo del processo, poiché il fenomeno può essere rallentato o accelerato come desiderato (ad esempio, problemi di ricerca del declino delle città).
Ulteriore vantaggio La simulazione può essere considerata le più ampie possibilità possibili per la sua applicazione nel campo dell'istruzione e della formazione. Lo sviluppo e l'uso del modello di simulazione consente allo sperimentatore di vedere e testare i processi reali e le situazioni reali sul modello. Questo a sua volta dovrebbe aiutare notevolmente a capire e sperimentare il problema che stimola il processo di ricerca di innovazioni.
La simulazione è implementata da un insieme di strumenti matematici, programmi e tecniche speciali per computer che consentono l'utilizzo di un computer per effettuare la modellazione mirata nella modalità "imitazione" della struttura e delle funzioni del processo complesso e dell'ottimizzazione di alcuni dei suoi parametri. Un set di tecniche di software e modellazione determina le specifiche del sistema di simulazione - software speciale.
La simulazione dei processi economici viene solitamente applicata in due casi:
1. Per gestire un processo aziendale complesso, quando il modello di simulazione di un oggetto economico gestito viene utilizzato come strumento nel circuito di un sistema di controllo adattivo creato sulla base delle tecnologie dell'informazione;
2. Quando conducono esperimenti con modelli continui a discreti di oggetti economici complessi per l'ottenimento e "osservazione" delle loro dinamiche nelle situazioni di emergenza associate ai rischi la cui modellazione naturale è indesiderabile o impossibile.
La modellazione di simulazione come tecnologia delle informazioni speciali è composta dalle seguenti fasi principali:
1. Analisi strutturale dei processi . In questa fase, un'analisi della struttura di un complesso processo reale e della sua decomposizione in subprocessioni interrelate più semplici, ognuna delle quali esegue una funzione specifica. Le sottoprocessi identificate possono essere suddivise in altre sottocrogazioni più semplici. Pertanto, la struttura del processo simulato può essere rappresentata come un grafico avente una struttura gerarchica.
L'analisi strutturale è particolarmente efficace nella modellazione dei processi economici, in cui molti componenti delle sottoprocessi procedono visivamente e non hanno un'entità fisica.
2. Descrizione del modello formalizzato . L'immagine grafica ottenuta di un modello di simulazione, le funzioni eseguite da ciascuna sottoprocesso, le condizioni di interazione di tutte le sottoprocessi devono essere descritte in un linguaggio speciale per la trasmissione successiva.
Questo può essere fatto in vari modi: descrivere manualmente su qualsiasi particolare linguaggio o utilizzando un grafico del computer.
3. Modello di costruzione . Questa fase include collegamenti di trasmissione e modifica, oltre a verifica dei parametri.
4. Conducendo un esperimento estremo . In questa fase, l'utente può ottenere informazioni su quanto è chiuso il modello creato di un fenomeno davvero esistente, e come è meglio che questo modello sia adatto per la ricerca di nuovi valori non testati degli argomenti e dei parametri di sistema.
1.2. Metodo di Monte Carlo.
I test statistici secondo il metodo del Monte Carlo sono la modellazione semplice imitazione con la completa assenza di regole di condotta. Ottenere campioni secondo il metodo del Monte Carlo - il principio principale della simulazione del computer dei sistemi contenenti elementi stocastici o probabilistici. La generazione del metodo è associata al lavoro di Neumanan e Ulan alla fine degli anni '40, quando introdusse il nome "Monte Carlo" per lui e l'ha applicata per risolvere alcuni compiti di schermatura delle emissioni nucleari. Questo metodo matematico era noto e prima, ma ho trovato la mia seconda nascita a Los Alamos in lavori chiusi sulla tecnologia nucleare, che sono stati condotti sotto la designazione del codice "Monte Carlo". L'uso del metodo è stato così riuscito che è stato distribuito in altre aree, in particolare nell'economia.
Pertanto, molti specialisti il \u200b\u200btermine "Metodo Monte Carlo" a volte sembrava sinonimo del termine "modellazione di simulazione", che è generalmente errata. La modellazione di simulazione è un concetto più ampio, e il metodo del Monte Carlo è importante, ma lontano dall'unica componente metodologica della simulazione.
Secondo il metodo del Monte Carlo, il designer può simulare il lavoro di migliaia di sistemi complessi che controllano migliaia di varietà di tali processi ed esplorano il comportamento dell'intero gruppo, elaborando i dati statistici. Un altro modo per applicare questo metodo è quello di simulare il comportamento del sistema di controllo in una gamma molto ampia di tempo del modello (diversi anni), con il tempo astronomico di eseguire il programma di simulazione sul computer può fare una divisione di secondo.
Quando si analizza il metodo del Monte Carlo, il computer utilizza la procedura per generare numeri pseudo-casuali per simulare i dati dalla popolazione generale. La procedura di analisi del metodo del Monte Carlo crea campioni dal gruppo generale secondo le istruzioni dell'utente, e quindi esegue le seguenti azioni: imita un campione casuale dalla popolazione generale, l'analisi del campione conduce l'analisi e mantiene i risultati. Dopo un gran numero di ripetizioni, i risultati salvati imitano bene la reale distribuzione delle statistiche del campione.
In varie attività incontrate durante la creazione di sistemi complessi, i cui valori sono determinati a caso possono essere utilizzati. Esempi di tali valori sono:
1 momenti casuali di tempo in cui gli ordini vengono in compagnia;
3 impatti esterni (requisiti o cambiamenti di leggi, pagamenti per multe, ecc.);
4 Pagamento dei prestiti bancari;
5 ricevuta di fondi da parte dei clienti;
6 Errori di misurazione.
Il numero, il set di numeri, vettore o funzione possono essere utilizzati come variabili corrispondenti. Una delle varietà del metodo Monte Carlo con una soluzione numerica di attività, incluse le variabili casuali è il metodo dei test statistici, che è quello di modellare eventi casuali.
Il metodo del Monte Carlo si basa su test statistici e per natura è estremo, può essere utilizzato per risolvere compiti completamente deterministici, come il fascino delle matrici, risolvendo equazioni differenziali in derivati \u200b\u200bprivati, trovando gli estremi e l'integrazione numerica. Quando si calcola il metodo Monte Carlo, i risultati statistici sono ottenuti dai test ripetuti. La probabilità che questi risultati differiscano dal vero non più di un dato valore sia la funzione del numero di test.
I calcoli sul metodo Monte Carlo si trova una scelta casuale di numeri da una data distribuzione probabilistica. Con calcoli pratici, questi numeri sono presi da tabelle o sono ottenuti da alcune operazioni, i cui risultati sono numeri pseudo-casuali con le stesse proprietà dei numeri ottenuti in base al campione casuale. C'è un gran numero di algoritmi computazionali che ci consentono di ottenere lunghe sequenze di numeri pseudo-casuali.
Uno dei metodi computazionali più semplici ed efficienti per ottenere una sequenza di numeri casuali distribuiti uniformemente distribuiti r i, L'utilizzo, ad esempio, una calcolatrice o qualsiasi altro dispositivo che opera in un sistema di numero decimale, include solo un'operazione di moltiplicazione.
Il metodo è il seguente: se r i \u003d. 0.0040353607, quindi r i + 1 \u003d (40353607RI) MOD 1, in cui MOD 1 indica un'operazione di estrazione dal risultato della parte frazionaria dopo il punto decimale. Come descritto in varie fonti letterarie, il numero r comincio da ripetere dopo un ciclo di 50 milioni di numeri, quindi r 5oooooo1 \u003d r 1. La sequenza R 1 è ottenuta uniformemente distribuita sull'intervallo (0, 1).
L'uso del metodo del Monte Carlo può fornire un effetto significativo nella modellazione dello sviluppo dei processi, la cui osservazione a senso unico è indesiderabile o impossibile, e altri metodi matematici in relazione a questi processi non sono sviluppati o inaccettabili a causa di numerose riserve e supposizioni che può portare a errori gravi o conclusioni errate. A tale riguardo, è necessario non solo osservare lo sviluppo del processo in aree indesiderate, ma anche di valutare ipotesi sui parametri di situazioni indesiderate a cui tale sviluppo condurrà, compresi i parametri di rischio.
1.3. Usando le leggi della distribuzione di variabili casuali
Per una valutazione di alta qualità di un sistema complesso, è conveniente utilizzare i risultati della teoria dei processi casuali. L'esperienza nell'osservazione degli oggetti mostra che funzionano nelle condizioni di azione di un gran numero di fattori casuali. Pertanto, la previsione del comportamento di un sistema complesso può dare un senso solo in categorie probabilistiche. In altre parole, solo le probabilità del loro occorrenza possono essere indicate per gli eventi previsti e relativi ad alcuni valori è necessario limitare le leggi della loro distribuzione o altre caratteristiche probabilistiche (ad esempio valori medi, dispersioni, ecc. ).
Per studiare il processo di funzionamento di ciascun particolare sistema complesso, tenendo conto dei fattori casuali, è necessario avere un'idea abbastanza chiara delle fonti di impatti casuali e dati molto affidabili sulle loro caratteristiche quantitative. Pertanto, qualsiasi calcolo o analisi teorica associata allo studio di un sistema complesso è preceduto dall'accumulo sperimentale di materiale statistico che caratterizza il comportamento dei singoli elementi e del sistema nel suo insieme in condizioni reali. Elaborazione Questo materiale consente di ottenere dati di origine per il calcolo e l'analisi.
La legge della distribuzione della varianza casuale è chiamata il rapporto, che consente di determinare la probabilità di una variabile casuale in qualsiasi intervallo. Può essere impostato tabelle, analiticamente (come formula) e graficamente.
Ci sono diverse leggi per la distribuzione di variabili casuali.
1.3.1. Distribuzione uniforme
Questo tipo di distribuzione viene utilizzato per ottenere distribuzioni più complesse, sia discrete che continue. Tali distribuzioni sono ottenute utilizzando due tecniche principali:
a) funzioni inverse;
b) Combinazione di valori distribuiti da altre leggi.
Diritto uniforme - La legge della distribuzione di variabili casuali aventi un aspetto simmetrico (rettangolo). La densità della distribuzione uniforme è data dalla formula:
quelli. Sull'intervallo a cui appartengono tutti i possibili valori della variabile casuale, la densità salva un valore costante (Fig. 1).
Fig.1 Funzione della densità e delle caratteristiche della probabilità della distribuzione uniforme
Nei modelli di imitazione dei processi economici, la distribuzione uniforme viene talvolta utilizzata per simulare il lavoro semplice (singolo), quando si calcola i programmi di lavoro di rete, in lavori militari - per modellare i tempi del passaggio per divisioni, il tempo di scavare il trincee e la costruzione di strutture di fortificazione.
La distribuzione uniforme viene utilizzata se solo il fatto che abbiano una diffusione massima è noto circa gli intervalli di tempo e nulla si sa sulle distribuzioni di probabilità di questi intervalli.
1.3.2. Distribuzione discreta
La distribuzione discreta è presentata da due leggi:
1) Binomina, dove la probabilità di un evento in diversi test indipendenti è determinato dalla formula Bernoulli:
n - il numero di test indipendenti
m è il numero di eventi in N Test.
2) La distribuzione di Poisson, dove con un gran numero di test la probabilità di occorrenza dell'evento è molto piccola ed è determinata dalla formula:
k - il numero di eventi in diversi test indipendenti
Il numero medio di eventi in diversi test indipendenti.
1.3.3. Distribuzione normale
La distribuzione normale o gaussiana, è senza dubbio uno dei tipi più importanti e frequentemente utilizzati di distribuzioni continue. È simmetricamente relativo alle aspettative matematiche.
Importo casuale continuo t. ha una normale distribuzione delle probabilità con i parametri t. e > O Se la sua densità di probabilità è correlata (Fig. 2, fig.3):
dove t. - valore atteso M [t];
Fig.2, Fig. 3. Funzione della densità e delle caratteristiche della probabilità della normale distribuzione
Qualsiasi lavoro complesso presso le strutture dell'economia è costituito da molti brevi componenti elementari consecutivi. Pertanto, nelle stime, i costi del lavoro suggeriscono sempre che la loro durata è una varietà casuale distribuita secondo la normativa normale.
Nei modelli di imitazione dei processi economici, la legge della distribuzione normale viene utilizzata per simulare il complesso lavoro multi-step.
1.3.4. Distribuzione esponenziale
Occupa inoltre un luogo molto importante quando si esegue un'analisi sistemica dell'attività economica. Questa legge di distribuzione è soggetta a molti fenomeni, ad esempio:
1 tempo di ricezione dell'ordine per l'impresa;
2 visite agli acquirenti del supermercato negozio;
3 conversazioni telefoniche;
4 La durata di parti e nodi in un computer installato, ad esempio, in contabilità.
La funzione di distribuzione esponenziale è la seguente:
F (x) \u003d a 0 Parametro di distribuzione esponenziale,\u003e 0. La distribuzione esponenziale è casi speciali di distribuzione gamma. Fico. 5 Funzione della densità di probabilità della distribuzione gamma Nei modelli di imitazione dei processi economici, la distribuzione esponenziale viene utilizzata per simulare gli intervalli di ordini che entrano nella società da numerosi clienti. In teoria dell'affidabilità, è usato per simulare l'intervallo di tempo tra due difetti consecutivi. In connessione e scienze informatiche - per la modellazione dei flussi di informazioni. 1.3.5. Distribuzione generalizzata di Erland P (t) \u003d a T≥0; Dove K-elementari componenti consecutivi distribuiti dalla legge esponenziale. La distribuzione generalizzata dell'erba è utilizzata nella creazione di modelli sia matematici che imitazione. Questa distribuzione è convenientemente utilizzata al posto di una normale distribuzione se il modello è ridotto a un compito puramente matematico. Inoltre, nella vita reale c'è una probabilità oggettiva dei gruppi applicativi come una reazione ad alcune azioni, quindi, si verificano i fili di gruppo. L'uso di metodi puramente matematici per la ricerca nei modelli di effetti da tali flussi di gruppo è impossibile a causa della mancanza di un metodo per ottenere un'espressione analitica, o difficile, poiché le espressioni analitiche contengono un grande errore sistematico a causa di numerose ipotesi, grazie a numerose ipotesi, grazie a numerose assunzioni che il ricercatore è stato in grado di ricevere queste espressioni. Per descrivere una delle varietà di flusso di gruppo, è possibile applicare una distribuzione generalizzata di erland. L'emergere dei flussi di gruppo in complessi sistemi economici porta ad un forte aumento delle durate medi di vari ritardi (ordini in code, ritardi nei pagamenti, ecc.), Nonché un aumento delle probabilità di eventi rischiosi o di eventi assicurati. 1.3.6. Distribuzione triangolare La distribuzione triangolare è più informativa del divisa. Per questa distribuzione, sono determinati tre valori - minimo, massimo e moda. Il grafico della funzione di densità è composto da due segmenti di diretti, uno dei quali aumenta quando si cambia X. Dal valore minimo alla moda, e l'altra diminuisce quando si cambia X. dal valore della moda al massimo. Il valore dell'aspettativa matematica della distribuzione triangolare è pari a un terzo della somma del minimo, della moda e del massimo. La distribuzione triangolare viene utilizzata quando il valore più probabile è noto ad un certo intervallo e si presume che sia una natura lineare a tratti della funzione di densità. Fig.5 La funzione di densità di probabilità e le caratteristiche di distribuzione triangolare. La distribuzione triangolare è facile da applicare e interpretare, ma è necessario per la sua scelta per motivi pesanti. Nei modelli di imitazione dei processi economici, tale distribuzione viene talvolta utilizzata per simulare il tempo di accesso ai database. 1.4. Pianificazione di un esperimento informatico di simulazione Il modello di simulazione è indipendente dal sistema di modellazione selezionato (ad esempio, pellegrino o GPSS) consente di ottenere i primi primi punti e informazioni sulla legge della distribuzione di qualsiasi dimensione che è interessata a (lo sperimentatore è un argomento Ciò ha bisogno di conclusioni qualitative e quantitative sulle caratteristiche del processo in studio). 1.4.1. Approccio informatico per organizzare studi sperimentali di oggetti e processi complessi. La pianificazione dell'esperimento può essere considerata come un approccio cibernetico all'organizzazione e alla condotta di studi sperimentali di oggetti e processi complessi. L'idea principale del metodo consiste nella possibilità di un controllo ottimale dell'esperimento nelle condizioni di incertezza, che è noto a quei prerequisiti su cui si basa la cibernetica. Lo scopo della maggior parte dei lavori di ricerca è determinare i parametri ottimali di un sistema complesso o di condizioni ottimali per il processo di elaborazione: 1. Determinazione dei parametri del progetto di investimento in condizioni di incertezza e rischio; 2. la scelta dei parametri strutturali ed elettrici dell'installazione fisica, fornendo la modalità più redditizia del suo funzionamento; 3. ottenendo la massima reazione di reazione possibile variando la temperatura, la pressione e il rapporto tra reagenti - nei compiti della chimica; 4. Selezione dei componenti in lega per ottenere la lega con il valore massimo di qualsiasi caratteristica (viscosità, resistenza al gap, ecc.) - In metallurgia. Quando si risolvono i problemi di questo tipo, è necessario tenere conto dell'influenza di un gran numero di fattori, alcuni dei quali non sono suscettibili di regolazione e controllo, che è estremamente difficile da completare la ricerca teorica del problema. Pertanto, stanno andando lungo il percorso di stabilire modelli di base attraverso una serie di esperimenti. Il ricercatore è stato in grado di esprimere i risultati dell'esperimento in comune per l'analisi e l'uso. 1.4.2. Esperimento di analisi della regressione e modello di modellazione Fig.7 Esempio di mediazione dei risultati sperimentali Valori di dispersione η V. In questo caso, non solo errori di misurazione, e soprattutto l'effetto delle interferenze z j. . La complessità del problema di controllo ottimale è caratterizzata non solo dalla complessità della dipendenza stessa η v (v \u003d 1, 2, ..., n) Ma anche influenza z j. Cosa rende un elemento di possibilità nell'esperimento. Dipendenza grafica η v (x i) Determina i valori di connessione di correlazione η V. e x I. che può essere ottenuto secondo i risultati dell'esperimento utilizzando i metodi di statistica matematica. Calcolo di tali dipendenze con un gran numero di parametri di input x I. e interferenze significative z j. Ed è il compito principale del ricercatore sperimentatore. Allo stesso tempo, il compito più difficile, il più efficace è l'uso di metodi di pianificazione dell'esperimento. Distinguere due tipi di esperimento: Passivo; Attivo. Per esperimento passivo Il ricercatore porta solo a monitorare il processo (modificando i suoi parametri di input e output). Secondo i risultati dell'osservazione, si conclude che i parametri di input sul fine settimana siano conclusi. L'esperimento passivo viene solitamente eseguito sulla base di un processo economico o di produzione esistente che non consente l'intervento attivo dello sperimentatore. Questo metodo è poco costoso, ma richiede un sacco di tempo. Esperimento attivo È effettuato principalmente nelle condizioni di laboratorio, in cui lo sperimentatore ha la capacità di modificare le caratteristiche di input in base a un piano predeterminato. Un tale esperimento conduce più velocemente all'obiettivo. I metodi di approssimazione corrispondenti sono stati chiamati analisi di regressione. Analisi di regressione È uno strumento metodologico durante la risoluzione dei problemi di previsione, pianificando e analizzando le attività economiche delle imprese. I compiti dell'analisi di regressione sono l'istituzione della forma del rapporto tra le variabili, la valutazione della funzione di regressione e l'istituzione dell'influenza dei fattori sulla variabile dipendente, la valutazione dei valori sconosciuti (previsione dei valori) della variabile dipendente. 1.4.3. Pianificazione ortogonale del secondo ordine. La pianificazione ortogonale dell'esperimento (rispetto a unorthogonal) riduce il numero di esperimenti e semplifica significativamente i calcoli al ricevimento dell'equazione di regressione. Tuttavia, tale pianificazione è fattibile solo con la possibilità di condurre un esperimento attivo. Il mezzo pratico per trovare l'estremo è un esperimento di fattore. I principali vantaggi di un esperimento fattore - semplicità e la possibilità di trovare un punto estremo (con qualche errore), se la superficie sconosciuta è sufficientemente liscia e non ci sono estremi locali. Va notato due principali svantaggi di un esperimento fattore. Il primo è l'impossibilità di trovare un estremo in presenza di superfici sconosciute step-sconosciuti e estremi locali. Il secondo è in assenza di mezzi per descrivere la natura della superficie vicino al punto estremo a causa dell'uso delle equazioni di regressione lineare più semplici, che influenzano l'inerzia del sistema di controllo, poiché nel processo di gestione è necessario condurre fattore esperimenti per selezionare gli effetti di controllo. Per scopi di gestione, la pianificazione ortogonale del secondo ordine è più adatta. In genere, l'esperimento è composto da due fasi. Innanzitutto, utilizzando un esperimento fattore, l'area in cui esiste il punto estremamente. Quindi, nel settore dell'esistenza di un punto estremo, viene effettuato un esperimento per ottenere l'equazione di regressione del 2 ° ordine. L'equazione di regressione del 2 ° ordine consente di determinare immediatamente le influenze di controllo, senza ulteriori esperimenti o esperimenti. Un ulteriore esperimento sarà richiesto solo nei casi in cui la superficie di risposta cambierà in modo significativo sotto l'influenza dei fattori esterni incontrollati (ad esempio, un cambiamento significativo della politica fiscale nel paese influenzerà seriamente la superficie della risposta che riflette i costi di produzione del impresa 2. Lavoro pratico. In questa sezione, esamineremo come è possibile applicare la conoscenza teorica a specifiche situazioni economiche. Il compito principale del nostro tasso di cambio è determinare l'efficacia di un'impresa impegnata in attività commerciali. Per implementare il progetto, abbiamo scelto il pacchetto Pilgrim. Pacchetto Pilgrim ha una vasta gamma di possibilità per simulare le dinamiche temporanee, spaziali e finanziarie degli oggetti simulati. Con esso, è possibile creare modelli continui a discreti. I modelli sviluppati hanno la proprietà del processo di gestione collettiva della modellazione. Nel testo del modello, è possibile inserire qualsiasi blocco utilizzando la lingua standard C ++. Il pacchetto Pilgrim ha una proprietà di mobilità, cioè Trasferimento a qualsiasi altra piattaforma in presenza di un compilatore C ++. I modelli nel sistema Pilgrim sono compilati e quindi hanno un'alta velocità, che è molto importante per risolvere le soluzioni di gestione e la selezione adattativa delle opzioni sotto una scala temporale di Ultraabal. Il codice oggetto ricevuto dopo la compilazione può essere incorporato nei programmi sviluppati o trasmettiti (vendere) al cliente, poiché quando i modelli operativi, il pacchetto Pilgrim Strumenti non viene utilizzato. La quinta versione di Pilgrim è un prodotto software creato nel 2000 su base orientata agli oggetti e tenendo conto delle principali proprietà positive delle versioni precedenti. I vantaggi di questo sistema: Orientamento sulla modellazione congiunta di materiali, informazioni e processi "contanti"; La presenza di una custodia sviluppata, che consente la costruzione di modelli multilivello nella modalità di analisi del sistema strutturale; Disponibilità di interfacce con database; La possibilità per i modelli di utenti finali analizzano direttamente i risultati grazie alla tecnologia formalizzata per la creazione del monitoraggio funzionale del modello utilizzando Visual C ++, Delphi o altri mezzi; La possibilità di controllare i modelli direttamente durante la loro esecuzione utilizzando finestre di dialogo speciali. Pertanto, il pacchetto Pilgrim è un buon mezzo per creare modelli discreti e continui, ha molti vantaggi e semplifica notevolmente la creazione del modello. L'oggetto di osservazione è un'impresa che è impegnata nell'attuazione della merce prodotta. Per l'analisi statistica di questi funzionamento dell'impresa e confrontando i risultati ottenuti, sono stati confrontati tutti i fattori che influenzano il processo di rilascio e vendita di beni. La società è impegnata nella produzione di merci in piccoli lotti (è nota la dimensione di questi batch). C'è un mercato in cui viene venduto questo prodotto. La dimensione del lotto dei beni acquistati nel caso generale è un valore casuale. Lo schema strutturale del processo aziendale contiene tre strati. Su due strati ci sono processi autonomi "produzione" (Appendice A) e "Vendite" (Appendice B), i cui regimi sono indipendenti l'uno dall'altro. Nessun percorso per la transazione di transazione. L'interazione mediata di questi processi viene eseguita solo attraverso risorse: risorse materiali (sotto forma di prodotti finiti) e risorse monetarie (principalmente attraverso il conto corrente). La gestione delle risorse di cassa si verifica su un livello separato - nel processo "Operazioni monetarie" (Appendice B). Introduciamo la funzione di destinazione: tempo di ritardo dei pagamenti dal conto corrente TRS. Parametri di gestione principali: 1 PRODOTTI UNITÀ PREZZO; 2 volume dei beni prodotti; 3 L'importo del prestito richiesto nella banca. Fissare tutti gli altri parametri: 4 ore di rilascio della parte; 5 Numero di linee di produzione; 6 ricevuta intervallo dell'ordine dagli acquirenti; 7 dispersione delle dimensioni del lotto venduto; 8 costo di componenti e materiali per il rilascio della parte; 9 Capitale iniziale all'account corrente; puoi minimizzare i TRS per una particolare situazione del mercato. Il minimo del TRS è ottenuto con una delle massime della quantità di denaro nel conto corrente. Inoltre, la probabilità di un evento di rischio - il mancato pagamento dei debiti sui prestiti è vicino al minimo (questo può essere dimostrato durante un esperimento statistico con il modello). Primo processo " Produzione "(Appendice A) implementa i principali processi elementari. Knot 1 imita la ricezione di ordini per la fabbricazione di parti di prodotti dalla gestione della società. Nodo 2 - Tentativo di ottenere un prestito. Una transazione ausiliaria appare in questo nodo - una richiesta alla banca. Nodo 3 - Aspettando il prestito da questa richiesta. Il nodo 4 è l'amministrazione bancaria: se viene restituito il prestito precedente, allora uno nuovo (altrimenti la richiesta è in attesa nella coda). Il nodo 5 sta trasferendo un prestito al conto corrente dell'azienda. Nel nodo 6, la richiesta ausiliaria viene distrutta, ma le informazioni sul prestito sono fornite è la "barriera" sul percorso della richiesta successiva per un altro prestito (operazione di attesa). Lo smaltimento della transazione principale passa attraverso il nodo 2 senza indugio. Nel nodo 7, i componenti sono pagati se c'è un importo sufficiente al conto corrente (anche se il prestito non viene ricevuto). Altrimenti, vi è un'aspettativa di un prestito o di un pagamento di prodotti venduti. Nel nodo 8, la transazione viene messa in coda se tutte le linee di produzione sono occupate. Nel nodo 9 viene effettuata la produzione di un lotto di prodotti. Nel nodo 10 c'è una domanda aggiuntiva per il ritorno del prestito, se il prestito è stato precedentemente evidenziato. Questa applicazione entra in nodo 11, dove il denaro viene trasferito dal conto corrente della società alla Banca; Se non ci sono soldi, l'applicazione si aspetta. Dopo aver restituito un prestito, questa applicazione viene distrutta (nel nodo 12); La Banca ha informazioni che il prestito viene restituito, e la società può essere rilasciata il seguente prestito (Funzionamento RELS). L'ordine di transazione passa il nodo 10 senza ritardo, e nel nodo 13 è distrutto. Successivamente si ritiene che la festa sia presa ed è entrata nel magazzino dei prodotti finiti. Secondo processo " I saldi "(Appendice B) imita le funzioni di base delle vendite del prodotto. Il nodo 14 è un generatore di acquirenti di prodotti. Queste transazioni si rivolgono al magazzino (nodo 15), e se c'è una quantità richiesta di beni, le merci vengono rilasciate dall'acquirente; Altrimenti, l'acquirente è in attesa. Il nodo 16 imita la vacanza di beni e controllo della coda. Dopo aver ricevuto la merce, l'acquirente elenca i soldi per il conto corrente della società (nodo 17). Nel nodo 18, l'acquirente è considerato servito; La transazione corrispondente non è più necessaria e distrutta. Terzo processo " Operazioni monetarie "(Appendice B) imita il cablaggio nella contabilità. Le richieste di cablaggio provengono dal primo livello dai nodi 5, 7, 11 (processo "di produzione") e dal nodo 17 (processo "vendite"). Le linee punteggiate mostrano il flusso di somme monetarie sul conto 51 ("conto di regolamento", nodo 20), account 60 ("Fornitori, appaltatori", nodo 22), account 62 ("Acquirenti, clienti", nodo 21) e Account 90 ("Bank", nodo 19). I numeri convenzionali corrispondono approssimativamente al piano dei conti contabili. Il nodo 23 imita il lavoro del direttore finanziario. Le transazioni servite dopo i post contabili tornano a quei nodi, da dove hanno fatto; Questi nodi sono nel parametro T → UptionOwn Transaction. Il codice sorgente del modello è presentato nell'applicazione. Questo codice sorgente sta costruendo il modello stesso, cioè. Crea tutti i nodi (presentati nello schema strutturale del processo aziendale) e dalla relazione tra loro. Il codice può essere generato dal Pilgrim Designer (GEM), in cui sono costruiti i processi nel modulo oggetto (Appendice E). Il modello viene creato utilizzando Microsoft Developer Studio. Microsoft Developer Studio è un pacchetto software basato sulla lingua C ++. Dopo aver aderito al progetto di biblioteche aggiuntive (pellegrim.lib, comctl32.lib) e file di risorse (pellegrin.res), compilare questo modello. Dopo la compilazione, otteniamo un modello già pronto. Un file di report viene creato automaticamente in cui i risultati della modellazione ottenuti dopo l'avvio del modello sono memorizzati. Il file di report è presentato nell'appendice D. 3. Conclusioni sul modello di business "Efficienza produttiva" 1) numero del nodo; 2) Nome del nodo; 3) Tipo di nodo; 5) M (T) tempo di attesa medio; 6) misuratore di ingresso; 7) rimane la transazione; 8) Lo stato del nodo in quel momento. Il modello è composto da tre processi indipendenti: il processo di produzione principale (Appendice A), il processo di vendita di prodotti (Appendice B) e il processo di gestione del flusso di cassa (applicazione B). Il principale processo di produzione.
Durante il periodo di modellazione di un processo aziendale in un nodo 1 ("ordini"), sono state formate 10 domande per la fabbricazione di prodotti. Il tempo di formazione dell'ordine medio è di 74 giorni, di conseguenza, una transazione non ha inserito il quadro del processo di modellazione. Le restanti 9 transazioni hanno inserito il nodo 2 ("Sviluppo1"), in cui è stato creato il numero corrispondente di richieste alla Banca per ricevere un prestito. Il tempo medio di attesa è di 19 giorni, questo tempo di modellazione, per il quale tutte le transazioni erano soddisfatte. Inoltre, si può vedere che 8 richieste hanno ricevuto una risposta positiva nel nodo 3 ("Emittente della risoluzione"). L'autorizzazione medio del tempo è di 65 giorni. Il caricamento di questo nodo era in media del 70,4%. Lo stato del nodo al momento della fine del tempo di simulazione è chiuso, ciò è dovuto al fatto che questo nodo fornisce un nuovo prestito solo in caso di ritorno del precedente, quindi, il prestito al momento della fine della modellazione non è stata ripagata (questo è visto dal nodo 11). Il nodo 5 effettua un prestito al conto corrente dell'impresa. E, come si può vedere dalla tabella dei risultati, la banca è stata trasferita al conto della società di 135.000 rubli. Nel nodo 6, tutte le 11 richieste di credito sono state distrutte. Nel nodo 7 ("Fornitori a pagamento") è stato pagato ai componenti nell'ammontare del prestito precedentemente ottenuto (135.000 rubli). Nel nodo 8 vediamo che 9 transazioni sono in linea. Questo succede quando tutte le linee di produzione sono occupate. Nel nodo 9 ("ordine") viene effettuato direttamente nella produzione. Per la fabbricazione di un lotto di prodotti richiede 74 giorni. Durante il periodo di modellazione, sono stati eseguiti 9 ordini. Il caricamento di questo nodo era del 40%. Nel nodo 13, le applicazioni per la fabbricazione di prodotti sono state distrutte in un importo di 8 pezzi. Con il calcolo che le parti sono fatte ed entrate nel magazzino. Il tempo medio di produzione è di 78 giorni. Nel nodo 10 ("Fork 2"), sono state create 0 rimborsazioni di prestito aggiuntivi. Queste applicazioni sono state iscritte a Knot 11 ("ritorno"), in cui la banca è stata restituita un prestito nell'importo di 120.000 rubli. Dopo aver restituito un prestito, l'applicazione di ritorno è stata distrutta nel nodo 12 nella quantità di 7 pezzi. con tempo medio -37 giorni. Il processo di vendita di prodotti.
Nel nodo 14 ("Clienti"), sono stati generati 26 transazione-acquirenti di prodotti con un'età media di 28 giorni. Una transazione si aspetta in linea. Successivamente, la transazione di 25 acquirenti "girata" nel magazzino (nodo 15) per le merci. Il caricamento del magazzino per il periodo di modellazione è stato del 4,7%. I prodotti del magazzino sono stati emessi immediatamente - senza ritardi. Come risultato dell'emissione di prodotti, 1077 unità sono rimaste nel magazzino. I prodotti, in linea, ottenere merci non sono previste, pertanto, quando si riceve un ordine, la società può emettere la quantità desiderata di merci direttamente dal magazzino. Il nodo 16 imita il rilascio dei prodotti 25 clienti (1 Transact in riga). Dopo aver ricevuto la merce, i clienti senza indugio hanno pagato le merci ricevute per il valore di 119160 rubli. Nel nodo 18, tutti i transazioni serviti sono stati distrutti. Processo di gestione del flusso monetario.
In questo processo, abbiamo a che fare con il seguente cablaggio contabile (richieste per l'esecuzione dei quali provengono dai nodi 5, 7, 11 e 17, rispettivamente): 1 Banca di credito rilasciata - 135000 rubli; 2 Pagamento ai fornitori per accessori - 135000 rubli; 3 ritorno di un prestito bancario - 120000 rubli; 4 Al conto corrente ha ricevuto fondi dalla vendita di prodotti - 119160 rubli. Come risultato di questi cavi, abbiamo ricevuto i seguenti dati sulla distribuzione dei fondi in conti: 1) SCH. 90: Bank. 9 Transazioni sono state revisionate, si prevede in linea. Il saldo è 9970000 rubli. Richiesto - 0 rubli. 2) SCH. 51: r / account. 17 Transazioni sono servite, si prevede in linea. Equilibrio dei fondi -14260 strofinare. Richiesto - 15.000 rubli. Di conseguenza, quando il tempo di modellazione è esteso, la transazione in coda viene immediatamente sottoposta a essere sottoposta a essere, a causa della mancanza di fondi sull'account dell'azienda. 3) SCH. 61: clienti. 25 transazioni servite. Saldo di riposo - 9880840 Strofina. Richiesto - 0 rubli. 4) SCH. 60: fornitori. 0 Transazioni servite (il processo di "fornitura di merci" non è stato considerato nel quadro di questo esperimento). Il saldo è di 135.000 rubli. Richiesto - 0 rubli. Il nodo 23 imita il lavoro del direttore finanziario. Sono stati serviti 50 transazioni Analisi della pianificazione "Dinamica dei ritardi".
Come risultato della modalità del modello, oltre al file contenente le informazioni sulla tabella, otteniamo un grafico dei ritardi nella coda (Fig. 9). Pianifica la dinamica dei ritardi nella coda nel nodo "Calc. L'account 51 indica che il ritardo aumenta con il tempo. Il tempo di ritardo dei pagamenti dal conto corrente dell'impresa è ≈ 18 giorni. Questo è un indicatore piuttosto alto. Di conseguenza, che l'impresa è meno e meno pagamenti, e presto il tempo di ritardo supererà il tempo di attesa del creditore - questo può portare alla bancarotta dell'impresa. Ma, fortunatamente, questi ritardi non sono frequenti, e quindi è un vantaggio a questo modello. È possibile risolvere la situazione riducendo al minimo il tempo di ritardo dei pagamenti per una particolare situazione del mercato. Il minimo del tempo di ritardo sarà raggiunto in una delle massime della quantità di denaro nel conto corrente. In questo caso, la probabilità di non-pagamento dei debiti sui prestiti sarà vicina al minimo. Valutazione dell'efficienza del modello.
Sulla base della descrizione dei processi, possiamo concludere che i processi di produzione e vendite in generale lavorano in modo efficiente. Il problema principale del modello è il processo di gestione del flusso monetario. Il problema principale di questo processo è debitato sul rimborso di un prestito bancario, causano tale mancanza di fondi al conto corrente, che non consentirà liberamente manipolato dai fondi ricevuti, poiché Devono essere inviati per ripagare il prestito. Come siamo stati noti dall'analisi del programma "Dinamica dei ritardi", in futuro, la società sarà in grado di rimborsare i conti da pagare nel tempo, ma non sempre in linee chiaramente specificate Pertanto, si può concludere che al momento il modello è abbastanza efficace, ma richiede il più piccolo raffinamento. La generalizzazione dei risultati delle informazioni statistiche è stata effettuata analizzando i risultati dell'esperimento. Il programma dei ritardi nel nodo "Account di regolamento" mostra che, per tutto il periodo di modellazione, il tempo di ritardo nel nodo dura, principalmente allo stesso livello, sebbene gli occasionalmente appaiano ritardi. Ne consegue che un aumento della probabilità dell'emergere della situazione quando un'impresa può essere sull'orlo della bancarotta, estremamente bassa. Di conseguenza, il modello è abbastanza accettabile, ma, come detto sopra, richiede miglioramenti minori. Conclusione Le relazioni interne complicate e grandi nel numero di elementi del sistema sono convenienti, i metodi di modellazione diretta e spesso per costruire e studiare sono trasmessi ai metodi di simulazione. L'emergere delle ultime tecnologie di informazione aumenta non solo le funzionalità dei sistemi di modellazione, ma consente anche di applicare una maggiore diversità di modelli e metodi per la loro attuazione. Migliorare le tecniche computazionali e di telecomunicazione hanno portato allo sviluppo dei metodi di modellazione della macchina, senza il quale è impossibile studiare processi e fenomeni, nonché la costruzione di sistemi grandi e complessi. Sulla base del lavoro svolto, si può dire che il valore della modellazione nell'economia è molto grande. Pertanto, l'economista moderno dovrebbe essere buono nei metodi economici e matematici, per poterli applicare praticamente per modellare le situazioni economiche reali. Ciò consente di assimilare meglio le questioni teoriche dell'economia moderna, contribuisce a sollevare il livello delle qualifiche e la cultura generale professionale di uno specialista. Con l'aiuto di vari modelli di business, è possibile descrivere oggetti, modelli, comunicazioni e processi economici non solo a livello di una società separata, ma anche a livello dello stato. E questo è un fatto molto importante per qualsiasi paese: puoi prevedere sale e decalcomanie, crisi e sgabelli nell'economia. BIBLIOGRAFIA 1. Emelyanov A.A., VLASOVA E.A. Modellazione del computer - M.: Stato di Mosca. Università di Economia, Statistiche e Informatiche, 2002. 2. Zamkov O.O., Tolstopyenko A.v., Cheremnykh yu.n. Metodi matematici in Economia, M., Business and Service, 2001. 3. Koleev v.a., Economia matematica, M., Uniti, 1998. 4. Esperimenti di imitazione della macchina del Naulor T. con modelli di sistemi economici. - m.: MIR, 1975. - 392 p. 5. Soviets b.ya., yakovlev s.a. Simulazione dei sistemi. - m.: Superiore. SHK., 2001. 6. Shannon R.E. Modellazione del sistema di simulazione: scienza e arte. - m.: MIR, 1978. 7. www.thrusta.narod.ru. Appendice A. Schema del modello di business "Efficienza dell'impresa" Appendice B. Il processo di attuazione dei prodotti del modello di business "Efficienza dell'impresa" Appendice B. Il processo di gestione dei flussi di cassa del modello di business "Efficienza dell'impresa" Appendice G. Modello di codice sorgente Appendice D. File del report del modello Appendice E. Studenti, studenti laureati, giovani scienziati che usano la base della conoscenza nei loro studi e il lavoro saranno molto grati a voi. Università di attività internazionali. Sull'argomento: imitazione modellazione nell'economia Eseguito studente c. Economia Tazhibaev ermek. Almaty 2009. Piano introduzione 1. Definizione del concetto di "modellazione imitazione" 2. Modellazione dell'imitazione dei processi riproduttivi nell'industria del petrolio e del gas 3. Metodo di Monte Carlo come una specie di modellazione di imitazione 4. Esempio. Valutazione degli stock geologici Conclusione introduzione Lo studio delle operazioni è ampiamente utilizzato sia modelli analitici che statistici. Ognuno di questi tipi ha i suoi vantaggi e svantaggi. I modelli analitici di più scortesi, tengono conto del numero inferiore di fattori, richiedono sempre alcuna ipotesi e semplificazioni. Ma i risultati del calcolo su di loro sono più facilmente prevedibili, riflettono più chiaramente il più inerente al fenomeno. E, la cosa principale, i modelli analitici sono più adattati per trovare soluzioni ottimali. Modelli statistici, confrontati con analitici, più accurati e dettagliati, non richiedono che ipotesi così grossolano, consentono di considerare un grande (in teoria - illimitato di grandi dimensioni) il numero di fattori. Ma hanno anche le proprie carenze: Bulkiness, scarso disturbo, alto consumo di tempo della macchina, e soprattutto, l'estrema difficoltà di trovare soluzioni ottimali che cadono "al tatto" con ipotesi e campioni. Il miglior lavoro nel campo delle operazioni si basa sulla condivisione di modelli analitici e statistici. Il modello analitico rende possibile in termini generali di capire il fenomeno, fuorilegge il contorno dei modelli principali. Eventuali chiarimenti possono essere ottenuti utilizzando modelli statistici. La simulazione di simulazione si applica ai processi, nel corso del quale può intervenire la volontà umana di volta in volta. Una persona che guida l'operazione può, a seconda della situazione stabilita, prendere quelle o altre decisioni, proprio come il giocatore di scacchi, guardando il tabellone, sceglie la sua prossima mossa. Quindi il modello matematico è guidato, il che mostra ciò che la situazione dovrebbe essere prevista in risposta alla presente decisione ea quale conseguenza porterà dopo un po 'di tempo. La seguente "soluzione corrente" è accettata già tenendo conto della nuova nuova situazione, ecc. Come risultato della ripetuta ripetizione di tale procedura, la testa, così com'era, "Experience guadagna", sta studiando da solo e gli errori di altre persone e impara gradualmente a fare le giuste soluzioni - se non ottimale, quasi ottimale. 1.
Determinazione del concetto di "modellazione imitazione" Nella letteratura moderna, non esiste un singolo punto di vista sulla questione di cosa capire sotto la modellazione dell'imitazione. Quindi ci sono varie interpretazioni: Nel primo - sotto il modello di simulazione è inteso come un modello matematico nel senso classico; Nel secondo - questo termine rimane solo per quei modelli in cui, in un modo o nell'altro, vengono giocati con effetti casuali (imitati); Nel terzo, si presume che il modello di simulazione differisca da una descrizione più dettagliata matematica convenzionale, ma il criterio per il quale si può dire quando il modello matematico finisce e l'imitazione non viene introdotta; La modellazione di simulazione viene applicata ai processi, nel corso del quale può intervenire la volontà umana di volta in volta. Una persona che guida l'operazione può, a seconda della situazione stabilita, prendi determinate decisioni, proprio come il giocatore di scacchi che guarda il tabellone, sceglie la sua prossima mossa. Quindi il modello matematico è gestito, il che dimostra che la situazione è prevista, in risposta alla presente decisione ea quali conseguenze porterà dopo un po 'di tempo. La prossima decisione attuale è effettuata già tenendo conto del vero nuovo ambiente, ecc. A seguito della ripetuta ripetizione di tale procedura, la testa com'era, "sta guadagnando esperienza", studiando su propri e gli errori di altre persone e gradualmente Impara a fare le giuste soluzioni - se non ottimale, quindi quasi ottimale. Proviamo a illustrare il processo di simulazione attraverso un confronto con il classico modello matematico. Fasi del processo di costruzione di un modello matematico di un sistema complesso: 1. Formulare domande di base sul comportamento del sistema, le risposte a cui vogliamo utilizzare il modello. 2. Da una pluralità di leggi che controllano il comportamento del sistema, coloro la cui influenza è essenziale durante la ricerca di risposte alle domande. 3. Oltre a queste leggi, se necessario, per un sistema come parti intera o individuali, è formulata una determinata ipotesi sul funzionamento. Il criterio di adeguatezza del modello è pratica. Difficoltà nel costruire un modello matematico di un sistema complesso: Se il modello contiene molte obbligazioni tra gli elementi, una varietà di limitazioni non lineari, un gran numero di parametri, ecc. I veri sistemi sono spesso soggetti all'influenza dei vari fattori casuali, il cui contabilità rappresenta analiticamente difficoltà molto grandi, spesso insormontabili con loro; La capacità di abbinare il modello e l'originale con questo approccio solo all'inizio. Queste difficoltà sono determinate dall'uso della modellazione di imitazione. È implementato al seguente passaggio: 1. Come prima, le domande principali sul comportamento di un sistema complesso sono formulate, le risposte a cui vogliamo ottenere. 2. La decomposizione del sistema viene eseguita su blocchi di parti più semplici. 3. Le leggi e l'ipotesi "plausibile" sono formulate riguardanti il \u200b\u200bcomportamento come un sistema come un intero e singole parti. 4. A seconda delle domande poste prima del ricercatore, viene introdotto il cosiddetto tempo di sistema che simula il tempo nel sistema reale. 5. Le proprietà fenomenologiche necessarie del sistema e le parti separate sono formalizzabili. 6. I parametri casuali che appaiono nel modello sono confrontati con alcune implementazioni che vengono salvate costanti per uno o più cicli di tempo di sistema. Successivamente vengono trovati nuove implementazioni. 2.
Modellazione di simulazione dei processi di riproduzione nell'industria del petrolio e del gas La fase moderna dello sviluppo dell'industria petrolifera e del gas è caratterizzata dalla complicazione dei collegamenti e dall'interazione di fattori naturali, economici, organizzativi, ambientali e di altro tipo di produzione, sia a livello di singole imprese che di aree petrolizie e di gas e nel livello di settore pubblico. Nell'industria petrolifera e del gas, la produzione si distingue per lunghi periodi, la produzione di produzione - il processo in tempo (ricerca ed esplorazione, sviluppo e accordo, produzione di petrolio, gas e condensa), la presenza di spostamenti in ritardo e ritardo, la dinamica Risorse utilizzate e altri fattori, i valori di molti dei quali sono indossati carattere probabilistico. I valori di questi fattori cambiano sistematicamente a causa della messa in servizio di nuovi depositi, nonché di non confermare i risultati attesi sullo sviluppo. Ciò costringe l'industria petrolifera e del gas per rivedere periodicamente i piani per la riproduzione delle risorse fisse e ridistribuire le risorse al fine di ottimizzare i risultati della produzione e delle attività economiche. Nel elaborare piani, un'assistenza sostanziale alle persone che prepara un progetto di decisione economica può fornire l'uso di metodi di modellazione matematica, compresa l'imitazione. L'essenza di questi metodi è la riproduzione multipla delle soluzioni programmate con l'analisi successiva e la scelta dei più razionali del sistema di criteri specificati. Utilizzando un modello di simulazione, è possibile creare un singolo schema strutturale che integra controlli funzionali (pianificazione strategica, tattica e operativa) per i principali processi industriali del settore (ricerche, esplorazione, sviluppo, mineraria, trasporti, trattamento petrolifero e gas). 3.
Metodo del Monte Carlo come un tiposimulazione di simulazione La data di nascita del metodo del Monte Carlo è considerata nel 1949, quando è apparso un articolo chiamato "il metodo del Monte Carlo". I creatori di questo metodo considerano i matematici americani J. Neuman e S. Ulama. Nell'URSS, i primi articoli sul metodo del Monte Carlo sono stati pubblicati nel 1955-1956. È curioso che la base teorica del metodo fosse nota per un lungo periodo. Inoltre, alcuni dei compiti delle statistiche sono stati calcolati a volte con l'aiuto di campioni casuali, I.e., infatti, di Monte Carlo. Tuttavia, prima dell'aspetto delle macchine informatiche elettroniche (computer), questo metodo non è riuscito a trovare alcun ampio uso, per simulare variabili casuali "manualmente - lavoro molto laborioso. Pertanto, l'emergere del metodo Monta-Carlo come metodo numerico molto universale era solo possibile a causa del computer aspetto. Il nome "Monte Carlo" proviene dalla città di Monte Carlo nel Principato di Monaco, famoso per la sua casa di gioco. L'idea del metodo è estremamente semplice ed è la seguente. Invece di descrivere il processo utilizzando un apparato analitico (equazioni differenziali o algebriche), un "pareggio" di un fenomeno casuale viene prodotto utilizzando una procedura appositamente organizzata, che include un incidente e fornisce un risultato casuale. In effetti, l'implementazione concreta del processo casuale si sta sviluppando ogni volta; Inoltre, a causa della modellizzazione statistica, ne otteniamo una nuova, diversa dall'altra implementazione del processo in studio. Cosa può darci? Di per sé, niente, proprio come, ad esempio, un caso di indurimento di un paziente con una medicina. Un'altra cosa, se ci sono molte tali implementazioni. Questo insieme di implementazioni può essere utilizzato come un determinato materiale statistico ottenuto artificialmente, che può essere elaborato da metodi convenzionali di statistiche matematiche. Dopo tale trattamento, si ottengono alcuna caratteristica di interesse: le probabilità di eventi, le aspettative matematiche e la dispersione di variabili casuali, ecc. Quando modellano fenomeni casuali di Monte Carlo, usiamo la maggior parte delle possibilità come dispositivo di studio, costringendolo " su di noi. " Spesso, tale ricezione è più semplice dei tentativi di costruire un modello analitico. Per operazioni complesse in cui sono coinvolti un gran numero di elementi (auto, persone, organizzazioni, prodotti di utilità), in cui i fattori casuali sono difficili da intrecciare, dove il processo è chiaramente nemarkovskpy, il metodo di modellazione statistica, di regola, è risulta essere più facile dell'analitico (e spesso accade l'unico possibile). In sostanza, qualsiasi compito probabilistico può essere risolto dal metodo del Monte Carlo, ma diventa giustificato solo quando la procedura di disegno è più semplice, e non più difficile del calcolo analitico. Facciamo un esempio quando il metodo del Monte Carlo è possibile, ma estremamente nerazen. Lasciare, ad esempio, per qualche scopo sono realizzati tre colpi indipendenti, di cui ciascuno cade nel bersaglio con una probabilità di 1/2. È necessario trovare la probabilità di almeno un colpo. Il calcolo elementare ci dà la probabilità di almeno un colpo uguale a 1 - (1/2) 3 \u003d 7/8. Lo stesso compito può essere risolto e "disegno", modellazione statistica. Invece dei "Three Shots", butteremo "Tre monete", considerando, diciamo, lo stemma - per aver colpito, la decisione - per "slittamento". Sta vivendo "successo", se almeno uno degli stemma è una delle monete. Produrremo molto, molti esperimenti, calcoliamo il numero totale di "buona fortuna" e divideremo il numero di normali produzioni. Quindi, otteniamo la frequenza dell'evento, ed è vicino alla probabilità con un gran numero di esperimenti. Quindi cosa? Applicare tale ricezione potrebbe una persona che non conosce nemmeno la teoria delle probabilità, tuttavia, in linea di principio, è possibile. Il metodo del Monte Carlo è un metodo numerico per risolvere i problemi matematici utilizzando la modellazione di variabili casuali. Considera un semplice esempio illustrante il metodo. ESEMPIO 1. Supponiamo di dover calcolare l'area della figura piatta S. Questa potrebbe essere una figura arbitraria con un limite curvilineo, specificato graficamente o analiticamente, collegato o costituito da diversi pezzi. Lascia che sia la figura mostrata in FIG. 1, e presumere che sia tutto situato all'interno di un singolo quadrato. Seleziona all'interno del quadrato N di punti casuali. Dentare da F Il numero di punti che si aggiungono all'interno di S. Geometricamente, ovviamente, l'area S è approssimativamente uguale al rapporto f / N. Maggiore N, maggiore è l'accuratezza di questa valutazione. Due caratteristiche del metodo Monte Carlo. La prima caratteristica del metodo è la semplice struttura dell'algoritmo computazionale. La seconda caratteristica del metodo è l'errore dei calcoli, di regola, è proporzionale a D / N2, dove D è un po 'permanente, n è il numero di test. Si può vedere che al fine di ridurre l'errore 10 volte (in altre parole, per ottenere un altro fedeli regime decimale in risposta), è necessario aumentare n (cioè, il volume del lavoro) è 100 volte. È chiaro che è impossibile ottenere un'elevata precisione. Pertanto, di solito si dice che il metodo del Monte Carlo sia particolarmente efficace nella risoluzione dei compiti in cui è necessario il risultato con una piccola precisione (5-10%). Il metodo di applicazione del metodo del Monte Carlo in teoria è abbastanza semplice. Per ottenere un campione casuale artificiale da una serie di quantità descritte da una funzione di distribuzione di probabilità, segue: 1. Costruisci un grafico o una tabella della funzione di distribuzione integrale in base a un numero di numeri che riflettono il processo in studio (e non basato su un numero di numeri casuali) e i valori del processo di variabile casuale sono depositati lungo l'Ascissa Asse (X) e i valori di probabilità (da 0 a 1) - sull'asse dell'ordinato (Y). 2. Con l'aiuto di un generatore di numeri casuali per scegliere un numero decimale casuale da 0 a 1 (con il numero richiesto di scarichi). 3. Tenere premuto l'orizzontale Diretto dal punto sull'asse ORDINTE corrispondente al numero casuale selezionato, fino all'incrocio con la curva di distribuzione della probabilità. 4. Abbassare da questo punto di intersezione perpendicolare all'asse Ascissa. b. Ripetere i passaggi 2-5 per tutte le variabili casuali richieste, seguendo l'ordine in cui sono stati registrati. Il significato generale è facile da capire con un semplice esempio: il numero di chiamate alla stazione telefonica per 1 minuto corrisponde alla seguente distribuzione: Numero di chiamate Probabilità Probabilità cumulativa circa 0,10 0,10 Supponiamo che vogliamo condurre un esperimento mentale per cinque periodi di tempo. Costruiamo un programma di distribuzione cumulativo di probabilità. Con l'aiuto di un generatore di numeri casuali, otteniamo cinque numeri, ognuno dei quali viene utilizzato per determinare il numero di chiamate in questo intervallo di tempo. Numero RANOM Numero casuale di chiamate Prendendo altri campioni tali, è possibile assicurarsi che se i numeri utilizzati siano realmente distribuiti in modo uniforme, ciascuno dei valori del valore in studio apparirà con la stessa frequenza del mondo surreale, e riceveremo risultati tipici del comportamento del sistema in studio. Torniamo ad esempio. Per calcolare, avevamo bisogno di scegliere punti casuali in un singolo quadrato. Come farlo fisicamente? Immagina un tale esperimento. Fig. 1. (Su una scala ingrandita) con la figura S e il quadrato appeso al muro come bersaglio. Lo sparatutto, che era a una certa distanza dal muro, spara n volte, mirando al centro della piazza. Naturalmente, tutti i proiettili non si sdraieranno esattamente al centro: stanno provando sull'obiettivo n di punti casuali. È possibile valutare S. Square su questi punti. È chiaro che con una freccia di alta qualità, il risultato dell'esperienza sarà pessima, poiché quasi tutti i proiettili cadranno vicino al centro e cadranno in S. Non è difficile capire che il nostro metodo di calcolo dell'area sarà valida solo quando i punti casuali non saranno semplici "casuali", e anche "uniformemente dispersi" in tutto il quadrato. Negli obiettivi delle operazioni delle operazioni, il metodo Monte Carlo è utilizzato in tre ruoli primari: 1) Durante la modellazione complessa, operazioni integrate, dove sono presenti molti fattori casuali interagenti; 2) quando si controlla l'applicabilità dei metodi più semplici, analitici e chiarire le condizioni della loro applicabilità; 3) Al fine di sviluppare emendamenti alle formule analitiche come "formule empiriche" dell'art. 4.
Esempio. Valutazione degli stock geologici Per stimare il valore delle riserve recuperabili, è necessario, prima di tutto, determinare la quantità di riserve totali o geologiche. Analisi delle trappole strutturali. Per stimare il contenuto nella trappola strutturale di petrolio e / o gas, geologi di ricerca e campo e geofisica dovrebbe esaminare la natura della trappola strutturale. Tale studio è necessario per determinare la possibile grandezza di scorte geologiche. La gamma di cambi di azioni è determinata dalla combinazione delle seguenti stime: il volume di rocce sedimentari (RV), porosità (f), saturazione dell'acqua perico (SW), potenza effettiva (NP) G. Definizione di valori dei parametri probabili. In questa fase, i geologi dovrebbero stimare il valore delle probabilità per i parametri utilizzati nel calcolo degli stock geologici. Ogni parametro è attribuito ai valori dell'intervallo delle probabilità, in base ai gradi esperti dei geologi Analisi dei grafici di probabilità. La grafica ha accumulato la probabilità. La curva continua è la probabilità che il valore del parametro in esame sarà "uguale o superiore" rispetto al valore nel punto dell'asse orizzontale, che interseca la linea verticale progettata dalla curva, con il perpendicolare all'asse verticale per qualsiasi valore da 0 a 100%. La curva è costruita secondo gli istogrammi, che sono mostrati come colonne ombreggiate. Gli istogrammi sono una valutazione esperta dei geologi di ricerca e campo e geofisici che forniscono informazioni nel seguente modulo: A nostro avviso, la probabilità che il volume dei depositi delle rocce sia compresa tra 0 e 390 mila piedi è del 10%; Secondo la nostra valutazione, la probabilità che il volume di razza sia da 380 a 550 cu. I piedi sono del 15% e così via. Queste stime dei geologi si accumulano e, di conseguenza, si ottiene una curva di probabilità generalizzata. Sulla base di questa curva, è possibile estrapolare i valori delle probabilità previste per i parametri studiati. Conteggio delle scorte geologiche. Il volume delle riserve geologiche è calcolato utilizzando la seguente formula: RVXFX (L-SW) x NPX - dove FV è il coefficiente di petrolio che porta a condizioni di superficie. Uso dei valori medi per ottenere una stima approssimativa di scorte geologiche. Durante la stima della quantità approssimativa dell'olio nel campo, utilizzeremo i seguenti valori dei parametri: Il volume medio del volume delle rocce è di 1,35 milioni di acrofiti (1 Acrofut \u003d 7760 barili o circa 1230 m3) Porosità media - 17% Saturazione media dell'acqua - 20% Potenza media efficiente - 75% Il coefficiente di portare - 1,02 (nelle condizioni del serbatoio non c'è gas gratuito). Ora sostituiremo questi valori nella formula (1.35 x 1 0) x (1 7%) x (1 - 20%) x (75%) x (, I.e.: 1350000x0,17x0.8x0.75x0.98) \u003d 134946 Acrofiti o 134946x7760 \u003d 1047413760, i.e circa 1,047 miliardi di barili di petrolio (165 milioni di m3, 141 milioni di tonnellate). Modo più comune: il metodo del Monte Carlo. Prima di tutto, è necessario costruire istogrammi e curve della probabilità accumulata per ciascun parametro. Per ciascuna di queste curve, è casuale scegliere un punto corrispondente alla probabilità da 0 a 100%. Successivamente, è necessario sostituire il valore del parametro corrispondente a questa probabilità nell'equazione. Quindi è possibile contare le riserve geologiche a questi valori dei parametri e calcolare la probabilità completa. Per esempio: Per una probabilità accumulata del 50%, abbiamo una probabilità del 25% che il volume delle rocce sarà 690000 acroletti Per una probabilità accumulata del 20%, abbiamo la probabilità del 35% che la porosità sarà del 21% Per una probabilità accumulata del 25%, abbiamo il 25% della probabilità che il contenuto idrico sia del 33% La probabilità accumulata dell'80% mostra la probabilità del 32% della probabilità che il potere efficace sarà del 74%. Il coefficiente di portare a condizioni di petrolio alle superfici è uguale a 1,02. Usando questi valori, calcoliamo le riserve geologiche: (0.69 x 1 0) x (2 1%) x (l - 33%) x (74%) x ---- Decidere, otteniamo approssimativamente: 521 milioni di barili di petrolio (82 milioni di m3, 70 milioni di tonnellate). Il risultato di questo calcolo è significativamente inferiore a quando si utilizzano valori medi dei parametri. Dobbiamo conoscere la probabilità di questo risultato. Per determinare la probabilità che le riserve geologiche saranno 521 milioni di barili di petrolio, calcoliamo la piena probabilità: 0,25 x 0,35 x 0.20 x 0,35 x 1.0 \u003d 0.006125, I.e. La probabilità è dello 0,6125% - non molto buono! Questa procedura viene ripetuta più volte, per la quale abbiamo utilizzato il programma elaborato per il computer. Questo ci dà una ragionevole distribuzione probabilistica delle riserve geologiche. A seguito dell'esecuzione del programma, è stato previsto il volume delle riserve geologiche dell'olio: il volume dell'olio è più probabile che sia 84658 acuiti o circa 88,5 milioni di tonnellate. Utilizzare la distribuzione della probabilità accumulata. Al passo successivo, utilizzando il programma, è necessario selezionare diverse stime con le loro probabilità. Per ciascuno di questi valori, le dinamiche di produzione, vengono calcolate varianti di progetto di sviluppo. Questi calcoli possono quindi essere utilizzati per valutare i costi operativi del capitale per ciascun valore di stock selezionato dal programma. Quindi gli indicatori economici vengono quindi analizzati per ciascun valore di stock. Dopo un po 'di tempo, e dopo aver praticato alcuni pozzi, il coefficiente di successo è calcolato dalla formula. Rapporto successo \u003d numero di pozzi vasche. Olio \\ numero di traffico. Bene Durante il periodo per diversi anni, viene elaborato un grafico di probabilità di successo. Ad esempio, per l'area condizionale, il programma del coefficiente di successo è compilato dopo i nove anni di funzionamento. Attraverso i valori appropriati del successo sono linee condizionali, allora una busta della curva viene eseguita attraverso i loro centri. I punti estremi di queste linee corrispondono al livello massimo di successo, e la curva centrale corrisponde al livello più probabile del raggiungimento del successo dei valori di probabilità è determinato sulla base di giudizi soggettivi dei geologi commerciali. Allo stesso modo, è determinato il livello delle scorte. Con l'aiuto del tasso di successo e delle riserve medie per pozzetto, la probabilità di raggiungere un certo livello di scorte necessarie per compilare il programma di perforazione e determinare il numero di pozzi ben richiesti è stimato. Conclusione Il principale svantaggio dei modelli analitici è che richiedono inevitabilmente eventuali supposizioni, in particolare, sulla "Bravement" del processo. L'accettabilità di queste ipotesi potrebbe non essere sempre stimata senza calcoli di controllo, ma sono prodotti da Monte Carlo. Figurativamente parlando, il metodo del Monte Carlo nei compiti della ricerca delle operazioni svolge il ruolo di una specie di ricevuta. I modelli statistici non richiedono gravi assunzioni e semplificazioni. In linea di principio, nel modello statistico "sale" qualsiasi cosa - qualsiasi leggi di distribuzione, qualsiasi complessità del sistema, la pluralità dei suoi stati. La principale mancanza di modelli statistici è la loro voluminosa e complessità. Un numero enorme di implementazioni necessarie per trovare i parametri desiderati con un'accuratezza accettabile richiede molto tempo macchina. Inoltre, i risultati della modellizzazione statistica sono molto più difficili da comprendere rispetto ai calcoli sui modelli analitici e, di conseguenza, è più difficile ottimizzare la soluzione (è necessario "impugnare" ciecamente). La corretta combinazione di metodi analitici e statistici nello studio delle operazioni è il caso dell'arte, della debolezza ed esperienza del ricercatore. Spesso con metodi analitici riusciamo a descrivere alcuni "sottosistemi", assegnati in un grande sistema, e poi da tali modelli come da "mattoni", costruire un grande edificio modello complesso. Bibliografia 1. Ventcel E.S. "Studio delle operazioni", Mosca "Radio sovietico" 1972 2. SABLE I.M. "Metodo Monte Carlo", Mosca "Science", 1985 3. "Metodi economici e matematici e modelli applicati", ed. FEDOSEEVA V.V., MOSCA "UNITI" 2001 Il concetto di imitazione modellazione, l'uso di esso nell'economia. Fasi del processo di costruzione di un modello matematico di un sistema complesso, i criteri per la sua adeguatezza. Modellazione discreta-evento. Metodo Monte Carlo è un tipo di simulazione. esame, aggiunto 23/12/2013 Modello statistico del processo casuale. Metodo numerico Monte Carlo. Tipi di imitazione, I suoi vantaggi e opportunità. Modello semplice imitazione del sistema di elaborazione dei documenti. Utilizzare per simulare il linguaggio SIMAN. I suoi principali blocchi di modellazione. presentazione, aggiunto 22.10.2014 Calcolo dell'effetto economico del lavoro della Banca. Simulazione basata su dipendenze preinstallate. La funzione di distribuzione della legge esponenziale. Regolazione del tempo del servizio clienti a Cass e Turn Promotion. esame, aggiunto 03.10.2008 Calcolo dell'effetto economico del lavoro della Banca. Modellazione di simulazione algoritmo della sala patrimoniale. La funzione di distribuzione della legge esponenziale. Regolazione del tempo del servizio clienti a Cass e Turn Promotion. Programmi di quotazione. esame, aggiunto 03.10.2008 Modellazione di simulazione come metodo per analizzare i sistemi economici. Esame pre-progetto della società di stampa. Lo studio del sistema specificato utilizzando il modello di processo di Markov. Calcolo del tempo di servizio di una domanda. lavoro del corso, aggiunto il 23/10/2010 Efficienza degli investimenti dei capitali. Metodi statistici per valutare la fattibilità degli investimenti con rischio. Analisi della sensibilità, scenari. Stabilire valori nominali e limite di fattori incerti. Modellazione di simulazione Monte Carlo. esame, aggiunto 10.27.2008 Il concetto di variabile casuale distribuita uniformemente. Metodo di congruente moltiplicativo. Modellazione di variabili casuali continue e distribuzioni discrete. L'algoritmo per la modellazione dell'imitazione delle relazioni economiche tra il prestatore e il mutuatario. corsi di lavoro, aggiunto 01/03/2011 Panoramica dei metodi per risolvere il problema. Calcolo del numero di clienti, ricavi, dimensioni medi della coda e il numero di guasti per il periodo di modellazione. Algoritmo per la modellazione del processo, sviluppando la sua implementazione del software. Esperimento della macchina con un modello sviluppato. corsi, Aggiunto il 15/01/2011 Descrizione della modellazione del computer. Vantaggi, fasi e approcci alla costruzione della modellazione di imitazione. Contenuto del concetto di base per la struttura del linguaggio della modellazione GPSS. Il metodo di valutazione e revisione dei piani (Pert). Modellazione nel sistema GPSS. corso Lavoro, Aggiunto il 03/03/2011 Metodo di modellazione di simulazione nello sviluppo di modelli economici e matematici per tenere conto dell'incertezza delle statistiche aziendali. Il funzionamento del modello di simulazione della fabbricazione di una sedia di piccole dimensioni: coefficienti di avvio del tempo e delle apparecchiature di funzionamento. La modellazione di simulazione è un metodo che consente di costruire modelli che descrivono i processi in quanto effettivamente. Questo modello può "perdere" in tempo sia per il test che per il set specificato. In questo caso, i risultati saranno determinati dalla natura casuale dei processi. Secondo questi dati, è possibile ottenere statistiche sufficientemente stabili. La rilevanza di questo argomento è che la modellazione di imitazione sulle macchine di calcolo digitale è uno dei più potenti strumenti di ricerca, in particolare i complessi sistemi dinamici. Come qualsiasi simulazione del computer, consente di eseguire esperimenti computazionali con sistemi e sistemi di studio appena progettati, gli esperimenti sul campo con cui, a causa dei motivi di sicurezza o dei costi elevati, non sono appropriati. Allo stesso tempo, grazie alla sua vicinanza nella forma della modellazione fisica, questo metodo di studio è disponibile per una gamma più ampia di utenti. La modellazione di simulazione è un metodo di ricerca in cui il sistema ha studiato viene sostituito da un modello con una precisione sufficiente che descrive il sistema reale e gli esperimenti vengono eseguiti con esso per ottenere informazioni su questo sistema. Gli obiettivi della condotta di tali esperimenti possono essere i più diversi - dall'identificazione delle proprietà e dei modelli del sistema in studio, prima di risolvere compiti pratici specifici. Con lo sviluppo di apparecchiature e software di elaborazione, lo spettro dell'applicazione dell'imitazione nel campo dell'economia si è ampliata in modo significativo. Attualmente è utilizzato sia per risolvere i problemi di gestione intraFirny e per la gestione della modellazione a livello macroeconomico. Considera i principali vantaggi dell'utilizzo della modellazione di imitazione nel processo di risoluzione dei problemi di analisi finanziaria. Nel processo di simulazione della modellazione, il ricercatore riguarda quattro elementi principali: Sistema reale; Modello logico-matematico dell'oggetto simulato; Modello di simulazione (macchina); Un computer su cui viene eseguita l'imitazione è un esperimento di elaborazione diretto. Per descrivere le dinamiche dei processi simulati nella modellazione di imitazione, viene implementata un'attività del tempo del modello. Questi meccanismi sono incorporati nei programmi di controllo di qualsiasi sistema di modellazione. Se il comportamento di un componente di sistema è stato simulato sul computer, l'implementazione delle azioni nel modello di simulazione potrebbe essere effettuata in sequenza, ricalcolare la coordinata temporale. Per simulare eventi paralleli del sistema reale, alcune variabili globali (fornendo la sincronizzazione di tutti gli eventi nel sistema) T0, che è chiamato tempo modello (o sistemico). Ci sono due modi principali per cambiare T0: Passo dopo passo (intervalli di modifiche fissi tempo di modello); Simili (si applicano intervalli di modifiche variabili tempo di modello, mentre il passaggio è misurato per intervallo prima del prossimo evento). Nel caso di un metodo passo-passo, la promozione del tempo avviene con il minimo passo costante possibile del passo (principio T). Questi algoritmi non sono molto efficaci dal punto di vista dell'uso del tempo della macchina per implementarli. Un metodo equo (il principio di "stati speciali"). In esso, le coordinate del tempo cambiano solo quando lo stato del sistema cambia. Nel tempo dei metodi, la lunghezza del passaggio temporaneo del turno è il massimo possibile. Il tempo del modello dal momento attuale cambia al momento più vicino del prossimo evento. L'uso di un metodo preferibile è preferibile se l'incidenza degli eventi è piccola, quindi una lunghezza di grande passo accelera il corso del tempo del modello. Quando si risolvono molti compiti di analisi finanziaria, vengono utilizzati modelli contenenti variabili casuali, il cui comportamento non è suscettibile di gestire i responsabili delle decisioni. Tali modelli sono chiamati stocastici. L'uso di imitazione consente di trarre conclusioni sui possibili risultati in base alle distribuzioni probabilistiche di fattori casuali (valori). L'imitazione stocastica è spesso chiamata Monte Carlo. Di tutto quanto sopra, si può concludere che la modellazione di simulazione consente di tenere conto del numero massimo possibile di fattori ambientali esterni per sostenere l'adozione di decisioni di gestione ed è il mezzo più potente per analizzare i rischi di investimento. La necessità che il suo utilizzo nella pratica finanziaria nazionale è dovuta alle peculiarità del mercato russo caratterizzato dalla soggettivismo, alla dipendenza da fattori non economici e un alto grado di incertezza. I risultati della simulazione possono essere integrati da un'analisi probabilistica e statistica e nel suo complesso fornire il gestore con le informazioni più complete sul grado di influenza dei fattori chiave per i risultati attesi e gli eventuali scenari per lo sviluppo di eventi. I processi diventano un metodo che consente di progettare campioni che descrivono i processi in modo tale da se fossero effettivamente funzionanti. Applicandoli, è possibile ottenere statistiche stabili e affidabili. Sulla base di questi dati, è possibile scegliere il percorso ottimale dello sviluppo dell'organizzazione. Il metodo di simulazione è un metodo di ricerca in cui un sistema specifico sarà sostituito da quello che ha sufficiente accuratezza nella descrizione della vera. Deve essere effettuato esperimenti per ottenere informazioni affidabili. Tale procedura consentirà di comprendere l'essenza del fenomeno senza ricorrere in questo caso ai reali cambiamenti nell'oggetto al momento. La simulazione dei processi aziendali è un caso speciale di modellazione matematica. Il fatto è che c'è una classe di oggetti per i quali i modelli analitici non sono stati sviluppati per vari motivi. O non c'è sistema per l'uso di una soluzione innovativa. In tali casi viene utilizzata la modellazione di imitazione dei processi economici. È ricorso ad esso quando: I processi di simulazione hanno diversi tipi. Considerali in modo più dettagliato. La modellazione di allarme è una direzione innovativa ampiamente utilizzata per esplorare sistemi decentralizzati. Le dinamiche del loro funzionamento sono determinate non tanto da leggi e regolamenti globali, ma, al contrario, questi principi diventano il risultato dell'attività individuale dei membri di questo gruppo. Pertanto, in questo caso, lo scopo e gli obiettivi dei modelli sono di ottenere sottoscrizioni su questi principi fondamentali, comportamento del sistema selezionato. Ma sarà necessario procedere dalle ipotesi sull'individuo comportamento privato dei suoi singoli oggetti, nonché le relazioni nei sistemi. L'agente diventa un'essenza speciale che ha attività e autonomia nel comportamento, è in grado di accettare e applicare soluzioni in conformità con una serie di regole specifiche, interagire con l'ambiente circostante e anche cambiarsi autonomamente. La modellazione discreta-evento è un approccio alla modellazione, che offre all'astrazione dagli eventi disponibili, considerando un numero di eventi di base nel sistema. Stiamo parlando di "Aspettando", "Elaborazione degli ordini", "Movimento con carico", "Scarico" e così via. Tale modellazione è molto sviluppata e ha un'enorme sfera dell'applicazione, dalla logistica, nonché ai sistemi di servizio ai sistemi di produzione e trasporto. In generale, il metodo può idealmente entrare in qualsiasi situazione; J. Gordon fu fondata in mezzo al XX secolo. La dinamica del sistema è una modellazione di simulazione dei processi economici quando la grafica, i grafici, i calcoli saranno costruiti per l'oggetto che viene studiato, riflettendo i motivi e le influenze globali di alcuni criteri per gli altri in un certo periodo di tempo. Successivamente, il sistema creato su di loro è imitato sul computer. A causa di ciò, c'è una vera opportunità per realizzare l'essenza di ciò che sta accadendo e identificare le connessioni esistenti delle cause e delle indagini tra fenomeni e oggetti. La dinamica del sistema aiuta a costruire modelli per lo sviluppo di città, processi aziendali, sistemi di produzione, ecologia, popolazione, epidemie e così via. Progetto del corso Secondo il soggetto: "Modellazione dei processi industriali ed economici" Sull'argomento: "Modellazione di simulazione dei processi economici" introduzione I. I principali concetti della teoria della modellazione di sistemi e processi economici 1 Il concetto di modellazione 1.2 Concetto di modello II. I principali concetti della teoria della modellazione di sistemi e processi economici 2.1 Controllo e sviluppo di sistemi economici 2 componenti del modello di simulazione III. Fondamenti di simulazione 3.1 Modello di imitazione e le sue caratteristiche 2 Essenza della simulazione IV. Parte pratica 1 Dichiarazione del problema 2 Soluzione del compito Conclusione Elenco di letteratura usata applicazione introduzione La simulazione, la programmazione lineare e l'analisi di regressione sulla gamma e la frequenza d'uso hanno lungo occupato i primi tre punti tra tutti i metodi per la ricerca delle operazioni nell'economia. Quando si simula la simulazione, l'algoritmo implementa il modello riproduce il processo di funzionamento del sistema in tempo e spazio, e i componenti del processo di fenomeni elementari sono simulati mantenendo la sua struttura temporale logica. Attualmente, la simulazione è diventata una soluzione abbastanza efficace per risolvere compiti complessi di automazione di ricerca, esperimenti, design. Ma per padroneggiare la simulazione come strumento di lavoro, le sue ampie opportunità e sviluppano la metodologia di modellazione solo con il pieno master delle tecniche e della tecnologia della soluzione pratica dei problemi di modellazione del funzionamento dei sistemi sul computer. Questo obiettivo sta perseguendo anche questo workshop, che si concentra su metodi, principi e principali fasi della modellazione nel quadro della metodologia di modellazione generale, e considera anche la modellazione di opzioni di sistema specifiche e le competenze dell'utilizzo della tecnologia di modellazione con l'implementazione pratica dei modelli di funzionamento del sistema . I problemi dei sistemi di manutenzione di massa sono considerati, su cui sono basati i modelli di imitazione di sistemi economici, informativi, tecnologici, tecnici e altri sistemi. I metodi della modellazione probabilistica dei valori continui discreti e casuali sono presentati, il che consentono di considerare quando si modellano i sistemi economici, le influenze casuali sul sistema. I requisiti fatti dalla società moderna a uno specialista nel campo dell'economia stanno crescendo costantemente. Attualmente, le attività di successo non sono possibili in quasi tutte le sfere dell'economia senza modellare il comportamento e la dinamica dello sviluppo dei processi, studiando le caratteristiche dello sviluppo di oggetti economici, considerazione del loro funzionamento in varie condizioni. Software e mezzi tecnici dovrebbero essere qui i primi assistenti. Invece di imparare dai loro errori o dagli errori di altre persone, è consigliabile risolvere e controllare la cognizione della realtà reale con i risultati ottenuti su modelli di computer. La modellazione di simulazione è la più visiva, utilizzata nella pratica per la simulazione del computer delle situazioni consente le opzioni per ottenere le soluzioni più efficaci ai problemi. La simulazione consente di studiare il sistema analizzato o proiettato secondo lo schema di studio operativo, che contiene passaggi interconnessi: · Sviluppo di un modello concettuale; · Attuazione dello sviluppo e del software del modello di simulazione; · Controllo della correttezza, autenticità del modello e della valutazione dell'accuratezza dei risultati della modellazione; · Pianificazione e conduzione di esperimenti; · prendere decisioni. Ciò consente di utilizzare la modellazione di imitazione come approccio universale per prendere decisioni in condizioni di incertezza, tenendo conto dei modelli difficili per i fattori formalizzabili, nonché applicare i principi di base di un approccio sistematico per risolvere problemi pratici. L'introduzione diffusa di questo metodo nella pratica impedisce la necessità di creare implementazioni software di modelli di simulazione che ricreano nel modello temporale della dinamica del funzionamento del sistema simulato. A differenza dei metodi di programmazione tradizionali, lo sviluppo di un modello di simulazione richiede la ristrutturazione dei principi del pensiero. Non c'è da stupirsi I principi basati sulla modellazione di imitazione, ha dato impeto allo sviluppo della programmazione dell'oggetto. Pertanto, gli sforzi degli sviluppatori di software di imitazione sono finalizzati a semplificare le implementazioni del programma dei modelli di simulazione: lingue specializzate e sistemi sono creati per questi scopi. I programmi di imitazione del software nel loro sviluppo sono cambiati su diverse generazioni, iniziando da lingue di modellazione e mezzi per automatizzare i modelli per generare programmi, sistemi interattivi e intelligenti, sistemi di modellazione distribuiti. Lo scopo principale di tutti questi fondi è ridurre la complessità della creazione di implementazioni software di modelli di imitazione e sperimentazione con i modelli. Una delle prime lingue di modellazione che facilitano il processo di scrittura dei programmi di simulazione è stata la lingua GPSS creata sotto forma del prodotto finale di Jeffrey Gordon in IBM nel 1962. Attualmente ci sono traduttori per sistemi operativi DOS - GPSS / PC, per OS / 2 e DOS - GPSS / H e per Windows - GPSS World. Lo studio di questa lingua e la creazione di modelli consentono di comprendere i principi di sviluppo dei programmi di simulazione e imparare a lavorare con modelli di simulazione. (Sistema di simulazione generale per scopi: un sistema di modellazione generico) è un linguaggio di modellazione utilizzato Per creare modelli di simulazione discreti eventi e condurre esperimenti utilizzando un personal computer. Il sistema GPSS è una lingua e un traduttore. Come ogni lingua, contiene un dizionario e grammatica con cui possono essere sviluppati modelli di sistemi di un determinato tipo. I. I principali concetti della teoria della modellazione di sistemi e processi economici 1.1 concetto di modellazione Sotto la modellazione è intesa come il processo di costruzione, studiare e utilizzare modelli. È strettamente correlato a tali categorie come astrazione, analogia, ipotesi, ecc. Il processo di simulazione include necessariamente la costruzione di astrazioni e conclusioni per analogia, e la progettazione di ipotesi scientifiche. La caratteristica principale della modellazione è che è un metodo di conoscenza mediata con l'aiuto di oggetti vice. Il modello agisce come uno strumento peculiare di conoscenza che il ricercatore si ritrova e all'oggetto e con il quale sta esplorando l'oggetto di interesse. Qualsiasi sistema socio-economico è un sistema complesso in cui le decine e centinaia di processi economici, tecnici e sociali stanno interagendo che cambiano costantemente sotto l'influenza di condizioni esterne, compresi i progressi scientifici e tecnologici. In tali condizioni, la gestione dei sistemi socio-economici e di produzione viene trasformata in un compito complesso che richiede mezzi speciali e metodi. La modellazione è uno dei principali metodi di cognizione, è una forma di riflessione della realtà ed è quello di chiarire o riprodurre determinate proprietà di oggetti reali, oggetti e fenomeni utilizzando altri oggetti, processi, fenomeni o utilizzando una descrizione astratta come immagine, piano , carte, combustione di equazioni, algoritmi e programmi. Nel senso generale, sotto il modello, una descrizione logica (verbale) o matematica dei componenti e delle funzioni che visualizza le proprietà essenziali dell'oggetto o del processo simulato sono solitamente considerate come sistemi o elementi del sistema da un determinato punto di Visualizza. Il modello viene utilizzato come immagine condizionale progettata per semplificare lo studio dell'oggetto. In linea di principio, non solo matematico (iconico), ma anche i modelli materiali sono applicabili nell'economia, ma i modelli materiali hanno solo un valore dimostrativo. Ci sono due punti di vista sulla creatura della modellazione: Questo è uno studio di oggetti di conoscenza sui modelli; Questa è la costruzione e lo studio dei modelli di oggetti e fenomeni effettivamente esistenti, nonché gli oggetti stimati (progettati). Le possibilità di modellazione, cioè il trasferimento dei risultati ottenuti durante la costruzione e lo studio del modello, l'originale si basa sul fatto che viene visualizzato il modello in un certo senso (riproduce, simula, descrive, mimiche) alcuni dei ricercatori della funzione dell'oggetto. La modellazione come forma di riflessione della realtà è diffusa, e una classificazione abbastanza completa di possibili tipi di modellazione è estremamente difficile, almeno a causa della significatività del concetto di "modello", ampiamente utilizzato non solo nella scienza e nella tecnologia, ma anche nell'arte, e nella vita di tutti i giorni. La parola "modello" si è verificata dalla parola latina "Modulo", significa "misura", "campione". La sua iniziale importanza è stata associata all'arte di costruzione, e in quasi tutte le lingue europee, era usato per designare un'immagine o un prerequisito, o cose simili a quelle con un'altra cosa. Tra i sistemi socio-economici, è consigliabile allocare il sistema di produzione (PS), che, a differenza dei sistemi di altre classi, contiene come un elemento importante di una persona consapevolmente esistente che svolga le funzioni di gestione (processo decisionale e il loro controllo). Conformemente a questo, varie divisioni di imprese possono essere considerate come PS, imprese stesse, aziende, organizzazioni di ricerca e progettazione, associazioni, industrie e, in alcuni casi, l'economia nazionale nel suo complesso. La natura della somiglianza tra oggetto e modello simulata si distingue: Fisico: l'oggetto e il modello hanno la stessa natura fisica o simile; La somiglianza strutturale tra la struttura dell'oggetto e la struttura della struttura è osservata; FUNZIONALE - Oggetto e modello eseguono funzioni simili ad effetto appropriato; Dinamica - c'è una corrispondenza tra gli stati che cambiano sequenzialmente dell'oggetto e del modello; Probabilistico - c'è una corrispondenza tra processi probabilistici nell'oggetto e modello; Geometrico - C'è una corrispondenza tra le caratteristiche spaziali dell'oggetto e il modello. La modellazione è uno dei modi più comuni per studiare processi e fenomeni. La modellazione si basa sul principio di analogia e ci consente di studiare l'oggetto in determinate condizioni e, tenendo conto dell'inevitabile punto di vista unilaterale. L'oggetto è difficile accessibile allo studio, non è direttamente studiato, ma attraverso la considerazione di un altro, simile ad esso e più conveniente - modello. Secondo le proprietà del modello, di solito è possibile giudicare le proprietà dell'oggetto studiato. Ma non su tutte le proprietà, ma solo a quelle simili nel modello, e nell'oggetto e allo stesso tempo sono importanti per la ricerca. Tali proprietà sono chiamate essenziali. C'è qualche necessità di modellazione matematica dell'economia? Per assicurarsi che questo sia sufficiente per rispondere alla domanda: è possibile eseguire un progetto tecnico senza avere un piano d'azione, cioè i disegni? La stessa situazione si svolge nell'economia. È necessario dimostrare la necessità di utilizzare modelli economici e matematici per la gestione delle decisioni di gestione nel campo dell'economia? Il modello economico e matematico risulta essere il principale mezzo di ricerca sperimentale dell'economia, poiché. Ha le seguenti proprietà: Imita il vero processo economico (o comportamento oggetto); Ha un costo relativamente basso; Può essere usato ripetutamente; Tiene conto di varie condizioni del funzionamento dell'oggetto. Il modello può e dovrebbe riflettere la struttura interna dell'oggetto economico dai punti di vista specificati (definiti), e se non è noto, solo il suo comportamento, usando il principio della "scatola nera". In linea di principio, qualsiasi modello può essere formulato in tre modi: Come risultato dell'osservazione diretta e dello studio dei fenomeni della realtà (metodo fenomenologico); Esaurimento da un modello più generale (metodo deduttivo); Generalizza più modelli privati \u200b\u200b(metodo induttivo, cioè proof per induzione). I modelli, infiniti nella loro varietà, possono essere classificati in base a varie funzionalità. Prima di tutto, tutti i modelli possono essere suddivisi in fisico e descrittivo. E con quelli e con gli altri che ci occupiamo costantemente. In particolare, il descrittivo include modelli in cui l'oggetto simulato è descritto da parole, disegni, dipendenze matematiche, ecc. A tali modelli possono essere attribuiti alla letteratura, alle arti visive, alla musica. I modelli economici e matematici sono ampiamente utilizzati nella gestione dei processi economici. Nella letteratura non vi è alcuna definizione ben consolidata di un modello economico e matematico. Prendere la seguente definizione come base. Il modello economico e matematico è una descrizione matematica del processo economico o di un oggetto effettuato per studiare o gestirli: il record matematico del problema economico risolto (quindi spesso i termini attività e il modello sono utilizzati come sinonimi). I modelli possono anche essere classificati per altre caratteristiche: I modelli descritti dal momento dello stato dell'economia sono chiamati statici. I modelli che mostrano lo sviluppo dell'oggetto di modellazione sono chiamati dinamici. I modelli che possono essere costruiti non solo nelle formule di formula (rappresentazione analitica), ma anche sotto forma di esempi numerici (rappresentazione numerica), sotto forma di tabelle (rappresentazione a matrice), sotto forma di una rappresentazione speciale della rete di grafici ). 2 modello di concetto Attualmente, è impossibile chiamare l'area dell'attività umana in cui i metodi di osservazione sarebbero utilizzati in un grado o nell'altro. Nel frattempo, la definizione generalmente riconosciuta del concetto del modello non esiste. A nostro avviso, la seguente definizione merita le preferenze: il modello è un oggetto di qualsiasi natura creata dal ricercatore al fine di ottenere nuove conoscenze sull'oggetto originale e riflette solo significative (dal punto di vista dello sviluppatore) le proprietà dell'originale. Analizzando il contenuto di questa definizione, è possibile tracciare le seguenti conclusioni: ) Qualsiasi modello è soggettivo, porta il sigillo dell'individualità del ricercatore; ) Qualsiasi modello di omomorfo, cioè Riflette non tutti, ma solo le proprietà essenziali dell'oggetto originale; ) L'esistenza di una varietà di modelli della stessa originalità originale, che differisce negli obiettivi dello studio e del grado di adeguatezza è possibile. Il modello è considerato un oggetto adeguato dell'originale, se è un grado sufficiente di approssimazione a livello di comprensione del processo simulato dal ricercatore riflette i modelli del processo di funzionamento del sistema reale nell'ambiente esterno. I modelli matematici possono essere suddivisi in analitici, algoritmici (imitazione) e combinati. Per la modellazione analitica, è caratteristico che i sistemi di equazioni algebraici, differenziali, integrali o finiti siano utilizzati per descrivere il funzionamento del sistema. Il modello analitico può essere studiato dai seguenti metodi: a) analitico quando tendono ad ottenere dipendenze esplicite in generale per le caratteristiche desiderate; b) numerico quando, senza sapere come risolvere le equazioni in forma generale, cercano di ottenere risultati numerici con specifici dati iniziali; c) Qualitativo, quando, senza risolvere una forma chiara, è possibile trovare alcune proprietà della soluzione (ad esempio, per valutare la sostenibilità della soluzione). Nella modellazione algoritmica (simulazione), viene descritto il processo di funzionamento del sistema nel tempo, e i componenti dei fenomeni elementari del processo sono simulati, mantenendo la loro struttura logica e il flusso del flusso. I modelli di imitazione possono anche essere deterministici e statistici. L'obiettivo generale della modellazione nel processo decisionale è stato formulato in precedenza - questa definizione (calcolo) dei valori dell'indicatore prestazioni selezionato per varie strategie per l'operazione (o forme di realizzazione del sistema proiettato). Quando si sviluppa un modello specifico, lo scopo della modellazione deve essere raffinato in base al criterio di efficienza utilizzato. Pertanto, lo scopo della modellazione è definito come lo scopo dell'operazione in base allo studio e al metodo pianificato di utilizzare i risultati dello studio. Ad esempio, una situazione problematica che richiede il processo decisionale è formulato come segue: per trovare un'opzione per creare una rete di elaborazione che avrebbe un costo minimo quando si conforme ai requisiti di prestazioni e affidabilità. In questo caso, lo scopo della modellazione è trovare i parametri di rete che forniscono un valore PE minimo, il che è il ruolo del costo. L'attività può essere formulata in modo diverso: da diverse opzioni per la configurazione della rete di calcolo, selezionare il più affidabile. Qui, uno degli indicatori di affidabilità è selezionato come PE (il funzionamento medio per il fallimento, la probabilità di funzionamento senza problemi, ecc.), E lo scopo della simulazione è una valutazione comparativa delle opzioni di rete per questo indicatore. Gli esempi degli esempi consentono che la scelta di un indicatore di efficienza stesso non definisca ancora la "architettura" del modello futuro, poiché in questa fase il suo concetto non è formulato, o, come si suol dire, il modello concettuale del sistema sotto lo studio non è definito. II. I principali concetti della teoria della modellazione di sistemi e processi economici 2.1 Controllo e sviluppo di sistemi economici La modellazione di simulazione è il metodo di ricerca più potente e universale e la valutazione dell'efficienza del sistema, il cui comportamento dipende dagli effetti dei fattori casuali. Tali sistemi includono un aeromobile e una popolazione di animali e un'impresa che opera nelle condizioni delle relazioni di mercato normative. L'imitazione modellante si basa su un esperimento statistico (metodo del Monte Carlo), l'implementazione di cui è quasi impossibile senza l'uso di apparecchiature di calcolo. Pertanto, qualsiasi modello di simulazione è in definitiva un prodotto software più o meno complesso. Naturalmente, come qualsiasi altro programma, un modello di simulazione può essere sviluppato su qualsiasi linguaggio di programmazione universale, anche nella lingua dell assemblatore. Tuttavia, in questo caso, sorgono i seguenti problemi in questo caso: La conoscenza richiede non solo l'area tematica a cui si riferisce il sistema in studio, ma anche il linguaggio di programmazione, e ad un livello piuttosto alto; Sviluppare procedure specifiche per garantire un esperimento statistico (generazione di impatti accidentali, la pianificazione dell'esperimento, il trattamento dei risultati) può richiedere tempo e forze almeno che sviluppare il modello di sistema stesso. E infine, un altro forse il problema più importante. In molti compiti pratici, l'interesse non è solo (e non così tanto) una valutazione quantitativa dell'efficienza del sistema, quanto comportamento in un modo o nell'altro. Per tale osservazione, il ricercatore deve avere le "Windows di visualizzazione" pertinenti, che potrebbero essere chiuse se necessario, trasferire in un altro luogo, per modificare la scala e la forma di rappresentazione delle caratteristiche osservate, ecc., E senza aspettare la fine dell'attuale esperimento del modello. Il modello di simulazione in questo caso agisce come fonte di risposta alla domanda: "Cosa succederà se ...". L'attuazione di tali opportunità su un linguaggio di programmazione universale è molto difficile. Attualmente ci saranno un sacco di prodotti software che consentono i processi di modellazione. Tali pacchetti includono: pellegrino, GPSS, simplex e un numero di altri. Allo stesso tempo, al momento, c'è un prodotto sul mercato russo della tecnologia informatica che consente di risolvere in modo molto efficace i problemi specificati, il pacchetto di Matlail contenente lo strumento di modellazione visiva simulink. Simulink è uno strumento che ti consente di simulare rapidamente il sistema e ottenere gli effetti attesi e confrontarli con i costi del loro risultato. Ci sono molti diversi tipi di modelli: fisico, analogico, intuitivo, ecc. Posto speciale tra cui occupare modelli matematici, che, secondo l'Accademico A.A. Samara, "sono la più grande distorsione della rivoluzione scientifica del XX secolo". I modelli matematici sono suddivisi in due gruppi: analitici e algo-ritmici (che a volte sono chiamati simulazione). Attualmente, è impossibile nominare l'area dell'attività umana in cui i metodi di modellazione sarebbero utilizzati in una determinata misura. Non costituisce eccezioni e attività economiche. Tuttavia, nel campo della modellazione dell'imitazione dei processi economici, sono ancora osservate alcune difficoltà. A nostro avviso, questa circostanza è spiegata dai seguenti motivi. I processi economici si verificano in gran parte spontaneamente, incontrollabili. Sono scarsamente suscettibili di tentativi di volitation governativi da leader politici, pubblici ed economici delle industrie individuali e dell'economia del paese nel suo complesso. Per questo motivo, i sistemi economici stanno imparando male e formalizzati. Gli specialisti nel campo dell'economia, di norma, hanno una formazione matematica insufficiente in generale e su questioni di modellazione matematica in particolare. La maggior parte di loro non sa come descrivere formalmente (formalizzare) i processi economici osservati. Questo, a sua volta, non ti consente di stabilire se il modello matematico del sistema economico in esame è adeguato. Specialisti nel campo della modellazione matematica, senza avere una descrizione formalizzata del processo economico a loro disposizione, non può creare un modello matematico adeguato. I modelli matematici esistenti che sono consueti per chiamare i modelli di sistemi economici possono essere suddivisi in tre gruppi. Il primo gruppo comprende modelli, riflettendo abbastanza accuratamente qualsiasi parte di un determinato processo economico, che si verifica nel sistema di scala relativamente piccola. Dal punto di vista della matematica, sono relazioni molto semplici tra le due e tre variabili. Di solito, queste sono equazioni algebriche del 2 ° o 3 ° grado, come ultima risorsa, il sistema di equazioni algebriche che richiedono di risolvere l'applicazione del metodo di iterazione (approssimazioni consecutive). Sono applicati in pratica, ma non rappresentano l'intera dal punto di vista degli specialisti nel campo della modellazione matematica. Il secondo gruppo può includere modelli che descrivono i processi reali che si verificano in sistemi economici piccoli e di medie dimensioni esposti a fattori casuali e incerti. Lo sviluppo di tali modelli richiede l'accettazione per consentire le incertezze. Ad esempio, è necessario specificare la distribuzione delle variabili casuali relative alle variabili di input. Questa operazione artificiale nella notevole steppa dà origine al dubbio nell'affidabilità dei risultati della modellazione. Tuttavia, non c'è altro modo per creare un modello matematico. Tra i modelli di questo gruppo, i modelli dei cosiddetti sistemi di manutenzione di massa erano più comuni. Ci sono due varietà di questi modelli: analitico e algoritmico. I modelli analitici non tengono conto dell'azione dei fattori casuali e quindi possono essere utilizzati solo come i modelli della prima approssimazione. Con l'aiuto di modelli algoritmici, il processo in studio può essere descritto con qualsiasi grado di precisione a livello della sua comprensione da parte del direttore del compito. Il terzo gruppo comprende modelli di sistemi grandi e molto grandi (macroeconomici): ampie imprese commerciali e industriali e associazioni, settori dell'economia nazionale e dell'economia nazionale nel suo complesso. La creazione di un modello matematico del sistema economico di tale scala è un problema scientifico complesso, la cui soluzione è solo un importante istituto di ricerca. 2.2 I componenti del modello di simulazione La simulazione numerica ha a che fare con tre tipi di valori: dati di origine calcolati da valori variabili e con valori dei parametri. Sulla foglia di array di Excel con questi valori occupano aree separate. Sorgente I dati reali, campioni o numero di numeri sono ottenuti con un'osservazione intrinseca diretta o in esperimenti. Come parte della procedura di simulazione, rimangono invariati (è chiaro che, se necessario, è possibile aggiungere o ridurre i set di valori) e riprodurre un ruolo doppio. Alcuni di loro (variabili di ambiente indipendenti, x) servono come base per il calcolo delle variabili del modello; Molto spesso è caratteristica dei fattori naturali (tempo, fotoperiodo, temperatura, abbondanza di mangimi, dose di tossico, ripristinare volumi di inquinanti, ecc.). Un'altra parte dei dati (variabili dipendenti dell'oggetto, Y) è una caratteristica quantitativa dello stato, delle reazioni o del comportamento dell'oggetto della ricerca, ottenuto in determinate condizioni sotto l'azione dei fattori ambientali registrati. Nel senso biologico, il primo gruppo di valori non dipende dal secondo; Al contrario, le variabili dell'oggetto dipendono dalle variabili di ambiente. Sul foglio Excel, i dati vengono inseriti dalla tastiera o dal file nella modalità normale di funzionamento con il foglio di calcolo. I dati di regolamento del modello riproducono lo stato teoricamente premuroso dell'oggetto, che è determinato dal precedente stato, il livello di fattori ambientali osservati ed è caratterizzato da parametri chiave del processo che è stato studiato. Nel caso ordinario, quando si calcolano i valori del modello (YM I) per ogni passo temporale (I), vengono utilizzati i parametri (A), la caratteristica dello stato precedente (YMI -1) e dei livelli attuali dei fattori ambientali (XI ): Y m i \u003d f (a, y m i-1, x i, i), dove () è la forma adottata del rapporto tra parametri e variabili del supporto, il tipo di modello, \u003d 1, 2, ... t o I \u003d 1, 2, ... n. I calcoli delle caratteristiche del sistema secondo le formule del modello per ogni passo temporale (per ogni stato) consentono di formare una serie di variabili esplicite del modello (YM), che dovrebbero ripetere esattamente la struttura della matrice di variabili dipendenti reali (y ), che è necessario per l'impostazione successiva dei parametri del modello. Le formule per il calcolo delle variabili del modello vengono introdotte nelle celle del foglio Excel manualmente (vedere la sezione dei ricevimenti utili). I parametri del modello (a) costituiscono un terzo gruppo di valori. Tutti i parametri possono essere rappresentati come molti: \u003d (A 1, A 2, ..., A J, ..., A M), dove j è il numero del parametro, m - Numero totale di parametri, e organizzare in un blocco separato. È chiaro che il numero di parametri è determinato dalla struttura dei metodi delle formule del modello. Prendendo una posizione separata sul foglio Excel, svolgono un ruolo più grande nella modellazione. I parametri sono progettati per caratterizzare la maggior parte delle creature, il meccanismo per l'attuazione dei fenomeni osservati. I parametri devono avere un significato biologico (fisico). Per alcuni compiti, è necessario che i parametri calcolati per diversi array di dati possono essere confrontati. Quindi a volte devono essere accompagnati dai loro errori statistici. La relazione tra i componenti del sistema di simulazione forma un'unità funzionale, focalizzata sul raggiungimento di un obiettivo comune - una valutazione dei parametri del modello (Fig. 2.6, Tabella 2.10). Nell'attuazione delle singole funzioni indicate dalle frecce, diversi elementi sono allo stesso tempo. Per non ingombrare l'immagine, il diagramma non riflette i blocchi di rappresentazione grafica e randomizzazione. Il sistema di simulazione è progettato per servire eventuali modifiche dei disegni del modello, che, se necessario, possono essere effettuati dal ricercatore. I progetti di base dei sistemi di imitazione, nonché i possibili modi per la loro decomposizione e integrazione sono presentati nel quadro dei sistemi di simulazione. simulazione simulazione a fila economica III. Fondamenti di simulazione 1 modello di imitazione e le sue caratteristiche La modellazione di simulazione è un tipo di modellazione analogica implementata da una serie di strumenti matematici, programmi speciali per il computer e tecnologie di programmazione che consentono di eseguire uno studio mirato della struttura e delle funzioni di un processo reale complesso nella memoria del computer nel " Modalità imitazione "per ottimizzare alcuni dei parametri IT. Il modello di simulazione è un modello economico e matematico, il cui studio viene effettuato da metodi sperimentali. L'esperimento è osservato per i risultati dei calcoli a vari valori delle variabili esogene inserite. Il modello di simulazione è un modello dinamico dovuto al fatto che ha un tale parametro del tempo. Il modello di simulazione è anche chiamato un pacchetto software speciale che consente di imitare le attività di un oggetto complesso. L'aspetto della modellazione dell'imitazione è stata associata alla "nuova ondata" nella modellazione economica-tematica. Problemi di scienza e pratica economica nel campo della gestione e dell'istruzione economica, da un lato, e l'aumento delle prestazioni dei computer, d'altra parte, ha causato il desiderio di espandere il quadro dei metodi economici e matematici "classici" . Alcune delusioni sono arrivate nelle possibilità di modelli di regolamentazione, equilibrio, ottimizzazione e teorica e di gioco, in prima meritatamente attratti dal fatto che contribuiscono a molti problemi di gestione economica la situazione della chiarezza logica e dell'obiettività, e porta anche a un "ragionevole" (soluzione equilibrata, ottimale, compromessa). Non è sempre stato possibile comprendere completamente gli obiettivi a priori e, inoltre, formalizzare il criterio di ottimalità e le restrizioni (o) delle restrizioni sulle soluzioni consentite. Pertanto, molti tentativi applicano ancora tali metodi hanno iniziato a ottenere soluzioni inaccettabili, ad esempio, non realizzate (anche se ottimale). Superare le difficoltà derivanti dal percorso di incapacità di formalizzare pienamente (come fatte in modelli normativi) procedure per l'adozione di soluzioni socio-economiche. La preferenza è diventata una ragionevole sintesi delle possibilità intellettuali dell'esperto e delle reliquie di informazione del computer, che viene solitamente implementata in dialoghi. Lo stesso corso in questa direzione è la transizione ai modelli di macchine umane "semi-nomative", il secondo è il trasferimento del centro di gravità con modelli supportati incentrati sulla "Condizioni - Decision", per i modelli descrittivi Dai una risposta alla domanda "Cosa succederà se ..". La simulazione di simulazione viene solitamente ricorso nei casi in cui le dipendenze tra gli elementi dei sistemi simulati sono così complesse e non sono incerte che non sono suscettibili di una descrizione formale nella lingua della matematica moderna, cioè utilizzando modelli analitici. Pertanto, Imitation Modeling I ricercatori di sistemi complessi sono costretti a utilizzare quando i metodi puramente analitici non sono applicabili o inaccettabili (a causa della complessità dei modelli corrispondenti). Quando si simulano la modellazione, i processi dinamici del sistema originale sono sostituiti da processi da parte dell'algoritmo simulato nel modello astratto, ma con l'osservanza degli stessi rapporti delle durate, delle sequenze logiche e del tempo, come nel sistema reale. Pertanto, il metodo di simulazione potrebbe essere chiamato algoritmico o operativo. A proposito, un tale nome sarebbe più successo, perché l'imitazione (tradotta dal latino - imitazione) è quello di riprodurre qualsiasi mezzo artificiale, cioè la modellazione. A questo proposito, il nome della "simulazione modellazione" è ampiamente utilizzato è un tautologico. Nel processo di simulazione del funzionamento del sistema in studio, come nell'esperimento con l'originale stesso, alcuni eventi e stati sono registrati, su cui vengono calcolate le caratteristiche necessarie del funzionamento del sistema del sistema. Per i sistemi, ad esempio, la manutenzione dell'informazione e dell'informatica, in quanto tali caratteristiche dinamiche possono essere definite: Prestazioni dei dispositivi di elaborazione dei dati; Lunghezza delle code del servizio; Servizio di attesa in code; Il numero di applicazioni ha lasciato il sistema senza manutenzione. Nella modellazione di simulazione, i processi di qualsiasi grado di complessità possono essere riprodotti se è presente una descrizione specificata in qualsiasi forma: formule, tabelle, grafici o persino verbalmente. La caratteristica principale dei modelli di imitazione è che il processo in studio è "copiato" sulla macchina di elaborazione, quindi i modelli di imitazione, in contrasto con i modelli analitici consentono: Tieni in considerazione nei modelli un enorme numero di fattori senza semplificazioni lorde e assunzioni (e pertanto, aumentare l'adeguatezza del modello del sistema in studio); Basta tenere conto del fattore di incertezza nel modello causato dal carattere casuale di molte variabili di modelli; Tutto ciò ti consente di fare una conclusione naturale che i modelli di imitazione possono essere creati per una classe più ampia di oggetti e processi. 2 Essenza della simulazione L'essenza della modellazione di imitazione è una sperimentazione mirata con il modello di simulazione "Playing" su di esso di varie opzioni per il sistema con l'analisi economica corrispondente. Immediatamente, notiamo che i risultati di tali esperimenti e l'analisi economica corrispondente dovrebbero essere designati sotto forma di tabelle, grafici, nomogrammi, ecc., Che semplifica notevolmente il processo decisionale in base ai risultati della modellizzazione. Elenco di sopra una serie di vantaggi dei modelli di imitazione e simulazione di simulazione, notiamo anche le loro carenze che devono essere ricordate nell'uso pratico della simulazione. : Mancanza di principi ben strutturati per costruire modelli di imitazione, che richiede uno studio significativo di ogni caso specifico della sua costruzione; Difficoltà metodologiche per trovare soluzioni ottimali; Aumento dei requisiti per la velocità del computer, su cui sono implementati i modelli di imitazione; Difficoltà associate alla raccolta e alla preparazione di dati statistici rappresentativi; L'unicità dei modelli di imitazione, che non consente di utilizzare prodotti software pronti; La complessità dell'analisi e della comprensione dei risultati ottenuti a seguito di un esperimento computazionale; Costi abbastanza alti e denaro, in particolare durante la ricerca di un comportamento ottimale del sistema in studio. Il numero e l'essenza delle carenze elencate sono molto impressionanti. Tuttavia, dato un grande interesse scientifico per questi metodi e il loro sviluppo estremamente intensivo negli ultimi anni, può essere considerato con sicurezza che molte delle suddette carenze di imitazione modellazione possono essere eliminate sia nel piano concettuale che applicato. La simulazione di simulazione di un processo controllato o oggetto gestito è una tecnologia dell'informazione di alto livello che fornisce due tipi di azioni eseguite utilizzando un computer: ) lavorare sulla creazione o sulla modifica del modello di simulazione; ) Funzionamento del modello di simulazione e interpretazione dei risultati. La simulazione dei processi economici viene solitamente applicata in due casi: Per gestire un processo aziendale complesso, quando il modello di simulazione di un oggetto economico gestito viene utilizzato come strumento utensile% nel circuito di un sistema di controllo adattivo creato sulla base della tecnologia dell'informazione; Quando conducono esperimenti con modelli continui a discreti di oggetti economici complessi per ottenere e monitorare le loro dinamiche nelle situazioni relative al rischio di emergenza, la cui modellazione naturale è indesiderabile o impossibile. I seguenti compiti tipici possono essere distinti, risolti mediante simulazione utilizzando la modellazione di imitazione quando gestisce gli oggetti economici: Modifica dei processi logistici per definire i parametri temporanei e di valore; Gestione del processo di attuazione di un progetto di investimento in varie fasi del suo ciclo di vita, tenendo conto dei possibili rischi e tattiche di Outlook in contanti; Analisi dei processi di compensazione nel lavoro di una rete di istituti di credito (compresa l'applicazione ai processi di reciproci insediamenti nel contesto del sistema bancario russo); Prevedere le prestazioni finanziarie dell'impresa per un determinato periodo di tempo (con l'analisi del saldo del saldo in conti); Reingegnering aziendale di un'impresa non conformata (cambiamento nella struttura e risorse dell'impresa in bancarotta, dopo di che è possibile effettuare una previsione dei risultati finanziari di base con l'aiuto di un modello di simulazione e fornire raccomandazioni sulla fattibilità di questa opzione di ricostruzione, investimento o prestito alle attività industriali); Il sistema di simulazione che garantisce la creazione di modelli per risolvere le attività elencate devono avere le seguenti proprietà: La possibilità di utilizzare programmi di imitazione insieme a speciali modelli economici e matematici e metodi basati sulla teoria della gestione; Metodi strumentali per condurre l'analisi strutturale di un processo economico complesso; La capacità di modellare i processi di materiale, monetaria e informazione e flussi all'interno di un unico modello, in generale, tempo del modello; La capacità di introdurre una modalità di raffinamento permanente al ricevimento dei dati di uscita (indicatori finanziari di base, caratteristiche temporali e spaziali, parametri di rischio, ecc.) E l'esperimento estremo. Molti sistemi economici sono essenzialmente un sistema di servizio di massa (SMO), cioè i sistemi in cui, da un lato, hanno un requisito per lo svolgimento di qualsiasi servizio e dall'altro, ci sono soddisfazioni di questi requisiti. IV. Parte pratica 1 Dichiarazione del problema Indagare sulle dinamiche dell'indicatore economico sulla base dell'analisi di una serie temporale monodimensionale. Durante le nove settimane consecutive, la domanda y (T) (m mu rubli) è stata registrata sulle risorse di credito della società finanziaria. La serie temporale Y (T) di questo indicatore è mostrata nella tabella. Richiede: Controlla le osservazioni anormali. Costruisci un modello lineare Y (t) \u003d A 0 + A 1 T, i parametri per valutare il MNC (Y (T)) - I valori calcolati e modellati della serie temporale). Valutare l'adeguatezza dei modelli costruiti utilizzando le proprietà dell'indipendenza del componente residuo, possibilità e conformità con la normale legge sulla distribuzione (quando si utilizza il criterio R / S, prendere i limiti tabulato di 2,7-3.7). Valutare l'accuratezza dei modelli in base all'uso di un errore di approssimazione relativo medio. Da due modelli costruiti dalla previsione della domanda per le prossime due settimane (l'intervallo di fiducia delle previsioni è calcolato nella probabilità Trust P \u003d 70%) I valori effettivi dell'indicatore, della modellazione e dei risultati di previsione sono graficamente. 4.2 Soluzione del compito uno). La presenza di osservazioni anomalose porta alla distorsione dei risultati della modellazione, quindi è necessario assicurarsi che non ci siano dati anormali. Per fare ciò, usiamo il metodo IRWIN e troviamo un numero caratteristico () (Tabella 4.1). ; I valori calcolati sono confrontati con i valori della tabella del criterio Irvine, e se si rivelano più tabulari, il valore corrispondente del livello di riga è considerato anomalo. Appendice 1 (Tabella 4.1) Tutti i valori ottenuti sono stati confrontati con i valori della tabella, non li supera, cioè non ci sono osservazioni anormali. ) Per costruire un modello lineare, i parametri di cui valutare i valori MNC (- calcolati e modellati della serie temporale). Per fare ciò, utilizzare l'analisi dei dati in Excel Appendice 1 ((Fig. 4.2) .ris 4.1) Il risultato dell'analisi di regressione è contenuta nella tabella. Appendice 1 (Tabella 4.2 e 4.3.) Nella scheda Seconda colonna. 4.3 contiene i coefficienti dell'equazione di regressione A 0, a 1, nella terza colonna - errori standard dei coefficienti dell'equazione di regressione e nel quarto T - le statistiche utilizzate per verificare il significato dei coefficienti dell'equazione di regressione . L'equazione di regressione (domanda di risorse di credito) da (tempo) ha la forma Appendice 1 (Fig. 4.5) 3) Valutare l'adeguatezza dei modelli costruiti. 1. Controllare l'indipendenza (mancanza di autocorrelazione) con D - Darbina - il criterio di Watson di Formula: Appendice 1 (Tabella 4.4) Perché Il valore calcolato di D entra nell'intervallo da 0 a D 1, I.e. In un intervallo da 0 a 1,08, la proprietà dell'indipendenza non viene eseguita, i livelli di una fila di residui contengono autocorrelazione. Di conseguenza, il modello su questo criterio è inadeguato. 2. Controllare che il casuale dei livelli di riga dei residui effettui la base sulla base del criterio dei punti di svolta. P \u003e. Il numero di punti rotanti è 6. Appendice 1 (Fig. 4.5) La disuguaglianza viene eseguita (6\u003e 2). Di conseguenza, viene eseguita la precisione dell'incidente. Il modello su questo criterio è adeguato. 3. La conformità di un numero di residui alla normale legge sulla distribuzione determina con i criteri RS: Il livello massimo di un numero di residui, Il livello minimo di un numero di residui, Deviazione RMS, Il valore calcolato inserisce l'intervallo (2,7-3.7), pertanto, viene eseguita la proprietà di normalità di distribuzione. Il modello su questo criterio è adeguato. 4. Controllare l'uguaglianza zero Aspettativa matematica della fila di residui. Nel nostro caso, quindi, l'ipotesi dell'uguaglianza dell'aspettativa matematica dei valori della serie residua è valida. Tabella 4.3 Analisi dei dati raccolti di un numero di residui. Appendice 1 (Tabella 4.6) 4) Valutare la precisione del modello in base all'uso di un errore di approssimazione relativo medio. Per stimare l'accuratezza del modello ottenuto, utilizziamo l'indicatore del relativo errore dell'approssimazione, che è calcolato dalla formula: Calcolo del relativo errore di approssimazione Appendice 1 (Tabella 4.7) Se l'errore calcolato dalla formula non supera il 15%, la precisione del modello è considerata accettabile. 5) Secondo il modello costruito, la previsione della domanda per le due settimane successive (l'intervallo di trust della previsione è calcolato durante la probabilità Trust P \u003d 70%). Usiamo la funzione Excel Studesset. Appendice 1 (Tabella 4.8) Per costruire un intervallo di previsione, calcoliamo l'intervallo di confidenza. Prenderemo il valore del livello di significato, quindi, la probabilità di fiducia è del 70% e il criterio dello studente per La larghezza dell'intervallo di confidenza è calcolato dalla formula: Calcola i limiti superiore e inferiore della previsione (scheda 4.11). Appendice 1 (Tabella 4.9) 6) I valori effettivi dell'indicatore, della modellazione e dei risultati di previsione sono graficamente. Trasformiamo il programma di selezione aggiungendo i suoi dati di proiezione. Appendice 1 (Tabella 4.10) Conclusione Il modello economico è definito come un sistema di fenomeni economici interrelati, espressi in caratteristiche quantitative e presentate nel sistema di equazioni, cioè. È un sistema di descrizione matematica formalizzata. Per uno studio mirato di fenomeni economici e processi e formulare conclusioni economiche - sia teoriche che pratiche, è consigliabile utilizzare il metodo di modellazione matematica. Di particolare interesse si manifestano a metodi e mezzi di simulazione, che è associato al miglioramento delle tecnologie dell'informazione utilizzata nei sistemi di simulazione: lo sviluppo di conchiglie grafiche per progettare modelli e interpretazione dei risultati di output della modellazione, utilizzando fondi multimediali, soluzioni Internet, ecc. . In analisi economica, simulazione è lo strumento più versatile nel campo della pianificazione finanziaria, della pianificazione strategica, della pianificazione aziendale, della gestione della produzione e del design. Modellazione matematica dei sistemi economici La proprietà più importante della modellazione matematica è la sua versatilità. Questo metodo consente di formare varie varianti del suo modello nella progettazione e sviluppo del sistema economico, per effettuare più esperimenti con le varianti ottenute del modello per determinare (in base ai criteri specificati per il funzionamento del sistema) del Parametri creati dal sistema necessari per garantire la sua efficienza e affidabilità. Non richiede l'acquisizione o la produzione di alcuna attrezzatura o hardware per eseguire il prossimo calcolo: è necessario modificare semplicemente i valori numerici dei parametri, le condizioni iniziali e le modalità di funzionamento dei sistemi economici complessi studiati. Modellazione metodologicamente matematica include tre tipi principali: modellazione analitica, simulazione e combinata (imitazione analitica). Soluzione analitica, se possibile, fornisce un'immagine più completa e visiva, consentendo di ottenere la dipendenza dei risultati della modellazione dal set di dati di origine. In questa situazione, dovresti passare all'uso dei modelli di simulazione. Il modello di simulazione in linea di principio consente di riprodurre l'intero processo di funzionamento del sistema economico con la conservazione di una struttura logica, la relazione tra i fenomeni e la sequenza del loro flusso nel tempo. La modellazione di simulazione consente di tenere conto di un gran numero di parti reali del funzionamento dell'oggetto simulato ed è indispensabile nelle fasi finali del sistema di creazione di un sistema quando tutte le domande strategiche sono già risolte. Si può notare che la modellazione di simulazione è destinata a risolvere problemi di calcolo delle caratteristiche del sistema. Il numero di opzioni da stimare deve essere relativamente piccolo, poiché l'implementazione della modellazione di simulazione per ciascuna forma di realizzazione del sistema economico richiede risorse computazionali significative. Il fatto è che la caratteristica principale della modellazione di imitazione è il fatto che è necessario utilizzare metodi statistici per ottenere risultati significativi. Questo approccio richiede più ripetizione del processo imitato con i cambiamenti dei valori dei fattori casuali, seguiti da una media statistica (elaborazione) dei risultati dei singoli calcoli singoli. L'uso di metodi statistici, inevitabile nella modellazione di simulazione, richiede grandi spese di tempo di macchine e risorse computazionali. Un altro svantaggio del metodo di simulazione è il fatto che per creare modelli sufficientemente significativi del sistema economico (e in tali fasi della creazione di un sistema economico, quando vengono utilizzate modellazioni di simulazione, sono necessari modelli molto dettagliati e significativi) I significativi sforzi concettuali e programmatore necessario. La modellazione combinata consente di combinare i vantaggi dell'analitico e della simulazione. Per aumentare l'affidabilità dei risultati, dovrebbe essere applicato un approccio combinato in base a una combinazione di metodi analitici e di simulazione. In questo caso, i metodi analitici dovrebbero essere applicati presso le fasi dell'analisi delle proprietà e della sintesi del sistema ottimale. Pertanto, dal nostro punto di vista, è necessario un sistema di strumenti di apprendimento degli studenti completi e metodi sia necessari sia analitici che di simulazione. L'organizzazione di studi pratici che gli studenti studiano modi per risolvere attività di ottimizzazione ridotte a compiti di programmazione lineare. La scelta di questo metodo di modellazione è dovuta alla semplicità e alla chiarezza della formulazione significativa delle attività pertinenti e su come risolverli. Nel processo di esecuzione del lavoro di laboratorio, gli studenti risolvono i seguenti compiti tipici: Transport Task; il compito della distribuzione delle risorse dell'impresa; Il compito di posizionamento delle attrezzature, ecc. 2) Studia le basi della modellazione di simulazione dei sistemi di manutenzione di massa industriali e non produttivi nell'ambiente mondiale GPSS (mondo del sistema di simulazione del sistema generico). Le questioni metodologiche e pratiche di creazione e utilizzo di modelli di imitazione nell'analisi e nella progettazione di sistemi economici complessi e decisionali nell'esercizio delle attività commerciali e di marketing sono considerate. Modi Per descrivere e formalizzare sistemi simulati, fasi e tecnologie per la costruzione e l'utilizzo di modelli di imitazione, vengono studiati problemi di organizzazione degli studi sperimentali mirati sui modelli di simulazione. Elenco di letteratura usata Manutenzione 1. Akulich I.l. Programmazione matematica in esempi e compiti. - m.: Scuola superiore, 1986 2. Vlasov M.P., Shimko P.D. Simulazione delle economie dei processi. - Rostov-on-Donu, Phoenix - 2005 (Libro di testo elettronico) 3. YaVorsky V.V., Amirov A.j. Informatica economica e sistemi informativi (laboratori di laboratorio) - Astana, Foliant, 2008 4. Simonovich S.V. Informatica, Peter, 2003 5. Vorobyov n.n. La teoria dei giochi per gli economisti - la cibernetica. - m.: Scienza, 1985 (libro di testo elettronico) 6. ALISINSKAYA T.V. Metodi e modelli economici e matematici. - tagan rog, 2002 (libro di testo elettronico) 7. Gershgorn A.S. Programmazione matematica e il suo utilizzo nei calcoli economici. -M. Economia, 1968. Inoltre 1. DARBINYAN M.M. Riserve di commodity nel commercio e la loro ottimizzazione. - M. Economia, 1978 2. Johnston D.zh. Metodi economici. - m.: Finanza e statistica, 1960 3. Epishin yu.g. Metodi economici e matematici e pianificazione della cooperazione dei consumatori. - m.: Economia, 1975 4. Zhitnikov S.A., Birzhanova Z.n., Ashirbekova B.M. Metodi e modelli economici e matematici: tutorial. - Karaganda, editore Keu, 1998 5. Zamkov O.O., Tolstopyenko A.v., Cheremnyy Yu.n. Metodi matematici nell'economia. - m.: DIS, 1997 6. Ivanilov Yu.p., Lotov A.V. Metodi matematici nell'economia. - m.: Scienza, 1979 7. Kalinina V.n., Pankin A.V. Statistiche matematiche. M.: 1998. 8. Kumaev v.a. Economia matematica M., 1998. 9. Kremer N.Sh., Putko B.A., Trishin I.M., Friedman M.N. Studio dell'operazione nell'economia. Tutorial - m.: Banks and Stock Boards, Uniti, 1997 10. Spirino A.A:, Fomin G.P. Metodi e modelli economici e matematici nel commercio. - m.: Economia, 1998 allegato 1 Tabella 4.1.
Tabella 4.2.
Fattori Errore standard t-statistics. Y-intersezione A 0 Tabella 4.3. Conclusione dei residui
Conclusione residui Osservazione Previsto y. Tabella 4.6.
Proprietà controllata Statistiche usate nome valore Indipendenza d-criterio inadeguato Incidente Criteri di punti rotanti adeequitat. Normalità Criterio Rs. adeequitat. Media \u003d 0? studente T-Statistics adeequitat. Conclusione: modello di statistiche inadeguate Tabella 4.7.
Previsto y. Tabella 4.9. Previsione della tabella 
La figura 4 mostra le caratteristiche della distribuzione della gamma, nonché il grafico della sua funzione di densità per vari valori di queste caratteristiche. 
Questa è una distribuzione che ha un aspetto asimmetrico. Occupa una posizione intermedia tra esponenziale e normale. La densità della probabilità di distribuzione a earland sembra formula:
La figura 5 mostra le caratteristiche della distribuzione triangolare e il grafico della sua funzione di densità di probabilità.
Se consideriamo la dipendenza da una delle caratteristiche del sistema η v (x i) Come funzione di una sola variabile x I. (Fig. 7), quindi a valori fissi x I. Otterremo valori diversi η v (x i)
. 
Fig
.8
Stivale
il modulo
Microsoft Developer Studio.
Fig. 9 Delay grafico nel nodo "Account di regolamento".
Invia il tuo buon lavoro nella base della conoscenza è semplice. Usa il modulo sottostante
Documenti simili
, 
.
,
, 
dove 
uguale a 1.12.
dove
(Trova dalla Tabella 4.1)
