การสร้างแบบจำลองกระบวนการสุ่ม วิธีการสร้างแบบจำลองสุ่มของกระบวนการขั้นตอนเดียว Anastasia Vyacheslavovna Demidova การสร้างแบบจำลองวัสดุนั้นแตกต่างจากการสร้างแบบจำลองในอุดมคติโดยพื้นฐาน โดยอิงจากแบบจำลอง St.
ซีรีส์ "เศรษฐศาสตร์และการจัดการ"
6. Kondratiev N.D. วัฏจักรเชื่อมประสานขนาดใหญ่และทฤษฎีการมองการณ์ไกล - ม.: เศรษฐศาสตร์ 2545 768 หน้า
7. Kuzyk B.N. , Kushlin V.I. , Yakovets Yu.V. การพยากรณ์ การวางแผนเชิงกลยุทธ์ และแผนงานระดับชาติ M.: สำนักพิมพ์ "เศรษฐศาสตร์", 2551. 573 น.
8. Lyasnikov N.V. , Dudin M.N. ความทันสมัยของเศรษฐกิจนวัตกรรมในบริบทของการก่อตัวและการพัฒนาของตลาดร่วมทุน // สังคมศาสตร์ M.: สำนักพิมพ์ "MII Nauka", 2011. No. 1 S. 278-285.
9. Sekerin V.D. , Kuznetsova O.S. การพัฒนากลยุทธ์การจัดการโครงการนวัตกรรม // แถลงการณ์ของสถาบันบริหารธุรกิจแห่งรัฐมอสโก ชุด: เศรษฐกิจ. - 2556 ลำดับที่ 1 (20). - ส. 129 - 134.
10. Yakovlev V.M. , Senin A.S. ไม่มีทางเลือกอื่นสำหรับการพัฒนารูปแบบใหม่ของเศรษฐกิจรัสเซีย // ประเด็นจริงของเศรษฐศาสตร์นวัตกรรม ม.: สำนักพิมพ์ "วิทยาศาสตร์"; สถาบันการจัดการและการตลาดของ Russian Academy of Arts and Sciences ภายใต้ประธานาธิบดีแห่งสหพันธรัฐรัสเซีย, 2012. หมายเลข 1(1).
11. Baranenko S.P. , Dudin M.N. , Ljasnikov N.V. , Busygin KD การใช้แนวทางด้านสิ่งแวดล้อมเพื่อการพัฒนาเชิงนวัตกรรมของวิสาหกิจอุตสาหกรรม // American Journal of Applied Sciences.- 2014.- Vol. 11 ฉบับที่ 2 - หน้า 189-194
12. Dudin M.N. แนวทางที่เป็นระบบในการกำหนดรูปแบบปฏิสัมพันธ์ของธุรกิจขนาดใหญ่และขนาดเล็ก // European Journal of Economic Studies 2555. ฉบับ. (2) ครั้งที่ 2 หน้า 84-87.
13. Dudin M.N. , Ljasnikov N.V. , Kuznecov A.V. , Fedorova I.Ju. การเปลี่ยนแปลงเชิงนวัตกรรมและศักยภาพในการเปลี่ยนแปลงของระบบเศรษฐกิจและสังคม // วารสารการวิจัยทางวิทยาศาสตร์แห่งตะวันออกกลาง, 2013. Vol. 17 ลำดับที่ 10 น. 1434-1437.
14. Dudin M.N. , Ljasnikov N.V. , Pankov S.V. , Sepiashvili E.N. การมองการณ์ไกลเชิงนวัตกรรมเป็นวิธีการจัดการการพัฒนาเชิงกลยุทธ์อย่างยั่งยืนของโครงสร้างธุรกิจ // World Applied Sciences Journal - 2556. - ฉบับ. 26 ลำดับที่ 8 - หน้า 1086-1089
15. Sekerin V. D. , Avramenko S. A. , Veselovsky M. Ya. , Aleksakhina V. G. ตลาด B2G: สาระสำคัญและการวิเคราะห์ทางสถิติ // วารสารวิทยาศาสตร์ประยุกต์โลก 31 (6): 1104-1108 2014
การสร้างแบบจำลองสุ่มของกระบวนการผลิตหนึ่งพารามิเตอร์
ปริญญาเอก รศ. มอร์ดาซอฟ ยู.พี.
มหาวิทยาลัยวิศวกรรมเครื่องกล, 8-916-853-13-32, [ป้องกันอีเมล]จิ
คำอธิบายประกอบ ผู้เขียนได้พัฒนาแบบจำลองทางคณิตศาสตร์และสุ่มของกระบวนการผลิต โดยขึ้นอยู่กับหนึ่งพารามิเตอร์ โมเดลได้รับการทดสอบแล้ว ด้วยเหตุนี้ จึงได้มีการสร้างแบบจำลองจำลองของการผลิต กระบวนการสร้างเครื่องจักร โดยคำนึงถึงอิทธิพลของการรบกวน-ความล้มเหลวแบบสุ่ม การเปรียบเทียบผลลัพธ์ของแบบจำลองทางคณิตศาสตร์และการจำลองยืนยันความได้เปรียบของการนำแบบจำลองทางคณิตศาสตร์ไปปฏิบัติ
คำสำคัญ: กระบวนการทางเทคโนโลยี คณิตศาสตร์ แบบจำลองการจำลอง การควบคุมการปฏิบัติงาน การอนุมัติ การรบกวนแบบสุ่ม
ต้นทุนของการจัดการการปฏิบัติงานสามารถลดลงได้อย่างมากโดยการพัฒนาวิธีการที่ช่วยให้คุณสามารถค้นหาต้นทุนที่เหมาะสมที่สุดระหว่างต้นทุนของการวางแผนการดำเนินงานกับความสูญเสียที่เกิดจากความคลาดเคลื่อนระหว่างตัวบ่งชี้ที่วางแผนไว้และตัวชี้วัดของกระบวนการผลิตจริง นี่หมายถึงการหาระยะเวลาที่เหมาะสมที่สุดของสัญญาณในลูปป้อนกลับ ในทางปฏิบัติ นี่หมายถึงการลดจำนวนการคำนวณกำหนดการในปฏิทินสำหรับการเปิดตัวหน่วยประกอบในการผลิต และด้วยเหตุนี้ การประหยัดทรัพยากรวัสดุ
หลักสูตรของกระบวนการผลิตในวิศวกรรมเครื่องกลมีความน่าจะเป็นในธรรมชาติ อิทธิพลอย่างต่อเนื่องของปัจจัยที่เปลี่ยนแปลงอย่างต่อเนื่องไม่ได้ทำให้สามารถคาดการณ์มุมมองที่แน่นอน (เดือน ไตรมาส) กระบวนการผลิตในอวกาศและเวลาได้ ในแบบจำลองการจัดกำหนดการทางสถิติ สถานะของชิ้นส่วน ณ จุดเฉพาะในแต่ละช่วงเวลาควรกำหนดในรูปแบบของความน่าจะเป็นที่เหมาะสม (การกระจายความน่าจะเป็น) ของการอยู่ในสถานที่ทำงานที่แตกต่างกัน อย่างไรก็ตาม จำเป็นต้องตรวจสอบให้แน่ใจถึงการกำหนดผลลัพธ์ขั้นสุดท้ายขององค์กร ในทางกลับกัน นี่แสดงถึงความเป็นไปได้โดยใช้วิธีการกำหนดขึ้นเพื่อวางแผนเงื่อนไขบางประการสำหรับชิ้นส่วนที่จะอยู่ในการผลิต อย่างไรก็ตาม จากประสบการณ์แสดงให้เห็นว่าความสัมพันธ์และการเปลี่ยนแปลงร่วมกันของกระบวนการผลิตจริงนั้นมีความหลากหลายและมากมาย เมื่อพัฒนาแบบจำลองที่กำหนดขึ้นได้ สิ่งนี้ทำให้เกิดปัญหาสำคัญ
ความพยายามที่จะคำนึงถึงปัจจัยทั้งหมดที่ส่งผลต่อกระบวนการผลิตทำให้แบบจำลองยุ่งยาก และหยุดเป็นเครื่องมือในการวางแผน การบัญชี และระเบียบข้อบังคับ
วิธีที่ง่ายกว่าในการสร้างแบบจำลองทางคณิตศาสตร์ของกระบวนการจริงที่ซับซ้อนซึ่งขึ้นอยู่กับปัจจัยที่แตกต่างกันจำนวนมาก ซึ่งยากหรือเป็นไปไม่ได้ที่จะนำมาพิจารณาคือ การสร้างแบบจำลองสุ่ม ในกรณีนี้ เมื่อวิเคราะห์หลักการทำงานของระบบจริงหรือเมื่อสังเกตลักษณะเฉพาะของมัน ฟังก์ชันการแจกแจงความน่าจะเป็นจะถูกสร้างขึ้นสำหรับพารามิเตอร์บางตัว เมื่อมีความเสถียรทางสถิติสูงของลักษณะเชิงปริมาณของกระบวนการและการกระจายเพียงเล็กน้อย ผลลัพธ์ที่ได้จากการใช้แบบจำลองที่สร้างขึ้นนั้นสอดคล้องกับประสิทธิภาพของระบบจริง
ข้อกำหนดเบื้องต้นหลักสำหรับการสร้างแบบจำลองทางสถิติของกระบวนการทางเศรษฐกิจคือ:
ความซับซ้อนมากเกินไปและความไร้ประสิทธิภาพทางเศรษฐกิจที่เกี่ยวข้องของแบบจำลองที่กำหนดขึ้นเองที่สอดคล้องกัน
การเบี่ยงเบนขนาดใหญ่ของตัวบ่งชี้ทางทฤษฎีที่ได้รับจากการทดสอบแบบจำลองจากตัวบ่งชี้ของวัตถุที่ใช้งานได้จริง
ดังนั้นจึงควรมีเครื่องมือทางคณิตศาสตร์อย่างง่ายที่อธิบายผลกระทบของการรบกวนแบบสุ่มต่อลักษณะทั่วไปของกระบวนการผลิต (ผลผลิตสินค้า ปริมาณงานระหว่างทำ ฯลฯ) กล่าวคือ เพื่อสร้างแบบจำลองทางคณิตศาสตร์ของกระบวนการผลิตที่ขึ้นอยู่กับพารามิเตอร์จำนวนน้อยและสะท้อนถึงอิทธิพลโดยรวมของปัจจัยหลายอย่างที่มีลักษณะแตกต่างกันในกระบวนการผลิต งานหลักที่นักวิจัยควรกำหนดตัวเองเมื่อสร้างแบบจำลองนั้นไม่ใช่การสังเกตแบบพาสซีฟของพารามิเตอร์ของระบบจริง แต่การสร้างแบบจำลองดังกล่าวที่มีความเบี่ยงเบนใด ๆ ภายใต้อิทธิพลของการรบกวน จะนำพารามิเตอร์ของการแสดงผล เข้าสู่โหมดที่กำหนด นั่นคือ ภายใต้การกระทำของปัจจัยสุ่มใดๆ กระบวนการจะต้องสร้างในระบบที่บรรจบกับโซลูชันที่วางแผนไว้ ในปัจจุบัน ในระบบควบคุมอัตโนมัติ หน้าที่นี้ส่วนใหญ่ถูกกำหนดให้กับบุคคล ซึ่งเป็นหนึ่งในการเชื่อมโยงในห่วงโซ่ผลป้อนกลับในการจัดการกระบวนการผลิต
ให้เราหันไปวิเคราะห์กระบวนการผลิตจริง โดยปกติ ระยะเวลาของระยะเวลาการวางแผน (ความถี่ของการออกแผนไปยังเวิร์กช็อป) จะถูกเลือกตามช่วงเวลาตามปฏิทินที่กำหนดไว้ตามประเพณี: กะ วัน ห้าวัน ฯลฯ พวกเขาได้รับคำแนะนำจากการพิจารณาในทางปฏิบัติเป็นหลัก ระยะเวลาขั้นต่ำของระยะเวลาการวางแผนถูกกำหนดโดยความสามารถในการปฏิบัติงานของหน่วยงานที่วางแผนไว้ หากฝ่ายผลิตและจัดส่งขององค์กรจัดการกับการออกกะที่ปรับปรุงแล้วไปยังร้านค้า การคำนวณจะทำสำหรับแต่ละกะ (นั่นคือ ต้นทุนที่เกี่ยวข้องกับการคำนวณและการวิเคราะห์เป้าหมายตามแผนจะเกิดขึ้นทุกกะ)
เพื่อกำหนดลักษณะเชิงตัวเลขของการแจกแจงความน่าจะเป็นของการสุ่ม
"เศรษฐศาสตร์และการจัดการ" ก่อกวนจะสร้างแบบจำลองความน่าจะเป็นของกระบวนการทางเทคโนโลยีที่แท้จริงในการผลิตหน่วยประกอบหนึ่งหน่วย ที่นี่และต่อจากนี้ กระบวนการทางเทคโนโลยีของการผลิตหน่วยประกอบหมายถึงลำดับของการดำเนินงาน (งานสำหรับการผลิตชิ้นส่วนหรือส่วนประกอบเหล่านี้) ซึ่งบันทึกไว้ในเทคโนโลยี การดำเนินการทางเทคโนโลยีของผลิตภัณฑ์การผลิตแต่ละครั้งตามเส้นทางเทคโนโลยีสามารถทำได้หลังจากก่อนหน้านี้เท่านั้น ดังนั้น กระบวนการทางเทคโนโลยีในการผลิตชุดประกอบจึงเป็นลำดับของการดำเนินการเหตุการณ์ ภายใต้อิทธิพลของเหตุผลสุ่มต่างๆ ระยะเวลาของการดำเนินการแต่ละรายการอาจเปลี่ยนแปลงได้ ในบางกรณี การดำเนินการอาจไม่เสร็จสิ้นในระหว่างช่วงที่งานกะนี้มีผล เห็นได้ชัดว่าเหตุการณ์เหล่านี้สามารถแบ่งออกเป็นองค์ประกอบพื้นฐาน: ประสิทธิภาพและไม่ใช่ประสิทธิภาพของการดำเนินการแต่ละรายการ ซึ่งสามารถสอดคล้องกับความน่าจะเป็นของประสิทธิภาพและการไม่มีประสิทธิภาพ
สำหรับกระบวนการทางเทคโนโลยีเฉพาะ ความน่าจะเป็นของการดำเนินการลำดับที่ประกอบด้วยการดำเนินการ K สามารถแสดงได้โดยสูตรต่อไปนี้:
PC5 \u003d k) \u003d (1-pk + 1) PG \u003d 1P1, (1)
โดยที่: P1 - ความน่าจะเป็นของการดำเนินการครั้งที่ 1 แยกจากกัน r คือจำนวนการดำเนินการตามลำดับในกระบวนการทางเทคโนโลยี
สูตรนี้สามารถใช้เพื่อกำหนดลักษณะสุ่มของรอบระยะเวลาการวางแผนเฉพาะ เมื่อช่วงของผลิตภัณฑ์ที่เปิดตัวสู่การผลิตและรายการงานที่ต้องทำในช่วงเวลาการวางแผนที่กำหนด ตลอดจนลักษณะสุ่มซึ่งกำหนดโดยเชิงประจักษ์ , เป็นที่รู้จัก. ในทางปฏิบัติ เฉพาะการผลิตจำนวนมากบางประเภทซึ่งมีลักษณะเสถียรภาพทางสถิติสูงเท่านั้นที่เป็นไปตามข้อกำหนดที่ระบุไว้
ความน่าจะเป็นของการดำเนินการเพียงครั้งเดียวขึ้นอยู่กับปัจจัยภายนอกเท่านั้น แต่ยังขึ้นกับลักษณะเฉพาะของงานที่ทำและประเภทของหน่วยประกอบด้วย
ในการกำหนดพารามิเตอร์ของสูตรข้างต้น แม้ว่าจะมีชุดส่วนประกอบที่ค่อนข้างเล็ก โดยมีการเปลี่ยนแปลงเล็กน้อยในช่วงของผลิตภัณฑ์ที่ผลิต จำเป็นต้องมีข้อมูลการทดลองจำนวนมาก ซึ่งทำให้ต้นทุนวัสดุและองค์กรมีนัยสำคัญ และทำให้วิธีนี้ การกำหนดความน่าจะเป็นของการผลิตอย่างต่อเนื่องของผลิตภัณฑ์แทบจะไม่สามารถนำไปใช้ได้
ให้เรานำแบบจำลองที่ได้รับไปศึกษาเพื่อความเป็นไปได้ในการทำให้เข้าใจง่าย ค่าเริ่มต้นของการวิเคราะห์คือความน่าจะเป็นของการดำเนินการหนึ่งขั้นตอนของกระบวนการทางเทคโนโลยีของผลิตภัณฑ์การผลิตโดยปราศจากความล้มเหลว ในสภาพการผลิตจริง ความน่าจะเป็นของการปฏิบัติงานแต่ละประเภทจะแตกต่างกัน สำหรับกระบวนการทางเทคโนโลยีที่เฉพาะเจาะจง ความน่าจะเป็นนี้ขึ้นอยู่กับ:
จากประเภทของการดำเนินการ
จากหน่วยประกอบเฉพาะ
จากผลิตภัณฑ์ที่ผลิตควบคู่กันไป
จากปัจจัยภายนอก
ให้เราวิเคราะห์อิทธิพลของความผันผวนในความน่าจะเป็นของการดำเนินการอย่างใดอย่างหนึ่งกับลักษณะรวมของกระบวนการผลิตของผลิตภัณฑ์การผลิต (ปริมาณของผลผลิตเชิงพาณิชย์ ปริมาณของงานระหว่างทำ ฯลฯ) ที่กำหนดโดยใช้แบบจำลองนี้ จุดมุ่งหมายของการศึกษานี้คือการวิเคราะห์ความเป็นไปได้ของการแทนที่ในรูปแบบความน่าจะเป็นต่างๆ ของการดำเนินการอย่างใดอย่างหนึ่งด้วยค่าเฉลี่ย
ผลรวมของปัจจัยเหล่านี้จะถูกนำมาพิจารณาเมื่อคำนวณความน่าจะเป็นทางเรขาคณิตเฉลี่ยของการดำเนินการหนึ่งขั้นตอนของกระบวนการทางเทคโนโลยีโดยเฉลี่ย การวิเคราะห์การผลิตสมัยใหม่แสดงให้เห็นว่ามีความผันผวนเล็กน้อย: ในทางปฏิบัติอยู่ในช่วง 0.9 - 1.0
ภาพประกอบที่ชัดเจนว่าความน่าจะเป็นในการดำเนินการหนึ่งๆ ต่ำเพียงใด
เครื่องส่งรับวิทยุสอดคล้องกับค่า 0.9 เป็นตัวอย่างนามธรรมต่อไปนี้ สมมติว่าเรามีสิบชิ้นที่จะทำ กระบวนการทางเทคโนโลยีของการผลิตแต่ละอย่างมีการดำเนินงานสิบประการ ความน่าจะเป็นของการดำเนินการแต่ละอย่างคือ 0.9 ให้เราค้นหาความน่าจะเป็นที่จะล่าช้ากว่ากำหนดการสำหรับกระบวนการทางเทคโนโลยีจำนวนต่างๆ
เหตุการณ์สุ่ม ซึ่งประกอบด้วยกระบวนการทางเทคโนโลยีเฉพาะของการผลิตหน่วยประกอบจะล่าช้ากว่ากำหนด สอดคล้องกับการทำงานที่ต่ำกว่ามาตรฐานของการดำเนินการอย่างน้อยหนึ่งครั้งในกระบวนการนี้ ตรงกันข้ามกับเหตุการณ์: การดำเนินการทั้งหมดโดยไม่มีความล้มเหลว ความน่าจะเป็นคือ 1 - 0.910 = 0.65 เนื่องจากกำหนดการล่าช้าเป็นเหตุการณ์ที่ไม่ขึ้นต่อกัน การแจกแจงความน่าจะเป็นแบบเบอร์นูลลีจึงสามารถใช้เพื่อกำหนดความน่าจะเป็นของความล่าช้าของกำหนดการสำหรับจำนวนกระบวนการที่แตกต่างกัน ผลการคำนวณแสดงในตารางที่ 1
ตารางที่ 1
การคำนวณความน่าจะเป็นของการล่าช้าหลังกำหนดการของกระบวนการทางเทคโนโลยี
ถึง C^o0.35k0.651O-k ผลรวม
ตารางแสดงให้เห็นว่าด้วยความน่าจะเป็น 0.92 กระบวนการทางเทคโนโลยีห้ากระบวนการจะล่าช้ากว่ากำหนดนั่นคือครึ่งหนึ่ง ความคาดหวังทางคณิตศาสตร์ของจำนวนกระบวนการทางเทคโนโลยีที่ล่าช้ากว่ากำหนดการจะเท่ากับ 6.5 ซึ่งหมายความว่าโดยเฉลี่ยแล้ว 6.5 หน่วยการประกอบจาก 10 ชิ้นจะล่าช้ากว่ากำหนด นั่นคือ โดยเฉลี่ยแล้ว 3 ถึง 4 ชิ้นจะถูกผลิตขึ้นโดยไม่มีข้อผิดพลาด ผู้เขียนไม่ทราบถึงตัวอย่างขององค์กรแรงงานในระดับต่ำในการผลิตจริง ตัวอย่างที่พิจารณาแสดงให้เห็นชัดเจนว่าการจำกัดค่าความน่าจะเป็นของการดำเนินการหนึ่งรายการโดยไม่มีข้อผิดพลาดไม่ได้ขัดแย้งกับการปฏิบัติ ข้อกำหนดทั้งหมดข้างต้นเป็นไปตามกระบวนการผลิตของร้านประกอบเครื่องจักรของการผลิตเครื่องจักร
ดังนั้น เพื่อกำหนดลักษณะสุ่มของกระบวนการผลิต จึงเสนอให้สร้างการแจกแจงความน่าจะเป็นสำหรับการดำเนินการตามขั้นตอนของกระบวนการทางเทคโนโลยี ซึ่งแสดงความน่าจะเป็นของการดำเนินการตามลำดับของการดำเนินการทางเทคโนโลยีสำหรับการผลิตหน่วยประกอบผ่านความน่าจะเป็นเฉลี่ยทางเรขาคณิตของ ดำเนินการอย่างใดอย่างหนึ่ง ความน่าจะเป็นของการดำเนินการ K ในกรณีนี้จะเท่ากับผลคูณของความน่าจะเป็นของการดำเนินการแต่ละครั้ง คูณด้วยความน่าจะเป็นที่จะไม่ดำเนินการกระบวนการทางเทคโนโลยีที่เหลือซึ่งเกิดขึ้นพร้อมกับความน่าจะเป็นที่จะไม่ดำเนินการ (K + T ) - การดำเนินการครั้งที่ ข้อเท็จจริงนี้อธิบายโดยข้อเท็จจริงที่ว่าหากไม่มีการดำเนินการใด ๆ การดำเนินการต่อไปนี้จะไม่สามารถทำได้ รายการสุดท้ายแตกต่างจากที่เหลือ เนื่องจากแสดงความน่าจะเป็นของข้อความที่สมบูรณ์โดยไม่ล้มเหลวของกระบวนการทางเทคโนโลยีทั้งหมด ความน่าจะเป็นของการดำเนินการ K ของการดำเนินการครั้งแรกของกระบวนการทางเทคโนโลยีนั้นสัมพันธ์กันโดยเฉพาะกับความน่าจะเป็นที่จะไม่ดำเนินการที่เหลือ ดังนั้น การแจกแจงความน่าจะเป็นจึงมีรูปแบบดังนี้:
PY=0)=p°(1-p),
Р(§=1) = р1(1-р), (2)
P(^=1) = p1(1-p),
P(t=u-1) = pn"1(1 - p), P(t=n) = pn,
โดยที่: ^ - ค่าสุ่ม, จำนวนการดำเนินการที่ดำเนินการ;
p คือความน่าจะเป็นเฉลี่ยทางเรขาคณิตของการดำเนินการหนึ่งครั้ง n คือจำนวนการดำเนินการในกระบวนการทางเทคโนโลยี
ความถูกต้องของการประยุกต์ใช้การแจกแจงความน่าจะเป็นแบบหนึ่งพารามิเตอร์ที่ได้รับนั้นชัดเจนโดยสัญชาตญาณจากเหตุผลต่อไปนี้ สมมติว่าเราได้คำนวณค่าเฉลี่ยเรขาคณิตของความน่าจะเป็นของการดำเนินการ 1 ครั้งกับตัวอย่างขององค์ประกอบ n โดยที่ n มีขนาดใหญ่เพียงพอ
p = USHT7P7= tl|n]t=1p!), (3)
โดยที่: Iy - จำนวนการดำเนินการที่มีความน่าจะเป็นของการดำเนินการเท่ากัน ] - ดัชนีของกลุ่มการดำเนินการที่มีความน่าจะเป็นของการดำเนินการเหมือนกัน m - จำนวนกลุ่มที่ประกอบด้วยการดำเนินการที่มีความน่าจะเป็นของการดำเนินการเหมือนกัน
^ = - - ความถี่สัมพัทธ์ของการดำเนินการกับความน่าจะเป็นของการดำเนินการ p^
ตามกฎของตัวเลขจำนวนมาก ด้วยจำนวนการดำเนินการที่ไม่ จำกัด ความถี่สัมพัทธ์ของการเกิดในลำดับของการดำเนินการที่มีลักษณะสุ่มบางอย่างมีแนวโน้มที่จะมีความน่าจะเป็นของเหตุการณ์นี้ มันตามมาว่า
สำหรับตัวอย่างขนาดใหญ่เพียงพอสองตัว = ดังนั้น:
โดยที่: t1, t2 - จำนวนกลุ่มในตัวอย่างที่หนึ่งและที่สองตามลำดับ;
1*, I2 - จำนวนองค์ประกอบในกลุ่มตัวอย่างที่หนึ่งและที่สองตามลำดับ
จากสิ่งนี้จะเห็นได้ว่าหากคำนวณพารามิเตอร์สำหรับการทดสอบจำนวนมาก พารามิเตอร์จะใกล้เคียงกับพารามิเตอร์ P ที่คำนวณสำหรับตัวอย่างที่ค่อนข้างใหญ่นี้
ควรให้ความสนใจกับความใกล้เคียงที่แตกต่างกันกับมูลค่าที่แท้จริงของความน่าจะเป็นของการดำเนินการตามจำนวนที่แตกต่างกัน ในองค์ประกอบทั้งหมดของการแจกแจง ยกเว้นอันสุดท้าย มีปัจจัย (I - P) เนื่องจากค่าของพารามิเตอร์ P อยู่ในช่วง 0.9 - 1.0 ปัจจัย (I - P) จึงผันผวนระหว่าง 0 - 0.1 ตัวคูณนี้สอดคล้องกับตัวคูณ (I - p;) ในรุ่นดั้งเดิม ประสบการณ์แสดงให้เห็นว่าการติดต่อกันสำหรับความน่าจะเป็นโดยเฉพาะนี้สามารถทำให้เกิดข้อผิดพลาดได้ถึง 300% อย่างไรก็ตาม ในทางปฏิบัติ มักไม่สนใจความน่าจะเป็นของการดำเนินการใดๆ แต่ในความน่าจะเป็นของการดำเนินการทั้งหมดโดยไม่ล้มเหลวของกระบวนการทางเทคโนโลยี ความน่าจะเป็นนี้ไม่มีปัจจัย (I - P) ดังนั้นค่าเบี่ยงเบนจากค่าจริงจึงน้อย (ในทางปฏิบัติไม่เกิน 3%) สำหรับงานด้านเศรษฐกิจ มีความแม่นยำสูงพอสมควร
การแจกแจงความน่าจะเป็นของตัวแปรสุ่มที่สร้างขึ้นในลักษณะนี้เป็นแบบจำลองไดนามิกสุ่มของกระบวนการผลิตของหน่วยประกอบ เวลามีส่วนร่วมโดยปริยายตามระยะเวลาของการดำเนินการครั้งเดียว แบบจำลองช่วยให้คุณกำหนดความน่าจะเป็นที่หลังจากช่วงระยะเวลาหนึ่ง (จำนวนการดำเนินการที่สอดคล้องกัน) กระบวนการผลิตของการผลิตหน่วยประกอบจะไม่หยุดชะงัก สำหรับร้านประกอบเครื่องจักรสำหรับการผลิตเครื่องจักร จำนวนเฉลี่ยของการดำเนินการของกระบวนการทางเทคโนโลยีหนึ่งกระบวนการค่อนข้างมาก (15 - 80) หากเราพิจารณาตัวเลขนี้เป็นตัวเลขฐานและถือว่าโดยเฉลี่ยแล้วในการผลิตหน่วยประกอบหนึ่งชุดจะมีการใช้งานประเภทขยายเล็ก ๆ ชุดเล็ก ๆ (การกลึง, ช่างทำกุญแจ, การกัด ฯลฯ )
จากนั้นจึงใช้การกระจายผลลัพธ์เพื่อประเมินผลกระทบของการรบกวนแบบสุ่มในกระบวนการผลิตได้สำเร็จ
ผู้เขียนได้ทำการทดลองจำลองโดยใช้หลักการนี้ ในการสร้างลำดับของตัวแปรสุ่มเทียมที่กระจายอย่างสม่ำเสมอในช่วง 0.9 - 1.0 จะใช้ตัวสร้างตัวเลขสุ่มเทียม ดังอธิบายใน . ซอฟต์แวร์ของการทดลองเขียนด้วยภาษาอัลกอริธึมโคบอล
ในการทดลอง จะมีการสร้างผลิตภัณฑ์ของตัวแปรสุ่มที่สร้างขึ้น โดยจำลองความน่าจะเป็นที่แท้จริงของการดำเนินการตามกระบวนการทางเทคโนโลยีที่เฉพาะเจาะจงโดยสมบูรณ์ เปรียบเทียบกับความน่าจะเป็นของการดำเนินการตามกระบวนการทางเทคโนโลยี ซึ่งได้มาจากค่ากลางทางเรขาคณิต ซึ่งคำนวณจากลำดับตัวเลขสุ่มของการแจกแจงแบบเดียวกัน ค่าเฉลี่ยเรขาคณิตจะเพิ่มกำลังเท่ากับจำนวนปัจจัยในผลิตภัณฑ์ ระหว่างผลลัพธ์ทั้งสองนี้จะคำนวณความแตกต่างสัมพัทธ์เป็นเปอร์เซ็นต์ การทดลองซ้ำสำหรับปัจจัยต่างๆ ในผลิตภัณฑ์และจำนวนตัวเลขที่ใช้คำนวณค่าเฉลี่ยเรขาคณิต ส่วนของผลการทดลองแสดงไว้ในตารางที่ 2
ตารางที่ 2
ผลการทดลองจำลอง:
n คือระดับของค่าเฉลี่ยเรขาคณิต k - ระดับของผลิตภัณฑ์
n ถึงส่วนเบี่ยงเบนของผลิตภัณฑ์ ไปยังส่วนเบี่ยงเบนของผลิตภัณฑ์ ไปยังส่วนเบี่ยงเบนผลิตภัณฑ์
10 1 0,9680 0% 7 0,7200 3% 13 0,6277 -7%
10 19 0,4620 -1% 25 0,3577 -1% 31 0,2453 2%
10 37 0,2004 6% 43 0,1333 4% 49 0,0888 6%
10 55 0,0598 8% 61 0,0475 5% 67 0,0376 2%
10 73 0,0277 1% 79 0,0196 9% 85 0,0143 2%
10 91 0,0094 9% 97 0,0058 0%
13 7 0,7200 8% 13 0,6277 0% 19 0,4620 0%
13 25 0,3577 5% 31 0,2453 6% 37 0,2004 4%
13 43 0,1333 3% 49 0,0888 8% 55 0,0598 8%
13 61 0,0475 2% 67 0,0376 8% 73 0,0277 2%
13 79 0,0196 1% 85 0,0143 5% 91 0,0094 5%
16 1 0,9680 0% 7 0,7200 9%
16 13 0,6277 2% 19 0,4620 3% 25 0,3577 0%
16 31 0,2453 2% 37 0,2004 2% 43 0,1333 5%
16 49 0,0888 4% 55 0,0598 0% 61 0,0475 7%
16 67 0,0376 5% 73 0,0277 5% 79 0,0196 2%
16 85 0,0143 4% 91 0,0094 0% 97 0,0058 4%
19 4 0,8157 4% 10 0,6591 1% 16 0,5795 -9%
19 22 0,4373 -5% 28 0,2814 5% 34 0,2256 3%
19 40 0,1591 6% 46 0,1118 1% 52 0,0757 3%
19 58 0,0529 4% 64 0,0418 3% 70 0,0330 2%
19 76 0,0241 6% 82 0,0160 1% 88 0,0117 8%
19 94 0,0075 7% 100 0,0048 3%
22 10 0,6591 4% 16 0,5795 -4% 22 0,4373 0%
22 28 0,2814 5% 34 0,2256 5% 40 0,1591 1%
22 46 0,1118 1% 52 0,0757 0% 58 0,0529 8%
22 64 0,0418 1% 70 0,0330 3% 76 0,0241 5%
22 82 0,0160 4% 88 0,0117 2% 94 0,0075 5%
22 100 0,0048 1%
25 4 0,8157 3% 10 0,6591 0%
25 16 0,5795 0% 72 0,4373 -7% 28 0,2814 2%
25 34 0,2256 9% 40 0,1591 1% 46 0,1118 4%
25 52 0,0757 5% 58 0,0529 4% 64 0,0418 2%
25 70 0,0330 0% 76 0,0241 2% 82 0,0160 4%
28 4 0,8157 2% 10 0,6591 -2% 16 0,5795 -5%
28 22 0,4373 -3% 28 0,2814 2% 34 0,2256 -1%
28 40 0,1591 6% 46 0,1118 6% 52 0,0757 1%
28 58 0,0529 4% 64 0,041 8 9% 70 0,0330 5%
28 70 0,0241 2% 82 0,0160 3% 88 0,0117 1%
28 94 0,0075 100 0,0048 5%
31 10 0,6591 -3% 16 0,5795 -5% 22 0,4373 -4%
31 28 0,2814 0% 34 0,2256 -3% 40 0,1591 4%
31 46 0,1118 3% 52 0,0757 7% 58 0,0529 9%
31 64 0,0418 4% 70 0,0330 0% 76 0,0241 6%
31 82 0,0160 6% 88 0,0117 2% 94 0,0075 5%
เมื่อตั้งค่าการทดลองจำลองนี้ เป้าหมายคือการสำรวจความเป็นไปได้ที่จะได้รับ โดยใช้การกระจายความน่าจะเป็น (2) ซึ่งเป็นหนึ่งในลักษณะทางสถิติที่ขยายใหญ่ขึ้นของกระบวนการผลิต - ความน่าจะเป็นของการดำเนินการตามกระบวนการทางเทคโนโลยีของการผลิตหน่วยประกอบที่ประกอบด้วย การดำเนินงาน K โดยไม่มีความล้มเหลว สำหรับกระบวนการทางเทคโนโลยีเฉพาะ ความน่าจะเป็นนี้เท่ากับผลคูณของความน่าจะเป็นในการดำเนินการทั้งหมด จากการทดลองจำลองแสดงให้เห็นว่า ความเบี่ยงเบนสัมพัทธ์จากความน่าจะเป็นที่ได้รับโดยใช้แบบจำลองความน่าจะเป็นที่พัฒนาแล้วไม่เกิน 9%
เนื่องจากการทดลองจำลองใช้การแจกแจงความน่าจะเป็นจริงไม่สะดวกกว่าการแจกแจงความน่าจะเป็นจริง ความคลาดเคลื่อนในทางปฏิบัติจะยิ่งน้อยลง มีการสังเกตการเบี่ยงเบนทั้งในทิศทางของการลดลงและในทิศทางที่เกินค่าที่ได้จากลักษณะเฉลี่ย ความจริงข้อนี้ชี้ให้เห็นว่าถ้าเราพิจารณาความเบี่ยงเบนของความน่าจะเป็นของการดำเนินการที่ปราศจากความล้มเหลวไม่ใช่กระบวนการทางเทคโนโลยีเดียว แต่มีหลายอย่างก็จะน้อยลงมาก เห็นได้ชัดว่ายิ่งเล็กยิ่งมีการพิจารณากระบวนการทางเทคโนโลยีมากขึ้น ดังนั้น การทดลองจำลองแสดงข้อตกลงที่ดีระหว่างความน่าจะเป็นของการดำเนินการโดยไม่ล้มเหลวของกระบวนการทางเทคโนโลยีของผลิตภัณฑ์การผลิต กับความน่าจะเป็นที่ได้รับโดยใช้แบบจำลองทางคณิตศาสตร์แบบหนึ่งพารามิเตอร์
นอกจากนี้ ได้ทำการทดลองจำลอง:
เพื่อศึกษาการลู่เข้าทางสถิติของการประมาณค่าพารามิเตอร์การกระจายความน่าจะเป็น
เพื่อศึกษาความเสถียรทางสถิติของการคาดหมายทางคณิตศาสตร์ของจำนวนการดำเนินการที่ดำเนินการโดยไม่ล้มเหลว
เพื่อวิเคราะห์วิธีการกำหนดระยะเวลาของระยะเวลาการวางแผนขั้นต่ำและการประเมินความคลาดเคลื่อนระหว่างตัวบ่งชี้ที่วางแผนไว้และตามจริงของกระบวนการผลิต หากระยะเวลาที่วางแผนไว้และระยะเวลาการผลิตไม่ตรงกันในเวลา
การทดลองแสดงให้เห็นข้อตกลงที่ดีระหว่างข้อมูลทางทฤษฎีที่ได้จากการใช้เทคนิคและข้อมูลเชิงประจักษ์ที่ได้จากการจำลอง
ซีรีส์ "เศรษฐศาสตร์และการจัดการ"
คอมพิวเตอร์ของกระบวนการผลิตจริง
จากการประยุกต์ใช้แบบจำลองทางคณิตศาสตร์ที่สร้างขึ้น ผู้เขียนได้พัฒนาวิธีการเฉพาะสามวิธีในการปรับปรุงประสิทธิภาพของการจัดการการปฏิบัติงาน เพื่อทำการทดลองจำลองแยกกัน
1. วิธีการกำหนดปริมาณที่สมเหตุสมผลของงานการผลิตสำหรับรอบระยะเวลาการวางแผน
2. วิธีการกำหนดระยะเวลาที่มีประสิทธิภาพสูงสุดของระยะเวลาการวางแผนปฏิบัติการ
3. การประเมินความคลาดเคลื่อนในกรณีที่ไม่ตรงกันระหว่างระยะเวลาที่วางแผนไว้และระยะเวลาการผลิต
วรรณกรรม
1. Mordasov Yu.P. การกำหนดระยะเวลาของระยะเวลาการวางแผนปฏิบัติการขั้นต่ำภายใต้การกระทำของการรบกวนแบบสุ่ม / แบบจำลองทางเศรษฐศาสตร์และคณิตศาสตร์และการจำลองโดยใช้คอมพิวเตอร์ - ม: MIU อิ่ม S. Ordzhonikidze, 1984.
2. เนย์เลอร์ ต. เครื่องจำลองการทดลองกับแบบจำลองของระบบเศรษฐกิจ -M: มีร์, 1975.
การเปลี่ยนจากความเข้มข้นไปสู่การกระจายความเสี่ยงเป็นวิธีที่มีประสิทธิภาพในการพัฒนาเศรษฐกิจของธุรกิจขนาดเล็กและขนาดกลาง
ศ. Kozlenko N. N. มหาวิทยาลัยวิศวกรรมเครื่องกล
คำอธิบายประกอบ บทความนี้กล่าวถึงปัญหาในการเลือกการพัฒนาธุรกิจขนาดกลางและขนาดย่อมของรัสเซียที่มีประสิทธิผลมากที่สุดผ่านการเปลี่ยนจากกลยุทธ์การมุ่งเน้นไปสู่กลยุทธ์การกระจายความเสี่ยง ประเด็นของความเป็นไปได้ในการกระจายความเสี่ยง, ข้อดีของมัน, เกณฑ์สำหรับการเลือกเส้นทางของการกระจายความเสี่ยง, การจำแนกประเภทของกลยุทธ์การกระจายความเสี่ยง
คำสำคัญ: ธุรกิจขนาดเล็กและขนาดกลาง การกระจายความเสี่ยง; ความเหมาะสมเชิงกลยุทธ์ ความได้เปรียบในการแข่งขัน.
การเปลี่ยนแปลงเชิงรุกในพารามิเตอร์ของสภาพแวดล้อมมหภาค (การเปลี่ยนแปลงในสภาวะตลาด การเกิดขึ้นของคู่แข่งรายใหม่ในอุตสาหกรรมที่เกี่ยวข้อง การเพิ่มขึ้นของระดับการแข่งขันโดยทั่วไป) มักจะนำไปสู่การไม่ปฏิบัติตามแผนกลยุทธ์ที่วางแผนไว้สำหรับขนาดกลางและขนาดย่อม ธุรกิจขนาดย่อมสูญเสียความมั่นคงทางการเงินและเศรษฐกิจขององค์กรเนื่องจากช่องว่างที่สำคัญระหว่างเงื่อนไขวัตถุประสงค์สำหรับกิจกรรมของธุรกิจขนาดเล็กวิสาหกิจและระดับของเทคโนโลยีการจัดการของพวกเขา
เงื่อนไขหลักสำหรับเสถียรภาพทางเศรษฐกิจและความเป็นไปได้ในการรักษาความได้เปรียบในการแข่งขันคือความสามารถของระบบการจัดการในการตอบสนองในเวลาที่เหมาะสมและเปลี่ยนกระบวนการผลิตภายใน (เปลี่ยนการแบ่งประเภทโดยคำนึงถึงความหลากหลายสร้างกระบวนการผลิตและกระบวนการทางเทคโนโลยีใหม่เปลี่ยนโครงสร้างของ องค์กรโดยใช้เครื่องมือทางการตลาดและการจัดการที่เป็นนวัตกรรมใหม่)
การศึกษาแนวปฏิบัติของวิสาหกิจขนาดกลางและขนาดย่อมของรัสเซียประเภทการผลิตและบริการได้เปิดเผยคุณลักษณะต่อไปนี้และความสัมพันธ์ของเหตุและผลขั้นพื้นฐานเกี่ยวกับแนวโน้มปัจจุบันในการเปลี่ยนผ่านขององค์กรขนาดเล็กจากการกระจุกตัวเป็นการกระจายความเสี่ยง
SMB ส่วนใหญ่เริ่มต้นจากธุรกิจขนาดเล็กที่มีขนาดเดียวเหมาะกับทุกธุรกิจที่ให้บริการในตลาดท้องถิ่นหรือระดับภูมิภาค ในช่วงเริ่มต้นของกิจกรรม กลุ่มผลิตภัณฑ์ของบริษัทดังกล่าวมีจำกัด ฐานเงินทุนอ่อนแอ และตำแหน่งการแข่งขันของบริษัทมีความเสี่ยง โดยปกติ กลยุทธ์ของบริษัทดังกล่าวจะเน้นที่การเติบโตของยอดขายและส่วนแบ่งการตลาด ตลอดจน
4. แบบแผนสำหรับการสร้างแบบจำลองสุ่ม
การสร้างแบบจำลองสุ่มประกอบด้วยการพัฒนา การประเมินคุณภาพ และการศึกษาพฤติกรรมของระบบโดยใช้สมการที่อธิบายกระบวนการที่กำลังศึกษา ในการทำเช่นนี้โดยทำการทดลองพิเศษกับระบบจริงจะได้รับข้อมูลเบื้องต้น ในกรณีนี้ จะใช้วิธีการวางแผนการทดลอง การประมวลผลผลลัพธ์ ตลอดจนเกณฑ์สำหรับการประเมินแบบจำลองที่ได้รับ โดยพิจารณาจากส่วนต่างๆ ของสถิติทางคณิตศาสตร์ เช่น การกระจายตัว สหสัมพันธ์ การวิเคราะห์การถดถอย ฯลฯ
ขั้นตอนของการพัฒนาแบบจำลองสุ่ม:
การกำหนดปัญหา
การเลือกปัจจัยและพารามิเตอร์
การเลือกประเภทรุ่น
การวางแผนการทดลอง
การดำเนินการทดลองตามแผน
การสร้างแบบจำลองทางสถิติ
การตรวจสอบแบบจำลอง (เกี่ยวข้องกับ 8, 9, 2, 3, 4)
การปรับรุ่น
สำรวจกระบวนการด้วยแบบจำลอง (เชื่อมโยงกับ 11)
คำจำกัดความของพารามิเตอร์การเพิ่มประสิทธิภาพและข้อจำกัด
การเพิ่มประสิทธิภาพกระบวนการด้วยแบบจำลอง (เชื่อมโยงกับ 10 และ 13)
ข้อมูลการทดลองของอุปกรณ์อัตโนมัติ
การควบคุมกระบวนการด้วยแบบจำลอง (เชื่อมโยงกับ 12)
การรวมขั้นตอนที่ 1 ถึง 9 ทำให้เราได้รูปแบบข้อมูล ขั้นตอนที่ 1 ถึง 11 ให้รูปแบบการปรับให้เหมาะสม และการรวมรายการทั้งหมดทำให้เรามีรูปแบบการควบคุม
5. เครื่องมือสำหรับการประมวลผลโมเดล
เมื่อใช้ระบบ CAE คุณสามารถดำเนินการตามขั้นตอนต่อไปนี้สำหรับแบบจำลองการประมวลผล:
การซ้อนทับตาข่ายไฟไนต์เอลิเมนต์บนโมเดล 3 มิติ
ปัญหาภาวะเครียดจากความร้อน ปัญหาพลศาสตร์ของไหล
ปัญหาการถ่ายเทความร้อนและมวล
งานติดต่อ;
การคำนวณทางจลนศาสตร์และไดนามิก เป็นต้น
การสร้างแบบจำลองการจำลองระบบการผลิตที่ซับซ้อนตามแบบจำลองการเข้าคิวและตาข่ายเพาะเลี้ยง
โดยทั่วไปแล้ว โมดูล CAE จะให้ความสามารถในการสร้างสีและภาพระดับสีเทา ซ้อนชิ้นส่วนดั้งเดิมและชิ้นส่วนที่ผิดรูป มองเห็นภาพการไหลของของเหลวและก๊าซ
ตัวอย่างระบบสำหรับการสร้างแบบจำลองเขตข้อมูลปริมาณทางกายภาพตาม FEM: Nastran, Ansys, Cosmos, Nisa, Moldflow
ตัวอย่างระบบสำหรับการสร้างแบบจำลองกระบวนการไดนามิกในระดับมหภาค: Adams และ Dyna - ในระบบเครื่องกล, Spice - ในวงจรอิเล็กทรอนิกส์, PA9 - สำหรับการสร้างแบบจำลองหลายแง่มุม เช่น สำหรับระบบการสร้างแบบจำลองซึ่งมีพื้นฐานอยู่บนอิทธิพลร่วมกันของกระบวนการทางกายภาพที่มีลักษณะต่างๆ
6. การสร้างแบบจำลองทางคณิตศาสตร์ แบบจำลองการวิเคราะห์และการจำลอง
แบบจำลองทางคณิตศาสตร์ -ชุดของวัตถุทางคณิตศาสตร์ (ตัวเลข ตัวแปร ชุด ฯลฯ) และความสัมพันธ์ระหว่างวัตถุเหล่านี้ ซึ่งสะท้อนคุณสมบัติ (จำเป็น) บางอย่างของวัตถุทางเทคนิคที่ออกแบบไว้อย่างเพียงพอ แบบจำลองทางคณิตศาสตร์อาจเป็นรูปทรงเรขาคณิต ทอพอโลยี ไดนามิก ลอจิก เป็นต้น
- ความเพียงพอของการแสดงวัตถุจำลอง
พื้นที่ของความเพียงพอคือพื้นที่ในพื้นที่พารามิเตอร์ ซึ่งข้อผิดพลาดของแบบจำลองยังคงอยู่ภายในขอบเขตที่ยอมรับได้
- เศรษฐกิจ (ประสิทธิภาพการคำนวณ)- กำหนดโดยต้นทุนของทรัพยากร
ที่จำเป็นสำหรับการนำโมเดลไปใช้ (เวลาคอมพิวเตอร์ หน่วยความจำที่ใช้ ฯลฯ );
- ความแม่นยำ -กำหนดระดับของความบังเอิญของผลลัพธ์ที่คำนวณและเป็นจริง (ระดับของการติดต่อระหว่างการประมาณคุณสมบัติของชื่อเดียวกันของวัตถุและแบบจำลอง)
การสร้างแบบจำลองทางคณิตศาสตร์- ขั้นตอนการสร้างแบบจำลองทางคณิตศาสตร์ รวมถึงขั้นตอนต่อไปนี้: การตั้งค่าปัญหา; การสร้างแบบจำลองและการวิเคราะห์ การพัฒนาวิธีการเพื่อให้ได้โซลูชันการออกแบบบนแบบจำลอง การตรวจสอบและการแก้ไขการทดลองของแบบจำลองและวิธีการ
คุณภาพของแบบจำลองทางคณิตศาสตร์ที่สร้างขึ้นนั้นขึ้นอยู่กับการกำหนดปัญหาให้ถูกต้องเป็นส่วนใหญ่ จำเป็นต้องกำหนดเป้าหมายทางเทคนิคและเศรษฐกิจของปัญหาที่กำลังแก้ไข เพื่อรวบรวมและวิเคราะห์ข้อมูลเบื้องต้นทั้งหมด เพื่อกำหนดข้อจำกัดทางเทคนิค ในกระบวนการสร้างแบบจำลองควรใช้วิธีการวิเคราะห์ระบบ
ตามกฎแล้ว กระบวนการสร้างแบบจำลองเป็นการวนซ้ำในลักษณะ ซึ่งให้การปรับแต่งการตัดสินใจก่อนหน้าที่ทำในขั้นตอนก่อนหน้าของการพัฒนาแบบจำลองในแต่ละขั้นตอนการทำซ้ำ
โมเดลเชิงวิเคราะห์ -แบบจำลองทางคณิตศาสตร์เชิงตัวเลขที่สามารถแสดงเป็นการพึ่งพาพารามิเตอร์เอาต์พุตอย่างชัดเจนกับพารามิเตอร์ภายในและภายนอก โมเดลจำลอง -แบบจำลองอัลกอริธึมเชิงตัวเลขที่แสดงกระบวนการในระบบโดยมีอิทธิพลภายนอกต่อระบบ โมเดลอัลกอริทึมคือโมเดลที่มีการระบุความสัมพันธ์ระหว่างเอาต์พุต พารามิเตอร์ภายในและภายนอกโดยปริยายในรูปแบบของอัลกอริธึมการสร้างแบบจำลอง โมเดลจำลองมักใช้ในระดับการออกแบบระบบ การสร้างแบบจำลองการจำลองทำได้โดยการทำซ้ำเหตุการณ์ที่เกิดขึ้นพร้อมกันหรือตามลำดับในเวลาของแบบจำลอง ตัวอย่างของแบบจำลองการจำลองสามารถพิจารณาการใช้ Petri net เพื่อจำลองระบบการเข้าคิว
7. หลักการพื้นฐานในการสร้างแบบจำลองทางคณิตศาสตร์
วิธีการแบบคลาสสิก (อุปนัย)ออบเจ็กต์จริงที่จะสร้างแบบจำลองแบ่งออกเป็นระบบย่อยที่แยกจากกัน กล่าวคือ ข้อมูลเริ่มต้นสำหรับการสร้างแบบจำลองจะถูกเลือกและกำหนดเป้าหมายที่สะท้อนถึงแง่มุมบางประการของกระบวนการสร้างแบบจำลอง ตามชุดข้อมูลเริ่มต้นที่แยกจากกัน เป้าหมายคือการสร้างแบบจำลองด้านที่แยกจากกันของการทำงานของระบบ บนพื้นฐานของเป้าหมายนี้ ส่วนประกอบบางอย่างของแบบจำลองในอนาคตจะถูกสร้างขึ้น ชุดของส่วนประกอบถูกรวมเข้าเป็นแบบจำลอง
วิธีการแบบคลาสสิกดังกล่าวสามารถใช้เพื่อสร้างแบบจำลองที่ค่อนข้างง่าย ซึ่งการแยกและการพิจารณาแต่ละแง่มุมของการทำงานของวัตถุจริงอย่างเป็นอิสระร่วมกันนั้นเป็นไปได้ ดำเนินการย้ายจากเฉพาะไปยังทั่วไป
แนวทางของระบบจากข้อมูลเบื้องต้นที่ทราบจากการวิเคราะห์ระบบภายนอก ข้อ จำกัด เหล่านั้นที่กำหนดบนระบบจากด้านบนหรือตามความเป็นไปได้ของการใช้งานและบนพื้นฐานของวัตถุประสงค์ในการทำงานข้อกำหนดเบื้องต้นสำหรับ มีการกำหนดรูปแบบระบบ บนพื้นฐานของข้อกำหนดเหล่านี้ ประมาณระบบย่อยและองค์ประกอบบางอย่างจะเกิดขึ้น และขั้นตอนที่ยากที่สุดในการสังเคราะห์คือ การเลือกส่วนประกอบของระบบ ซึ่งใช้เกณฑ์การคัดเลือกพิเศษ แนวทางของระบบยังบ่งบอกถึงลำดับของการพัฒนาแบบจำลอง ซึ่งประกอบด้วยขั้นตอนการออกแบบหลักสองขั้นตอน: การออกแบบมาโครและการออกแบบขนาดเล็ก
เวทีการออกแบบมาโคร– บนพื้นฐานของข้อมูลเกี่ยวกับระบบจริงและสภาพแวดล้อมภายนอก มีการสร้างแบบจำลองของสภาพแวดล้อมภายนอก ระบุทรัพยากรและข้อจำกัดสำหรับการสร้างแบบจำลองระบบ เลือกแบบจำลองระบบและเกณฑ์เพื่อประเมินความเพียงพอของระบบจริง แบบอย่าง. เมื่อสร้างแบบจำลองของระบบและแบบจำลองของสภาพแวดล้อมภายนอกตามเกณฑ์ประสิทธิภาพของการทำงานของระบบในกระบวนการสร้างแบบจำลองแล้วจึงเลือกกลยุทธ์การควบคุมที่เหมาะสมที่สุดซึ่งทำให้สามารถรับรู้ได้ ความเป็นไปได้ของแบบจำลองในการทำซ้ำบางแง่มุมของการทำงานของระบบจริง
เวทีไมโครดีไซน์ส่วนใหญ่ขึ้นอยู่กับประเภทของรุ่นที่เลือก ในกรณีของแบบจำลองจำลอง จำเป็นต้องสร้างความมั่นใจว่าการสร้างข้อมูล ระบบการสร้างแบบจำลองทางคณิตศาสตร์ เทคนิค และซอฟต์แวร์ ในขั้นตอนนี้ เป็นไปได้ที่จะกำหนดคุณลักษณะหลักของแบบจำลองที่สร้างขึ้น ประเมินเวลาในการทำงานกับมันและต้นทุนของทรัพยากรเพื่อให้ได้คุณภาพที่สอดคล้องกันระหว่างแบบจำลองกับกระบวนการทำงานของระบบ รุ่นที่ใช้
เมื่อสร้างมันจำเป็นต้องได้รับคำแนะนำจากแนวทางที่เป็นระบบหลายประการ:
ความก้าวหน้าตามลำดับตามสัดส่วนผ่านขั้นตอนและทิศทางของการสร้างแบบจำลอง
การประสานงานของข้อมูล ทรัพยากร ความน่าเชื่อถือ และลักษณะอื่นๆ
อัตราส่วนที่ถูกต้องของแต่ละระดับของลำดับชั้นในระบบการสร้างแบบจำลอง
ความสมบูรณ์ของขั้นตอนที่แยกออกมาแต่ละขั้นของการสร้างแบบจำลอง
การวิเคราะห์วิธีการที่ใช้ในแบบจำลองทางคณิตศาสตร์
ในการสร้างแบบจำลองทางคณิตศาสตร์ การแก้สมการเชิงอนุพันธ์หรืออนุพันธ์จำนวนเต็มที่มีอนุพันธ์ย่อยบางส่วนทำได้โดยใช้วิธีเชิงตัวเลข วิธีการเหล่านี้ขึ้นอยู่กับการแยกส่วนของตัวแปรอิสระ - การแสดงโดยชุดค่าที่ จำกัด ที่จุดสำคัญที่เลือกของพื้นที่ภายใต้การศึกษา จุดเหล่านี้ถือเป็นโหนดของบางกริด
ในบรรดาวิธีกริดนั้น มีการใช้สองวิธีอย่างแพร่หลายที่สุด: วิธีไฟไนต์ดิฟเฟอเรนซ์ (FDM) และวิธีไฟไนต์เอลิเมนต์ (FEM) โดยปกติเราจะแยกตัวแปรอิสระเชิงพื้นที่ กล่าวคือ โดยใช้ตารางเชิงพื้นที่ ในกรณีนี้ ผลลัพธ์ของการแยกส่วนคือระบบของสมการเชิงอนุพันธ์ธรรมดา ซึ่งจะถูกลดขนาดลงเป็นระบบสมการพีชคณิตโดยใช้เงื่อนไขขอบเขต
ให้จำเป็นต้องแก้สมการ LV(z) = ฉ(z)
ด้วยเงื่อนไขขอบเขตที่กำหนด MV(z) = .(z),
ที่ไหน หลี่และ ม-ตัวดำเนินการส่วนต่าง วี(z) - ตัวแปรเฟส z= (x 1, x 2, x 3, t) - เวกเตอร์ของตัวแปรอิสระ ฉ(z) และ ψ.( z) ได้รับหน้าที่ของตัวแปรอิสระ
ที่ MKRพีชคณิตของอนุพันธ์เทียบกับพิกัดเชิงพื้นที่ขึ้นอยู่กับการประมาณของอนุพันธ์โดยนิพจน์ความแตกต่างจำกัด เมื่อใช้วิธีนี้ คุณต้องเลือกขั้นตอนกริดสำหรับแต่ละพิกัดและประเภทของเทมเพลต แม่แบบเข้าใจว่าเป็นชุดของจุดปมซึ่งเป็นค่าของตัวแปรที่ใช้ในการประมาณอนุพันธ์ ณ จุดใดจุดหนึ่ง
FEMอยู่บนพื้นฐานของการประมาณไม่ใช่ของอนุพันธ์ แต่จากการประมาณของสารละลายเอง วี(z). แต่เนื่องจากไม่เป็นที่รู้จัก การประมาณจึงดำเนินการโดยนิพจน์ที่มีค่าสัมประสิทธิ์ที่ไม่ได้กำหนดไว้
ในกรณีนี้ เรากำลังพูดถึงการประมาณของโซลูชันภายในองค์ประกอบจำกัด และเมื่อคำนึงถึงขนาดที่เล็ก เราสามารถพูดคุยเกี่ยวกับการใช้นิพจน์การประมาณที่ค่อนข้างง่าย (เช่น พหุนามดีกรีต่ำ) อันเป็นผลมาจากการทดแทน พหุนามดังกล่าวในสมการเชิงอนุพันธ์ดั้งเดิมและการดำเนินการสร้างความแตกต่าง ค่าของตัวแปรเฟสจะได้รับตามจุดที่กำหนด
การประมาณพหุนาม การใช้วิธีการมีความเกี่ยวข้องกับความเป็นไปได้ของการประมาณฟังก์ชันที่ราบรื่นด้วยพหุนาม จากนั้นจึงใช้พหุนามการประมาณเพื่อประมาณพิกัดของจุดที่เหมาะสมที่สุด เงื่อนไขที่จำเป็นสำหรับการดำเนินการตามแนวทางนี้อย่างมีประสิทธิภาพคือ ความเป็นเอกภาพและความต่อเนื่อง ทำงานภายใต้การศึกษา ตามทฤษฎีบทการประมาณของ Weierstrass หากฟังก์ชันต่อเนื่องกันในช่วงเวลาใดช่วงหนึ่ง ก็สามารถประมาณค่าความแม่นยำระดับใดก็ได้โดยใช้พหุนามของลำดับที่สูงเพียงพอ ตามทฤษฎีบท Weierstrass คุณภาพของการประมาณพิกัดจุดที่เหมาะสมที่สุดที่ได้รับโดยใช้พหุนามการประมาณสามารถปรับปรุงได้สองวิธี: โดยใช้พหุนามลำดับที่สูงกว่าและโดยการลดช่วงการประมาณ เวอร์ชันที่ง่ายที่สุดของการประมาณค่าพหุนามคือการประมาณกำลังสอง ซึ่งขึ้นอยู่กับข้อเท็จจริงที่ว่าฟังก์ชันที่ใช้ค่าต่ำสุดที่จุดภายในของช่วงเวลาต้องเป็นกำลังสองเป็นอย่างน้อย
วินัย "แบบจำลองและวิธีการวิเคราะห์โซลูชันการออกแบบ" (Kazakov Yu.M. )
การจำแนกแบบจำลองทางคณิตศาสตร์
ระดับนามธรรมของแบบจำลองทางคณิตศาสตร์
ข้อกำหนดสำหรับแบบจำลองทางคณิตศาสตร์
แบบแผนสำหรับการสร้างแบบจำลองสุ่ม
เครื่องมือประมวลผลแบบจำลอง
การสร้างแบบจำลองทางคณิตศาสตร์ แบบจำลองการวิเคราะห์และการจำลอง
หลักการพื้นฐานในการสร้างแบบจำลองทางคณิตศาสตร์
การวิเคราะห์วิธีการประยุกต์ในการสร้างแบบจำลองทางคณิตศาสตร์
1. การจำแนกตัวแบบทางคณิตศาสตร์
แบบจำลองทางคณิตศาสตร์ (MM) ของอ็อบเจกต์ทางเทคนิคคือชุดของออบเจกต์ทางคณิตศาสตร์ (ตัวเลข ตัวแปร เมทริกซ์ ชุด ฯลฯ) และความสัมพันธ์ระหว่างกัน ซึ่งสะท้อนถึงคุณสมบัติของออบเจกต์ทางเทคนิคที่สนใจวิศวกรที่กำลังพัฒนาออบเจกต์นี้อย่างเพียงพอ
โดยธรรมชาติของการแสดงคุณสมบัติของวัตถุ:
การทำงาน - ออกแบบมาเพื่อแสดงกระบวนการทางกายภาพหรือข้อมูลที่เกิดขึ้นในระบบทางเทคนิคระหว่างการทำงาน แบบจำลองการทำงานทั่วไปคือระบบของสมการที่อธิบายกระบวนการทางไฟฟ้า ความร้อน ทางกล หรือกระบวนการแปลงข้อมูล
โครงสร้าง - แสดงคุณสมบัติโครงสร้างของวัตถุ (ทอพอโลยี, เรขาคณิต) . ตัวแบบโครงสร้างมักแสดงเป็นกราฟ
โดยอยู่ในระดับลำดับชั้น:
แบบจำลองระดับไมโคร - แสดงกระบวนการทางกายภาพในพื้นที่และเวลาต่อเนื่อง สำหรับการสร้างแบบจำลองจะใช้อุปกรณ์ของสมการของฟิสิกส์คณิตศาสตร์ ตัวอย่างของสมการดังกล่าวคือสมการเชิงอนุพันธ์ย่อย
โมเดลระดับมหภาค ใช้การขยายรายละเอียดของพื้นที่บนพื้นฐานพื้นฐาน แบบจำลองฟังก์ชันที่ระดับมหภาคคือระบบของสมการเชิงพีชคณิตหรือสมการเชิงอนุพันธ์สามัญ และใช้วิธีตัวเลขที่เหมาะสมเพื่อให้ได้มาและแก้ปัญหา
รุ่น Metolevel คำอธิบายแบบขยายของวัตถุที่อยู่ระหว่างการพิจารณา แบบจำลองทางคณิตศาสตร์ในระดับเมตาดาต้า - ระบบสมการเชิงอนุพันธ์ธรรมดา ระบบสมการลอจิคัล แบบจำลองการจำลองระบบการจัดคิว
วิธีรับโมเดล:
ทฤษฎี - สร้างขึ้นบนพื้นฐานของรูปแบบการศึกษา แบบจำลองเชิงทฤษฎีต่างจากแบบจำลองเชิงประจักษ์ โดยส่วนใหญ่แล้ว แบบจำลองเชิงทฤษฎีจะเป็นแบบสากลมากกว่าและใช้ได้กับปัญหาที่หลากหลายกว่า แบบจำลองเชิงทฤษฎีเป็นแบบเชิงเส้นและไม่เชิงเส้น ต่อเนื่องและไม่ต่อเนื่อง เป็นไดนามิกและเชิงสถิติ
เชิงประจักษ์
ข้อกำหนดหลักสำหรับแบบจำลองทางคณิตศาสตร์ใน CAD:
ความเพียงพอของการแสดงวัตถุจำลอง
ความเพียงพอจะเกิดขึ้นหากแบบจำลองสะท้อนถึงคุณสมบัติที่กำหนดของวัตถุด้วยความแม่นยำที่ยอมรับได้ และประเมินโดยรายการคุณสมบัติที่สะท้อนให้เห็นและพื้นที่ความเพียงพอ พื้นที่ของความเพียงพอคือพื้นที่ในพื้นที่พารามิเตอร์ ซึ่งข้อผิดพลาดของแบบจำลองยังคงอยู่ภายในขอบเขตที่ยอมรับได้
เศรษฐกิจ (ประสิทธิภาพการคำนวณ)– กำหนดโดยต้นทุนของทรัพยากรที่จำเป็นสำหรับการนำแบบจำลองไปใช้ (เวลาของคอมพิวเตอร์ หน่วยความจำที่ใช้ ฯลฯ)
ความแม่นยำ– กำหนดระดับของความบังเอิญของผลลัพธ์ที่คำนวณและเป็นจริง (ระดับของการติดต่อระหว่างการประมาณคุณสมบัติของชื่อเดียวกันของวัตถุและแบบจำลอง)
นอกจากนี้ยังมีข้อกำหนดอื่นๆ อีกจำนวนหนึ่งในแบบจำลองทางคณิตศาสตร์:
ความสามารถในการคำนวณ, เช่น. ความเป็นไปได้ของการใช้งานด้วยตนเองหรือด้วยความช่วยเหลือของคอมพิวเตอร์ในการศึกษารูปแบบเชิงคุณภาพและเชิงปริมาณของการทำงานของวัตถุ (ระบบ)
ความเป็นโมดูล, เช่น. ความสอดคล้องของการสร้างแบบจำลองกับส่วนประกอบโครงสร้างของวัตถุ (ระบบ)
อัลกอริทึม, เช่น. ความเป็นไปได้ในการพัฒนาอัลกอริธึมที่เหมาะสมและโปรแกรมที่ใช้แบบจำลองทางคณิตศาสตร์บนคอมพิวเตอร์
ทัศนวิสัย, เช่น. การรับรู้ภาพที่สะดวกของแบบจำลอง
โต๊ะ. การจำแนกแบบจำลองทางคณิตศาสตร์
คุณสมบัติการจำแนก |
ประเภทของแบบจำลองทางคณิตศาสตร์ |
1. อยู่ในลำดับชั้น |
โมเดลระดับไมโคร โมเดลระดับมาโคร โมเดลระดับเมตา |
2. ธรรมชาติของคุณสมบัติที่แสดงของวัตถุ |
โครงสร้าง การทำงาน |
3. วิธีการแสดงคุณสมบัติของวัตถุ |
วิเคราะห์ อัลกอริทึม การจำลอง |
4. วิธีรับโมเดล |
ทฤษฎี เชิงประจักษ์ |
5. คุณสมบัติของพฤติกรรมของวัตถุ |
กำหนดขึ้น ความน่าจะเป็น |
แบบจำลองทางคณิตศาสตร์ในระดับจุลภาคของกระบวนการผลิตสะท้อนให้เห็นถึงกระบวนการทางกายภาพที่เกิดขึ้น เช่น เมื่อตัดโลหะ พวกเขาอธิบายกระบวนการในระดับการเปลี่ยนแปลง
ตัวแบบทางคณิตศาสตร์ในระดับมหภาคกระบวนการผลิตอธิบายกระบวนการทางเทคโนโลยี
แบบจำลองทางคณิตศาสตร์ที่ระดับเมตาของกระบวนการผลิตอธิบายระบบเทคโนโลยี (ส่วน, การประชุมเชิงปฏิบัติการ, องค์กรโดยรวม)
ตัวแบบทางคณิตศาสตร์โครงสร้างออกแบบมาเพื่อแสดงคุณสมบัติโครงสร้างของวัตถุ ตัวอย่างเช่น ใน CAD TP แบบจำลองเชิงโครงสร้าง-ลอจิกถูกนำมาใช้เพื่อแสดงโครงสร้างของกระบวนการทางเทคโนโลยี บรรจุภัณฑ์ของผลิตภัณฑ์
แบบจำลองทางคณิตศาสตร์เชิงฟังก์ชันออกแบบมาเพื่อแสดงข้อมูล ทางกายภาพ กระบวนการชั่วคราวที่เกิดขึ้นในอุปกรณ์ปฏิบัติการ ในกระบวนการทางเทคโนโลยี ฯลฯ
แบบจำลองทางคณิตศาสตร์เชิงทฤษฎีเกิดขึ้นจากการศึกษาวัตถุ (กระบวนการ) ในระดับทฤษฎี
แบบจำลองทางคณิตศาสตร์เชิงประจักษ์ถูกสร้างขึ้นจากการทดลอง (ศึกษาลักษณะภายนอกของคุณสมบัติของวัตถุโดยการวัดพารามิเตอร์ที่อินพุตและเอาต์พุต) และประมวลผลผลลัพธ์โดยใช้วิธีสถิติทางคณิตศาสตร์
แบบจำลองทางคณิตศาสตร์ที่กำหนดขึ้นได้อธิบายพฤติกรรมของวัตถุจากจุดยืนของความแน่นอนทั้งในปัจจุบันและอนาคต ตัวอย่างของแบบจำลองดังกล่าว: สูตรของกฎหมายทางกายภาพ กระบวนการทางเทคโนโลยีสำหรับการประมวลผลชิ้นส่วน ฯลฯ
แบบจำลองทางคณิตศาสตร์ความน่าจะเป็นโดยคำนึงถึงอิทธิพลของปัจจัยสุ่มที่มีต่อพฤติกรรมของวัตถุ เช่น ประเมินอนาคตในแง่ของความน่าจะเป็นของเหตุการณ์บางอย่าง
แบบจำลองเชิงวิเคราะห์ - แบบจำลองทางคณิตศาสตร์เชิงตัวเลขที่สามารถแสดงเป็นการพึ่งพาพารามิเตอร์เอาต์พุตอย่างชัดเจนกับพารามิเตอร์ภายในและภายนอก
แบบจำลองทางคณิตศาสตร์อัลกอริทึมแสดงความสัมพันธ์ระหว่างพารามิเตอร์เอาต์พุตกับพารามิเตอร์อินพุตและพารามิเตอร์ภายในในรูปแบบของอัลกอริทึม
แบบจำลองทางคณิตศาสตร์จำลอง- เหล่านี้เป็นแบบจำลองอัลกอริธึมที่สะท้อนถึงการพัฒนาของกระบวนการ (พฤติกรรมของวัตถุที่กำลังศึกษา) ในเวลาที่กำหนดอิทธิพลภายนอกต่อกระบวนการ (วัตถุ) ตัวอย่างเช่น เหล่านี้เป็นแบบจำลองของระบบการจัดคิวที่กำหนดในรูปแบบอัลกอริธึม
ส่งงานที่ดีของคุณในฐานความรู้เป็นเรื่องง่าย ใช้แบบฟอร์มด้านล่าง
นักศึกษา นักศึกษาระดับบัณฑิตศึกษา นักวิทยาศาสตร์รุ่นเยาว์ที่ใช้ฐานความรู้ในการศึกษาและการทำงานจะขอบคุณเป็นอย่างยิ่ง
โฮสต์ที่ http://www.allbest.ru/
1. ตัวอย่างการสร้างแบบจำลองกระบวนการสุ่ม
ในระหว่างการดำเนินงานของธนาคาร บ่อยครั้งจำเป็นต้องแก้ปัญหาการเลือกเวกเตอร์สินทรัพย์ กล่าวคือ พอร์ตการลงทุนของธนาคาร และพารามิเตอร์ที่ไม่แน่นอนที่ต้องนำมาพิจารณาในงานนี้ส่วนใหญ่เกี่ยวข้องกับความไม่แน่นอนของราคาสินทรัพย์ (หลักทรัพย์ การลงทุนจริง ฯลฯ) เพื่อเป็นตัวอย่าง เราสามารถยกตัวอย่างด้วยการก่อตัวของภาระผูกพันระยะสั้นของรัฐบาล
สำหรับปัญหาของคลาสนี้ ประเด็นพื้นฐานคือการสร้างแบบจำลองของกระบวนการสุ่มของการเปลี่ยนแปลงราคา เนื่องจากนักวิจัยด้านปฏิบัติการมีชุดการสังเกตแบบจำกัดของการรับรู้ตัวแปรสุ่ม - ราคาเท่านั้น ต่อไป มีการนำเสนอแนวทางหนึ่งในการแก้ปัญหานี้ ซึ่งกำลังได้รับการพัฒนาที่ศูนย์คอมพิวเตอร์ของ Russian Academy of Sciences ในส่วนที่เกี่ยวข้องกับการแก้ปัญหาการควบคุมสำหรับกระบวนการสุ่มตัวอย่าง Markov
อยู่ระหว่างการพิจารณา เอ็มประเภทหลักทรัพย์ ผม=1,… , เอ็มซึ่งมีการซื้อขายในช่วงการแลกเปลี่ยนพิเศษ หลักทรัพย์มีลักษณะตามมูลค่า - แสดงเป็นเปอร์เซ็นต์ของผลตอบแทนในช่วงเซสชั่นปัจจุบัน หากกระดาษประเภทดังกล่าวเมื่อสิ้นสุดเซสชั่นมีการซื้อในราคาและขายเมื่อสิ้นสุดเซสชั่นที่ราคา
ผลผลิตเป็นตัวแปรสุ่มที่เกิดขึ้นดังต่อไปนี้ การมีอยู่ของผลตอบแทนพื้นฐานจะถือว่า - ตัวแปรสุ่มที่สร้างกระบวนการมาร์คอฟและถูกกำหนดโดยสูตรต่อไปนี้:
เป็นค่าคงที่และเป็นตัวแปรสุ่มแบบกระจายแบบมาตรฐาน (เช่น โดยไม่มีความคาดหวังทางคณิตศาสตร์และความแปรปรวนของหน่วย)
โดยที่ตัวประกอบมาตราส่วนเท่ากับ () และเป็นตัวแปรสุ่มที่มีความหมายของการเบี่ยงเบนจากค่าฐานและถูกกำหนดในทำนองเดียวกัน:
ซึ่งเป็นตัวแปรสุ่มแบบกระจายปกติแบบมาตรฐานด้วย
สันนิษฐานว่าผู้ดำเนินการบางส่วนซึ่งต่อไปนี้จะเรียกว่าผู้ดำเนินการจัดการเงินลงทุนในหลักทรัพย์ (ในกระดาษประเภทใดประเภทหนึ่ง) เป็นระยะเวลาหนึ่งโดยขายเมื่อสิ้นสุดเซสชันปัจจุบันและซื้อหลักทรัพย์อื่นทันที กับรายได้. การจัดการ การเลือกหลักทรัพย์ที่ซื้อจะดำเนินการตามอัลกอริธึมที่ขึ้นอยู่กับความตระหนักของผู้ดำเนินการเกี่ยวกับกระบวนการที่สร้างผลตอบแทนของหลักทรัพย์ เราจะพิจารณาสมมติฐานต่างๆ เกี่ยวกับการรับรู้นี้ และด้วยเหตุนี้ อัลกอริธึมการควบคุมต่างๆ เราจะถือว่าผู้วิจัยของการดำเนินการพัฒนาและเพิ่มประสิทธิภาพอัลกอริธึมการควบคุมโดยใช้ชุดการสังเกตของกระบวนการที่มีอยู่ เช่น การใช้ข้อมูลเกี่ยวกับราคาปิดในช่วงการแลกเปลี่ยนและอาจเกี่ยวกับค่าในช่วงเวลาหนึ่ง สอดคล้องกับเซสชันที่มีตัวเลข วัตถุประสงค์ของการทดลองคือเพื่อเปรียบเทียบค่าประมาณของประสิทธิภาพที่คาดหวังของอัลกอริธึมการควบคุมต่างๆ กับความคาดหวังทางคณิตศาสตร์ตามทฤษฎีภายใต้เงื่อนไขเมื่ออัลกอริทึมถูกปรับและประเมินผลในชุดการสังเกตเดียวกัน ในการประมาณการคาดหมายทางทฤษฎีทางคณิตศาสตร์ วิธีมอนติคาร์โลถูกใช้โดย "การกวาด" การควบคุมชุดข้อมูลที่สร้างขนาดใหญ่เพียงพอ กล่าวคือ โดยเมทริกซ์ของมิติที่คอลัมน์สอดคล้องกับการรับรู้ของค่าและตามเซสชันและจำนวนจะถูกกำหนดโดยความสามารถในการคำนวณ แต่โดยมีเงื่อนไขว่าองค์ประกอบเมทริกซ์อย่างน้อย 10,000 จำเป็นที่ "รูปหลายเหลี่ยม" เป็น เหมือนกันในทุกการทดลอง ชุดการสังเกตที่มีอยู่จะจำลองเมทริกซ์มิติที่สร้างขึ้น โดยที่ค่าในเซลล์มีความหมายเดียวกันกับข้างต้น จำนวนและค่าในเมทริกซ์นี้จะแตกต่างกันไปในอนาคต เมทริกซ์ของทั้งสองประเภทเกิดขึ้นจากกระบวนการสร้างตัวเลขสุ่ม จำลองการใช้งานตัวแปรสุ่ม และคำนวณองค์ประกอบที่ต้องการของเมทริกซ์โดยใช้การใช้งานและสูตร (1) - (3)
การประเมินประสิทธิภาพการควบคุมในชุดการสังเกตเป็นไปตามสูตร
โดยที่ดัชนีของเซสชันสุดท้ายในชุดการสังเกตคือจำนวนพันธะที่เลือกโดยอัลกอริทึมในขั้นตอนนั่นคือ ประเภทของพันธบัตรซึ่งตามอัลกอริธึมทุนของผู้ดำเนินการจะอยู่ในระหว่างเซสชั่น นอกจากนี้เราจะคำนวณประสิทธิภาพรายเดือนด้วย จำนวน 22 โดยประมาณสอดคล้องกับจำนวนช่วงการซื้อขายต่อเดือน
การทดลองทางคอมพิวเตอร์และการวิเคราะห์ผลลัพธ์
สมมติฐาน
ความรู้ที่แน่นอนโดยผู้ประกอบการผลตอบแทนในอนาคต
ดัชนีถูกเลือกเป็น ตัวเลือกนี้ให้ค่าประมาณที่สูงกว่าสำหรับอัลกอริธึมการควบคุมที่เป็นไปได้ทั้งหมด แม้ว่าข้อมูลเพิ่มเติม (โดยคำนึงถึงปัจจัยเพิ่มเติมบางประการ) จะช่วยให้เราปรับแต่งรูปแบบการคาดการณ์ราคาได้
การควบคุมแบบสุ่ม
ผู้ประกอบการไม่ทราบกฎหมายว่าด้วยการกำหนดราคาและดำเนินการโดยการสุ่มเลือก ในทางทฤษฎี ในรูปแบบนี้ การคาดหมายทางคณิตศาสตร์ของผลลัพธ์ของการดำเนินการจะเหมือนกับว่าผู้ปฏิบัติงานไม่ได้ลงทุนกับกระดาษแผ่นเดียว แต่เท่าเทียมกันในทั้งหมด ด้วยความคาดหวังทางคณิตศาสตร์ของค่าเป็นศูนย์ การคาดหมายทางคณิตศาสตร์ของค่าจะเท่ากับ 1 การคำนวณตามสมมติฐานนี้มีประโยชน์เฉพาะในแง่ที่ว่าอนุญาตให้ควบคุมความถูกต้องของโปรแกรมที่เขียนและเมทริกซ์ของค่าที่สร้างขึ้นได้ในระดับหนึ่ง .
การจัดการที่มีความรู้ที่ถูกต้องเกี่ยวกับรูปแบบการทำกำไร พารามิเตอร์ทั้งหมด และค่าที่สังเกตได้ .
ในกรณีนี้ เมื่อสิ้นสุดเซสชัน ตัวดำเนินการจะทราบค่าของทั้งสองเซสชัน และในการคำนวณของเรา โดยใช้แถวและเมทริกซ์คำนวณค่าทางคณิตศาสตร์
โดยที่ตาม (2), . (6)
ควบคุมด้วยความรู้เกี่ยวกับโครงสร้างของแบบจำลองผลผลิตและค่าที่สังเกตได้ แต่ไม่ทราบค่าสัมประสิทธิ์ .
เราจะถือว่านักวิจัยของการดำเนินการไม่เพียง แต่ไม่ทราบค่าของสัมประสิทธิ์ แต่ยังไม่ทราบจำนวนค่าที่ส่งผลต่อการก่อตัวก่อนหน้าค่าของพารามิเตอร์เหล่านี้ (ความลึกของหน่วยความจำ ของกระบวนการมาร์คอฟ) นอกจากนี้ยังไม่ทราบว่าค่าสัมประสิทธิ์จะเท่ากันหรือต่างกันสำหรับค่าที่ต่างกัน ลองพิจารณารูปแบบต่างๆ ของการกระทำของผู้วิจัย - 4.1, 4.2 และ 4.3 โดยที่ดัชนีที่สองแสดงถึงสมมติฐานของผู้วิจัยเกี่ยวกับความลึกของหน่วยความจำของกระบวนการ (เหมือนกันสำหรับ และ) ตัวอย่างเช่น ในกรณีที่ 4.3 ผู้วิจัยถือว่ามันเกิดขึ้นจากสมการ
เพื่อความสมบูรณ์ได้มีการเพิ่มคำศัพท์ฟรี อย่างไรก็ตาม คำนี้สามารถยกเว้นได้ด้วยเหตุผลที่มีความหมายหรือโดยวิธีการทางสถิติ ดังนั้น เพื่อให้การคำนวณง่ายขึ้น เราไม่รวมเงื่อนไขฟรีเพิ่มเติมเมื่อตั้งค่าพารามิเตอร์จากการพิจารณาและสูตร (7) อยู่ในรูปแบบ:
ขึ้นอยู่กับว่าผู้วิจัยใช้ค่าสัมประสิทธิ์ที่เหมือนกันหรือต่างกันสำหรับค่าที่ต่างกัน เราจะพิจารณากรณีย่อย 4.m 1 - 4.น. 2, m = 1 - 3 ในกรณี 4.ม. 1 ค่าสัมประสิทธิ์จะถูกปรับตามค่าที่สังเกตได้ของหลักทรัพย์ทั้งหมดเข้าด้วยกัน กรณี 4.น. มีการปรับค่าสัมประสิทธิ์ 2 ค่าสำหรับแต่ละความปลอดภัยแยกกัน ในขณะที่ผู้วิจัยทำงานภายใต้สมมติฐานว่าค่าสัมประสิทธิ์แตกต่างกัน ตัวอย่างเช่น ในกรณีที่ 4.2.2 ค่าจะถูกกำหนดโดยสูตรที่แก้ไข (3)
วิธีการตั้งค่าครั้งแรก- วิธีคลาสสิกของกำลังสองน้อยที่สุด ลองพิจารณาจากตัวอย่างการตั้งค่าสัมประสิทธิ์ในตัวเลือก 4.3
ตามสูตร (8),
จำเป็นต้องค้นหาค่าดังกล่าวของสัมประสิทธิ์เพื่อลดความแปรปรวนตัวอย่างสำหรับการนำไปใช้ในชุดการสังเกตที่รู้จักซึ่งเป็นอาร์เรย์โดยมีเงื่อนไขว่าการคาดคะเนทางคณิตศาสตร์ของค่าจะถูกกำหนดโดยสูตร (9)
ต่อไปนี้และในสิ่งต่อไปนี้ เครื่องหมาย "" หมายถึงการตระหนักถึงตัวแปรสุ่ม
ค่าต่ำสุดของรูปแบบกำลังสอง (10) ถึงจุดเดียวที่อนุพันธ์ย่อยทั้งหมดมีค่าเท่ากับศูนย์ จากที่นี่ เราจะได้ระบบสมการเชิงเส้นเชิงพีชคณิตสามสมการ:
การแก้ปัญหาที่ให้ค่าสัมประสิทธิ์ที่ต้องการ
หลังจากตรวจสอบสัมประสิทธิ์แล้ว ทางเลือกของการควบคุมจะดำเนินการในลักษณะเดียวกับกรณีที่ 3
ความคิดเห็นเพื่ออำนวยความสะดวกในการทำงานกับโปรแกรม เป็นที่ยอมรับในการเขียนขั้นตอนการเลือกการควบคุมตามที่อธิบายไว้สำหรับสมมติฐานที่ 3 โดยไม่ได้เน้นที่สูตร (5) แต่ให้เขียนเวอร์ชันที่แก้ไขในแบบฟอร์ม
ในกรณีนี้ ในการคำนวณกรณี 4.1.m และ 4.2.m, m = 1, 2 ค่าสัมประสิทธิ์พิเศษจะถูกตั้งค่าเป็นศูนย์
วิธีการตั้งค่าที่สองประกอบด้วยการเลือกค่าของพารามิเตอร์เพื่อเพิ่มค่าประมาณจากสูตร (4) ให้ได้มากที่สุด งานนี้ยากในเชิงวิเคราะห์และคำนวณอย่างสิ้นหวัง ดังนั้น ในที่นี้ เราสามารถพูดถึงวิธีการปรับปรุงค่าเกณฑ์บางอย่างที่สัมพันธ์กับจุดเริ่มต้นเท่านั้น จุดเริ่มต้นสามารถนำมาจากค่ากำลังสองน้อยที่สุดแล้วคำนวณรอบค่าเหล่านี้บนตาราง ในกรณีนี้ ลำดับของการกระทำจะเป็นดังนี้ ขั้นแรก กริดจะคำนวณจากพารามิเตอร์ (สี่เหลี่ยมจัตุรัสหรือลูกบาศก์) โดยที่พารามิเตอร์ที่เหลือคงที่ แล้วสำหรับกรณีที่ 4.ม. 1 ตารางคำนวณจากพารามิเตอร์ และสำหรับกรณี 4.น. 2 บนพารามิเตอร์ที่มีพารามิเตอร์ที่เหลือคงที่ กรณี 4.ม. พารามิเตอร์เพิ่มเติมอีก 2 รายการยังได้รับการปรับให้เหมาะสมอีกด้วย เมื่อพารามิเตอร์ทั้งหมดหมดลงโดยกระบวนการนี้ กระบวนการนี้จะถูกทำซ้ำ มีการทำซ้ำจนกว่าวงจรใหม่จะให้การปรับปรุงในค่าเกณฑ์เมื่อเทียบกับค่าก่อนหน้า เพื่อให้จำนวนการวนซ้ำไม่มากเกินไป เราใช้เคล็ดลับต่อไปนี้ ภายในแต่ละบล็อกของการคำนวณในพื้นที่พารามิเตอร์ 2 หรือ 3 มิติ ให้ใช้ตารางที่ค่อนข้างหยาบก่อน จากนั้นหากจุดที่ดีที่สุดอยู่ที่ขอบของกริด สี่เหลี่ยมจัตุรัส (ลูกบาศก์) ที่อยู่ระหว่างการศึกษาจะเปลี่ยนไปและ การคำนวณซ้ำแล้วซ้ำอีก แต่ถ้าจุดที่ดีที่สุดคือภายใน กริดใหม่จะถูกสร้างขึ้นรอบๆ จุดนี้ด้วยขั้นตอนที่เล็กกว่า แต่มีจำนวนคะแนนรวมเท่ากัน และอื่นๆ อีกบางส่วน แต่มีจำนวนครั้งที่สมเหตุสมผล
การจัดการภายใต้การไม่มีใครสังเกต และไม่คำนึงถึงการพึ่งพาอาศัยกันระหว่างผลตอบแทนของหลักทรัพย์ต่างๆ
ซึ่งหมายความว่าผู้วิจัยของการดำเนินการไม่สังเกตเห็นความสัมพันธ์ระหว่างหลักทรัพย์ต่าง ๆ ไม่รู้เกี่ยวกับการมีอยู่และพยายามทำนายพฤติกรรมของแต่ละหลักทรัพย์แยกจากกัน ตามปกติ ให้พิจารณาสามกรณีที่ผู้วิจัยจำลองกระบวนการสร้างผลตอบแทนเป็นกระบวนการมาร์กอฟที่มีความลึก 1, 2 และ 3:
ค่าสัมประสิทธิ์สำหรับการคาดการณ์ผลตอบแทนที่คาดหวังไม่สำคัญ และค่าสัมประสิทธิ์ได้รับการปรับในสองวิธี ดังที่อธิบายไว้ในย่อหน้าที่ 4 การควบคุมจะถูกเลือกในลักษณะเดียวกับที่ทำไว้ข้างต้น
หมายเหตุ: เช่นเดียวกับการเลือกตัวควบคุม สำหรับวิธีกำลังสองน้อยที่สุด การเขียนโพรซีเดอร์เดียวด้วยจำนวนตัวแปรสูงสุด - 3. หากตัวแปรนั้นปรับได้ ให้พูด สำหรับคำตอบของระบบเชิงเส้นตรง a สูตรถูกเขียนขึ้นที่รวมเฉพาะค่าคงที่ ถูกกำหนดผ่าน และผ่าน และ ในกรณีที่มีตัวแปรน้อยกว่า 3 ตัว ค่าของตัวแปรเสริมจะถูกตั้งค่าเป็นศูนย์
แม้ว่าการคำนวณในรูปแบบต่างๆ จะดำเนินการในลักษณะเดียวกัน แต่จำนวนของตัวแปรก็ค่อนข้างมาก เมื่อการเตรียมเครื่องมือสำหรับการคำนวณในตัวเลือกทั้งหมดข้างต้นกลายเป็นเรื่องยาก ปัญหาของการลดจำนวนจะพิจารณาที่ระดับผู้เชี่ยวชาญ
การจัดการภายใต้การไม่มีใครสังเกต โดยคำนึงถึงการพึ่งพาอาศัยกันระหว่างผลตอบแทนของหลักทรัพย์ต่างๆ
ชุดการทดลองนี้เลียนแบบการปรับแต่งที่ดำเนินการในปัญหา GKO เราคิดว่าผู้วิจัยแทบไม่รู้อะไรเลยเกี่ยวกับกลไกการสร้างผลตอบแทน เขามีเพียงชุดของการสังเกตคือเมทริกซ์ จากการพิจารณาที่สำคัญ เขาตั้งสมมติฐานเกี่ยวกับการพึ่งพาอาศัยกันของผลตอบแทนปัจจุบันของหลักทรัพย์ต่างๆ โดยจัดกลุ่มตามผลตอบแทนพื้นฐานที่กำหนดโดยสถานะของตลาดโดยรวม เมื่อพิจารณาจากกราฟผลตอบแทนของหลักทรัพย์ในแต่ละเซสชั่น เขาตั้งสมมติฐานว่าในแต่ละช่วงเวลาของจุดที่มีพิกัดคือจำนวนหลักทรัพย์และผลตอบแทน (ในความเป็นจริง สิ่งเหล่านี้คือระยะเวลาครบกำหนดของหลักทรัพย์และราคา) ถูกจัดกลุ่มไว้ใกล้ บางโค้ง (ในกรณีของ GKO - พาราโบลา)
ที่นี่ - จุดตัดของเส้นทฤษฎีที่มีแกน y (ฐานกลับ) และ - ความชัน (ซึ่งควรเท่ากับ 0.05)
โดยการสร้างเส้นทฤษฎีในลักษณะนี้ นักวิจัยของการดำเนินการสามารถคำนวณค่า - ความเบี่ยงเบนของค่าจากค่าทางทฤษฎีของพวกเขา
(โปรดทราบว่าในที่นี้มีความหมายแตกต่างไปจากในสูตร (2) เล็กน้อย ไม่มีสัมประสิทธิ์มิติและการเบี่ยงเบนนั้นไม่ได้พิจารณาจากค่าฐาน แต่มาจากเส้นตรงตามทฤษฎี)
งานต่อไปคือการทำนายค่าจากค่าที่รู้จักในปัจจุบัน . เพราะว่า
ในการทำนายค่า ผู้วิจัยจำเป็นต้องเสนอสมมติฐานเกี่ยวกับการก่อตัวของค่านิยมและ เมื่อใช้เมทริกซ์ ผู้วิจัยสามารถสร้างความสัมพันธ์ที่สำคัญระหว่างค่าของ และ คุณสามารถยอมรับสมมติฐานของความสัมพันธ์เชิงเส้นระหว่างปริมาณได้จาก: จากการพิจารณาที่มีความหมาย สัมประสิทธิ์จะถือว่าเท่ากับศูนย์ทันที และหาวิธีกำลังสองน้อยที่สุดในรูปแบบ:
นอกจากนี้ ดังที่กล่าวไว้ข้างต้น และถูกจำลองโดยกระบวนการของ Markov และอธิบายโดยสูตรที่คล้ายกับ (1) และ (3) โดยมีจำนวนตัวแปรต่างกันไปขึ้นอยู่กับความลึกของหน่วยความจำของกระบวนการ Markov ในเวอร์ชันที่พิจารณา (ในที่นี้ไม่ได้กำหนดโดยสูตร (2) แต่โดยสูตร (16))
สุดท้าย ดังที่กล่าวไว้ข้างต้น มีการใช้วิธีการสองวิธีในการปรับพารามิเตอร์ด้วยวิธีกำลังสองน้อยที่สุด และการประมาณการทำได้โดยการเพิ่มเกณฑ์ให้สูงสุดโดยตรง
การทดลอง
สำหรับตัวเลือกที่อธิบายไว้ทั้งหมด คะแนนเกณฑ์จะถูกคำนวณสำหรับเมทริกซ์ที่ต่างกัน (เมทริกซ์ที่มีจำนวนแถว 1003, 503, 103 และเมทริกซ์ประมาณ 100 ถูกนำมาใช้สำหรับแต่ละตัวเลือกมิติ) ตามผลลัพธ์ของการคำนวณสำหรับแต่ละมิติ การคาดการณ์ทางคณิตศาสตร์และการกระจายของค่า และการเบี่ยงเบนจากค่า ถูกประมาณสำหรับแต่ละตัวเลือกที่เตรียมไว้
ดังที่แสดงในการทดลองทางคอมพิวเตอร์ชุดแรกที่มีพารามิเตอร์ที่ปรับได้จำนวนเล็กน้อย (ประมาณ 4) การเลือกวิธีการปรับแต่งจะไม่ส่งผลกระทบอย่างมีนัยสำคัญต่อค่าเกณฑ์ในปัญหา
2. การจำแนกประเภทของเครื่องมือสร้างแบบจำลอง
อัลกอริทึมธนาคารจำลองสุ่ม
การจำแนกประเภทของวิธีการสร้างแบบจำลองและแบบจำลองสามารถทำได้ตามระดับของรายละเอียดของแบบจำลอง ตามลักษณะของคุณสมบัติ ตามขอบเขตของการใช้งาน ฯลฯ
ลองพิจารณาการจำแนกประเภทที่พบบ่อยที่สุดประเภทหนึ่งตามเครื่องมือสร้างแบบจำลอง แง่มุมนี้สำคัญที่สุดในการวิเคราะห์ปรากฏการณ์และระบบต่างๆ
วัสดุในกรณีที่ทำการศึกษาแบบจำลองที่มีความเกี่ยวข้องกับวัตถุที่กำลังศึกษาอยู่อย่างเป็นกลางนั้นมีลักษณะทางวัตถุ แบบจำลองในกรณีนี้ถูกสร้างขึ้นโดยนักวิจัยหรือเลือกโดยเขาจากโลกรอบข้าง
โดยวิธีการสร้างแบบจำลอง วิธีการสร้างแบบจำลองจะแบ่งออกเป็นสองกลุ่ม: วิธีการสร้างแบบจำลองวัสดุ และ วิธีการสร้างแบบจำลองในอุดมคติ แบบจำลองเรียกว่า วัสดุในกรณีที่ทำการศึกษาแบบจำลองที่มีความเกี่ยวข้องกับวัตถุที่กำลังศึกษาอยู่อย่างเป็นกลางนั้นมีลักษณะทางวัตถุ แบบจำลองในกรณีนี้ถูกสร้างขึ้นโดยนักวิจัยหรือเลือกโดยเขาจากโลกรอบข้าง ในทางกลับกัน ในการสร้างแบบจำลองวัสดุ เราแยกแยะได้: การสร้างแบบจำลองเชิงพื้นที่ กายภาพ และแอนะล็อก
ในการสร้างแบบจำลองเชิงพื้นที่ใช้แบบจำลองที่ออกแบบมาเพื่อทำซ้ำหรือแสดงคุณสมบัติเชิงพื้นที่ของวัตถุที่กำลังศึกษา โมเดลในกรณีนี้มีความคล้ายคลึงกันทางเรขาคณิตกับวัตถุของการศึกษา (รูปแบบใดก็ได้)
รุ่นที่ใช้ใน การสร้างแบบจำลองทางกายภาพออกแบบมาเพื่อทำซ้ำพลวัตของกระบวนการที่เกิดขึ้นในวัตถุที่กำลังศึกษา นอกจากนี้ ความคล้ายคลึงกันของกระบวนการในวัตถุประสงค์ของการศึกษาและแบบจำลองนั้นขึ้นอยู่กับความคล้ายคลึงกันของธรรมชาติทางกายภาพ วิธีการสร้างแบบจำลองนี้ใช้กันอย่างแพร่หลายในด้านวิศวกรรมเมื่อออกแบบระบบทางเทคนิคประเภทต่างๆ ตัวอย่างเช่น การศึกษาอากาศยานจากการทดลองในอุโมงค์ลม
อนาล็อกการสร้างแบบจำลองเกี่ยวข้องกับการใช้แบบจำลองวัสดุที่มีลักษณะทางกายภาพที่แตกต่างกัน แต่อธิบายโดยความสัมพันธ์ทางคณิตศาสตร์เดียวกันกับวัตถุที่กำลังศึกษา มันขึ้นอยู่กับการเปรียบเทียบในคำอธิบายทางคณิตศาสตร์ของแบบจำลองและวัตถุ (การศึกษาการสั่นสะเทือนทางกลด้วยความช่วยเหลือของระบบไฟฟ้าที่อธิบายโดยสมการเชิงอนุพันธ์เดียวกัน แต่สะดวกกว่าสำหรับการทดลอง)
ในทุกกรณีของการสร้างแบบจำลองวัสดุ แบบจำลองเป็นการสะท้อนวัสดุของวัตถุดั้งเดิม และการศึกษาประกอบด้วยผลกระทบของวัสดุต่อแบบจำลอง กล่าวคือ ในการทดลองกับแบบจำลอง การสร้างแบบจำลองวัสดุโดยธรรมชาติเป็นวิธีการทดลองและไม่ได้ใช้ในการวิจัยทางเศรษฐศาสตร์
มันแตกต่างจากการสร้างแบบจำลองวัสดุโดยพื้นฐาน การสร้างแบบจำลองที่สมบูรณ์แบบโดยอิงจากการเชื่อมต่อในอุดมคติและเป็นไปได้ระหว่างวัตถุกับแบบจำลอง วิธีการสร้างแบบจำลองในอุดมคตินั้นใช้กันอย่างแพร่หลายในการวิจัยทางเศรษฐศาสตร์ พวกเขาสามารถแบ่งออกเป็นสองกลุ่มตามเงื่อนไข: เป็นทางการและไม่เป็นทางการ
ที่ เป็นทางการในการสร้างแบบจำลอง ระบบสัญญาณหรือภาพทำหน้าที่เป็นแบบจำลอง โดยมีการกำหนดกฎเกณฑ์สำหรับการเปลี่ยนแปลงและการตีความ หากใช้ระบบสัญญาณเป็นแบบอย่าง เรียกว่าแบบจำลอง สัญลักษณ์(ภาพวาด กราฟ ไดอะแกรม สูตร)
การสร้างแบบจำลองสัญญาณประเภทที่สำคัญคือ การสร้างแบบจำลองทางคณิตศาสตร์บนพื้นฐานของความจริงที่ว่าวัตถุและปรากฏการณ์ต่างๆ ที่ศึกษาสามารถมีคำอธิบายทางคณิตศาสตร์ที่เหมือนกันในรูปแบบของชุดของสูตร สมการ การแปลงซึ่งดำเนินการบนพื้นฐานของกฎของตรรกะและคณิตศาสตร์
อีกรูปแบบหนึ่งของการสร้างแบบจำลองที่เป็นทางการคือ เป็นรูปเป็นร่าง,ซึ่งโมเดลถูกสร้างขึ้นจากองค์ประกอบที่มองเห็นได้ (ลูกบอลยืดหยุ่น การไหลของของไหล วิถีของร่างกาย) การวิเคราะห์แบบจำลองที่เป็นรูปเป็นร่างดำเนินการทางจิตใจ ดังนั้นจึงสามารถนำมาประกอบกับการสร้างแบบจำลองที่เป็นทางการ เมื่อกฎสำหรับปฏิสัมพันธ์ของวัตถุที่ใช้ในแบบจำลองได้รับการแก้ไขอย่างชัดเจน (เช่น ในก๊าซในอุดมคติ การชนกันของสองโมเลกุลถือเป็น เป็นการชนกันของลูกบอล และผลของการชนกันนั้น ทุกคนคิดในลักษณะเดียวกัน) โมเดลประเภทนี้ใช้กันอย่างแพร่หลายในวิชาฟิสิกส์เรียกว่า "การทดลองทางความคิด"
การสร้างแบบจำลองที่ไม่เป็นทางการอาจรวมถึงการวิเคราะห์ปัญหาประเภทต่าง ๆ เมื่อแบบจำลองไม่ได้เกิดขึ้น แต่แทนที่จะใช้แบบจำลองทางจิตของความเป็นจริงที่ไม่ได้รับการแก้ไขอย่างแม่นยำซึ่งทำหน้าที่เป็นพื้นฐานสำหรับการให้เหตุผลและการตัดสินใจ ดังนั้น การให้เหตุผลใดๆ ที่ไม่ใช้แบบจำลองที่เป็นทางการถือได้ว่าเป็นรูปแบบที่ไม่เป็นทางการ เมื่อบุคคลที่คิดมีภาพพจน์ของวัตถุประสงค์ของการศึกษา ซึ่งสามารถตีความได้ว่าเป็นแบบจำลองของความเป็นจริงที่ไม่เป็นไปตามรูปแบบ
การศึกษาวัตถุทางเศรษฐกิจมาเป็นเวลานานได้ดำเนินการบนพื้นฐานของความคิดที่ไม่แน่นอนดังกล่าวเท่านั้น ในปัจจุบัน การวิเคราะห์แบบจำลองที่ไม่ใช่รูปแบบทางการยังคงเป็นวิธีการทั่วไปของแบบจำลองทางเศรษฐกิจ กล่าวคือ ทุกคนที่ทำการตัดสินใจทางเศรษฐกิจโดยไม่ใช้แบบจำลองทางคณิตศาสตร์ จะต้องถูกบังคับโดยคำอธิบายสถานการณ์อย่างใดอย่างหนึ่งตามประสบการณ์ และสัญชาตญาณ
ข้อเสียเปรียบหลักของแนวทางนี้คือการแก้ปัญหาอาจไม่ได้ผลหรือผิดพลาด เห็นได้ชัดว่าวิธีการเหล่านี้จะยังคงเป็นวิธีการหลักในการตัดสินใจมาเป็นเวลานาน ไม่เพียงแต่ในสถานการณ์ประจำวันส่วนใหญ่เท่านั้น แต่ยังรวมถึงการตัดสินใจในระบบเศรษฐกิจด้วย
โฮสต์บน Allbest.ru
...เอกสารที่คล้ายกัน
หลักการและขั้นตอนของการสร้างแบบจำลองการถดถอยอัตโนมัติ ข้อดีหลักของมัน สเปกตรัมของกระบวนการถดถอยอัตโนมัติ สูตรสำหรับการค้นหา พารามิเตอร์ที่แสดงลักษณะการประมาณสเปกตรัมของกระบวนการสุ่ม สมการคุณลักษณะของตัวแบบการถดถอยอัตโนมัติ
ทดสอบเพิ่ม 11/10/2010
แนวคิดและประเภทของแบบจำลอง ขั้นตอนของการสร้างแบบจำลองทางคณิตศาสตร์ พื้นฐานของการสร้างแบบจำลองทางคณิตศาสตร์ของความสัมพันธ์ของตัวแปรทางเศรษฐกิจ การหาค่าพารามิเตอร์ของสมการถดถอยหนึ่งปัจจัยเชิงเส้น วิธีการเพิ่มประสิทธิภาพของคณิตศาสตร์ในทางเศรษฐศาสตร์
บทคัดย่อ เพิ่มเมื่อ 02/11/2011
ศึกษาคุณลักษณะของการพัฒนาและสร้างแบบจำลองระบบเศรษฐกิจและสังคม การกำหนดลักษณะของขั้นตอนหลักของกระบวนการจำลอง การทดลองโดยใช้แบบจำลองจำลอง ลักษณะองค์กรของการจำลองแบบจำลอง
นามธรรม เพิ่มเมื่อ 06/15/2015
แนวคิดของการจำลองแบบจำลอง การประยุกต์ใช้ในระบบเศรษฐกิจ ขั้นตอนของกระบวนการสร้างแบบจำลองทางคณิตศาสตร์ของระบบที่ซับซ้อน เกณฑ์ความเพียงพอ การสร้างแบบจำลองเหตุการณ์แบบไม่ต่อเนื่อง วิธีมอนติคาร์โลเป็นแบบจำลองการจำลองชนิดหนึ่ง
ทดสอบเพิ่ม 12/23/2013
รากฐานเชิงระเบียบวิธีทางเศรษฐมิติ ปัญหาในการสร้างแบบจำลองทางเศรษฐมิติ เป้าหมายของการวิจัยทางเศรษฐมิติ ขั้นตอนหลักของการสร้างแบบจำลองทางเศรษฐมิติ ตัวแบบเศรษฐมิติของการถดถอยเชิงเส้นคู่และวิธีการประมาณค่าพารามิเตอร์
งานคอนโทรลเพิ่ม 10/17/2014
ขั้นตอนของการสร้างต้นไม้ตัดสินใจ: การแยกกฎ การหยุด และการตัดแต่งกิ่ง คำชี้แจงปัญหาการเลือกสุ่มแบบหลายขั้นตอนในหัวข้อเรื่อง การประเมินความน่าจะเป็นของการดำเนินกิจกรรมที่ประสบความสำเร็จและไม่ประสบความสำเร็จในงานซึ่งเป็นเส้นทางที่เหมาะสมที่สุด
นามธรรม เพิ่มเมื่อ 05/23/2015
ความหมาย เป้าหมาย และวัตถุประสงค์ของเศรษฐมิติ ขั้นตอนการสร้างแบบจำลอง ชนิดข้อมูลในการสร้างแบบจำลองกระบวนการทางเศรษฐกิจ ตัวอย่าง รูปแบบ และรูปแบบ ตัวแปรภายนอกและภายนอก การสร้างข้อกำหนดของฟังก์ชันการผลิตแบบนีโอคลาสสิก
การนำเสนอ, เพิ่ม 03/18/2014
วิทยานิพนธ์หลักของการทำให้เป็นทางการ แบบจำลองของกระบวนการแบบไดนามิกและการจำลองระบบทางชีววิทยา เทคนิค และสังคมที่ซับซ้อน การวิเคราะห์การสร้างแบบจำลองวัตถุและการแยกคุณสมบัติที่รู้จักทั้งหมด การเลือกรูปแบบการแสดงแบบจำลอง
บทคัดย่อ เพิ่มเมื่อ 09/09/2010
ขั้นตอนหลักของการสร้างแบบจำลองทางคณิตศาสตร์ การจำแนกแบบจำลอง แบบจำลองกระบวนการทางเศรษฐกิจ ขั้นตอนหลักของการศึกษา ข้อกำหนดเบื้องต้นของระบบสำหรับการสร้างแบบจำลองของระบบการจัดการสำหรับกิจกรรมทางการตลาดขององค์กรบริการ
บทคัดย่อ เพิ่มเมื่อ 06/21/2010
โครงร่างทั่วไปของกระบวนการออกแบบ การจัดรูปแบบการสร้างแบบจำลองทางคณิตศาสตร์ระหว่างการเพิ่มประสิทธิภาพ ตัวอย่างการใช้วิธีการค้นหาแบบหนึ่งมิติ วิธีการปรับให้เหมาะสมหลายมิติแบบไม่มีลำดับ อัลกอริธึมทางพันธุกรรมและธรรมชาติ
แบบจำลองสุ่มอธิบายสถานการณ์เมื่อมีความไม่แน่นอน กล่าวอีกนัยหนึ่ง กระบวนการนี้มีลักษณะเฉพาะในระดับของการสุ่ม คำคุณศัพท์ "stochastic" มาจากคำภาษากรีก "guess" เนื่องจากความไม่แน่นอนเป็นลักษณะสำคัญของชีวิตประจำวัน แบบจำลองดังกล่าวจึงสามารถอธิบายอะไรก็ได้
อย่างไรก็ตามทุกครั้งที่เราใช้ผลลัพธ์จะแตกต่างกัน ดังนั้นจึงมักใช้แบบจำลองที่กำหนดขึ้นเอง แม้ว่าจะไม่ใกล้เคียงกับสถานะจริงของกิจการมากที่สุด แต่ก็ให้ผลลัพธ์เดียวกันเสมอและทำให้เข้าใจสถานการณ์ได้ง่ายขึ้น ลดความซับซ้อนโดยการแนะนำชุดสมการทางคณิตศาสตร์
คุณสมบัติหลัก
โมเดลสุ่มประกอบด้วยตัวแปรสุ่มอย่างน้อยหนึ่งตัว เธอพยายามที่จะสะท้อนชีวิตจริงในทุกรูปแบบ ต่างจาก stochastic ตรงที่ไม่ได้มีจุดมุ่งหมายเพื่อทำให้ทุกอย่างง่ายขึ้นและลดให้เป็นค่าที่ทราบ ดังนั้นความไม่แน่นอนจึงเป็นลักษณะสำคัญ โมเดลสุ่มเหมาะสำหรับการอธิบายทุกอย่าง แต่ทั้งหมดมีคุณสมบัติทั่วไปดังต่อไปนี้:
- โมเดลสุ่มใด ๆ สะท้อนถึงทุกแง่มุมของปัญหาที่สร้างขึ้น
- ผลของปรากฏการณ์แต่ละอย่างไม่แน่นอน ดังนั้น โมเดลนี้จึงรวมถึงความน่าจะเป็นด้วย ความถูกต้องของผลลัพธ์โดยรวมขึ้นอยู่กับความแม่นยำของการคำนวณ
- ความน่าจะเป็นเหล่านี้สามารถนำมาใช้ในการทำนายหรืออธิบายกระบวนการเองได้
ตัวแบบกำหนดและสุ่ม
สำหรับบางคน ชีวิตดูเหมือนจะสืบเนื่องมาจากผู้อื่น - กระบวนการที่เหตุกำหนดผล อันที่จริงมันมีลักษณะที่ไม่แน่นอน แต่ไม่เสมอไปและไม่ใช่ในทุกสิ่ง ดังนั้น การค้นหาความแตกต่างที่ชัดเจนระหว่างตัวแบบสุ่มและแบบกำหนดขึ้นเองจึงเป็นเรื่องยากในบางครั้ง ความน่าจะเป็นค่อนข้างอัตนัย
ตัวอย่างเช่น พิจารณาสถานการณ์การโยนเหรียญ เมื่อมองแวบแรก ดูเหมือนว่ามีโอกาส 50% ที่จะได้ก้อย ดังนั้น จึงต้องใช้แบบจำลองเชิงกำหนด อย่างไรก็ตาม ในความเป็นจริง ปรากฏว่ามากขึ้นอยู่กับความคล่องแคล่วของมือของผู้เล่น และความสมบูรณ์แบบของการทรงตัวของเหรียญ ซึ่งหมายความว่าต้องใช้แบบจำลองสุ่ม มีพารามิเตอร์ที่เราไม่รู้อยู่เสมอ ในชีวิตจริง สาเหตุเป็นตัวกำหนดผลเสมอ แต่ก็มีความไม่แน่นอนในระดับหนึ่งเช่นกัน ทางเลือกระหว่างการใช้แบบจำลองที่กำหนดขึ้นได้และสุ่มขึ้นอยู่กับสิ่งที่เราเต็มใจจะละทิ้ง - ความเรียบง่ายของการวิเคราะห์หรือความสมจริง
ในทฤษฎีความโกลาหล
เมื่อเร็ว ๆ นี้ แนวคิดของแบบจำลองที่เรียกว่าสุ่มนั้นยิ่งเบลอมากขึ้นไปอีก นี่เป็นเพราะการพัฒนาทฤษฎีความโกลาหลที่เรียกว่า อธิบายรูปแบบที่กำหนดขึ้นซึ่งสามารถให้ผลลัพธ์ที่แตกต่างกันโดยมีการเปลี่ยนแปลงเล็กน้อยในพารามิเตอร์เริ่มต้น นี่เป็นเหมือนบทนำเกี่ยวกับการคำนวณความไม่แน่นอน นักวิทยาศาสตร์หลายคนยอมรับว่านี่เป็นแบบจำลองสุ่มแล้ว
Lothar Breuer อธิบายทุกอย่างอย่างหรูหราด้วยความช่วยเหลือของภาพกวี เขาเขียนว่า:“ ลำธารบนภูเขา, หัวใจเต้น, ไข้ทรพิษระบาด, คอลัมน์ของควันที่เพิ่มขึ้น - ทั้งหมดนี้เป็นตัวอย่างของปรากฏการณ์แบบไดนามิกซึ่งดูเหมือนว่าบางครั้งมีลักษณะโดยบังเอิญ ในความเป็นจริง กระบวนการดังกล่าวมักอยู่ภายใต้คำสั่งบางอย่าง ซึ่งนักวิทยาศาสตร์และวิศวกรเพิ่งเริ่มเข้าใจ นี่คือสิ่งที่เรียกว่าความโกลาหลที่กำหนดขึ้นเอง” ทฤษฎีใหม่นี้ฟังดูน่าเชื่อถือมาก ซึ่งเป็นเหตุให้นักวิทยาศาสตร์สมัยใหม่หลายคนสนับสนุนทฤษฎีนี้ อย่างไรก็ตาม มันยังคงพัฒนาเพียงเล็กน้อย และค่อนข้างยากที่จะนำไปใช้ในการคำนวณทางสถิติ ดังนั้นจึงมักใช้แบบจำลองสุ่มหรือแบบกำหนดขึ้นเอง
อาคาร
สุ่มเริ่มต้นด้วยการเลือกพื้นที่ของผลลัพธ์เบื้องต้น ดังนั้นในสถิติจึงเรียกรายการผลลัพธ์ที่เป็นไปได้ของกระบวนการหรือเหตุการณ์ที่กำลังศึกษา จากนั้นผู้วิจัยจะกำหนดความน่าจะเป็นของผลลัพธ์เบื้องต้นแต่ละรายการ โดยปกติจะทำโดยใช้เทคนิคบางอย่าง
อย่างไรก็ตาม ความน่าจะเป็นยังคงเป็นตัวแปรเชิงอัตนัย จากนั้นผู้วิจัยจะพิจารณาว่าเหตุการณ์ใดที่น่าสนใจที่สุดในการแก้ปัญหา หลังจากนั้นก็จะกำหนดความน่าจะเป็นของพวกเขา
ตัวอย่าง
พิจารณาขั้นตอนการสร้างแบบจำลองสุ่มที่ง่ายที่สุด สมมติเราทอยลูกเต๋า หาก "หก" หรือ "หนึ่ง" หลุดออกมา เงินรางวัลของเราจะเป็นสิบเหรียญ ขั้นตอนการสร้างแบบจำลองสุ่มในกรณีนี้จะมีลักษณะดังนี้:
- ให้เรากำหนดพื้นที่ของผลลัพธ์เบื้องต้น แม่พิมพ์มีหกด้าน ดังนั้น "หนึ่ง" "สอง" "สาม" "สี่" "ห้า" และ "หก" อาจหลุดออกมาได้
- ความน่าจะเป็นของแต่ละผลลัพธ์จะเท่ากับ 1/6 ไม่ว่าเราจะทอยลูกเต๋ามากแค่ไหนก็ตาม
- ตอนนี้เราต้องกำหนดผลลัพธ์ที่เราสนใจ นี่คือการสูญเสียใบหน้าที่มีตัวเลข "หก" หรือ "หนึ่ง"
- สุดท้าย เราสามารถกำหนดความน่าจะเป็นของเหตุการณ์ที่เราสนใจได้ มันคือ 1/3 เราสรุปความน่าจะเป็นของเหตุการณ์เบื้องต้นทั้งสองที่เราสนใจ: 1/6 + 1/6 = 2/6 = 1/3
แนวคิดและผลลัพธ์
การจำลองสุ่มมักใช้ในการพนัน แต่ยังขาดไม่ได้ในการพยากรณ์ทางเศรษฐกิจ เนื่องจากช่วยให้คุณเข้าใจสถานการณ์ได้ลึกซึ้งกว่าสถานการณ์ที่กำหนด แบบจำลองสุ่มในทางเศรษฐศาสตร์มักใช้ในการตัดสินใจลงทุน สิ่งเหล่านี้ทำให้คุณสามารถตั้งสมมติฐานเกี่ยวกับความสามารถในการทำกำไรของการลงทุนในสินทรัพย์บางประเภทหรือกลุ่มของสินทรัพย์เหล่านั้น
การสร้างแบบจำลองทำให้การวางแผนทางการเงินมีประสิทธิภาพมากขึ้น ด้วยความช่วยเหลือนี้ นักลงทุนและผู้ค้าจะปรับการกระจายสินทรัพย์ของตนให้เหมาะสม การใช้แบบจำลองสุ่มมีข้อดีในระยะยาว ในบางอุตสาหกรรม การปฏิเสธหรือไม่สามารถที่จะนำไปใช้อาจนำไปสู่การล้มละลายขององค์กรได้ นี่เป็นเพราะข้อเท็จจริงที่ว่าในชีวิตจริงพารามิเตอร์สำคัญใหม่ ๆ ปรากฏขึ้นทุกวัน และหากไม่เป็นเช่นนั้น อาจส่งผลร้ายตามมาได้
ในบทสุดท้ายของหนังสือเล่มนี้ กระบวนการสุ่มมักจะแสดงโดยใช้ระบบดิฟเฟอเรนเชียลเชิงเส้นที่ตื่นเต้นกับสัญญาณรบกวนสีขาว การแสดงกระบวนการสุ่มนี้มักใช้รูปแบบต่อไปนี้ มาแสร้งทำเป็นว่า
a คือเสียงสีขาว โดยการเลือกการแสดงแทนกระบวนการสุ่ม V มันสามารถจำลองได้ การใช้แบบจำลองดังกล่าวสามารถให้เหตุผลได้ดังนี้
ก) ในธรรมชาติมักพบปรากฏการณ์สุ่ม ซึ่งสัมพันธ์กับการกระทำของความผันผวนที่เปลี่ยนแปลงอย่างรวดเร็วบนระบบความแตกต่างเฉื่อย ตัวอย่างทั่วไปของสัญญาณรบกวนสีขาวที่กระทำต่อระบบดิฟเฟอเรนเชียลคือสัญญาณรบกวนจากความร้อนในวงจรอิเล็กทรอนิกส์
ข) ดังจะเห็นได้จากสิ่งต่อไปนี้ ในทฤษฎีการควบคุมเชิงเส้น มักจะพิจารณาเฉพาะค่าเฉลี่ยของ u เท่านั้น ความแปรปรวนร่วมของกระบวนการสุ่ม สำหรับแบบจำลองเชิงเส้น มันเป็นไปได้ที่จะประมาณคุณลักษณะที่ได้จากการทดลองของค่าเฉลี่ยและเมทริกซ์ความแปรปรวนร่วมด้วยความแม่นยำตามอำเภอใจเสมอ
c) บางครั้งปัญหาเกิดขึ้นจากการสร้างแบบจำลองกระบวนการสุ่มแบบคงที่ด้วยความหนาแน่นของพลังงานสเปกตรัมที่ทราบ ในกรณีนี้ เป็นไปได้เสมอที่จะสร้างกระบวนการสุ่มเป็นกระบวนการที่เอาต์พุตของระบบดิฟเฟอเรนเชียลเชิงเส้น ในกรณีนี้ เมทริกซ์ของความหนาแน่นของพลังงานสเปกตรัมจะใกล้เคียงกับความถูกต้องตามอำเภอใจของเมทริกซ์ของความหนาแน่นของพลังงานสเปกตรัมของกระบวนการสุ่มเริ่มต้น
ตัวอย่าง 1.36 และ 1.37 รวมถึงปัญหาที่ 1.11 แสดงวิธีการสร้างแบบจำลอง
ตัวอย่าง 1.36 ระบบเฟืองท้ายอันดับแรก
สมมติว่าฟังก์ชันความแปรปรวนร่วมที่วัดได้ของกระบวนการสโตแคสติกสเกลาร์ที่ทราบว่าอยู่นิ่งนั้นอธิบายโดยฟังก์ชันเลขชี้กำลัง
กระบวนการนี้สามารถจำลองเป็นสถานะของระบบดิฟเฟอเรนเชียลอันดับหนึ่ง (ดูตัวอย่าง 1.35)
ความเข้มของสัญญาณรบกวนสีขาวอยู่ที่ไหน - ปริมาณสุ่มที่มีค่าเฉลี่ยเป็นศูนย์และความแปรปรวน
ตัวอย่าง 1.37 ถังผสม
พิจารณาถังผสมจากตัวอย่าง 1.31 (วินาที 1.10.3) และคำนวณเมทริกซ์ความแปรปรวนของตัวแปรเอาต์พุตสำหรับมัน ให้เราเพิ่มสมการของแบบจำลองกระบวนการสุ่มลงในสมการเชิงอนุพันธ์ของถังผสม เราได้รับ
นี่คือความเข้มของเสียงสีขาวสเกลาร์ถึง
เพื่อให้ได้ความแปรปรวนของกระบวนการเท่ากับการยอมรับ สำหรับกระบวนการเราใช้แบบจำลองที่คล้ายกัน ดังนั้นเราจึงได้ระบบสมการ