Классическое определение вероятности
Вероятностная модель эксперимента с конечным числом исходов. Определение вероятностного пространства, алгебры, событий. Классические вероятностные задачи на подсчет случайных шансов. Число элементарных исходов, когда происходит выбор с возвращением/без возвращения, выборки упорядоченные/неупорядоченные. Связь с задачей подсчета числа размещений дробинок по ячейкам. Классические вероятностные задачи на подсчет случайных шансов (задача о совпадениях, выигрыш в лотерею). Биномиальное распределение. Мультиномиальное распределение. Многомерное гипергеометрическое распределение.
Условные вероятности. Независимость. Условное математическое ожидание.
Определение условной вероятности, свойства. Формула полной вероятности. Формула Байеса, теорема Байеса. Определение независимости событий. Пример, что из попарное независимости событий вообще говоря не следует их независимости. Схема Бернулли.
Дискретные случайные величины и их характеристики
Распределение случайной величины. Свойства функции распределения случайной величины. Определение математического ожидания, дисперсии, ковариации и корреляции, свойства. Наилучший в среднеквадратичном линейный прогноз значений одной случайной величины по значений другой случайной величины.
Предельные теоремы
Схема Бернулли. Неравенство Чебышева, следствия. Закон больших чисел Бернулли. Предельные теоремы (локальная, Муавра-Лапласа, Пуассона).
Случайное блуждание
Вероятности разорения и средняя продолжительность при игре с бросанием монеты. Принцип отражения. Закон арксинуса.
Мартингалы
Определение. Примеры мартингалов. Определение момента остановки. Тождества Вальда.
Дискретные марковские цепи. Эргодическая теорема.
Общее определение марковского процесса. Определение дискретной марковской цепи. Уравнение Колмогорова-Чепмена. Однородная марковская цепь. Классификация состояний марковской цепи (несущественные, возвратные, сообщающиеся, нулевые, периодические, эргодические состояния), теорема о "солидарности" их свойств. Неразложимая дискретная марковская цепь. Необходимое и достаточное условие возвратности состояния однородной дискретной марковской цепи. Определение эргодичной дискретной марковской цепи. Стационарное распределение. Эргодическая теорема в случае однородной дискретной марковской цепи.
Вероятностная модель эксперимента с бесконечным числом событий. Аксиоматика Колмогорова. Разные виды сходимости случайных величин.
Аксиоматика Колмогорова. Алгебры и сигма-алгебры. Измеримые пространства (R, B(R)), (Rd, B(Rd)), (R∞, B(R∞)) и (RT, B(RT)), где T - произвольное множество. Примеры дискретных мер, примеры абсолютно непрерывных мер. Многомерное нормальное распределение. Теорема Колмогорова о продолжении мер в (R∞, B(R∞)) (без доказательства). Определение случайной величины и ее свойства. Функция распределения и ее свойства. Построение интеграла Лебега. Математическое ожидание, свойства. Теорема о монотонной сходимости, лемма Фату, теорема Лебега о мажорируемой сходимости (без доказательства). Семейство равномерное интегрируемых случайных величин, достаточное условие равномерной интегрируемости. Неравенство Чебышева, Коши-Буняковского, Иенсена, Ляпунова, Гёльдера, Минковского. Теорема Радона-Никодима (без доказательства). Определение условного математического ожидания и условной вероятности, свойства. Разные виды сходимости последовательностей случайных величин, определения, соотношения разных видов сходимости друг с другом, контрпримеры. Лемма Бореля-Кантелли. Определение характеристической функции, свойства, примеры.
Как уже говорилось выше, стохастические модели – это модели вероятностные. При этом в результате расчетов можно сказать с достаточной степенью вероятности, каково будет значение анализируемого показателя при изменении фактора. Самое частое применение стохастических моделей – прогнозирование.
Стохастическое моделирование является в определенной степени дополнением и углублением детерминированного факторного анализа. В факторном анализе эти модели используются по трем основным причинам:
- необходимо изучить влияние факторов, по которым нельзя построить жестко детерминированную факторную модель (например, уровень финансового левериджа);
- необходимо изучить влияние сложных факторов, которые не поддаются объединению в одной и той же жестко детерминированной модели;
- необходимо изучить влияние сложных факторов, которые не могут быть выражены одним количественным показателем (например, уровень научно-технического прогресса).
В отличие от жестко детерминированного стохастический подход для реализации требует ряда предпосылок:
- наличие совокупности;
- достаточный объем наблюдений;
- случайность и независимость наблюдений;
- однородность;
- наличие распределения признаков, близкого к нормальному;
- наличие специального математического аппарата.
Построение стохастической модели проводится в несколько этапов:
- качественный анализ (постановка цели анализа, определение совокупности, определение результативных и факторных признаков, выбор периода, за который проводится анализ, выбор метода анализа);
- предварительный анализ моделируемой совокупности (проверка однородности совокупности, исключение аномальных наблюдений, уточнение необходимого объема выборки, установление законов распределения изучаемых показателей);
- построение стохастической (регрессионной) модели (уточнение перечня факторов, расчет оценок параметров уравнения регрессии, перебор конкурирующих вариантов моделей);
- оценка адекватности модели (проверка статистической существенности уравнения в целом и его отдельных параметров, проверка соответствия формальных свойств оценок задачам исследования);
- экономическая интерпретация и практическое использование модели (определение пространственно-временной устойчивости построенной зависимости, оценка практических свойств модели).
Основные понятия корреляционного и регрессионного анализа
Корреляционный анализ - совокупность методов математической статистики, позволяющих оценивать коэффициенты, характеризующие корреляцию между случайными величинами, и проверять гипотезы об их значениях на основе расчета их выборочных аналогов.
Корреляционным анализом называется метод обработки статистических данных, заключающийся в изучении коэффициентов (корреляции) между переменными.
Корреляционная связь (которую также называют неполной, или статистической) проявляется в среднем, для массовых наблюдений, когда заданным значениям зависимой переменной соответствует некоторый ряд вероятных значений независимой переменной. Объяснение тому – сложность взаимосвязей между анализируемыми факторами, на взаимодействие которых влияют неучтенные случайные величины. Поэтому связь между признаками проявляется лишь в среднем, в массе случаев. При корреляционной связи каждому значению аргумента соответствуют случайно распределенные в некотором интервале значения функции .
В наиболее общем виде задача статистики (и, соответственно, экономического анализа) в области изучения взаимосвязей состоит в количественной оценке их наличия и направления, а также характеристике силы и формы влияния одних факторов на другие. Для ее решения применяются две группы методов, одна из которых включает в себя методы корреляционного анализа, а другая – регрессионный анализ. В то же время ряд исследователей объединяет эти методы в корреляционно-регрессионный анализ, что имеет под собой некоторые основания: наличие целого ряда общих вычислительных процедур, взаимодополнения при интерпретации результатов и др.
Поэтому в данном контексте можно говорить о корреляционном анализе в широком смысле – когда всесторонне характеризуется взаимосвязь. В то же время выделяют корреляционный анализ в узком смысле – когда исследуется сила связи – и регрессионный анализ, в ходе которого оцениваются ее форма и воздействие одних факторов на другие.
Задачи собственнокорреляционного анализа сводятся к измерению тесноты связи между варьирующими признаками, определению неизвестных причинных связей и оценке факторов оказывающих наибольшее влияние на результативный признак.
Задачирегрессионного анализа лежат в сфере установления формы зависимости, определения функции регрессии, использования уравнения для оценки неизвестных значении зависимой переменной.
Решение названных задач опирается на соответствующие приемы, алгоритмы, показатели, что дает основание говорить о статистическом изучении взаимосвязей.
Следует заметить, что традиционные методы корреляции и регрессии широко представлены в разного рода статистических пакетах программ для ЭВМ. Исследователю остается только правильно подготовить информацию, выбрать удовлетворяющий требованиям анализа пакет программ и быть готовым к интерпретации полученных результатов. Алгоритмов вычисления параметров связи существует множество, и в настоящее время вряд ли целесообразно проводить такой сложный вид анализа вручную. Вычислительные процедуры представляют самостоятельный интерес, но знание принципов изучения взаимосвязей, возможностей и ограничений тех или иных методов интерпретации результатов является обязательным условием исследования.
Методы оценки тесноты связи подразделяются на корреляционные (параметрические) и непараметрические. Параметрические методы основаны на использовании, как правило, оценок нормального распределения и применяются в случаях, когда изучаемая совокупность состоит из величин, которые подчиняются закону нормального распределения. На практике это положение чаще всего принимается априори. Собственно, эти методы – параметрические – и принято называть корреляционными.
Непараметрические методы не накладывают ограничений на закон распределения изучаемых величин. Их преимуществом является и простота вычислений.
Автокорреляция - статистическая взаимосвязь между случайными величинами из одного ряда, но взятых со сдвигом, например, для случайного процесса - со сдвигом по времени.
Парная корреляция
Простейшим приемом выявления связи между двумя признаками является построение корреляционной таблицы:
| \ Y \ X \ | Y 1 | Y 2 | ... | Y z | Итого | Y i |
| X 1 | f 11 | ... | f 1z | |||
| X 1 | f 21 | ... | f 2z | |||
| ... | ... | ... | ... | ... | ... | ... |
| X r | f k1 | k2 | ... | f kz | ||
| Итого | ... | n | ||||
| ... | - |
В основу группировки положены два изучаемых во взаимосвязи признака – Х и У. Частоты f ij показывают количество соответствующих сочетаний Х и У.
Если f ij расположены в таблице беспорядочно, можно говорить об отсутствии связи между переменными. В случае образования какого-либо характерного сочетания f ij допустимо утверждать о связи между Х и У. При этом, если f ij концентрируется около одной из двух диагоналей, имеет место прямая или обратная линейная связь.
Наглядным изображением корреляционной таблице служит корреляционное поле. Оно представляет собой график, где на оси абсцисс откладывают значения Х, по оси ординат – У, а точками показывается сочетание Х и У. По расположению точек, их концентрации в определенном направлении можно судить о наличии связи.
Корреляционным полем называется множество точек {X i , Y i } на плоскости XY (рисунки 6.1 - 6.2).
Если точки корреляционного поля образуют эллипс, главная диагональ которого имеет положительный угол наклона (/), то имеет место положительная корреляция (пример подобной ситуации можно видеть на рисунке 6.1).
Если точки корреляционного поля образуют эллипс, главная диагональ которого имеет отрицательный угол наклона (\), то имеет место отрицательная корреляция (пример изображен на рисунке 6.2).
Если же в расположении точек нет какой-либо закономерности, то говорят, что в этом случае наблюдается нулевая корреляция.
В итогах корреляционной таблицы по строкам и столбцам приводятся два распределения – одно по X, другое по У. Рассчитаем для каждого Х i среднее значение У, т.е. , как
Последовательность точек (X i , ) дает график, который иллюстрирует зависимость среднего значения результативного признака У от факторного X, – эмпирическую линию регрессии, наглядно показывающую, как изменяется У по мере изменения X.
По существу, и корреляционная таблица, и корреляционное поле, и эмпирическая линия регрессии предварительно уже характеризуют взаимосвязь, когда выбраны факторный и результативный признаки и требуется сформулировать предположения о форме и направленности связи. В то же время количественная оценка тесноты связи требует дополнительных расчетов.
ВВЕДЕНИЕ
Математические модели и методы моделирования экономических объектов являются необходимыми для управления экономическими объектами. Моделирование экономических систем актуально для специалистов по управлению экономическими объектами, особенно для тех, кто связан с созданием автоматизированных систем управления экономическими объектами.
Объектами исследования моделирования экономических систем являются любые экономические объекты. Математические модели экономических систем должны удовлетворять требованиям: адекватности, универсальности, полноты и простоты, должны соответствовать расчетным практическим формулам. Требованиям, предъявляемым к математическим моделям, наиболее соответствуют детерминированные, динамические, полные, теоретические непрерывные и дискретные модели.
История моделирования экономических систе м – это история имитационных математических моделей, которые лишь частично удовлетворяют предъявляемым требованиям и не обладают познавательными функциями. Неудовлетворенность степенью выполнения предъявляемых требований составляет основную проблему моделирования экономики. Решение этой проблемы моделирования экономики связано с развитием и использованием функциональных математических моделей и методов моделирования экономических объектов. Особенностью функционального моделирования является то, что оно основано на фундаментальных законах функционирования экономики, а преимуществом – то, что функциональные модели в полной степени удовлетворяют предъявляемым требованиям и обладают высокими познавательными функциями. Поэтому в истории моделирования экономики можно выделить следующие этапы:
Этап формирования и применения имитационных математических моделей экономических объектов на основе отдельных закономерностей экономики;
Этап формирования и применения функциональных математических моделей экономических объектов на основе законов экономических систем.
Современные представления функционального моделирования экономических объектов выражены в законах функционирования, функциональных моделях и методами моделирования экономических систем. Овладение функциональн ым моделировани ем обеспечивает формирование у специалистов теоретических основ моделирования экономических систем, которые способствуют повышению качества моделирования поведения экономических объектов, создания автоматизированных систем управления экономическими объектами и повышению эффективности управления экономическими объектами.
Цель работы - ознакомление с математическими моделями и методами моделирования экономических систем, развитие умений применять эти знания на практике.
Задачи работы :
Рассмотреть стохастические модели в экономике ;
Рассмотреть практическое применение стохастических моделей в экономике ;
- развитие умений применять модели и метод ы моделирования экономических систем на практике .
1 СТОХАСТИЧЕСКИЕ МОДЕЛИ В ЭКОНОМИКЕ
В процессе исследования объекта часто бывает нецелесообразно или даже невозможно иметь дело непосредственно с этим объектом. Удобнее бывает заменить его другим объектом, подобным данному в тех аспектах, которые важны в данном исследовании. В общем виде модель можно определить как условный образ (упрощенное изображение) реального объекта (процесса), который создается для более глубокого изучения действительности. Метод исследования, базирующийся на разработке и использовании моделей, называется моделированием . Например, модель самолета продувают в аэродинамической трубе, вместо того, чтобы испытывать настоящий самолет – это дешевле. При теоретическом исследовании атомного ядра физики представляют его в виде капли жидкости, имеющей поверхностное натяжение, вязкость и т.п. Необходимость моделирования обусловлена сложностью, а порой и невозможностью прямого изучения реального объекта (процесса). Значительно доступнее создавать и изучать прообразы реальных объектов (процессов), т.е. модели. Можно сказать, что теоретическое знание о чем-либо, как правило, представляет собой совокупность различных моделей. Эти модели отражают существенные свойства реального объекта (процесса), хотя на самом деле действительность значительно содержательнее и богаче.
Модель – это мысленно представляемая или материально реализованная система, которая, отображая или воспроизводя объект исследования, способна замещать его так, что ее изучение дает новую информацию об этом объекте.
Познавательные возможности модели обуславливаются тем, что модель отражает какие-либо существенные черты объекта-оригинала. Вопрос о необходимости и достаточной мере сходства оригинала и модели требует конкретного анализа. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом (тогда она перестает быть оригиналом), так и в случае чрезмерного во всех существенных отношениях отличия от оригинала.
Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от отражения других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько "специализированных" моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.
Подобие между моделируемым объектом и моделью может быть физическое, структурное, функциональное, динамическое, вероятностное и геометрическое. При физическом подобии объект и модель имеет одинаковую или сходную физическую природу. Структурное подобие предполагает наличие сходства между структурой объекта и структурой модели. При выполнении объектом и моделью под определенным воздействием сходных функций наблюдается функциональное подобие. При наблюдении за последовательно изменяющимися состояниями объекта и модели отмечается динамическое подобие. Вероятностное подобие отмечается при наличии сходства между процессами вероятностного характера в объекте и модели. Геометрическое подобие имеет место при сходстве пространственных характеристик объекта и модели.
На сегодняшний день общепризнанной единой классификации моделей не существует. Однако из множества моделей можно выделить словесные, графические, физические, экономико-математические и некоторые другие типы моделей.
Словесная или монографическая модель представляет собой словесное описание объекта, явления или процесса. Очень часто она выражается в виде определения, правила, теоремы, закона или их совокупности.
Графическая модель создается в виде рисунка, географической карты или чертежа. Например, зависимость между ценой и спросом может быть выражена в виде графика, на оси ординат, которого отложен спрос (D ), а на оси абсцисс – цена (Р ). Кривая нам наглядно иллюстрирует, что с ростом цены спрос падает, и наоборот.
Физические или вещественные модели создаются для конструирования пока еще несуществующих объектов. Создать модель самолета или ракеты для проверки ее аэродинамических свойств значительно проще и экономически целесообразнее, чем изучать эти свойства на реальных объектах.
При моделировании используется аналогия между объектом –оригиналом и его моделью. Аналогии бывают следующими:
- внешняя аналогия (модель самолета, корабля, микрорайона, выкройка);
- структурная аналогия (водопроводная сеть и электросеть моделируются с помощью графов, отражающих все связи и пересечения, но не длины отдельных трубопроводов);
- динамическая аналогия (по поведению системы) - маятник моделирует электрический колебательный контур.
Математические модели относятся ко второму и третьему типу. Смысл математического моделирования заключается в том, что эксперименты проводятся не с реальной физической моделью объекта, а с его описанием. Для них свойственно то, что они реализуются с использованием информационных технологий. Содержанием любой экономико-математической модели является выраженная в формально-математических соотношениях экономическая сущность условий задачи и поставленной цели. В модели экономическая величина представляется математическим соотношением, но не всегда математическое соотношение является экономическим. "Экономико-математическая модель представляет собой концентрированное выражение общих взаимосвязей и закономерностей экономического явления в математической форме" (академик В.С. Немчинов).
Экономико-математические модели отражают наиболее существенные свойства реального объекта или процесса с помощью системы уравнений. Единой классификации экономико-математических моделей также не существует, хотя можно выделить наиболее значимые их группы в зависимости от признака классификации.
По степени агрегирования объектов моделирования различают модели:
- микроэкономические;
- одно-, двухсекторные (одно-, двухпродуктовые);
- многосекторные (многопродуктовые);
- макроэкономические;
- глобальные.
По учету фактора времени модели подразделяются на:
- статические;
- динамические.
В статических моделях экономическая система описана в статике, применительно к одному определенному моменту времени. Это как бы снимок, срез, фрагмент динамической системы в какой-то момент времени. Динамические модели описывают экономическую систему в развитии.
По цели создания и применения различают модели:
- балансовые;
- эконометрические;
- оптимизационные;
- сетевые;
- систем массового обслуживания;
- имитационные (экспертные).
По учету фактора неопределенности модели подразделяются на:
- детерминированные (с однозначно определенными результатами);
- стохастические (с различными, вероятностными результатами).
По типу математического аппарата различают модели:
- линейного и нелинейного программирования;
- корреляционно-регрессионные;
- матричные;
- сетевые;
- теории игр;
- теории массового обслуживания и т.д.
Стохастическая модель – такая экономико-математическая модель , в которой параметры , условия функционирования и характеристики состояния моделируемого объекта представлены случайными величинами и связаны стохастическими (т. е. случайными, нерегулярными) зависимостями, либо исходная информация также представлена случайными величинами. Следовательно, характеристики состояния в модели определяются не однозначно, а через законы распределения их вероятностей . Моделируются, например, стохастические процессы в теории массового обслуживания , в сетевом планировании и управлении и в других областях. При построении стохастической модели применяются методы корреляционного и регрессионного анализов , другие статистические методы. Другие названия стохастической модели – недетерминированная, вероятностная модель.
Математические схемы описания технических систем
Общая классификация моделей систем
Все то на что направлена человеческая деятельность называется объектом . Определяя роль теории моделирования в процессе изучения объектов, а значит их моделей, необходимо отвлечься от их разнообразия и выделить общее, что присуще моделям различных по своей природе объектов. Этот подход привел к появлению общей классификации моделей систем.
Создаваемые модели систем классифицируются:
· по времени
* динамические модели: непрерывные, которые описываются дифференциальными уравнениями; дискретно–непрерывные (разностные), описываются разностными уравнениями; вероятностные, построенные на событиях – модели теории массового обслуживания;
* дискретные модели – автоматы;
· по признаку случайности :
* детерминированные – модели отражающие процессы, в которых отсутствуют всякие случайные воздействия;
* стохастические – модели отражающие вероятностные процессы и события;
· по назначению :
· по виду обрабатываемой информации :
* информационные: - справочно-информационные;
Информационно -советующие;
Экспертные;
Автоматические;
* физические модели: - натурные (плазма);
Полунатурные (аэродинамические трубы);
* имитационные модели;
* интеллектуальные модели;
* семантические (логические) модели;
Перейдем к рассмотрению основных видов математических схем .
1.3.1. Непрерывно–детерминированные модели (D – схемы)
Математические схемы такого вида отражают динамику процессов, протекающих во времени в системе. Поэтому они называются D– схемы. Частным случаем динамических систем являются системы автоматического управления .
Линейная автоматическая система описывается линейным дифференциальным уравнением вида
где x(t) - задающее воздействие или входная переменная системы; y(t) - состояние системы или выходная переменная; - коэффициенты; t - время.
На рис.1 представлена укрупненная функциональная схема системы автоматического управления, где – сигнал ошибки; - управляющее воздействие; f(t) - возмущающее воздействие. Данная система основана на принципе отрицательной обратной связи, так как для приведения выходной переменной y(t) к ее заданному значению используется информация об отклонении между ними. По ней можно разработать структурную схему и математическую модель в виде передаточной функции или в виде дифференциального уравнения (1.1), в котором для простоты предполагается, что точки приложения возмущающих воздействий совпадают с входом системы.
Рис.1.1. Структура системы автоматического управления
Непрерывно- детерминированные схемы (D- схемы) выполняются на аналоговых вычислительных машинах (АВМ).
1.3.2. Дискретно–детерминированные модели (F – схемы)
Основным видом дискретно–детерминированных моделей является конечный автомат.
Конечным автоматом называют дискретный преобразователь информации, способный под воздействием входных сигналов переходить из одного состояния в другое и формировать сигналы на выходе. Это автомат с памятью . Для организации памяти в описание автомата вводят автоматное время и понятие состояние автомата .
Понятие «состояние» автоматаозначает, что выходной сигнал автомата зависит не только от входных сигналов в данный момент времени, но и учитывает входные сигналы, поступающие ранее. Это позволяет устранить время как явную переменную и выразить выходные сигналы как функцию состояний и входных сигналов.
Всякий переход автомата из одного состояния в другое возможен не ранее, чем через дискретный интервал времени. Причем сам переход считается, происходит мгновенно, то есть не учитывают переходные процессы в реальных схемах.
Существует два способа введения автоматного времени по которому автоматы делятся на синхронные и асинхронные .
В синхронных автоматах моменты времени, в которых фиксируются изменения состояний автомата, задаются специальным устройством – генератором синхросигналов. Причем сигналы поступают через равные интервалы времени – . Частота тактового генератора выбирается такой, чтобы любой элемент автомата успел закончить свою работу до появления очередного импульса.
В асинхронном автомате моменты перехода автомата из одного состояния в другое заранее не определены и зависят от конкретных событий. В таких автоматах интервал дискретности является переменным.
Также существуют детерминированные и вероятностные автоматы.
В детерминированных автоматах поведение и структура автомата в каждый момент времени однозначно определены текущей входной информацией и состоянием автомата.
В вероятностных автоматах они зависят от случайного выбора.
Абстрактно конечный автомат можно представить как математическую схему (F – схему), которая характеризуется шестью видами переменных и функций:
1) конечное множество x(t) входных сигналов (входной алфавит);
2) конечное множество y(t) выходных сигналов (выходной алфавит);
3) конечное множество z(t) внутренних состояний (алфавит состояний);
4) начальное состояние автомата z 0 , ;
5) функция переходов автомата из одного состояния в другое;
6) функция выходов автомата.
Абстрактный конечный автоматимеет один вход и один выход. В каждый дискретный момент времени t=0,1,2,... F– автомат находится в определенном состоянии z(t) из множества Z – состояний автомата, причем в начальный момент времени t=0 он всегда находится в начальном состоянии z(0)=z 0 . В момент t , будучи в состоянии z(t) , автомат способен воспринять на входном канале сигнал и выдать на выходном канале сигнал , переходя в состояние
Абстрактный конечный автомат реализует некоторое отображение множества слов входного алфавита X на множество слов выходного алфавита Y , то есть, если на вход конечного автомата, установленного в начальное состояние z 0 , подавать в некоторой последовательности буквы входного алфавита , которые составляют входное слово, то на выходе автомата будут последовательно появляться буквы выходного алфавита образуя выходное слово.
Следовательно, работа конечного автомата происходит по следующей схеме: на каждом t – ом такте на вход автомата, находящегося в состоянии z(t) , подается некоторый сигнал x(t) , на который автомат реагирует переходом на (t+1)– ом такте в новое состояние z(t+1) и выдачей некоторого выходного сигнала.
В зависимости от способа определения выходного сигнала синхронные абстрактные конечные автоматы подразделяются на два типа:
F – автомат первого рода, также называется автомат Мили :
F – автомат второго рода:
Автомат второго рода, для которого
называется автомат Мура – функция выходов не зависит от входной переменной x(t) .
Чтобы задать конечный F – автомат, необходимо описать все элементы множества .
Существует несколько способов задания работы F – автоматов среди которых наибольшее применение нашли табличный, графический и матричный.
1.3.3. Дискретно – непрерывные модели
Процессы в линейных импульсных и цифровых системах автоматического управления описываются дискретно – разностными уравнениями вида:
где x(n) –решетчатая функция входного сигнала; y(n) –решетчатая функция выходного сигнала, которая определяется решением уравнения (1.2); b k – постоянные коэффициенты; – разность к – го порядка; t=nT , где nT – n– ый момент времени, T – период дискретности (в выражении (1.2) он условно принят за единицу).
Уравнение (1.2) можно представить в другом виде:
Уравнение (1.3) представляет собой рекуррентное соотношение, которое позволяет вычислить любой (i+1) –й член последовательности по значениям предыдущих её членов i,i-1,... и значению x(i+1).
Основным математическим аппаратом моделирования цифровых автоматических систем является Z– преобразование, которое базируется на дискретном преобразовании Лапласа. Для этого необходимо найти импульсную передаточную функцию системы, задаться входной переменной и, варьируя параметрами системы, можно найти лучший вариант проектируемой системы.
1.3.4. Дискретно – стохастические модели (Р - схемы)
К дискретно – стохастической модели относится вероятностный автомат . В общем, виде вероятностный автомат является дискретным потактным преобразователем информации с памятью, функционирование которого в каждом такте зависит только от состояния памяти в нем и может быть описано статистически. Поведение автомата зависит от случайного выбора.
Применение схем вероятностных автоматов имеет важное значение для проектирования дискретных систем, в которых проявляется статистически закономерное случайное поведение.
Для Р – автомата вводится аналогичное математическое понятие, как и для F – автомата. Рассмотрим множество G, элементами которого являются всевозможные пары (x i ,z s) , где x i и z s элементы входного подмножества X и подмножества состояний Z соответственно. Если существуют две такие функции и , что с их помощью осуществляется отображение и , то говорят, что определяет автомат детерминированного типа.
Функция переходов вероятностного автомата определяет не одно конкретное состояние, а распределение вероятностей на множестве состояний
(автомат со случайными переходами). Функция выходов также есть распределение вероятностей на множестве выходных сигналов (автомат со случайными выходами).
Для описания вероятностного автомата введем в рассмотрение более общую математическую схему. Пусть Ф – множество всевозможных пар вида (z k ,y j) , где y j – элемент выходного подмножества Y . Далее потребуем чтобы любой элемент множества G индуцировал на множестве Ф некоторый закон распределения следующего вида:
элементы из Ф...
где – вероятности перехода автомата в состояние z k и появления на выходе сигнала y j , если он был в состоянии z s и на его вход в этот момент времени поступал сигнал x i .
Число таких распределений, представленных в виде таблиц равно числу элементов множества G. Если обозначить это множество таблиц через В, то тогда четверку элементов называют вероятностным автоматом (Р – автоматом). При этом .
Частным случаем Р– автомата, задаваемого как являются автоматы, у которых либо переход в новое состояние, либо выходной сигнал определяются детерминировано(Z– детерминированный вероятностный автомат, Y–- детерминированный вероятностный автомат соответственно).
Очевидно, что с точки зрения математического аппарата задание Y – детерминированного Р – автомата эквивалентно заданию некоторой марковской цепи с конечным множеством состояний. В связи с этим аппарат марковских цепей является основным при использовании Р– схем для аналитических расчетов. Подобные Р– автоматы используют генераторы марковских последовательностей при построении процессов функционирования систем или воздействий внешней среды.
Марковские последовательности , согласно теореме Маркова, –это последовательность случайных величин, для которой справедливо выражение
где N – количество независимых испытаний; D–- дисперсия.
Такие Р– автоматы (Р– схемы) могут быть использованы для оценки различных характеристик исследуемых систем как для аналитических моделей, так и для имитационных моделей с использованием методов статистического моделирования.
Y – детерминированный Р– автомат можно задать двумя таблицами: переходов (табл.1.1) и выходов (табл.1.2).
Таблица 1.1
Где P ij – вероятность перехода Р– автомата из состояния z i в состояние z j , при этом .
Таблицу 1.1 можно представить в виде квадратной матрицы размерности . Такую таблицу будем называть матрицей переходных вероятностей или просто матрицей переходов Р- автомата , которую можно представить в компактной форме:
Для описания Y– детерминированного Р–автомата необходимо задать начальное распределение вероятностей вида:
| Z... | z 1 | z 2 | ... | z k-1 | z k |
| D... | d 1 | d 2 | ... | d k-1 | d k |
где d k– вероятность того, что в начале работы Р– автомат находится в состоянии z k , при этом .
И так, до начала работы Р– автомат находится в состоянии z 0 и в начальный (нулевой) такт времени меняет состояние в соответствии с распределением D. После этого смена состояний автомата определяется матрицей переходов Р. С учетом z 0 размерность матрицы Р р следует увеличить до , при этом первая строка матрицы будет (d 0 ,d 1 ,d 2 ,...,d k) , а первый столбец будет нулевым.
Пример. Y– детерминированный Р– автомат задан таблицей переходов:
Таблица 1.3
и таблицей выходов
Таблица 1.4
| Z | z 0 | z 1 | z 2 | z 3 | z 4 |
| Y |
С учетом таблицы 1.3 граф переходов вероятностного автомата представлен на рис.1.2.
Требуется оценить суммарные финальные вероятности пребывания этого автомата в состоянии z 2 и z 3 , т.е. когда на выходе автомата появляются единицы.
Рис. 1.2. Граф переходов
При аналитическом подходе можно использовать известные соотношения из теории марковских цепей и получить систему уравнений для определения финальных вероятностей. Причем начальное состояние можно не учитывать в виду того, что начальное распределение не оказывает влияние на значения финальных вероятностей. Тогда таблица 1.3 примет вид:
где – финальная вероятность пребывания Y– детерминированного Р– автомата в состоянии z k .
В результате получаем систему уравнений:
К данной системе следует добавить условие нормировки:
Теперь решая систему уравнений (1.4) совместно с (1.5), получаем:
Таким образом, при бесконечной работе заданного автомата на его выходе будет формироваться двоичная последовательность с вероятностью появления единицы, равной: .
Кроме аналитических моделей в виде Р– схем можно применять и имитационные модели, реализуемые, например, методом статистического моделирования.
1.3.5. Непрерывно–стохастические модели (Q– схемы)
Такие модели рассмотрим на примере использования в качестве типовых математических схем систем массового обслуживания, которые называют Q– схемами . Такие Q– схемы применяются при формализации процессов функционирования систем, которые по своей сути являются процессами обслуживания .
К процессам обслуживания можно отнести: потоки поставок продукции некоторому предприятию, потоки деталей и комплектующих изделий на сборочном конвейере цеха, заявки на обработку информации ЭВМ от удаленных терминалов сети ЭВМ. Характерным признаком для функционирования таких систем или сетей является случайное появление заявок на обслуживание. Причем в любом элементарном акте обслуживания можно выделить две основные составляющие: ожидание обслуживания и, собственно, сам процесс обслуживания заявки. Представим это в виде некоторого i-го прибора обслуживания П i (рис.1.3), состоящего из накопителя заявок Н i , в котором может находится одновременно заявок; К i – канал обслуживания заявок.
На каждый элемент прибора П i поступают потоки событий, в накопитель Н i поток заявок , на канал К i – поток обслуживания И i .
Рис.1.3. Прибор обслуживания
Потоки событий могут быть однородными , если он характеризуется только последовательностью поступления этих событий (), или неоднородными , если он характеризуется набором признаков события, например таким набором признаков: источник заявок, наличие приоритета, возможность обслуживания тем или иным типом канала и т.п.
Обычно при моделировании различных систем применительно к каналу К i можно считать, что поток заявок на входе К i образует подмножество неуправляемых переменных, а поток обслуживания И i – образует подмножество управляемых переменных.
Те заявки, которые по различным причинам не обслуживаются каналом К i , образуют выходной поток У i .
Эти модели можно отнести к оптимальным стохастическим моделям.
Во многих случаях при построении модели не все условия заранее известны. Эффективность нахождения модели здесь будет зависеть от трех факторов:
Заданных условий х 1 , x 2 ,...,x n ;
Неизвестных условий y 1 ,y 2 ,...,y k ;
Зависящих от нас факторов и 1 ,и 2 ,...,и m , которые необходимо найти.
Показатель эффективности решения такой задачи имеет вид:
Наличие неизвестных факторов y i переводит задачу оптимизации в задачу о выборе решения в условиях неопределенности. Задача становится чрезвычайно сложной.
Особенно задача осложняется для случаев, когда величины y i не обладают статистической устойчивостью, то есть неизвестные факторы y i нельзя изучить с помощью статистических методов. Их законы распределения либо не могут быть получены, либо вовсе не существуют.
В этих случаях рассматриваются комбинации всевозможных значений Y:таким образом, чтобы получить как «наилучшее», так и «наихудшее» сочетания значений переменных y i .
Тогда в качестве критерия оптимизации рассматривается.
Моделирование – построение моделей для исследования и изучения объектов, процессов, явлений.
стохастическое моделирование отображает вероятностные процессы и события. В этом случае анализируется ряд реализаций случайного процесса, и оцениваются средние характеристики.
один подход к классификации математических моделей подразделяет их на детерминированные истохастические (вероятностные). В детерминированных моделях входные параметры поддаются измерению однозначно и с любой степенью точности, т.е. являются детерминированными величинами. Соответственно, процесс эволюции такой системы детерминирован. В стохастических моделях значения входных параметров известны лишь с определенной степенью вероятности, т.е. эти параметры являются стохастическими; соответственно, случайным будет и процесс эволюции системы. При этом, выходные параметры стохастической модели могут быть как величинами вероятностными, так и однозначно определяемыми.
В зависимости от характера исследуемых реальных процессов и систем математические модели могут быть:
детерминированные,
стохастические.
В детерминированных моделях предполагается отсутствие всяких случайных воздействий, элементы модели (переменные, математические связи) достаточно точно установленные, поведение системы можно точно определить. При построении детерминированных моделей чаще всего используются алгебраические уравнения, интегральные уравнения, матричная алгебра.
Стохастическая модель учитывает случайный характер процессов в исследуемых объектах и системах, который описывается методами теории вероятности и математической статистики.
Типовые схемы. Приведенные математические соотношения представляют собой математические схемы общего вида и позволяют описать широкий класс систем. Однако в практике моделирования объектов в области системотехники и системного анализа на первоначальных этапах исследования системы рациональнее использовать типовые математические схемы.
В качестве детерминированных моделей, когда при исследовании случайные факторы не учитываются, для представления систем, функционирующих в непрерывном времени, используются дифференциальные, интегральные, интегродифференциальные и другие уравнения, а для представления систем, функционирующих в дискретном времени, конечные автоматы и конечно-разностные схемы.
В качестве стохастических моделей (при учете случайных факторов) для представления систем с дискретным временем используются вероятностные автоматы, а для представления системы с непрерывным временем – системы массового обслуживания и т. д.
Перечисленные типовые математические схемы, естественно, не могут претендовать на возможность описания на их базе всех процессов, происходящих в больших системах. Для таких систем в ряде случаев более перспективным является применение агрегативных моделей. Агрегативные модели (системы) позволяют описать широкий круг объектов исследования с отображением системного характера этих объектов. Именно при агрегативном описании сложный объект (система) расчленяется на конечное число частей (подсистем), сохраняя при этом связи, обеспечивающие взаимодействие частей.
Таким образом, при построении математических моделей процессов функционирования систем можно выделить следующие основные подходы:
непрерывно-детерминированный (например, дифференциальные уравнения);
дискретно-детерминированный (конечные автоматы);
дискретно-стохастический (вероятностные автоматы);
непрерывно-стохастический (системы массового обслуживания);
обобщенный, или универсальный (агрегативные системы).
20. Модель популяции .
Модель – это мысленно представляемая или материально реализованная система, которая, отображая или воспроизводя объект исследования, способна замещать его так, что ее изучение дает новую информацию о нем. Рассмотрим примеры динамических систем - модели популяций. Популяция (от лат.populatio- население) - термин, используемый в различных разделах биологии, а также в генетике, демографии и медицине.
Популяция - это человеческое, животное или растительное население некоторой местности, способной к более-менее устойчивому самовоспроизводству, относительно обособленное (обычно географически) от других групп.
Описание популяций, а также происходящих в них и с ними процессов, возможно путем создания и исследования динамических моделей.
Пример 1. Модель Мальтуса.
Скорость роста пропорциональна текущему размеру популяции. Она описывается дифференциальным уравнением х = ах , где α - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функцияx(t) = х 0 е*.
Если рождаемость превосходит смертность (α > 0), размер популяция неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объема популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель, которая описывается дифференциальным уравнением Ферхюльста:
где x s - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению
Пример 2. Модель «хищник - жертва».
Модель взаимодействия «хищник - жертва» независимо предложили в 1925 - 1927 гг. Лотка и Вольтерра. Два дифференциальных уравнения моделируют временную динамику численности двух биологических популяций жертвы и хищника. Предполагается, что жертвы размножаются с постоянной скоростью а их численность убывает вследствие поедания хищниками. Хищники же размножаются со скоростью, пропорциональной количеству пищи и умирают естественным образом.
Допустим, что на некоторой территории обитают два вида животных: кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов -х, число лис -у. Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Вольтерра - Лотки:
х =(α -су)х;
Эта система имеет равновесное состояние, когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора. Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым: малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения. Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать. Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов.