- •Глава 1. Принципы моделирования случайных элементов 6
- •Глава 3. Метод Монте-Карло и его применения 51
- •3.4. Задания 63
- •Глава 4. Система моделирования gpss 64
- •Глава 5. Моделирование сложных систем на основе gpss 127
- •5.2.1. Иммитационная модель системы 136
- •Глава 6. Задания лабораторного практикума по gpss 152
- •Глава 7. Статистическое моделирование в финансовом анализе. 181
- •Введение
- •Глава 1.Принципы моделирования случайных элементов
- •1.1. Моделирование случайных величин
- •1.1.1.Моделирование базовых случайных величин (бсв) Понятие бсв
- •Датчики бсв
- •Метод Макларена-Марсальи
- •Специальные тесты проверки точности моделирования бсв
- •Тест «совпадения моментов»
- •Тест «ковариация»
- •Тест «равномерность двухмерного распределения»
- •1.1.2.Статический анализ точности моделирования
- •1.1.3.Задания
- •1.2. Моделирование дискретных случайных величин (дсв)
- •1.2.1.Понятие дсв. Общая схема алгоритма моделирования
- •1.2.3.Графический анализ точности моделирования
- •1.2.4.Задания
- •Дискретное равномерное распределение
- •1.3. Моделирование непрерывных случайных величин (нсв)
- •1.3.1.Понятие нсв. Универсальные методы моделирования нсв. Понятие нсв.
- •Метод обратной функции.
- •Метод исключения
- •1.3.2.Тесты проверки точности моделирования нсв Критерии согласия
- •- Критерий согласия Пирсона
- •Критерий согласия Колмогорова.
- •Критерий серий
- •Критерий “нисходящих” и ”восходящих” серий
- •1.3.3.Алгоритмы моделирования для основных непрерывных распределений Равномерное распределение
- •Алгоритм моделирования
- •Одномерное нормальное распределение
- •Алгоритм моделирования
- •Экспоненциальное распределение
- •Алгоритм моделирования
- •Распределение Лапласа
- •Алгоритм моделирования
- •Алгоритмы моделирования:
- •Бета-распределение.
- •Связь с другими распределениями
- •Алгоритмы моделирования:
- •Алгоритмы моделирования
- •Алгоритм моделирования
- •Моделирование случайных величин с заданной гистограммой
- •Алгоритм моделирования
- •Моделирование случайных величин с заданным полигоном частот
- •1.3.4.Задания Равномерное распределение
- •Одномерное нормальное распределение
- •Распределение Лапласа
- •Распределение Вейбулла-Гнеденко
- •Гамма распределение
- •Бета-распределение
- •Распределение Коши
- •Логистическое распределение
- •Распределение Стьюдента
- •Распределение Фишера
- •3.2. Вычисление определенного интеграла методом Монте-Карло
- •Пример.
- •Текст программы:
- •3.3. Решение системы алгебраических уравнений методом Монте-Карло
- •3.4. Задания
- •Глава 4.Система моделирования gpss
- •4.1. Краткие сведения из теории
- •4.2. Основные правила и операторы языка gpss
- •4.2.1.Структура операторов gpss
- •4.2.2.Основные операторы языка gpss
- •4.3. Основные блоки gpss/pc и связанные с ними объекты
- •4.3.1.Блоки, связанные с транзактами
- •4.3.2.Блоки, связанные с аппаратными объектами
- •4.3.3.Блоки для сбора статистических данных
- •4.3.4.Блоки, изменяющие маршруты транзактов
- •4.3.5.Блоки, работающие с памятью
- •4.3.6.Блоки для работы со списками пользователя
- •4.4. Управляющие операторы gpss/pc
- •4.5. Некоторые приемы конструирования gpss-моделей
- •4.5.1.Косвенная адресация
- •4.5.2.Обработка одновременных событий
- •4.6. Команды gpss/pc и технология работы с пакетом
- •4.6.1.Загрузка интегрированной среды
- •4.6.2.Ввод новой модели
- •4.6.3.Редактирование текста модели
- •4.6.4.Запись и считывание модели с диска
- •4.6.5.Прогон модели и наблюдение за моделированием
- •4.6.6.Получение и интерпретация стандартного отчета
- •5.1.3.Анализ результатов иммитационного моделирования
- •5.2. Моделирование работы участка цеха
- •5.2.1.Иммитационная модель системы
- •110 Generate 30,5 Первый сегмент модели
- •280 Generate 20,5 Второй сегмент модели
- •450 Generate 480 Третий сегмент модели (таймер)
- •5.2.2.Анализ результатов иммитационного моделирования
- •Обсуждение результатов моделирования
- •105 A2 storage 2 Второй станок моделируется как накопитель
- •Задание для домашней подготовки
- •5.3. Порядок оформления отчета
- •5.3.1.Содержание отчета
- •Задания для самопроверки
- •5.3.2.Создание выходного файла
- •5.3.3.Описание элементов выходного файла
- •Глава 6.Задания лабораторного практикума по gpss
- •Глава 7.Статистическое моделирование в финансовом анализе.
- •7.1. Моделирование наращенных сумм и современных величин платежа.
- •Задание 4.
- •7.2. Моделирование величины реальной наращенной суммы платежей с учетом инфляции.
- •7.3. Моделирование обменного курса валют при двойной конверсии валют.
- •Приложение
- •Примечание к таблице п.3
- •Литература
Глава 7. Статистическое моделирование в финансовом анализе. 181
7.1. Моделирование наращенных сумм и современных величин платежа. 182
7.2. Моделирование величины реальной наращенной суммы платежей с учетом инфляции. 187
7.3. Моделирование обменного курса валют при двойной конверсии валют. 189
Приложение 192
Литература 199
Введение
Важнейшей, универсальной целью рациональной деятельности человека является создание высокоэффективных систем, объектов, явлений технологий процессов в экономике, технике, экологии, производстве, обществе. Высокая эффективность предполагает достижения экстремума некоторых числовых характеристик – показателей эффективности. В связи с этим необходимы математические методы. Но к реальному объекту, явлению, системе эти методы непосредственно не применимы. Необходимо, прежде всего, построить математическую модель системы, то есть приближенное описание системы с помощью математических соотношений. Математическое моделирование (ММ) представляет собой исследование математической модели, изучение ее и перенос полученных сведений на моделируемую систему.
Математическое моделирование существует фактически с тех далеких времен, когда математический аппарат начинал применяться для решения практических задач. Однако, эти попытки часто заходили в тупик из-за сложности моделей (нелинейные уравнения; большое число переменных, параметров, уравнений; малая априорная информация и др.) и невозможности их исследования традиционными аналитическими методами. С появлением и совершенствованием ЭВМ ситуация коренным образом изменилась. С математической моделью начали экспериментировать на ЭВМ. Появились новые понятия и подходы: вычислительный эксперимент, имитационное моделирование, статистическое моделирование, метод Монте-Карло. В настоящее время сущность ММ состоит в замене исходной (исследуемой, управляемой, эксплуатируемой) системы ее математической моделью и дальнейшем экспериментировании с этой моделью при помощи вычислительно логических алгоритмов.
Для компьютерного моделирования характерно, что математическая модель системы представлена в виде программы для ЭВМ – компьютерной модели, позволяющей производить с ней вычислительные эксперименты. В зависимости от математического аппарата, используемого при построении, и способа организации вычислительных экспериментов, можно выделить три взаимосвязанных вида моделирования: численное, статистическое и имитационное. При численном моделировании для построения компьютерной модели используются методы вычислительной математики, а вычислительный эксперимент заключается в численном решении некоторых математических уравнений при заданных значениях параметров и начальных условий. Имитационное моделирование (ИМ) – это вид компьютерного моделирования, для которого характерно воспроизведение на ЭВМ (имитация) процесса функционирования исследуемой сложной системы. При этом имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры, последовательности протекания во времени, что позволяет получить информацию о состоянии системы S в заданные моменты времени. Статистическое моделирование (СМ) – это вид компьютерного моделирования, позволяющий получать статистические данные о процессах в моделируемой системе S.
