- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
Решение
Отложим на единичном отрезке числовой оси точку Е = 0,75 и будем считать, что если случайное число < E, то в испытании наступило событие А. В противном случае при наступило событие , т. е. событие А не имело места.
Пусть из таблицы выбраны равномерно распределенные на интервале [0,1| случайные числа = 0,925; = 0,135; = 0,088. Тогда при трех испытаниях получим следующую последовательность реализации событий: ; А; А.
Моделирование совместных (зависимых и независимых) событий можно выполнить двумя способами.
Первый способ. На первом этапе моделирования определяют все возможные исходы появления совместных событий в испытании (находят полную группу несовместных событий и вычисляют их вероятности). На последующем этапе работ поступают так же, как и при моделировании полной группы несовместных событий.
Пример 5.5. Пусть при испытании могут иметь место зависимые и совместные события А и В, при этом известно, что Р(А) = 0,7; Р(В) = 0,5; Р(АВ) = 0,3.
Смоделируйте появление событий А и В в двух испытаниях.
Решение
При каждом испытании возможны четыре несовместных исхода, т. е. наступление четырех событий:
1.0,= АВ, при этом по условию P(C1) = Р(АВ) = 0,3.
2. С2 = ,
при этом Р(С2) = Р() = Р(А) -Р(ВА) = 0,7 - 0,3 = 0,4.
3. С3 = АВ,
при этом P(C3) = Р() = Р(В) - Р(АВ) = 0,5 - 0,3 = 0,2.
4. C4 =
при этом Р(С4) = 1 –[P(C1) + Р(С2) + Р(С3)] =
= (0,3 + 0,4 + 0,2) = 0,1.
Смоделируем полную группу событий С1,С2,, С3, С4 в двух испытаниях. Предварительно на единичном отрезке числовой оси (рис. 4.2) откладываем интервалы .
Пусть получены (взяты из таблицы) случайные числа = 0,68 и = 0,95. Случайное число принадлежит интервалу , поэтому при первом испытании имело место событие А, а событие В не наступило. При втором испытании случайное число принадлежит интервалу . Оба события А и В не имели места.
Второй способ. Моделирование совместных событий состоит в разыгрывании факта появления каждого из совместных событий отдельно, при этом, если события зависимые, необходимо предварительно определить условные вероятности.
Пример 5.6. Используя условия примера 4.5, смоделируйте раздельное появление событий А и В в одном испытании.
Решение
События А и В зависимы, поэтому предварительно находим условные вероятности Р(В/А) и Р(В/)
Для моделирования события А выработаем случайное число ,. Пусть = 0,96, так как > Р(А). Событие А в испытании не наступило.
Теперь разыграем событие В при условии, что событие А в испытании не имело место. Пусть случайное число = 0*22, тогда, т.е. Событие В при испытании наступило.
Понятие о моделировании случайных функций
Для моделирования случайных функций используют два способа. В первом из них применяются специальные физические датчики, вырабатывающие непрерывные реализации случайной функции. Физические датчики с помощью специальных фильтров преобразуют собственные шумы в случайные функции с заданными характеристиками.
В основе второго способа моделирования случайных функций лежит использование случайных чисел. При этом получают значения реализации моделируемой случайной функции в изолированных точках. Сущность способа состоит в том, что воспроизведение реализации случайной функции сводится к моделированию системы коррелированных случайных величин.