1.Математической моделью реального объекта (явления) называется ее упрощенная, идеализированная схема, составленная с помощью математических символов и операций (соотношений).Следовательно, для получения математической модели сначала вводится система буквенных обозначений элементов реального объекта и затем, на основе изучения существующих взаимосвязей между этими элементами, составляются отражающие их математические соотношения (уравнения, неравенства и др.).

Математическая модель — приближенное описание объекта моделирования, выраженное с помощью математической символики.

Математические модели появились вместе с математикой много веков назад. Огромный толчок развитию математического моделирования придало появление ЭВМ. Применение вычислительных машин позволило проанализировать и применить на практике многие математические модели, которые раньше не поддавались аналитическому исследованию. Реализованная на компьютере математическая модель называется компьютерной математической моделью, а проведение целенаправленных расчетов с помощью компьютерной модели называется вычислительным экспериментом.

Любое ответственное решение в экономике требует проведения эксперимента. Семь раз отмерь, один раз отрежь — так гласит основной принцип одного из разделов прикладной математики. При наличии математической модели мы избавляемся от необходимости дорогостоящих экспериментов, как правило, сопровождаемых многократными пробами и ошибками. Это можно делать на модели, которую, условно говоря, можно резать и перекраивать неоднократно без всяких капиталовложений. Это одно достоинство модели. Другое заключается в том, что формализация дает возможность сформулировать реальную задачу как математическую и позволяет воспользоваться для анализа универсальным и мощным математическим аппаратом, который не зависит от конкретной природы объекта. Математика проводит детальный количественный анализ модели, помогает предсказать, как поведет себя объект в различных условиях и дает рекомендации для выбора наилучших вариантов решения проблемы. Построение формальных моделей, их анализ и вывод практических рекомендаций — одна из важнейших задач прикладной математики.

Сложность экономических систем превышает порог, до которого стоится точная математическая теория. Поэтому неудивительно, что сколько-нибудь универсальных методов построения математических моделей в экономике не существует. Можно говорить лишь о некоторых общих принципах и требованиях к таким моделям. Перечислим наиболее основные из них:

1. адекватность (соответствие модели своему оригиналу),

2. объективность (соответствие научных выводов реальным условиям),

3. простота (не засоренность модели второстепенными факторами),

4. чувствительность (способность модели реагировать изменению начальных параметров),

5. устойчивость (малому возмущению исходных параметров должно соответствовать малое изменение решения задачи),

6. универсальность (широта области применения).

Комментируя первое свойство, можно заметить, что математическая модель нетождественна самому объекту, а является его приближенным отражением. Говоря об объективности, следует иметь в виду, что никакая отдельно взятая модель не может вполне правильно отразить все свойства сложной экономической действительности. Поэтому формализация экономической задачи проводится наряду с принятием некоторых предварительных условий, предположений, ограничений. Стремление к простоте модели продиктовано ограниченными возможностями вычислительной техники и экономии временных ресурсов при исследовании модели. Практическое значение модель приобретает тогда, когда ее изучение имеющимися средствами более доступно, чем изучение самого объекта. Требования чувствительности и устойчивости являются отражением объективных характеристик экономических процессов. Одна и та же математическая модель может применяться для исследования экономических задач различного содержания. Это свойство и называется универсальностью.

Математическое моделирование — процесс построения и изучения математических моделей.

Все естественные и общественные науки, использующие математический аппарат, по сути занимаются математическим моделированием: заменяют реальный объект его математической моделью и затем изучают последнюю

2. Этапы компьютерного математического моделирования изображены на рисунке. Первый этап — определение целей моделирования. Эти цели могут быть различными:

1. модель нужна для того, чтобы понять, как устроен конкретный объект, какова его структура, основные свойства, законы развития и взаимодействия с окружающим миром (понимание);

2. модель нужна для того, чтобы научиться управлять объектом (или процессом)  и определить наилучшие способы управления при заданных целях и критериях (управление);

3. модель нужна для того, чтобы прогнозировать прямые и косвенные последствия реализации заданных способов и форм воздействия на объект (прогнозирование).

Второй этап: определение входных и выходных параметров модели; разделение входных параметров по степени важности влияния их изменений на выходные. Такой процесс называется ранжированием, или разделением по рангам (см. "Формализация и моделирование").

Третий этап: построение математической модели. На этом этапе происходит переход от абстрактной формулировки модели к формулировке, имеющей конкретное математическое представление. Математическая модель — это уравнения, системы уравнений, системы неравенств, дифференциальные уравнения или системы таких уравнений и пр.

Четвертый этап: выбор метода исследования математической модели. Чаще всего здесь используются численные методы, которые хорошо поддаются программированию. Как правило, для решения одной и той же задачи подходит несколько методов, различающихся точностью, устойчивостью и т.д. От верного выбора метода часто зависит успех всего процесса моделирования.

Пятый этап: разработка алгоритма, составление и отладка программы для ЭВМ — трудно формализуемый процесс. Из языков программирования многие профессионалы для математического моделирования предпочитают FORTRAN: как в силу традиций, так и в силу непревзойденной эффективности компиляторов (для расчетных работ) и наличия написанных на нем огромных, тщательно отлаженных и оптимизированных библиотек стандартных программ математических методов. В ходу и такие языки, как PASCAL, BASIC, С, — в зависимости от характера задачи и склонностей программиста.

Шестой этап: тестирование программы. Работа программы проверяется на тестовой задаче с заранее известным ответом. Это — лишь начало процедуры тестирования, которую трудно описать формально исчерпывающим образом. Обычно тестирование заканчивается тогда, когда пользователь по своим профессиональным признакам сочтет программу верной.

Седьмой этап: собственно вычислительный эксперимент, в процессе которого выясняется, соответствует ли модель реальному объекту (процессу). Модель достаточно адекватна реальному процессу, если некоторые характеристики процесса, полученные на ЭВМ, совпадают с экспериментально полученными характеристиками с заданной степенью точности. В случае несоответствия модели реальному процессу возвращаемся к одному из предыдущих этапов.

3. Регрессионный анализ

Постановка задачи

Одной из типовых задач обработки многомерных ЭД является определение количественной зависимости показателей качества объекта от значений его параметров и характеристик внешней среды. Примером такой постановки задачи является установление зависимости между временем обработки запросов к базе данных и интенсивностью входного потока. Время обработки зависит от многих факторов, в том числе от размещения искомой информации на внешних носителях, сложности запроса. Следовательно, время обработки конкретного запроса можно считать случайной величиной. Но вместе с тем, при увеличении интенсивности потока запросов следует ожидать возрастания его среднего значения, т.е. считать, что время обработки и интенсивность потока запросов связаны корреляционной зависимостью.

Постановка задачи регрессионного анализа формулируется следующим образом [2, 3, 4].

Имеется совокупность результатов наблюдений вида (7.1). В этой совокупности один столбец соответствует показателю, для которого необходимо установить функциональную зависимость с параметрами объекта и среды, представленными остальными столбцами. Будем обозначать показатель через y^* и считать, что ему соответствует первый столбец матрицы наблюдений. Остальные т–1 (m > 1) столбцов соответствуют параметрам (факторам) х₂, х₃, …, х_т .

Требуется: установить количественную взаимосвязь между показателем и факторами. В таком случае задача регрессионного анализа понимается как задача выявления такой функциональной зависимости y^* = f(x₂ , x₃ , …, x_т), которая наилучшим образом описывает имеющиеся экспериментальные данные.

Допущения:

количество наблюдений достаточно для проявления статистических закономерностей относительно факторов и их взаимосвязей;

обрабатываемые ЭД содержат некоторые ошибки (помехи), обусловленные погрешностями измерений, воздействием неучтенных случайных факторов;

матрица результатов наблюдений является единственной информацией об изучаемом объекте, имеющейся в распоряжении перед началом исследования.

Функция f(x₂ , x₃ , …, x_т), описывающая зависимость показателя от параметров, называется уравнением (функцией) регрессии. Термин "регрессия" (regression (лат.) – отступление, возврат к чему-либо) связан со спецификой одной из конкретных задач, решенных на стадии становления метода, и в настоящее время не отражает всей сущности метода, но продолжает применяться.

Решение задачи регрессионного анализа целесообразно разбить на несколько этапов:

предварительная обработка ЭД;

выбор вида уравнений регрессии;

вычисление коэффициентов уравнения регрессии;

проверка адекватности построенной функции результатам наблюдений.

4.Метод наименьших квадратов.

Обычно определение параметров при известном виде зависимости осуществляют по методу наименьших квадратов. При этом функция φ(x) считается наилучшим приближением к f(x), если для нее сумма квадратов невязок ε_i=f(x_i)-φ(x_i) или отклонений “теоретических” значений φ(x_i), найденных по эмпирической формуле, от соответствующих опытных значений y_i, имеет наименьшее значение по сравнению с другими функциями, из числа которых выбирается искомое приближение.             (1)

Используя методы дифференциального исчисления, метод наименьших квадратов формулирует аналитические условия достижения суммой квадратов отклонений σ (1) своего наименьшего значения.   

Так, если функция φ(x) вполне определяется своими параметрами a, b, c, … , то наилучшие значения  этих параметров находятся из решения системы уравнений.

Например, в простейшем случае, когда функция φ(x) представлена линейным уравнением y=ax+b, система имеет вид:                         (2)

Выяснить вид функции можно либо из теоретических соображений, либо анализируя расположение точек (x_i, y_i) на координатной плоскости.        Например, пусть точки расположены так, как показано на рис.1.

рис1.

      Учитывая то, что практические данные получены с некоторой погрешностью, обусловленной неточностью измерений, необходимостью округления результатов и т.д., естественно предположить, что здесь имеет место линейная зависимость y=ax+b.       Чтобы функция приняла конкретный вид, необходимо каким-то образом вычислить a и b. Для этого можно решить систему (2).

Расположение экспериментальных точек в виде кривой на рис.2 наводит на мысль, что зависимость обратно пропорциональна и функцию φ(x) нужно подбирать в виде y=a+b/x. Здесь также необходимо вычислить параметры a и b.

рис 2.

Таким образом, расположение экспериментальных точек может иметь самый различный вид, и каждому соответствует конкретный тип функции.      Построение эмпирической функции сводится к вычислению входящих в нее параметров, так чтобы из всех функций такого вида выбрать ту, которая лучше других описывает зависимость между изучаемыми величинами. То есть сумма квадратов разности между табличными значениями функции в некоторых точках и значениями, вычислениями по полученной формуле, должна быть минимальна.  Метод наименьших квадратов — один из методов регрессионного анализа для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки.

Метод наименьших квадратов применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.

Когда искомая величина может быть измерена непосредственно, как, например, длина отрезка или угол, то, для увеличения точности, измерение производится много раз, и за окончательный результат берут арифметическое среднее из всех отдельных измерений. Это правило арифметической середины основывается на соображениях теории вероятностей; легко показать, что сумма квадратов уклонений отдельных измерений от арифметической середины будет меньше, чем сумма квадратов уклонений отдельных измерений от какой бы то ни было другой величины. Само правило арифметической середины представляет, следовательно, простейший случай метода наименьших квадратов.