ตัวอย่างการสร้างแบบจำลองกระบวนการสุ่ม แบบจำลองสุ่มในทางเศรษฐศาสตร์ ตัวแบบกำหนดและสุ่ม วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียวแบบหลายมิติ
การสร้างแบบจำลองสุ่มประกอบด้วยการพัฒนา การประเมินคุณภาพ และการศึกษาพฤติกรรมของระบบโดยใช้สมการที่อธิบายกระบวนการที่กำลังศึกษา
ในการทำเช่นนี้โดยทำการทดลองพิเศษกับระบบจริงจะได้รับข้อมูลเบื้องต้น ในกรณีนี้ จะใช้วิธีการวางแผนการทดลอง การประมวลผลผลลัพธ์ ตลอดจนเกณฑ์สำหรับการประเมินแบบจำลองที่ได้รับ โดยพิจารณาจากส่วนต่างๆ ของสถิติทางคณิตศาสตร์ เช่น การกระจายตัว สหสัมพันธ์ การวิเคราะห์การถดถอย ฯลฯ
วิธีการสร้างแบบจำลองทางสถิติที่อธิบายกระบวนการทางเทคโนโลยี (รูปที่ 6.1) ขึ้นอยู่กับแนวคิดของ "กล่องดำ" สามารถวัดปัจจัยอินพุตได้หลายแบบ: x 1 ,x 2 ,…,x kและพารามิเตอร์เอาต์พุต: y 1 ,y 2 ,…,y pตามผลลัพธ์ที่สร้างการพึ่งพา:
ในการสร้างแบบจำลองทางสถิติ ตามการกำหนดปัญหา (1) ปัจจัยที่มีความสำคัญน้อยที่สุดจะถูกคัดออกจากตัวแปรอินพุตจำนวนมากที่ส่งผลต่อกระบวนการ (2) ตัวแปรอินพุตที่เลือกสำหรับการวิจัยเพิ่มเติมประกอบเป็นรายการปัจจัย x 1 ,x 2 ,…,x kใน (6.1) โดยการควบคุมว่าสามารถควบคุมพารามิเตอร์เอาต์พุตได้หรือไม่ y n. ควรลดจำนวนผลลัพธ์ของแบบจำลองให้มากที่สุดเพื่อลดต้นทุนของการทดลองและการประมวลผลข้อมูล
ในการพัฒนาแบบจำลองทางสถิติ โครงสร้าง (3) มักจะถูกกำหนดโดยพลการ ในรูปแบบของฟังก์ชันที่สะดวกต่อการใช้งานซึ่งใกล้เคียงกับข้อมูลการทดลอง แล้วปรับแต่งตามการประเมินความเพียงพอของแบบจำลอง
รูปแบบพหุนามของแบบจำลองมักใช้บ่อยที่สุด ดังนั้น สำหรับฟังก์ชันกำลังสอง:
(6.2)
ที่ไหน ข 0, บี , บี จ , ข iiคือสัมประสิทธิ์การถดถอย
โดยปกติ อันดับแรก เราจะจำกัดตัวเองให้อยู่เฉพาะโมเดลเชิงเส้นที่ง่ายที่สุด ซึ่งใน (6.2) b ii =0, b ij =0. ในกรณีที่ไม่เพียงพอ แบบจำลองจะซับซ้อนโดยการนำคำศัพท์ที่คำนึงถึงปฏิสัมพันธ์ของปัจจัยต่างๆ x ฉัน , x jและ (หรือ) เงื่อนไขกำลังสอง
เพื่อเพิ่มการดึงข้อมูลจากการทดลองที่ดำเนินอยู่ให้มากที่สุดและลดจำนวนลง จึงมีการวางแผนการทดลอง (4) เช่น การเลือกจำนวนและเงื่อนไขสำหรับการทดลองที่จำเป็นและเพียงพอในการแก้ปัญหาด้วยความแม่นยำที่กำหนด
ในการสร้างแบบจำลองทางสถิติ จะใช้การทดสอบสองประเภท: แบบพาสซีฟและแบบแอ็คทีฟ การทดลองแบบพาสซีฟมันดำเนินการในรูปแบบของการสังเกตระยะยาวของกระบวนการที่ไม่มีการควบคุม ซึ่งทำให้สามารถรวบรวมข้อมูลที่หลากหลายสำหรับการวิเคราะห์ทางสถิติ ใน การทดลองใช้งานสามารถควบคุมเงื่อนไขของการทดลองได้ เมื่อดำเนินการแล้ว สิ่งที่มีประสิทธิภาพมากที่สุดคือการเปลี่ยนแปลงขนาดของปัจจัยทั้งหมดตามแผนหนึ่งไปพร้อม ๆ กัน ซึ่งทำให้สามารถระบุปฏิสัมพันธ์ของปัจจัยต่างๆ และลดจำนวนการทดลองลงได้
จากผลของการทดลอง (5) ค่าสัมประสิทธิ์การถดถอย (6.2) จะถูกคำนวณและค่านัยสำคัญทางสถิติจะถูกประมาณ ซึ่งทำให้การสร้างแบบจำลองเสร็จสมบูรณ์ (6) การวัดความเพียงพอของแบบจำลอง (7) คือความแปรปรวน กล่าวคือ ส่วนเบี่ยงเบนมาตรฐานของค่าที่คำนวณได้จากค่าทดลอง ความแปรปรวนที่ได้รับจะถูกเปรียบเทียบกับความแปรปรวนที่ยอมรับได้กับความแม่นยำที่ได้รับของการทดลอง
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 จะให้ความสามารถในการแสดงสีและภาพระดับสีเทา ซ้อนชิ้นส่วนดั้งเดิมและชิ้นส่วนที่ผิดรูป ทำให้เห็นภาพการไหลของของเหลวและก๊าซ
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: การตั้งค่างาน; 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 เป้าหมายคือการสร้างแบบจำลองด้านการทำงานของระบบที่แยกจากกัน 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. เมื่อสร้างแบบจำลองของระบบและแบบจำลองของสภาพแวดล้อมภายนอกตามเกณฑ์ประสิทธิภาพของการทำงานของระบบ ในกระบวนการสร้างแบบจำลอง จะเลือกกลยุทธ์การควบคุมที่เหมาะสมที่สุด ซึ่งทำให้ตระหนักถึงความเป็นไปได้ ของแบบจำลองเพื่อทำซ้ำบางแง่มุมของการทำงานของระบบจริง
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 การแยกย่อยส่งผลให้เกิดระบบสมการเชิงอนุพันธ์ธรรมดา 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
ใน 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
แบบจำลองทางคณิตศาสตร์ 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 แบบจำลองการทำงานที่ระดับมหภาคคือระบบของสมการเชิงพีชคณิตหรือสมการเชิงอนุพันธ์สามัญ สำหรับการได้มาและการแก้ปัญหานั้น จะใช้วิธีการเชิงตัวเลขที่เหมาะสม
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
ป้ายจำแนก |
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
ในบทสุดท้ายของหนังสือเล่มนี้ กระบวนการสุ่มมักจะแสดงโดยใช้ระบบดิฟเฟอเรนเชียลเชิงเส้นที่ตื่นเต้นด้วยเสียงสีขาว การแสดงกระบวนการสุ่มนี้มักใช้รูปแบบต่อไปนี้ มาแสร้งทำเป็นว่า
a คือเสียงสีขาว โดยการเลือกการแสดงแทนกระบวนการสุ่ม V มันสามารถจำลองได้ การใช้แบบจำลองดังกล่าวสามารถให้เหตุผลได้ดังนี้
ก) ในธรรมชาติมักพบปรากฏการณ์สุ่ม ซึ่งสัมพันธ์กับการกระทำของความผันผวนที่เปลี่ยนแปลงอย่างรวดเร็วบนระบบความแตกต่างเฉื่อย ตัวอย่างทั่วไปของสัญญาณรบกวนสีขาวที่กระทำต่อระบบดิฟเฟอเรนเชียลคือสัญญาณรบกวนจากความร้อนในวงจรอิเล็กทรอนิกส์
ข) ดังจะเห็นได้จากสิ่งต่อไปนี้ ในทฤษฎีการควบคุมเชิงเส้น มักจะพิจารณาเฉพาะค่าเฉลี่ยของ u เท่านั้น ความแปรปรวนร่วมของกระบวนการสุ่ม สำหรับตัวแบบเชิงเส้น 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) และคำนวณเมทริกซ์ความแปรปรวนของตัวแปรเอาท์พุตสำหรับมัน ให้เราเพิ่มสมการของแบบจำลองกระบวนการสุ่มลงในสมการเชิงอนุพันธ์ของถังผสม เราได้รับ
นี่คือความเข้มของเสียงสีขาวสเกลาร์ถึง
เพื่อให้ได้ความแปรปรวนของกระบวนการเท่ากับการยอมรับ สำหรับกระบวนการเราใช้แบบจำลองที่คล้ายกัน ดังนั้นเราจึงได้ระบบสมการ
480 ถู | 150 UAH | $7.5 ", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> วิทยานิพนธ์ - 480 rubles, shipping 10 นาทีตลอด 24 ชั่วโมง เจ็ดวันต่อสัปดาห์และวันหยุดนักขัตฤกษ์
Demidova Anastasia Vyacheslavovna วิธีการสร้างแบบจำลองสุ่มของกระบวนการขั้นตอนเดียว: วิทยานิพนธ์ ... ผู้สมัครสาขาวิทยาศาสตร์กายภาพและคณิตศาสตร์: 05.13.18 / Demidova Anastasia Vyacheslavovna; [สถานที่ป้องกัน: Peoples' Friendship University of Russia].- มอสโก, 2014.- 126 หน้า
บทนำ
บทที่ 1 ทบทวนผลงานในหัวข้อวิทยานิพนธ์ 14
1.1. ภาพรวมของแบบจำลองพลวัตของประชากร 14
1.2. แบบจำลองประชากรสุ่ม 23
1.3. สมการเชิงอนุพันธ์เชิงซ้อน 26
1.4. ข้อมูลเกี่ยวกับ stochastic แคลคูลัส 32
บทที่ 2 วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียว 39
2.1. กระบวนการขั้นตอนเดียว สมการโคลโมโกรอฟ-แชปแมน สมการจลนศาสตร์พื้นฐาน39
2.2. วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียวแบบหลายมิติ 47
2.3. การจำลองเชิงตัวเลข 56
บทที่ 3 การประยุกต์ใช้วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียว 60
3.1. แบบจำลองสุ่มของพลวัตของประชากร 60
3.2. แบบจำลองสุ่มของระบบประชากรที่มีปฏิสัมพันธ์ระหว่างและภายในต่างๆ 75
3.3. แบบจำลองสุ่มการแพร่กระจายของเวิร์มเครือข่าย 92
3.4. โมเดลสุ่มของโปรโตคอลเพียร์ทูเพียร์97
บทสรุป 113
วรรณคดี 116
สมการเชิงอนุพันธ์เชิงซ้อน
วัตถุประสงค์ประการหนึ่งของวิทยานิพนธ์คือ การเขียนสมการเชิงอนุพันธ์สุ่มสำหรับระบบ เพื่อให้ศัพท์สุ่มมีความเกี่ยวข้องกับโครงสร้างของระบบที่กำลังศึกษา วิธีแก้ปัญหาหนึ่งที่เป็นไปได้สำหรับปัญหานี้คือการได้ส่วนสุ่มและส่วนที่กำหนดขึ้นเองจากสมการเดียวกัน เพื่อจุดประสงค์เหล่านี้ มันสะดวกที่จะใช้สมการจลนศาสตร์พื้นฐาน ซึ่งสามารถประมาณได้โดยสมการฟ็อกเกอร์-พลังค์ ซึ่งในทางกลับกัน เราสามารถเขียนสมการเชิงอนุพันธ์สุ่มที่เทียบเท่ากันในรูปแบบของสมการแลงเกวิน
มาตรา 1.4. มีข้อมูลพื้นฐานที่จำเป็นในการระบุความสัมพันธ์ระหว่างสมการเชิงอนุพันธ์สุ่มและสมการฟ็อกเกอร์-พลังค์ ตลอดจนแนวคิดพื้นฐานของแคลคูลัสสุ่ม
บทที่สองให้ข้อมูลพื้นฐานจากทฤษฎีของกระบวนการสุ่ม และบนพื้นฐานของทฤษฎีนี้ วิธีการสำหรับการสร้างแบบจำลองกระบวนการขั้นตอนเดียว
ส่วนที่ 2.1 ให้ข้อมูลพื้นฐานจากทฤษฎีกระบวนการสุ่มขั้นตอนเดียว
กระบวนการแบบขั้นตอนเดียวเป็นที่เข้าใจกันว่าเป็นกระบวนการของมาร์กอฟที่มีเวลาต่อเนื่อง โดยรับค่าในพื้นที่ของจำนวนเต็ม ซึ่งเป็นเมทริกซ์การเปลี่ยนแปลงซึ่งอนุญาตให้มีการเปลี่ยนเฉพาะระหว่างส่วนที่อยู่ติดกันเท่านั้น
เราพิจารณากระบวนการขั้นตอนเดียวแบบหลายมิติ Х() = (i(),2(), ...,n()) = ( j(), = 1, ) , (0.1) Є โดยที่คือความยาวของช่วงเวลาที่ระบุกระบวนการ X() ชุด G \u003d (x, \u003d 1, Є NQ x NQ1 เป็นชุดของค่าที่ไม่ต่อเนื่องซึ่งกระบวนการสุ่มสามารถรับได้
สำหรับกระบวนการขั้นตอนเดียวนี้ ความน่าจะเป็นของการเปลี่ยนแปลงต่อหน่วยเวลา s+ และ s จากสถานะ Xj เป็นสถานะ Xj__i และ Xj_i ตามลำดับ ในกรณีนี้ ถือว่าความน่าจะเป็นของการเปลี่ยนจากสถานะ x เป็นสองขั้นตอนขึ้นไปต่อหน่วยเวลานั้นน้อยมาก ดังนั้น เราสามารถพูดได้ว่าเวกเตอร์สถานะ Xj ของระบบเปลี่ยนแปลงในขั้นตอนของความยาว Г( จากนั้นแทนที่จะเปลี่ยนจาก x เป็น Xj+i และ Xj_i เราสามารถพิจารณาการเปลี่ยนจาก X เป็น X + Гі และ X - Гі ตามลำดับ .
เมื่อสร้างแบบจำลองระบบที่วิวัฒนาการชั่วขณะเกิดขึ้นจากการทำงานร่วมกันขององค์ประกอบของระบบ จะสะดวกที่จะอธิบายโดยใช้สมการจลนศาสตร์หลัก (ชื่ออื่นคือสมการหลัก และในวรรณคดีอังกฤษเรียกว่าสมการมาสเตอร์)
ต่อไป คำถามที่เกิดขึ้นเกี่ยวกับวิธีการได้คำอธิบายของระบบภายใต้การศึกษา อธิบายโดยกระบวนการขั้นตอนเดียว โดยใช้สมการเชิงอนุพันธ์สุ่มในรูปแบบของสมการ Langevin จากสมการจลนศาสตร์พื้นฐาน อย่างเป็นทางการ เฉพาะสมการที่มีฟังก์ชันสุ่มเท่านั้นที่ควรจัดเป็นสมการสุ่ม ดังนั้น เฉพาะสมการ Langevin เท่านั้นที่ตรงตามคำจำกัดความนี้ อย่างไรก็ตาม พวกมันเกี่ยวข้องโดยตรงกับสมการอื่นๆ กล่าวคือ สมการฟอกเกอร์-พลังค์ และสมการจลนศาสตร์พื้นฐาน ดังนั้นจึงดูสมเหตุสมผลที่จะพิจารณาสมการทั้งหมดเหล่านี้ร่วมกัน ดังนั้น เพื่อแก้ปัญหานี้ เสนอให้ประมาณสมการจลนพลศาสตร์หลักโดยสมการฟ็อกเกอร์-พลังค์ ซึ่งเป็นไปได้ที่จะเขียนสมการเชิงอนุพันธ์เชิงสุ่มที่เท่ากันในรูปแบบของสมการแลงเกวิน
ส่วนที่ 2.2 กำหนดวิธีการอธิบายและสร้างแบบจำลองสุ่มของระบบที่อธิบายโดยกระบวนการขั้นตอนเดียวแบบหลายมิติ
นอกจากนี้ยังแสดงให้เห็นว่าสัมประสิทธิ์สำหรับสมการ Fokker-Planck สามารถรับได้ทันทีหลังจากเขียนสำหรับระบบภายใต้การศึกษารูปแบบปฏิสัมพันธ์ สถานะเปลี่ยนเวกเตอร์ r และนิพจน์สำหรับความน่าจะเป็นการเปลี่ยนแปลง s+ และ s- เช่น ในการประยุกต์ใช้วิธีนี้ในทางปฏิบัติ ไม่จำเป็นต้องเขียนสมการจลนศาสตร์หลัก
ส่วนที่ 2.3. วิธี Runge-Kutta สำหรับการแก้ปัญหาเชิงตัวเลขของสมการเชิงอนุพันธ์สุ่มได้รับการพิจารณา ซึ่งใช้ในบทที่สามเพื่อแสดงผลลัพธ์ที่ได้
บทที่สามแสดงภาพประกอบของการประยุกต์ใช้วิธีการสร้างแบบจำลองสุ่มที่อธิบายไว้ในบทที่สอง โดยใช้ตัวอย่างของระบบที่อธิบายพลวัตของการเติบโตของประชากรที่มีปฏิสัมพันธ์ เช่น "เหยื่อผู้ล่า" การอยู่ร่วมกัน การแข่งขัน และ การปรับเปลี่ยน จุดมุ่งหมายคือการเขียนพวกมันเป็นสมการเชิงอนุพันธ์สุ่มและเพื่อตรวจสอบผลกระทบของการแนะนำสุ่มต่อพฤติกรรมของระบบ
ในส่วน 3.1. การใช้วิธีการที่อธิบายในบทที่สองนั้นแสดงให้เห็นในตัวอย่างของแบบจำลอง "เหยื่อผู้ล่า" ระบบที่มีปฏิสัมพันธ์ระหว่างประชากรสองประเภทที่เป็น "เหยื่อผู้ล่า" ได้รับการศึกษาอย่างกว้างขวาง ซึ่งทำให้สามารถเปรียบเทียบผลลัพธ์ที่ได้รับกับสิ่งที่ทราบกันดีอยู่แล้ว
การวิเคราะห์สมการที่ได้รับแสดงให้เห็นว่าในการศึกษาพฤติกรรมที่กำหนดขึ้นของระบบ เราสามารถใช้เวกเตอร์ลอย A ของสมการเชิงอนุพันธ์สุ่มที่ได้รับ นั่นคือ วิธีการที่พัฒนาขึ้นนี้สามารถนำมาใช้เพื่อวิเคราะห์พฤติกรรมสุ่มและกำหนดพฤติกรรม นอกจากนี้ สรุปได้ว่าแบบจำลองสุ่มให้คำอธิบายที่สมจริงยิ่งขึ้นเกี่ยวกับพฤติกรรมของระบบ โดยเฉพาะอย่างยิ่ง สำหรับระบบ "predator-prey" ในกรณีที่กำหนดขึ้น คำตอบของสมการจะมีรูปแบบเป็นระยะและยังคงปริมาตรของเฟสไว้ ในขณะที่การนำสุ่มเข้าสู่แบบจำลองจะทำให้ปริมาตรเฟสเพิ่มขึ้นซ้ำซากจำเจ บ่งบอกถึงความตายที่หลีกเลี่ยงไม่ได้ของประชากรหนึ่งหรือทั้งสอง เพื่อให้เห็นภาพผลลัพธ์ที่ได้ ได้ดำเนินการจำลองเชิงตัวเลข
มาตรา 3.2. วิธีการที่พัฒนาขึ้นนี้ใช้เพื่อให้ได้มาและวิเคราะห์แบบจำลองสุ่มต่างๆ ของพลวัตของประชากร เช่น แบบจำลอง "เหยื่อผู้ล่า" โดยคำนึงถึงการแข่งขันระหว่างเหยื่อ การสัมพันธ์กัน การแข่งขัน และแบบจำลองปฏิสัมพันธ์ของประชากรทั้งสาม
ข้อมูลเกี่ยวกับแคลคูลัสสุ่ม
การพัฒนาทฤษฎีของกระบวนการสุ่มนำไปสู่การเปลี่ยนแปลงในการศึกษาปรากฏการณ์ทางธรรมชาติจากการแสดงแทนแบบกำหนดและแบบจำลองของพลวัตของประชากรไปสู่ความน่าจะเป็น และด้วยเหตุนี้ การเกิดขึ้นของงานจำนวนมากที่อุทิศให้กับการสร้างแบบจำลองสุ่มในชีววิทยาทางคณิตศาสตร์ , เคมี เศรษฐศาสตร์ ฯลฯ
เมื่อพิจารณาแบบจำลองประชากรที่กำหนดขึ้นเอง ประเด็นสำคัญเช่นอิทธิพลสุ่มของปัจจัยต่างๆ ที่มีต่อวิวัฒนาการของระบบยังไม่เปิดเผย เมื่ออธิบายพลวัตของประชากร เราควรคำนึงถึงธรรมชาติของการสืบพันธุ์และการอยู่รอดของบุคคลโดยสุ่ม ตลอดจนความผันผวนแบบสุ่มที่เกิดขึ้นในสภาพแวดล้อมเมื่อเวลาผ่านไป และนำไปสู่ความผันผวนแบบสุ่มในพารามิเตอร์ของระบบ ดังนั้น กลไกความน่าจะเป็นที่สะท้อนถึงช่วงเวลาเหล่านี้ควรนำมาใช้ในแบบจำลองใดๆ ของพลวัตของประชากร
แบบจำลองสุ่มช่วยให้สามารถอธิบายการเปลี่ยนแปลงลักษณะประชากรได้อย่างสมบูรณ์ยิ่งขึ้น โดยคำนึงถึงปัจจัยที่กำหนดขึ้นทั้งหมดและผลกระทบแบบสุ่มที่สามารถเปลี่ยนข้อสรุปจากแบบจำลองที่กำหนดขึ้นได้อย่างมีนัยสำคัญ ในทางกลับกัน สามารถใช้เพื่อเปิดเผยลักษณะใหม่เชิงคุณภาพของพฤติกรรมของประชากร
แบบจำลองสุ่มของการเปลี่ยนแปลงในสถานะของประชากรสามารถอธิบายได้โดยใช้กระบวนการสุ่ม ภายใต้สมมติฐานบางประการ เราสามารถสรุปได้ว่าพฤติกรรมของประชากร เมื่อพิจารณาจากสถานะปัจจุบัน ไม่ได้ขึ้นอยู่กับว่าสถานะนี้บรรลุผลได้อย่างไร (กล่าวคือ ด้วยปัจจุบันที่แน่นอน อนาคตไม่ได้ขึ้นอยู่กับอดีต) ที่. ในการสร้างแบบจำลองกระบวนการพลวัตของประชากร สะดวกในการใช้กระบวนการเกิด-ตายของ Markov และสมการควบคุมที่เกี่ยวข้อง ซึ่งมีการอธิบายรายละเอียดไว้ในส่วนที่สองของบทความ
N. N. Kalinkin ในงานของเขาเพื่อแสดงกระบวนการที่เกิดขึ้นในระบบที่มีองค์ประกอบแบบโต้ตอบใช้รูปแบบการโต้ตอบและบนพื้นฐานของโครงร่างเหล่านี้สร้างแบบจำลองของระบบเหล่านี้โดยใช้เครื่องมือของกระบวนการ Markov ที่แยกสาขา การประยุกต์ใช้แนวทางนี้แสดงให้เห็นโดยตัวอย่างของกระบวนการสร้างแบบจำลองในทางเคมี ประชากร โทรคมนาคม และระบบอื่นๆ
บทความนี้จะพิจารณาแบบจำลองประชากรที่น่าจะเป็นไปได้ สำหรับการสร้างเครื่องมือของกระบวนการเกิด-ตาย และระบบผลลัพธ์ของสมการผลต่างเชิงอนุพันธ์คือสมการไดนามิกสำหรับกระบวนการสุ่ม บทความนี้ยังพิจารณาวิธีการหาคำตอบของสมการเหล่านี้ด้วย
คุณจะพบบทความมากมายที่เกี่ยวข้องกับการสร้างแบบจำลองสุ่มที่คำนึงถึงปัจจัยต่างๆ ที่มีอิทธิพลต่อการเปลี่ยนแปลงของจำนวนประชากร ตัวอย่างเช่น ในบทความ ได้มีการสร้างและวิเคราะห์แบบจำลองพลวัตของขนาดของชุมชนทางชีววิทยา ซึ่งบุคคลบริโภคทรัพยากรอาหารที่มีสารอันตราย และในรูปแบบของวิวัฒนาการของประชากร บทความนี้คำนึงถึงปัจจัยของการตั้งรกรากของตัวแทนของประชากรในแหล่งที่อยู่อาศัย แบบจำลองเป็นระบบสมการ Vlasov ที่สม่ำเสมอในตัวเอง
เป็นที่น่าสังเกตว่าผลงานที่อุทิศให้กับทฤษฎีความผันผวนและการประยุกต์ใช้วิธีการสุ่มในวิทยาศาสตร์ธรรมชาติ เช่น ฟิสิกส์ เคมี ชีววิทยา ฯลฯ กระบวนการเกิด-ตาย
เราสามารถพิจารณาแบบจำลอง "เหยื่อผู้ล่า" ว่าเป็นกระบวนการเกิดและตายได้ ในการตีความนี้ พวกเขาสามารถใช้สำหรับแบบจำลองในหลายสาขาของวิทยาศาสตร์ ในปี 1970 เอ็ม ดอยเสนอวิธีการศึกษาแบบจำลองดังกล่าวโดยพิจารณาจากตัวดำเนินการสร้างและทำลายล้าง (โดยการเปรียบเทียบกับการหาปริมาณครั้งที่สอง) คุณสามารถทำเครื่องหมายงานได้ที่นี่ นอกจากนี้วิธีการนี้กำลังได้รับการพัฒนาอย่างแข็งขันในกลุ่ม M. M. Gnatich
อีกแนวทางหนึ่งในการสร้างแบบจำลองและการศึกษาแบบจำลองพลวัตของประชากรมีความเกี่ยวข้องกับทฤษฎีการควบคุมที่เหมาะสมที่สุด คุณสามารถทำเครื่องหมายงานได้ที่นี่
สังเกตได้ว่างานส่วนใหญ่ที่อุทิศให้กับการสร้างแบบจำลองสุ่มของกระบวนการทางประชากรนั้นใช้เครื่องมือของกระบวนการสุ่มเพื่อให้ได้สมการผลต่างและผลต่างเชิงตัวเลขตามมา นอกจากนี้ สมการเชิงอนุพันธ์สุ่มในรูปแบบ Langevin ยังถูกนำมาใช้กันอย่างแพร่หลาย ซึ่งศัพท์สุ่มถูกเพิ่มจากการพิจารณาทั่วไปเกี่ยวกับพฤติกรรมของระบบ และมีวัตถุประสงค์เพื่ออธิบายผลกระทบสิ่งแวดล้อมแบบสุ่ม การศึกษาเพิ่มเติมของแบบจำลองนี้คือการวิเคราะห์เชิงคุณภาพหรือการค้นหาวิธีแก้ปัญหาโดยใช้วิธีการเชิงตัวเลข
สมการเชิงอนุพันธ์เชิงซ้อน คำจำกัดความ 1 สมการเชิงอนุพันธ์เชิงสุ่มคือสมการเชิงอนุพันธ์ที่มีพจน์หนึ่งคำหรือมากกว่านั้นแทนกระบวนการสุ่ม ตัวอย่างที่ใช้กันมากที่สุดและเป็นที่รู้จักมากที่สุดของสมการเชิงอนุพันธ์สุ่ม (SDE) คือสมการที่มีคำศัพท์ที่อธิบายสัญญาณรบกวนสีขาว และสามารถมองได้ว่าเป็นกระบวนการของ Wiener Wt, t 0
สมการเชิงอนุพันธ์เชิงสุ่มเป็นเครื่องมือทางคณิตศาสตร์ที่สำคัญและใช้กันอย่างแพร่หลายในการศึกษาและสร้างแบบจำลองของระบบไดนามิกที่มีการรบกวนแบบสุ่มต่างๆ
จุดเริ่มต้นของการสร้างแบบจำลองสุ่มของปรากฏการณ์ทางธรรมชาติถือเป็นคำอธิบายของปรากฏการณ์การเคลื่อนที่แบบบราวเนียนซึ่งถูกค้นพบโดยอาร์. บราวน์ในปี พ.ศ. 2370 เมื่อเขาศึกษาการเคลื่อนที่ของละอองเกสรพืชในของเหลว คำอธิบายที่เข้มงวดครั้งแรกของปรากฏการณ์นี้ได้รับจาก A. Einstein และ M. Smoluchowski อย่างอิสระ เป็นที่น่าสังเกตว่าการรวบรวมบทความที่รวบรวมผลงานของ A. Einstein และ M. Smoluchowski เกี่ยวกับการเคลื่อนไหวของ Brownian การศึกษาเหล่านี้มีส่วนสำคัญในการพัฒนาทฤษฎีการเคลื่อนที่แบบบราวเนียนและการตรวจสอบการทดลอง A. Einstein ได้สร้างทฤษฎีจลนพลศาสตร์ระดับโมเลกุลสำหรับคำอธิบายเชิงปริมาณของการเคลื่อนที่แบบบราวเนียน สูตรที่ได้รับได้รับการยืนยันโดยการทดลองของ J. Perrin ในปี พ.ศ. 2451-2452
วิธีการสร้างแบบจำลองกระบวนการขั้นตอนเดียวแบบหลายมิติ
เพื่ออธิบายวิวัฒนาการของระบบที่มีองค์ประกอบที่มีปฏิสัมพันธ์ มีสองแนวทาง - นี่คือการสร้างแบบจำลองที่กำหนดขึ้นเองหรือสุ่ม แบบจำลองสุ่มซึ่งแตกต่างจากที่กำหนดขึ้นได้คืออนุญาตให้พิจารณาธรรมชาติความน่าจะเป็นของกระบวนการที่เกิดขึ้นในระบบภายใต้การศึกษา เช่นเดียวกับผลกระทบของสภาพแวดล้อมภายนอกที่ทำให้เกิดความผันผวนแบบสุ่มในพารามิเตอร์แบบจำลอง
หัวข้อของการศึกษาคือระบบ กระบวนการที่เกิดขึ้นซึ่งสามารถอธิบายได้โดยใช้กระบวนการแบบขั้นตอนเดียวและกระบวนการที่การเปลี่ยนสถานะหนึ่งไปยังอีกสถานะหนึ่งเกี่ยวข้องกับปฏิสัมพันธ์ขององค์ประกอบของระบบ ตัวอย่างคือแบบจำลองที่อธิบายพลวัตการเติบโตของประชากรที่มีปฏิสัมพันธ์ เช่น "เหยื่อผู้ล่า" การอยู่ร่วมกัน การแข่งขัน และการดัดแปลงของพวกมัน จุดมุ่งหมายคือการเขียน SDE สำหรับระบบดังกล่าวและเพื่อตรวจสอบอิทธิพลของการแนะนำส่วนสุ่มต่อพฤติกรรมของการแก้ปัญหาของสมการที่อธิบายพฤติกรรมที่กำหนดขึ้น
จลนพลศาสตร์เคมี
ระบบของสมการที่เกิดขึ้นเมื่ออธิบายระบบที่มีองค์ประกอบที่มีปฏิสัมพันธ์นั้นคล้ายกับระบบของสมการเชิงอนุพันธ์ที่อธิบายจลนศาสตร์ของปฏิกิริยาเคมีในหลายๆ ด้าน ตัวอย่างเช่น ระบบ Lotka-Volterra เดิมที Lotka อนุมานได้ว่าเป็นระบบที่อธิบายปฏิกิริยาทางเคมีตามสมมุติฐาน และต่อมา Volterra อนุมานได้ว่าเป็นระบบที่อธิบายแบบจำลอง "เหยื่อ-เหยื่อ"
จลนพลศาสตร์เคมีอธิบายปฏิกิริยาเคมีโดยใช้สิ่งที่เรียกว่าสมการปริมาณสัมพันธ์ - สมการที่สะท้อนอัตราส่วนเชิงปริมาณของสารตั้งต้นและผลิตภัณฑ์ของปฏิกิริยาเคมีและมีรูปแบบทั่วไปดังต่อไปนี้ โดยที่ตัวเลขธรรมชาติmіและ U เรียกว่าสัมประสิทธิ์ปริมาณสัมพันธ์ นี่คือบันทึกสัญลักษณ์ของปฏิกิริยาเคมีที่โมเลกุล ti ของรีเอเจนต์ Xi, โมเลกุล ni2 ของรีเอเจนต์ Xp, ..., tr โมเลกุลของรีเอเจนต์ Xp เมื่อเข้าสู่ปฏิกิริยาสร้างโมเลกุล u ของสารYї u โมเลกุลของสาร I2, ..., nq โมเลกุลของสาร Yq ตามลำดับ
ในจลนพลศาสตร์เคมี เชื่อกันว่าปฏิกิริยาเคมีสามารถเกิดขึ้นได้กับปฏิกิริยาโดยตรงของรีเอเจนต์เท่านั้น และอัตราของปฏิกิริยาเคมีถูกกำหนดให้เป็นจำนวนของอนุภาคที่เกิดขึ้นต่อหน่วยเวลาต่อหน่วยปริมาตร
หลักการพื้นฐานของจลนพลศาสตร์เคมีคือกฎของการกระทำมวล ซึ่งบอกว่าอัตราการเกิดปฏิกิริยาเคมีเป็นสัดส่วนโดยตรงกับผลคูณของความเข้มข้นของสารตั้งต้นในกำลังของสัมประสิทธิ์ปริมาณสัมพันธ์ของพวกมัน ดังนั้นหากเราแสดงด้วย XI และ y I ความเข้มข้นของสารที่เกี่ยวข้อง เราก็มีสมการสำหรับอัตราการเปลี่ยนแปลงความเข้มข้นของสารในช่วงเวลาหนึ่งอันเป็นผลมาจากปฏิกิริยาเคมี:
นอกจากนี้ยังเสนอให้ใช้แนวคิดพื้นฐานของจลนพลศาสตร์เคมีเพื่ออธิบายระบบที่มีวิวัฒนาการในเวลาอันเป็นผลมาจากปฏิสัมพันธ์ขององค์ประกอบของระบบนี้กับแต่ละอื่น ๆ โดยทำการเปลี่ยนแปลงหลักดังต่อไปนี้: 1. ไม่ใช่อัตราการเกิดปฏิกิริยา พิจารณา แต่ความน่าจะเป็นการเปลี่ยนแปลง; 2. มีการเสนอว่าความน่าจะเป็นของการเปลี่ยนแปลงจากสถานะหนึ่งไปอีกสถานะหนึ่ง ซึ่งเป็นผลมาจากการโต้ตอบ เป็นสัดส่วนกับจำนวนการโต้ตอบที่เป็นไปได้ของประเภทนี้ 3. ในการอธิบายระบบในวิธีนี้ จะใช้สมการจลนศาสตร์หลัก 4. สมการเชิงกำหนดจะถูกแทนที่ด้วยสุ่ม วิธีการที่คล้ายกันในการอธิบายระบบดังกล่าวสามารถพบได้ในผลงาน เพื่ออธิบายกระบวนการที่เกิดขึ้นในระบบจำลอง ควรใช้กระบวนการแบบขั้นตอนเดียวของ Markov ดังที่ได้กล่าวไว้ข้างต้น
พิจารณาระบบที่ประกอบด้วยองค์ประกอบประเภทต่างๆ ที่สามารถโต้ตอบกันได้ในรูปแบบต่างๆ แสดงโดยองค์ประกอบของประเภท -th โดยที่ = 1 และโดย - จำนวนองค์ประกอบประเภท -th
อนุญาต เป็น (), .
สมมติว่าไฟล์ประกอบด้วยส่วนหนึ่ง ดังนั้นในขั้นตอนเดียวของการโต้ตอบระหว่างโหนดใหม่ที่ต้องการดาวน์โหลดไฟล์และโหนดที่แจกจ่ายไฟล์ โหนดใหม่จะดาวน์โหลดไฟล์ทั้งหมดและกลายเป็นโหนดผู้จัดจำหน่าย
Let คือการกำหนดโหนดใหม่ เป็นโหนดการกระจาย และเป็นสัมประสิทธิ์การโต้ตอบ โหนดใหม่สามารถเข้าสู่ระบบด้วยความเข้มข้น และการกระจายโหนดสามารถปล่อยให้มีความเข้มข้น จากนั้นรูปแบบการโต้ตอบและเวกเตอร์ r จะมีลักษณะดังนี้:
สมการเชิงอนุพันธ์สุ่มในรูปแบบ Langevin สามารถหาได้ 100 โดยใช้สูตรที่สอดคล้องกัน (1.15) เพราะ เวกเตอร์ดริฟท์ A อธิบายพฤติกรรมที่กำหนดขึ้นของระบบอย่างสมบูรณ์ คุณสามารถรับระบบสมการเชิงอนุพันธ์ธรรมดาที่อธิบายพลวัตของจำนวนลูกค้าใหม่และเมล็ดพันธุ์:
ดังนั้น จุดเอกพจน์สามารถมีอักขระที่แตกต่างกันได้ ทั้งนี้ขึ้นอยู่กับการเลือกพารามิเตอร์ ดังนั้น สำหรับ /3A 4/I2 จุดเอกพจน์จึงเป็นจุดโฟกัสที่เสถียร และสำหรับความสัมพันธ์ผกผัน จุดนั้นเป็นโหนดที่เสถียร ในทั้งสองกรณี จุดเอกพจน์จะคงที่ เนื่องจากการเลือกค่าสัมประสิทธิ์ การเปลี่ยนแปลงตัวแปรระบบอาจเกิดขึ้นตามหนึ่งในสองวิถี หากจุดเอกพจน์เป็นจุดโฟกัส การสั่นของจำนวนโหนดใหม่และโหนดกระจายจะเกิดขึ้นในระบบ (ดูรูปที่ 3.12) และในกรณีสำคัญ การประมาณตัวเลขถึงค่าคงที่จะเกิดขึ้นในโหมดไม่สั่น (ดูรูปที่ 3.13) ภาพเฟสของระบบสำหรับแต่ละกรณีจะแสดงเป็นกราฟ (3.14) และ (3.15) ตามลำดับ
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 และหกสามารถขึ้นมาได้
- 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 การปฏิเสธหรือไม่สามารถใช้ได้อาจนำไปสู่การล้มละลายขององค์กรได้ นี่เป็นเพราะข้อเท็จจริงที่ว่าในชีวิตจริงพารามิเตอร์สำคัญใหม่ ๆ ปรากฏขึ้นทุกวัน และหากไม่เป็นเช่นนั้น ก็อาจมีผลร้ายตามมาได้