На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


курсовая работа Математические модели в системном анализе

Информация:

Тип работы: курсовая работа. Добавлен: 16.11.2012. Сдан: 2011. Страниц: 22. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Введение                                                                                                                 3

Глава1.Основные понятия  математической статистики                                   5

     1.1Случайные  события и величины, их основные  характеристики       5 

     1.2Взаимосвязи  случайных событий                                                         8

     1.3Схемы  случайных событий и законы  распределений случайных величин                                                                                                                 10

     1.4Методы  непараметрической статистики                                            12

     1.5Корреляция  случайных величин                                                         13

     1.6  Линейная регрессия                                                                            15

     1.7  Элементы теории статистических решений                                    16

Глава 2. Математическое описание объектов                                                   17
          2.1. Аналитический подход к построению моделей                               17
     2.2. Экспериментальное определение  статических и динамических характеристик  объектов.                                                                                     18
Заключение                                                                                                           24
Список использованной литературы                                                                  26 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

                                                Введение

     Моделирование как метод системного анализа

     Одной из проблем, с которой сталкиваются почти всегда при проведении системного анализа, является проблема эксперимента в системе или над системой. Очень редко это  разрешено  моральными законами или законами безопасности, но сплошь и рядом связано с материальными затратами и (или) значительными потерями информации.
     Опыт  всей человеческой деятельности учит —  в таких ситуациях надо экспериментировать не над объектом, интересующим нас предметом или системой, а над их моделями. Под этим термином надо понимать не обязательно модель физическую, т. е. копию объекта в уменьшенном или увеличенном виде. Физическое моделирование очень редко применимо в системах, хоть как то связанных с людьми. В частности в социальных системах (в том числе —  экономических) приходится прибегать к математическому моделированию.
     Буквально через минуту станет ясно, что математическим моделированием мы овладеваем еще на школьной скамье. В самом деле, пусть требуется найти площадь прямоугольника со сторонами 2 и 8 метров. Измерение сторон произведено приближенно —  других измерений расстояний не бывает!    Как решить эту задачу?  Конечно же —  не путем рисования прямоугольника (даже в уменьшенном масштабе) и последующем разбиении его на квадратики с окончательным подсчетом их числа.  Да, безусловно, мы знаем формулу  S = B·H и воспользуемся ею —  применим математическую модель процесса определения площади.
     Возвращаясь к начатому ранее примеру системного анализа обучения, можно заметить, что там собственно нечего вычислять по формулам — где же их взять.  Это так и есть, не существует методов расчета в такой сфере как “прием-передача” знаний и сомнительно, чтобы  эти методы когда-либо появились.
     Но  ведь не существует формулы пищеварения, а люди все таки едят, планируют процесс питания,  управляют им и иногда даже успешно.....
     Так что же?  Если нет математических моделей — не выдумывать же их самому?  Ответ на этот вопрос самый простой:  всем это уметь и делать —  не обязательно, а вот тому, кто взялся решать задачи системного анализа —  приходится и очень часто. Иногда здесь возможна подсказка природы, знание технологии системы; в ряде случаев может выручить эксперимент над реальной системой или ее элементами (т. н. методы планирования экспериментов) и, наконец, иногда приходится прибегать к методу “черного ящика”, предполагая некоторую статистическую связь между его входом и выходом.
     Таким “ящиком” в рассматриваемом примере  считался не только студент (с вероятностью такой-то получивший знания), но и все остальные элементы системы —  преподаватели  и лица, организующие обучение.
     Конечно, возможны ситуации, когда все процессы в большой системе описываются  известными законами природы и когда  можно надеяться, что запись уравнений этих законов даст нам математическую модель хотя бы отдельных элементов или подсистем.  Но и в этих, редких, случаях возникают проблемы не только в плане сложности уравнений, невозможности их аналитического решения (расчета по формулам).  Дело в том, что в природе трудно обнаружить примеры “чистого” проявления ее отдельных законов — чаще всего сопутствующие явление факторы “смазывают” теоретическую картину.
     Еще одно важное обстоятельство приходится учитывать при математическом моделировании. Стремление к простым, элементарным моделям и вызванное этим игнорирование ряда факторов может сделать модель неадекватной реальному объекту, грубо говоря — сделать ее неправдивой. Снова таки, без активного взаимодействия с технологами, специалистами в области законов функционирования систем данного типа, при системном анализе не обойтись.
     В системах экономических, представляющих для вас основной интерес, приходится прибегать большей частью к математическому  моделированию, правда в специфическом  виде —  с использованием  не только количественных, но и качественных, а также логических показателей. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

                 Глава1.Основные понятия  математической статистики

     1.1Случайные события и величины, их основные характеристики 

     Как уже говорилось, при анализе больших систем  наполнителем  каналов связи между элементами, подсистемами и системы в целом могут быть:
     · продукция, т. е. реальные, физически  ощутимые предметы  с  заранее заданным  способом их количественного и качественного описания;
     · деньги, с единственным способом описания —  суммой;
     · информация, в виде сообщений о  событиях в системе и значениях  описывающих ее поведение величин.
     Начнем  с того, что обратим внимание на  тесную  (системную!)  связь показателей продукции и денег с информацией об этих показателях. Если рассматривать некоторую физическую величину, скажем —  количество проданных за день образцов продукции, то сведения  об  этой  величине  после продажи могут быть получены без проблем  и  достаточно  точно  или достоверно. Но, уже должно быть ясно, что при системном анализе нас куда больше интересует будущее —  а сколько этой продукции  будет  продано  за  день?  Этот вопрос совсем не праздный — наша цель управлять, а по образному выражению  “управлять —  значит  предвидеть”.
     Итак, без предварительной информации, знаний о количественных показателях  в системе нам не обойтись.  Величины,  которые  могут  принимать различные значения в зависимости от внешних по отношению к ним  условий, принято называть случайными (стохастичными по природе). Так, например: пол встреченного нами человека может быть женским  или  мужским (дискретная случайная величина); его рост также может быть различным, но это уже непрерывная случайная величина — с тем или иным количеством возможных значений (в зависимости от единицы измерения).
     Для случайных величин (далее — СВ) приходится использовать особые,  статистические методы их описания. В зависимости от типа самой СВ — дискретная или непрерывная это делается по разному.
     Дискретное  описание заключается в том, что указываются все возможные значения данной величины (например - 7 цветов обычного спектра) и для каждой из них указывается вероятность или  частота наблюдений именного этого значения при  бесконечно  большом  числе  всех наблюдений.
     Можно доказать (и это давно сделано), что при увеличении числа  наблюдений в определенных условиях за значениями некоторой дискретной величины частота повторений данного значения будет все больше приближаться к  некоторому фиксированному значению  — которое и есть вероятность  этого значения.
     К понятию вероятности значения дискретной СВ можно подойти  и  иным путем —  через случайные события. Это наиболее простое понятие  в  теории вероятностей и математической статистике —  событие  с  вероятностью  0.5 или 50% в 50 случаях из 100 может произойти или не произойти, если же его вероятность более 0.5 - оно чаще происходит, чем не происходит. События с вероятностью 1 достоверными, а с вероятностью 0 — невозможными.
     Отсюда  простое правило: для случайного события X вероятности  P(X) (событие происходит) и P(X) (событие  не происходит),  в сумме для простого события дают 1.
     Если  мы наблюдаем  за сложным событием — например, выпадением чисел  1..6  на верхней грани игральной кости, то можно считать, что такое событие имеет  множество исходов и для каждого из них вероятность составляет 1/6 при симметрии кости.
     Если  же кость несимметрична, то вероятности  отдельных чисел будут разными, но сумма  их  равна 1.
     Стоит  только рассматривать итог бросания кости как дискретную  случайную величину и мы придем к понятию распределения вероятностей такой величины.
     Пусть в результате достаточно большого числа  наблюдений за игрой  с помощью одной и той же кости мы получили следующие данные:   
       Таблица  1.1
     Грани      1      2      3      4      5      6      Итого
     Наблюдения      140      80      200      400      100      80      =SIGN(LEFT) 1000
     Подобную  таблицу наблюдений за СВ часто называют  выборочным распределением,   а соответствующую ей картинку (диаграмму) — гистограммой.  
     Какую же информацию несет  такая табличка  или  соответствующая ей гистограмма?
     Прежде  всего, всю —   так  как иногда и таких данных о значениях случайной величины нет и их приходится либо добывать (эксперимент, моделирование),  либо  считать  исходы  такого сложного события равновероятными —  по   на любой из исходов.
     С другой стороны — очень мало, особенно в цифровом, численном описании СВ.  Как, например, ответить на вопрос: — а сколько в среднем мы выигрываем за одно бросание кости, если выигрыш соответствует выпавшему числу на грани? 
     Нетрудно  сосчитать:
     1•0.140+2•0.080+3•0.200+4•0.400+5•0.100+6•0.080=  3.48    
     То, что мы вычислили, называется средним  значением случайной величины, если нас интересует  прошлое.
     Если  же мы поставим вопрос иначе —  оценить по этим данным наш будущий выигрыш, то ответ  3.48   принято  называть  математическим ожиданием  случайной величины, которое в общем случае определяется как
     Mx = a Xi · P(Xi);                                                                            {2 - 1}
     где  P(Xi) —   вероятность того, что X примет свое  i-е очередное значение.   
     Таким  образом, математическое ожидание случайной величины (как дискретной, так и непрерывной)— это то, к чему стремится ее среднее  значение при достаточно большом числе наблюдений.
     Обращаясь к нашему примеру, можно заметить, что кость  несимметрична, в противном случае вероятности составляли бы по 1/6 каждая, а  среднее и  математическое ожидание составило бы  3.5.
     Поэтому уместен следующий вопрос -  а  какова  степень  асимметрии  кости - как ее оценить по итогам наблюдений?
     Для этой цели используется специальная величина —  мера рассеяния —  так же как мы "усредняли" допустимые значения СВ,  можно усреднить ее  отклонения от среднего.  Но так как  разности (Xi - Mx) всегда будут  компенсировать друг друга,  то приходится  усреднять не отклонения от среднего,  а квадраты  этих отклонений. Величину принято называть дисперсией  случайной величины X.
     Вычисление  дисперсии намного  упрощается,  если  вычислять дисперсию  случайной величины через  усредненную разность квадратов ее значений  и  квадрат  ее  среднего значения.
     Выполним  такое вычисление для случайной  величины с распределением.
     Таблица 1.2  
     Грани(X)      1       2       3       4       5       6      Итого
      X2       1       4       9             16       25       36       
      Pi       0.140      0.080       0.200       0.400      0.100      0.080      1.00
     Pi•X2•1000      140       320       1800      6400       2500      2880      =SIGN(LEFT) 14040
     Таким образом, дисперсия составит   14.04 - (3.48)2 =  1.930. 
     Заметим, что размерность дисперсии не совпадает с размерностью самой  СВ и это не позволяет оценить величину разброса. Поэтому чаще всего вместо дисперсии используется квадратный корень из ее значения — т. н. среднеквадратичное отклонение  или отклонение от среднего значения, составляющее в нашем случае    = 1.389. Много это или мало? 
     Сообразим, что в случае наблюдения только одного из возможных  значений (разброса нет) среднее было бы равно именно этому значению, а дисперсия составила бы 0. И наоборот - если бы все значения наблюдались одинаково часто  (были бы равновероятными), то среднее значение составило бы  (1+2+3+4+5+6) / 6 = 3.500; усредненный квадрат отклонения  —  (1 + 4 + 9 + 16 + 25 + 36) / 6 =15.167;  а дисперсия   15.167-12.25 = 2.917.
     Таким образом, наибольшее рассеяние значений СВ имеет место  при ее равновероятном  или равномерном  распределении.
     Отметим, что значения Mx  и SX являются размерными и  их  абсолютные значения мало что говорят. Поэтому часто для грубой оценки "случайности" данной СВ  используют т. н. коэффициент вариации или отношение корня квадратного из дисперсии к величине математического ожидания:
     V = SX/MX
     В  нашем примере эта величина составит 1.389/3.48=0.399.
     Итак, запомним, что неслучайная, детерминированная  величина имеет математическое ожидание равное  ей самой, нулевую дисперсию и нулевой коэффициент вариации, в то  время  как равномерно распределенная СВ имеет максимальную дисперсию и максимальный коэффициент вариации.
     В ряде ситуаций приходится иметь дело с непрерывно распределенными СВ - весами, расстояниями и т. п.  Для них идея оценки среднего значения (математического ожидания)  и меры рассеяния (дисперсии) остается той же, что  и  для  дискретных  СВ. Приходится только вместо соответствующих сумм вычислять интегралы. Второе отличие —  для непрерывной СВ вопрос о том какова вероятность принятия нею конкретного значения обычно не имеет смысла — как проверить, что вес товара составляет точно 242 кг - не больше  и  не меньше?
     Для всех СВ —  дискретных и непрерывно распределенных, имеет  очень большой смысл вопрос о  диапазоне значений. В самом деле, иногда знание вероятности того события,  что  случайная величина не превзойдет заданный рубеж, является единственным  способом использовать имеющуюся информацию для системного анализа и системного подхода к управлению. Правило определения вероятности попадания в диапазон очень просто —  надо просуммировать вероятности отдельных дискретных значений  диапазона или проинтегрировать кривую распределения на этом диапазоне.

     1.2Взаимосвязи случайных событий

     Вернемся  теперь к вопросу о случайных  событиях.  Здесь  методически удобнее рассматривать вначале простые события (может  произойти  или  не произойти). Вероятность события X будем обозначать P(X)  и  иметь  ввиду,  что  вероятность того, что событие  не произойдет, составляет 
     P(X) = 1 - P(X).  
     Самое важное при рассмотрении нескольких случайных событий  (тем  более в сложных системах с развитыми связями между элементами и  подсистемами) —  это понимание  способа  определения  вероятности  одновременного наступления нескольких событий или, короче, —  совмещения событий.
     Рассмотрим  простейший пример двух событий X и Y, вероятности  которых составляют P(X) и P(Y). Здесь важен лишь один вопрос —  это  события независимые или, наоборот взаимозависимые и  тогда какова мера  связи между ними? Попробуем разобраться в этом вопросе на основании здравого смысла.
     Оценим  вначале вероятность одновременного наступления двух  независимых событий. Элементарные рассуждения приведут нас к выводу: если события  независимы, то при 80%-й вероятности X и 20%-й вероятности Y одновременное  их наступление  имеет вероятность всего лишь  0.8 • 0.2  =  0.16   или 16% .
     Итак  —  вероятность наступления двух независимых событий определяется произведением их вероятностей:
     P(XY) = P(X)                             
     Перейдем  теперь к событиям зависимым.  Будем  называть  вероятность события X при условии, что событие Y уже произошло условной вероятностью P(X/Y), считая при этом  P(X) безусловной или полной вероятностью. Столь же простые рассуждения приводят к так называемой  формуле Байеса
     P(X/Y)                                             
     где слева и справа записано одно и  то же — вероятности одновременного наступления двух "зависимых" или коррелированных событий.
     Дополним  эту формулу общим выражением  безусловной вероятности события X:
     P(X) = P(X/Y) P(Y) + P(X/Y) P(Y),                                     
     означающей, что  данное событие X может произойти либо после того как  событие Y произошло, либо после того, как оно не произошло  (Y) —  третьего не дано!
     Формулы Байеса или т. н. байесовский подход к  оценке  вероятностных связей для простых событий и дискретно распределенных  СВ  играют решающую роль в теории принятия решений в условиях неопределенности последствий этих решений или в условиях противо-действия со стороны природы,  или других больших систем (конкуренции). В этих условиях ключевой является стратегия управления,  основанная на прогнозе т. н. апостериорной (послеопытной) вероятности события.
     Прежде  всего, еще раз отметим взаимную связь событий X  и Y —   если одно не зависит от другого, то данная формула обращается  в  тривиальное тождество. Кстати, это обстоятельство используется при  решении  задач  оценки тесноты связей —  корреляционном анализе.    Если же взаимосвязь событий имеет место, то формула  Байеса  позволяет вести управление путем оценки вероятности достижения некоторой  цели на основе наблюдений над процессом функционирования системы  —   путем перерасчета вариантов стратегий  с  учетом  изменившихся  представлений, т. е. новых значений вероятностей. 
     Дело  в том, что любая стратегия управления будет строиться на базе определенных представлений о вероятности событий в системе — и на первых шагах эти вероятности будут взяты "из головы" или в лучшем случае из опыта управления другими системами. Но по мере  "жизни"  системы  нельзя упускать из виду возможность "коррекции" управления - использования всего накапливаемого опыта.

     1.3Схемы случайных событий и законы распределений случайных величин

     Большую роль в теории и практике системного анализа играют  некоторые стандартные распределения непрерывных и дискретных СВ.
     Эти распределения иногда называют "теоретическими",  поскольку  для них разработаны методы расчета всех показателей распределения,  зафиксированы связи между ними, построены алгоритмы расчета и т. п.
     Таких, классических законов распределений достаточно много, хотя  "штат"  их за последние 30..50 лет практически не пополнился. Необходимость знакомства с этими распределениями  для  специалистов вашего профиля объясняется тем,  что  все  они  соответствуют  некоторым "теоретическим" схемам случайных (большей частью — элементарных) событий.
     Как уже отмечалось, наличие больших  массивов взаимосвязанных  событий и обилие случайных величин в системах экономики приводит к  трудностям априорной оценки законов распределений  этих  событий  или  величин. Пусть, к примеру, мы  каким-то  образом  установили  математическое ожидание спроса некоторого товара. Но этого мало - надо хотя бы  оценить степень колебания этого спроса, ответить на вопрос —  а  какова  вероятность того, что он будет лежать в таких-то пределах? Вот если бы установить факт принадлежности данной случайной величины к такому классическому распределению как т. н. нормальное,  то  тогда задача оценки диапазона, доверия к нему (доверительных интервалов) была бы  решена безо всяких проблем.
     Доказано, например, что с вероятностью более  95%  случайная величина  X с нормальным законом распределения лежит в  диапазоне  — математическое ожидание Mx плюс/минус  три среднеквадратичных отклонения SX.          
     Так вот  —   все дело в том к какой из схем случайных событий  классического образца  ближе  всего  схема  функционирования  элементов  вашей большой системы. Простой пример - надо оценить показатели оплаты  за  услуги предоставления времени на междугородние переговоры - например, найти  вероятность того, что за 1 минуту осуществляется ровно N переговоров,  если заранее известно среднее число поступающих в минуту  заказов. Оказывается, что схема таких случайных событий прекрасно укладывается в  т. н. распределение Пуассона для дискретных случайных величин. Этому распределению подчинены почти все дискретные  величины,  связанные с так называемыми "редкими" событиями.
     Далеко  не всегда математическая оболочка классического  закона  распределения достаточно проста. Напротив —  чаще всего это сложный  математический аппарат со своими, специфическими приемами. Но дело не в  этом, тем более при "повальной" компьютеризации всех областей деятельности человека. Разумеется, нет необходимости знать в деталях  свойства  всех  или хоть какой-то части классических распределений - достаточно иметь  в виду саму возможность воспользоваться ими.
     Из  личного опыта - очень давно, в  до_компьютерную эру автору этих строк  удалось предложить метод оценки степени надежности энергоснабжения, найти по сути дела игровой метод принятия решения о необходимости затрат на  резервирование линий электропередач в условиях неопределенности —  игры с природой.
     Таким образом, при системном подходе  к решению той или иной  задачи управления (в том числе и экономического) надо  очень  взвешено  отнестись к выбору элементов системы или  отдельных  системных  операций. Не всегда "укрупнение показателей" обеспечит логическую  стройность структуры системы — надо понимать, что заметить близость схемы событий в данной системе к схеме классической чаще всего удается на самом "элементарном" уровне системного анализа.
     Завершая  вопрос о распределении случайных  величин обратим  внимание на еще одно важное обстоятельство: даже если нам достаточно одного единственного показателя —  математического ожидания данной случайной величины, то и в этом случае возникает вопрос о надежности данных об этом показателя.
     В самом деле, пусть нам дано т. н. выборочное распределение  случайной величины X  (например —  ежедневной выручки в $) в виде  100  наблюдений за этой величиной. Пусть мы рассчитали среднее Mx и оно составило $125 при колебаниях от $50 до $200.  Попутно мы нашли SX, равное  $5. Теперь уместен вопрос:  а насколько правдоподобным  будет  утверждение о том, что в последующие дни выручка составит точно $125?  Или  будет лежать  в   интервале $120..$130?  Или окажется более некоторой суммы  — например,  $90?
     Вопросы такого типа чрезвычайно остры - если это  всего  лишь  элемент некоторой экономической системы (один из многих), то выводы на  финише системного анализа, их достоверность,  конечно же,  зависят от  ответов на такие вопросы.
     Что же говорит теория, отвечая на  эти  вопросы?  С одной стороны очень много, но в некоторых случаях —  почти ничего.  Так, если у вас есть уверенность в том,  что  "теоретическое" распределение данной случайной величины относится к  некоторому  классическому (т. е. полностью описанному в теории)  типу,  то  можно  получить достаточно много полезного.
     · С помощью теории можно найти  доверительные интервалы  для  данной случайной величины. Если, например, уже доказано (точнее — принята гипотеза) о  нормальном распределении, то зная среднеквадратичное отклонение можно с уверенностью в 5% считать,  что    окажется вне диапазона  (Mx
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.