Jetzt loslegen. Gratis!
oder registrieren mit Ihrer E-Mail-Adresse
Модель von Mind Map: Модель

1. Понятие Модели

1.1. Под моделью понимается физический или абстрактный объект, свойства которого в определенном смысле сходны со свойствами исследуемого объекта. При этом требования к модели определяются решаемой задачей и имеющимися средствами

2. Виды Моделей

2.1. В зависимости от поставленной задачи, способа создания модели и предметной области различают множество типов моделей: 1. По области использования выделяют учебные, опытные, игровые, имитационные, научно-исследовательские модели. 2. По временному фактору выделяют статические и динамические модели. 3. По форме представления модели бывают математические, геометрические, словесные, логические, специальные (ноты, химические формулы и т.п.). 4. По способу представления модели делят на информационные (нематериальные, абстрактные) и материальные. Информационные модели, в свою очередь, делят на знаковые и вербальные, знаковые – на компьютерные и некомпьютерные. Информационная модель – это совокупность информации, характеризующая свойства и состояние объекта, процесса или явления. Вербальная модель - информационная модель в мысленной или разговорной форме. Знаковая модель - информационная модель, выраженная специальными знаками, то есть средствами любого формального языка. Математическая модель – система математических соотношений, описывающих процесс или явление. Компьютерная модель - математическая модель, выраженная средствами программной среды.

3. Объект информационного моделирования

3.1. Предметы физические процессы биологические процессы химические процессы метеорологические явления экономические и социальные процессы

4. Величины и зависимости между объектами

4.1. Понятие величины, принимающей различные численные зна­чения, является отражением изменяемости окружающей нас дей­ствительности. Математика изучает взаимосвязи между различными величинами. Из школьного курса нам известны формулы, связывающие различные величины: площадь квадрата и длину его стороны: S = а2, объем куба и длину его ребра: V = а3, расстояние, скорость, время: S = V • t, стоимость, цену и количество: М = с • k и др. Дошкольники не изучают точные связи, но встречаются со свойствами этих зависимостей. Например: - чем длиннее путь, тем больше времени необходимо затра­тить, - чем больше цена, тем больше стоимость товара, - у большего квадрата сторона длиннее.

5. Математическая модель

5.1. Математи́ческая моде́ль — математическое представление реальности[1], один из вариантов модели как системы, исследование которой позволяет получать информацию о некоторой другой системе. Процесс построения и изучения математических моделей называется математическим моделированием. Все естественные и общественные науки, использующие математический аппарат, по сути, занимаются математическим моделированием: заменяют объект исследования его математической моделью и затем изучают последнюю. Связь математической модели с реальностью осуществляется с помощью цепочки эмпирических законов, гипотез, идеализаций и упрощений. С помощью математических методов описывается, как правило, идеальный объект или процесс, построенный на этапе содержательного моделирования[⇨]. Математическая модель позволяет предсказать поведение реального объекта.

6. Табличная модель

6.1. Табличные – объекты и их свойства представлены в виде списка, а их значения размещаются в ячейках прямоугольной формы. Перечень однотипных объектов размещен в первом столбце (или строке), а значения их свойств размещаются в следующих столбцах (или строках). Табличные модели. Одним из наиболее часто используемых типов информационных моделей является таблица, которая состоит из строк и столбцов. Построим, например, табличную информационную модель, отражающую стоимость отдельных устройств компьютера. Пусть в первом столбце таблицы содержится перечень объектов (устройств), входящих в состав компьютера, а во втором – их цена. С помощью таблиц создаются информационные модели в различных предметных областях. Широко известно табличное представление математических функций, статистических данных, расписаний поездов и самолетов, уроков и т. д. Табличные информационные модели проще всего формировать и исследовать на компьютере посредством электронных таблиц и систем управления базами данных. Табличная информационная модель – это модель, в которой объекты или их свойства представлены в виде списка, а их значения размещаются в ячейках прямоугольной таблицы. Табличная модель – это информация о моделируемом объекте, структурированная в виде таблицы. Различают следующие типы табличных моделей: - таблица типа «объект-свойство» в одной строке содержит информацию об одном объекте в виде заданного набора его свойств. -таблица типа «объект-объект» отражает взаимосвязи между разными объектами по какому-либо свойству (связь между объектами Студент и Экзамен через свойство Оценка за экзамен). -таблица типа «двоичная матрица» являются частным случаем таблицы «объект-объект» и отражает наличие или отсутствие связи между объектами (1 – связь присутствует, 0 – отсутствует). Далее показана табличная модель типа «двоичная матрица», соответствующая графу на рис. 5.4, б). Сравнивая эти 8 модели, можно отметить, что более наглядной является модель в виде графа. Более удобной для компьютерной обработки является табличная модель. Табличные информационные модели проще всего формировать и исследовать на компьютере посредством электронных таблиц и систем управления базами данных. Табличная информационная мдель – это модель, в которой объекты или их свойства представлены в виде списка, а их значения размещаются в ячейках прямоугольной таблицы. Табличная модель – это информация о моделируемом объекте, структурированная в виде таблицы. Различают следующие типы табличных моделей: - таблица типа «объект-свойство» в одной строке содержит информацию об одном объекте в виде заданного набора его свойств. -таблица типа «объект-объект» отражает взаимосвязи между разными объектами по какому-либо свойству (связь между объектами Студент и Экзамен через свойство Оценка за экзамен). -таблица типа «двоичная матрица» являются частным случаем таблицы «объект-объект» и отражает наличие или отсутствие связи между объектами (1 – связь присутствует, 0 – отсутствует). Далее показана табличная модель типа «двоичная матрица», соответствующая графу на рис. 5.4, б). Сравнивая эти 8 модели, можно отметить, что более наглядной является модель в виде графа. Более удобной для компьютерной обработки является табличная модель.

7. Графическая модель

7.1. Графическая информационная модель – это наглядный способ представления объектов и процессов в виде графических изображений. Графические информационные модели являются простейшим видом моделей. С их помощью передаются внешние признаки объекта – размер, форма, цвет. Графические модели несут в себе больше информации, чем словесные. Для более наглядного и понятного представления информации в графических информационных моделях используются графические изображения (образные элементы), которые могут быть дополнены текстами, числами и символами. Примерами графических информационных моделей являются схемы, карты, чертежи, графики, диаграммы и много другое.

8. Модель статистического прогнозирования

8.1. азновидность математических методов прогнозирования, позволяющих построить динамические ряды на перспективу. Статистические методы прогнозирования охватывают разработку, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных (в том числе непараметрических методов наименьших квадратов с оцениванием точности прогноза, адаптивных методов, методов авторегрессии и других); развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования, в том числе методов анализа субъективных экспертных оценок на основе статистики нечисловых данных; разработку, изучение и применение методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей. Научная база статистических методов прогнозирования — прикладная статистика и теория принятия решений. Простейшие методы восстановления используемых для прогнозирования зависимостей исходят из заданного временного ряда, то есть функции, определенной в конечном числе точек на оси времени. При этом временной ряд часто рассматривается в рамках той или иной вероятностной модели, вводятся другие факторы (независимые переменные) помимо времени, напр., объем денежной массы. Временной ряд может быть многомерным. Основные решаемые задачи — интерполяция и экстраполяция. Метод наименьших квадратов в простейшем случае (линейная функция от одного фактора) был разработан К. Гауссом в 1794—1795 гг. Могут оказаться полезными предварительные преобразования переменных, например, логарифмирование. Наиболее часто используется метод наименьших квадратов при нескольких факторах. Метод наименьших модулей, сплайны и другие методы экстраполяции применяются реже, хотя их статистические свойства зачастую лучше. Накоплен опыт прогнозирования индекса инфляции и стоимости потребительской корзины. Оказалось полезным преобразование (логарифмирование) переменной — текущего индекса инфляции. Оценивание точности прогноза (в частности, с помощью доверительных интервалов) — необходимая часть процедуры прогнозирования. Обычно используют вероятностно-статистические модели восстановления зависимости, напр., строят наилучший прогноз по методу максимального правдоподобия. Разработаны параметрические (обычно на основе модели нормальных ошибок) и непараметрические оценки точности прогноза и доверительные границы для него (на основе Центральной Предельной Теоремы теории вероятностей). Так, предложены непараметрические методы доверительного оценивания точки наложения (встречи) двух временных рядов для оценки динамики технического уровня собственной продукции и продукции конкурентов, представленной на мировом рынке. Применяются также эвристические приемы, не основанные на вероятностно статистической теории: метод скользящих средних, метод экспоненциального сглаживания. Многомерная регрессия, в том числе с использованием непараметрических оценок плотности распределения, — основной на настоящий момент статистический аппарат прогнозирования. Подчеркнем, что нереалистическое предположение о нормальности погрешностей измерений и отклонений от линии (поверхности) регрессии использовать не обязательно. Однако для отказа от предположения нормальности необходимо опереться на иной математический аппарат, основанный на многомерной Центральной Предельной Теореме теории вероятностей, технологии линеаризации и наследования сходимости. Он позволяет проводить точечное и интервальное оценивание параметров, проверять значимость их отличия от ноля в непараметрической постановке, строить доверительные границы для прогноза. Весьма важна проблема проверки адекватности модели, а также проблема отбора факторов. Априорный список факторов, оказывающих влияние на отклик, обычно весьма обширен. Его желательно сократить, и отдельное направление современных исследований посвящено методам отбора «информативного множества признаков». Однако эта проблема пока еще окончательно нерешена. Проявляются необычные эффекты. Так, установлено, что обычно используемые оценки степени полинома имеют в асимптотике геометрическое распределение. Перспективны непараметрические методы оценивания плотности вероятности и их применение для восстановления регрессионной зависимости произвольного вида. Наиболее общие результаты в этой области получены с помощью подходов статистики нечисловых данных. К современным статистическим методам прогнозирования относятся также модели авторегрессии, модель Бокса Дженкинса, системы эконометрических уравнений, основанные как на параметрических, так и на непараметрических подходах. Для установления возможности применения асимптотических результатов при конечных (т.н. «малых») объемах выборок полезны компьютерные статистические технологии. Они позволяют также строить различные имитационные модели. Отметим полезность методов размножения данных (бутстрепметодов). Системы прогнозирования с интенсивным использованием компьютеров объединяют различные методы прогнозирования в рамках единого автоматизированного рабочего места прогнозиста. Прогнозирование на основе данных, имеющих нечисловую природу, например, прогнозирование качественных признаков основано на результатах статистики нечисловых данных. Весьма перспективными для прогнозирования представляются регрессионный анализ на основе интервальных данных, включающий, в частности, определение и расчет рационального объема выборки, а также регрессионный анализ нечетких данных. Общая постановка регрессионного анализа в рамках статистики нечисловых данных и ее частные случаи — дисперсионный анализ и дискриминантный анализ (распознавание образов с учителем), — давая единый подход к формально различным методам, полезны при программной реализации современных статистических методах прогнозирования. Основные процедуры обработки прогностических экспертных оценок — проверка согласованности, кластер анализ и нахождение группового мнения. Проверка согласованности мнений экспертов, выраженных ранжировками, проводится с помощью коэффициентов ранговой корреляции Кендалла и Спирмена, коэффициента ранговой конкордации Кендалла и Смита. Используются параметрические модели парных сравнений —Терстоуна, БредлиТерриЛьюса — и непараметрические модели теории люсианов. Полезна процедура согласования ранжировок и классификаций путем построения согласующих бинарных отношений. При отсутствии согласованности разбиение мнений экспертов на группы сходных между собой проводят методом ближайшего соседа или другими методами кластерного анализа (автоматического построения классификаций, распознавания образов без учителя). Классификация люсианов осуществляется на основе вероятностно-статистической модели. Используют также различные методы построения итогового мнения комиссии экспертов. Своей простотой выделяются методы средних арифметических и медиан рангов. Компьютерное моделирование позволило установить ряд свойств медианы Кемени, часто рекомендуемой для использования в качестве итогового (обобщенного, среднего) мнения комиссии экспертов в случае, когда их оценки даны в виде ранжировки. Интерпретация закона больших чисел для нечисловых данных в терминах теории экспертного опроса такова: итоговое мнение устойчиво, т.е.мало меняется при изменении состава экспертной комиссии, и при росте числа экспертов приближается к «истине». При этом предполагается, что ответы экспертов можно рассматривать как результаты измерений с ошибками, все они — независимые одинаково распределенные случайные элементы, вероятность принятия определенного значения убывает по мере удаления от некоторого центра — «истины», а общее количество экспертов достаточно велико. В конкретных задачах прогнозирования необходимо провести классификацию рисков, поставить задачу оценивания конкретного риска, провести структуризацию риска, в частности, построить деревья причин (в другой терминологии, деревья отказов) и деревья последствий (деревья-событий). Центральной задачей является построение групповых и обобщенных показателей, например, показателей конкурентоспособности и качества. Риски необходимо учитывать при прогнозировании экономических последствий принимаемых решений, поведения потребителей и конкурентного окружения, внешнеэкономических условий и макроэкономического развития России, экологического состояния окружающей среды, безопасности технологий, экологической опасности промышленных и иных объектов. Современные компьютерные технологии прогнозирования основаны на интерактивных Статистические методы прогнозирования и использовании баз эконометрических данных, имитационных (в том числе на основе применения метода статистических испытаний) и экономико-математических динамических моделей, сочетающих экспертные, математико-статистические и моделирующие блоки.