SIMULAČNÍ MODELY.

Slides:



Advertisements
Podobné prezentace
Manažerské kvantitativní metody I Literatura Gros I.: Matematické modely pro manažerské rozhodování. Vydavatelství VŠCHT Praha ISBN
Advertisements

Strategické otázky výzkumníka 1.Jaký typ výzkumu zvolit? 2.Na jakém vzorku bude výzkum probíhat? 3.Jaké výzkumné metody a techniky uplatnit?
Kapitola 1: Popisná statistika jednoho souboru2  Matematická statistika je věda, která se zabývá studiem dat vykazujících náhodná kolísání.  Je možno.
ALGORITMIZACE Mgr. Milan Pastyřík IUVENTAS, s. r. o.
EMM101 Ekonomicko-matematické metody č. 10 Prof. RNDr. Jaroslav Ramík, CSc.
H ODNOCENÍ VÝSLEDKŮ VZDĚLÁVÁNÍ Martin Malčík Pedagogická fakulta Ostravské univerzity.
Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační.
Význam diferenciálních rovnic převzato od Doc. Rapanta.
NÁZEV ŠKOLY: S0Š Net Office, spol. s r.o, Orlová Lutyně AUTOR: Ing. Oldřich Vavříček NÁZEV: Podpora výuky v technických oborech TEMA: Základy elektrotechniky.
Ambasadoři přírodovědných a technických oborů Numerické metody Martin Hasal.
Petr Kielar Seminář o stavebním spoření Část VI: Podmínka rovnováhy a SKLV.
Postup modelování Kateřina Růžičková. Postup modelování Rozhodnutí modelovat Definice problému Existence modelu, pro daný problém Identifikace modelu.
Seminář o stavebním spoření
POČET PRAVDĚPODOBNOSTI
Daňová evidence STŘEDNÍ ODBORNÁ ŠKOLA A STŘEDNÍ ODBORNÉ UČILIŠTĚ
Náhodná veličina je veličina, která při opakování náhodného pokusu mění své hodnoty v závislosti na náhodě Náhodné veličiny označujeme X, Y, Z, ... hodnoty.
Pravděpodobnostní hodnocení vstupních parametrů zemin a hornin a spolehlivostní analýza geotechnických konstrukcí.
Interpolace funkčních závislostí
Matematika 3 – Statistika Kapitola 4: Diskrétní náhodná veličina
Evaluace předmětů studenty (Anketky)
Rozhodování 1.
úlohy lineárního programování
„Svět se skládá z atomů“
Financováno z ESF a státního rozpočtu ČR.
Jedno-indexový model a určení podílů cenných papírů v portfoliu
NÁZEV ŠKOLY: S0Š Net Office, spol. s r.o, Orlová Lutyně
3. Metody pedagogické diagnostiky
Řešení pomocí metody konečných prvků- program ADINA
Funkce Funkce (píšeme f (x) ) je každé zobrazení množiny A do množiny R, kde A je libovolná podmnožina množiny R. Zobrazované množině A říkáme definiční.
Základy statistické indukce
Molekulová fyzika 3. prezentace.
VY_32_INOVACE_66.
Management Přednáška 7, 8: Plánování.
Základy zpracování geologických dat testování statistických hypotéz
Parametry polohy Modus Medián
SÁRA ŠPAČKOVÁ MARKÉTA KOČÍBOVÁ MARCELA CHROMČÁKOVÁ LUKÁŠ BARTOŠ B3E1
GENEROVÁNÍ HODNOT NÁHODNÝCH VELICIN PSEUDONÁHODNÁ ČÍSLA
Výukový materiál zpracován v rámci projektu
Metodologie měkkých systémů
Regulátory integrační
BIBS Informatika pro ekonomy přednáška 2
Výukový materiál zpracován v rámci projektu
HODINY - poznej stejný čas, velikost
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Jak postupovat při měření?
Základy algoritmizace 3/13 příkaz cyklus, proměnná typu pole
Modelování fyzikálních dějů pomocí metody Monte Carlo
XII. Binomické rozložení
Hydraulika podzemních vod Environmentální modelování
3. přednáška Laplaceova transformace
Analýza vyučovacího procesu v ZŠ praktických v České republice
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ
Jiří Vyskočil, Marko Genyg-Berezovskyj 2010
Teorie chyb a vyrovnávací počet 1
Fitování Konstrukce křivky (funkce), která co nejlépe odpovídá naměřeným hodnotám. - může podléhat dodatečným podmínkám Lineární vs. nelineární regrese.
Primitivní funkce Přednáška č.3.
SEM – speciální přístupy
TŘÍDĚNÍ DAT je základní způsob zpracování dat.
Simulace dynamických systémů v Matlabu, Simulink
Fitování Konstrukce křivky (funkce), která co nejlépe odpovídá naměřeným hodnotám. - může podléhat dodatečným podmínkám Lineární vs. nelineární regrese.
Modely obnovy stárnoucího zařízení
Náhodný jev, náhodná proměnná
Centrální limitní věta
Lineární funkce a její vlastnosti
Více náhodných veličin
Funkce Pojem funkce Dostupné z Metodického portálu ISSN: , financovaného z ESF a státního rozpočtu ČR. Provozováno Výzkumným ústavem.
Grafy kvadratických funkcí
Seminář o stavebním spoření
Teorie chyb a vyrovnávací počet 2
Pravděpodobnost a matematická statistika I.
Transkript prezentace:

SIMULAČNÍ MODELY

Obsah Význam a podstata simulací Základní prvky simulačního modelu Simulační experiment Monte-Carlo Simulace vývoje systému v čase Vyhodnocení simulačního experimentu

Podstata simulace Analytické techniky Simulační techniky Modelujeme problémovou situaci Pomocí vhodného modelu vypočteme požadované charakteristiky Simulační techniky Modelujeme chování systému Pomocí simulačních běhů získáváme podklady pro statistickou analýzu výsledků

Definice simulace Simulace je numerická metoda, která spočívá v experimentování se speciálním matematickým modelem reálných systémů na počítači. Simulace se v tomto pojetí chápe jako postup, s jehož pomocí se zkoumaný proces, resp. jeho kroky v čase generují na základě vlastností parametrů zobrazovaného systému.

Postup při simulačním modelování Sestrojení souboru matematických a logických vztahů Zahrnutí náhodných vlivů do modelu Zahrnutí času do modelu Postupné výpočty s různými vstupními údaji

Výhody a nevýhody simulací Není nutné experimentovat přímo se systémem Pomohou v případě, že analytické řešení je obtížné Nevýhody Model není obecně platný Nezjistíme závislost mezi vstupy a výstupy

Členění simulačních modelů Diskrétní x spojité procesy Statická x dynamická simulace Deterministická x stochastická simulace

Základní prvky simulačního modelu Komponenty Prvky modelovaného systému. Musí být řádně popsána jejich velikost, funkce, chování a veškeré relevantní vlastnosti

Základní prvky simulačního modelu Proměnné Vstupní proměnné Řiditelné Neřiditelné Náhodné Stavové proměnné Parametry modelu Výstupní proměnné

Základní prvky simulačního modelu Funkční vztahy Největší pozornost musí být věnována vztahům mezi vstupními a výstupními proměnnými pro různé nastavení parametrů modelu. Některé funkční vztahy mají charakter pravděpodobnostních zákonů.

Grafické znázornění simulace Pevný čas. krok Deterministický prvek Příkaz k vytvoření náh. č. Proměnlivý čas. krok Elementární akce Filtr

Simulační projekt

Simulační experiment Monte-Carlo Metodou Monte Carlo rozumíme numerické řešení úloh pomocí mnohokrát opakovaných náhodných pokusů. Simulace Statická Diskrétní Deterministická

Simulační experiment Monte-Carlo Příklad – výpočet určitého integrálu Navrhněte Monte Carlo experiment pro výpočet určitého integrálu funkce f(x) = 0,2x3 – x2 – 0,2x + 5 na intervalu od nuly do pěti.

Simulační experiment Monte-Carlo Příklad – výpočet určitého integrálu

Simulační experiment Monte-Carlo Příklad – výpočet určitého integrálu Výsledek: k = 4864 S = 25

Simulace vývoje systému v čase Příklad – problém dlužníka Dlužník si půjčil od věřitele 10 000 000 Kč na 10 let. V podmínkách si dohodli, že každý rok bude polhůtně splacena 1/10 jistiny a k tomu úrok vypočtený ze zůstatkové částky rovnající se míře inflace pro uplynulý rok zvýšené o dvě procenta. Dlužník zná vývoj dlouhodobý vývoj inflace ve své zemi; inflace se pohybovala mezi jedním a šesti procenty, přičemž platilo, že se inflace v běžném roce lišila od inflace v minulém roce maximálně o 1,5%. Inflace v minulém roce byla 3%.

Problém dlužníka

Vyhodnocení simulace Statistické metody Simulace s konečným horizontem replikační metoda Simulace dlouhodobého chování systému metoda skupinových průměrů regenerativní metoda

Vyhodnocení simulace

Vyhodnocení simulace Příklad – Monte Carlo v Excelu