L OTKA -V OLTERRA M ODEL P REDÁTOR K OŘIST KMA/MM Kamila Matoušková V Plzni, 2009.

Slides:



Advertisements
Podobné prezentace
MODEL IS-LM.
Advertisements

Matematická analýza Lineární algebra Diferenciální rovnice
Statistika.
Cvičení 9 – Ekonomická funkce nelineární v parametrech :
OBECNÉ OPTIMALIZAČNÍ MODELY
Použité statistické metody
Matematické modelování aneb co se nepovedlo Petr Beremlijski Katedra aplikovaná matematiky Fakulta elektrotechniky a informatiky VŠB - Technická univerzita.
Populace Populace je skupina rostlin nebo živočichů určitého druhu, žijí v určitém prostoru Populaci můžeme také charakterizovat jako skupinu živočichů.
NORMOVANÉ NORMÁLNÍ ROZDĚLENÍ
Aplikační počítačové prostředky X15APP MATLAB - SIMULINK
EDA pro časové řady.
Odhady parametrů základního souboru
Cvičení 6 – 25. října 2010 Heteroskedasticita
Lekce 1 Modelování a simulace
Metoda molekulární dynamiky II Numerická integrace pohybových rovnic
ZÁKLADY EKONOMETRIE 2. cvičení KLRM
Přednáška 12 Diferenciální rovnice
CENOVÁ KONVERGENCE K EU: Poznatky z mezinárodního srovnání Seminář MF ČR Smilovice, 2. prosince 2003 Martin Čihák (MMF) Tomáš Holub (ČNB)
Optimalizace v simulačním modelování. Obecně o optimalizaci  Optimalizovat znamená maximalizovat nebo minimalizovat parametrech (např. počet obslužných.
Soustavy dvou lineárních rovnic se dvěma neznámými
NEROVNOMĚRNÝ POHYB.
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
Získávání informací Získání informací o reálném systému
Korelace a regrese síla (těsnost) závislosti dvou náhodných veličin: korelace symetrický vztah obou veličin neslouží k předpovědi způsob (tvar) závislosti.
Obecný lineární model Analýza kovariance Nelineární modely
Základy ekonometrie Cvičení září 2010.
LIDSKÁ POPULACE – RŮST, NATALITA, MORTALITA
Projekt: CZ.1.07/1.5.00/ „SŠHL Frýdlant.moderní školy“
Optimalizace versus simulace 9.přednáška. Obecně o optimalizaci  Maximalizovat nebo minimalizovat omezujících podmínkách.  Maximalizovat nebo minimalizovat.
Lineární regrese.
Anotace: Kód: VY_52_INOVACE_Přv-Z 4.,6.04 Vzdělávací oblast: Přírodověda – přírodní rovnováha, vztah mezi predátorem a kořistí Autor: Mgr. Aleš Hruzík.
Škola: Střední škola právní – Právní akademie, s.r.o. Typ šablony: III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Projekt: CZ.1.07/1.5.00/
Lineární regrese.
REGIONÁLNÍ ANALÝZA Cvičení 3 Evropský sociální fond
Lineární regresní analýza
Experimentální fyzika I. 2
Vedení tepla Viktor Sláma SI – I 23. Zadání Vhodné uložení vyhořelého jaderného paliva je úkol pro současnou generaci. Zaměřme se na jednu nepatrnou část.
Numerické řešení počítačového modelu
Metrologie   Přednáška č. 5 Nejistoty měření.
Grafické řešení soustavy dvou rovnic o dvou neznámých II.
Korelace.
Optimalizace versus simulace 8.přednáška. Obecně o optimalizaci  Maximalizovat nebo minimalizovat omezujících podmínkách.  Maximalizovat nebo minimalizovat.
Stabillita numerické metody
Diference a diferenciál Způsoby vyčíslování termodynamických dat.
BioTech 2011, Strážná. O čem to bude? Stochastické simulace Diferenciální rovnice (ODR) Automaty.
Stavová formulace v diskrétním čase důvody pro diskrétní interpretaci času některé dynamické jevy má smysl sledovat vždy jen ve zvláštních okamžicích,
Přenos nejistoty Náhodná veličina y, která je funkcí náhodných proměnných xi: xi se řídí rozděleními pi(xi) → můžeme najít jejich střední hodnoty mi a.
IV..
Autor: Richard Paulas Vedoucí práce: Prof. Ing. Jaroslav Fořt CSc.
Aplikovaná statistika 2.
Časové řady Centrum pro virtuální a moderní metody a formy vzdělávání na Obchodní akademii T. G. Masaryka, Kostelec nad Orlicí.
Základy zpracování geologických dat R. Čopjaková.
Elektronické učební materiály - II. stupeň Matematika Autor: Mgr. Radek Martinák FUNKCE – lineární Co znamená lineární? Jak souvisí lineární funkce s přímou.
Zkvalitnění výuky na GSOŠ prostřednictvím inovace CZ.1.07/1.5.00/ Gymnázium a Střední odborná škola, Klášterec nad Ohří, Chomutovská 459, příspěvková.
Korelace. Určuje míru lineární vazby mezi proměnnými. r < 0
Interpolace funkčních závislostí
Populační odhady a projekce
Určeno pro : žáky ZŠ na 2. stupni Sekce: základní Předmět : zeměpis
Dlouhodobá zkouška trvanlivosti
Monte Carlo Typy MC simulací
- váhy jednotlivých studií
Graf a vlastnosti funkce
Základy zpracování geologických dat Rozdělení pravděpodobnosti
Metoda molekulární dynamiky
Regresní analýza výsledkem regresní analýzy je matematický model vztahu mezi dvěma nebo více proměnnými snažíme se z jedné proměnné nebo lineární kombinace.
ORDINÁLNÍ VELIČINY Měření variability ordinálních proměnných
Parciální korelace Regresní analýza
Lineární regrese.
Interpolace funkčních závislostí
Simulace oběhu družice kolem Země
Transkript prezentace:

L OTKA -V OLTERRA M ODEL P REDÁTOR K OŘIST KMA/MM Kamila Matoušková V Plzni, 2009

L OTKA -V OLTERRA MODEL model predátor-kořist jeden z nejjednodušších modelů popisujících interakci dravec x kořist model populační dynamiky popisující vývoj počtu dravců v závislosti na počtu jejich kořisti. jedním z prvních pokusů o matematické vysvětlení mechanismů zabezpečujících druhovou koexistenci.

V ZNIK MODELU Vito Volterra ( ) italský matematik, zeť, Humberto D'Ancona, biolog studie o vývoji počtu ryb, několik modelů popisujících interakci dvou a více druhů. Model predátor – kořist první a nejjednodušší model Alfred J. Lotka ( ) americký matematik a biolog, formuloval mnoho podobných modelů jako Volterra. vztahu býložravců a jejich potravy.

F ORMULACE MODELU 1 Předpoklady z pohledu kořist: x = x(t) velikost populace kořisti v čase t Neexistence predátorů y = y(t) velikost populace predátorů v čase t Predátoři loví kořist b závisí na velikosti obou populací

F ORMULACE MODELU 2 Předpoklady z pohledu predátor: Absence potravy: S dostatkem potravy roste míra porodnosti predátorů:

P REDÁTOR -K OŘIST M ODEL Model má dvě proměnné x a y a několik parametrů: x = hustota populace kořisti y = hustota populace predátorů a, b, c, a p jsou kladné konstanty a faktor množení kořisti b koeficient predace c faktor úhynu predátorů p reprodukční míra predátorů na jednu kořist

S TANOVENÍ KOEFICIENTŮ a – množení kořisti při absenci predátorů b - míra úmrtnosti kořisti dělená časem pozorování Např. Berušky zabijí 60 mšic ze 100 za 2 dny. b = -ln(1-60/100) /2 = 0.46 c a p – pomocí lineární regrese Odhad koeficientů rovnice r p = px – c Kde r p odhad míry růstu populace predátorů živících se touto kořistí x počet kořisti

Ř EŠENÍ DIFERENCIÁLNÍCH ROVNIC Analytické řešení Numerické řešení - jednodušší a více univerzální (někdy problémy s konvergencí) Eulerova metoda – Excel Ode23 – Matlab Simulink

N UMERICKÉ ŘEŠENÍ Eulerova metoda jednokroková metoda, nejjednodušší, nejméně přesná. využívá první stupeň Taylorova rozvoje – extrapolace přímkou

E ULEROVA METODA k dosažení určité přesnosti volit velmi malé intervaly. řešení se během sledovaného období mohou velmi měnit a numericky vypočtená hodnota může být od skutečného řešení velice vzdálena. Eulerova metoda může být zpřesňována - derivace odhadována ve středu intervalu kde k je hodnota funkce v centru intervalu dvoukroková Runge-Kuttova metoda.

V ÝSTUPY VÝPOČTŮ – POPULAČNÍ GRAF A POPULAČNÍ KŘIVKA

P OPULAČNÍ GRAF a=1, b=0,03, c=0,4, p=0,01 x 0 =15, y 0 =15

P OPULAČNÍ KŘIVKY

R OVNOVÁŽNÝ STAV Výstupem Matlabu stanovení rovnovážného stavu má souřadnice Při zachování stávajících parametrů nastane rovnovážný bod v [40;100/3].

S IMULINK

Z MĚNY PARAMETRŮ MODELU

RYS A SNĚŽNÝ ZAJÍC Model predátor-kořist je nejčastěji spojován s vývojem populace rysů a sněžných zajíců v Kanadě

L IŠKA OBECNÁ, Z AJÍC POLNÍ Chtěla jsem model Lotka-Volterra použít v podmínkách České republiky. Nejlépe by podmínky modelu mohl splňovat vztah lišky obecné a zajíce polního. ČSÚ eviduje a zveřejňuje počet zajíců až od roku 1995 a počet lišek od roku 2003

D ĚKUJI ZA POZORNOST