Реферат: Теоретические основы математических и инструментальных методов экономики
--PAGE_BREAK-- продолжение--PAGE_BREAK--Возможен и комбинированный критерий, состоящий в одновременном выполнении указанных условий. Градиентные методы отличаются друг от друга способами выбора величины шага аk.
При методе с постоянным шагом для всех итераций выбирается некоторая постоянная величина шага. Достаточно малый шаг аk обеспечит убывание функции, т. е. выполнение неравенства
f(х[k+1]) = f(x[k] – akf’(x[k])) < f(x[k]).
Однако это может привести к необходимости проводить неприемлемо большое количество итераций для достижения точки минимума. С другой стороны, слишком большой шаг может вызвать неожиданный рост функции либо привести к колебаниям около точки минимума (зацикливанию). Из-за сложности получения необходимой информации для выбора величины шага методы с постоянным шагом применяются на практике редко.
Более экономичны в смысле количества итераций и надежности градиентные методы с переменным шагом, когда в зависимости от результатов вычислений величина шага некоторым образом меняется. Рассмотрим применяемые на практике варианты таких методов.
Метод наискорейшего спуска
При использовании метода наискорейшего спуска на каждой итерации величина шага аkвыбирается из условия минимума функции f(x) в направлении спуска, т. е.
f(x[k]–akf’(x[k])) = <imagedata src=«dopb35696.zip» o:><img width=«29» height=«29» src=«dopb35696.zip» v:shapes="_x0000_i1116">f(x[k]– af'(x[k])).
Это условие означает, что движение вдоль антиградиента происходит до тех пор, пока значение функции f(x) убывает. С математической точки зрения на каждой итерации необходимо решать задачу одномерной минимизации по а функции
j(a) = f(x[k]— af'(x[k])) .
Алгоритм метода наискорейшего спуска состоит в следующем.
1. Задаются координаты начальной точки х[0].
2. В точке х[k], k = 0, 1, 2,… вычисляется значение градиента f’(x[k]).
3. Определяется величина шага ak, путем одномерной минимизации по а функции j(a) = f(x[k]— af'(x[k])).
4. Определяются координаты точки х[k+1]:
хi[k+1]= xi[k]– аkf’i(х[k]), i = 1 ,..., п.
5. Проверяются условия останова стерационного процесса. Если они выполняются, то вычисления прекращаются. В противном случае осуществляется переход к п. 1.
В рассматриваемом методе направление движения из точки х[k] касается линии уровня в точке x[k+1] (Рис. 2.9). Траектория спуска зигзагообразная, причем соседние звенья зигзага ортогональны друг другу. Действительно, шаг ak выбирается путем минимизации по а функции φ(a) = f(x[k]— af'(x[k])). Необходимое условие минимума функции dj(a)/da = 0. Вычислив производную сложной функции, получим условие ортогональности векторов направлений спуска в соседних точках:
dj(a)/da = -f’(x[k+1]f’(x[k]) = 0.
Градиентные методы сходятся к минимуму с высокой скоростью (со скоростью геометрической прогрессии) для гладких выпуклых функций. У таких функций наибольшее М и наименьшее m собственные значения матрицы вторых производных (матрицы Гессе)
<imagedata src=«dopb35697.zip» o:><img width=«259» height=«150» src=«dopb35697.zip» v:shapes="_x0000_i1117">
мало отличаются друг от друга, т. е. матрица Н(х) хорошо обусловлена. Напомним, что собственными значениями li, i =1, …, n, матрицы являются корни характеристического уравнения
<imagedata src=«dopb35698.zip» o:><img width=«242» height=«150» src=«dopb35698.zip» v:shapes="_x0000_i1118">
Однако на практике, как правило, минимизируемые функции имеют плохо обусловленные матрицы вторых производных (т/М << 1). Значения таких функций вдоль некоторых направлений изменяются гораздо быстрее (иногда на несколько порядков), чем в других направлениях. Их поверхности уровня в простейшем случае сильно вытягиваются, а в более сложных случаях изгибаются и представляют собой овраги. Функции, обладающие такими свойствами, называют овражными. Направление антиградиента этих функций (см. Рис. 2.10) существенно отклоняется от направления в точку минимума, что приводит к замедлению скорости сходимости.
Метод сопряженных градиентов
Рассмотренные выше градиентные методы отыскивают точку минимума функции в общем случае лишь за бесконечное число итераций. Метод сопряженных градиентов формирует направления поиска, в большей мере соответствующие геометрии минимизируемой функции. Это существенно увеличивает скорость их сходимости и позволяет, например, минимизировать квадратичную функцию
f(x) = (х, Нх) + (b, х) + а
с симметрической положительно определенной матрицей Н за конечное число шагов п , равное числу переменных функции. Любая гладкая функция в окрестности точки минимума хорошо аппроксимируется квадратичной, поэтому методы сопряженных градиентов успешно применяют для минимизации и неквадратичных функций. В таком случае они перестают быть конечными и становятся итеративными.
По определению, два n-мерных вектора х иу называют сопряженными по отношению к матрице H (или H-сопряженными), если скалярное произведение (x, Ну) = 0. Здесь Н - симметрическая положительно определенная матрица размером пхп.
Одной из наиболее существенных проблем в методах сопряженных градиентов является проблема эффективного построения направлений. Метод Флетчера-Ривса решает эту проблему путем преобразования на каждом шаге антиградиента -f(x[k]) в направление p[k], H-сопряженное с ранее найденными направлениями р[0], р[1], ..., р[k-1]. Рассмотрим сначала этот метод применительно к задаче минимизации квадратичной функции.
Направления р[k] вычисляют по формулам:
p[k] = -f’(x[k])+bk-1p[k-l], k >= 1;
p[0] = -f’(x[0]).
Величины bk-1 выбираются так, чтобы направления p[k], р[k-1] были H-сопряженными:
(p[k], Hp[k-1])= 0.
В результате для квадратичной функции
<imagedata src=«dopb35699.zip» o:><img width=«210» height=«43» src=«dopb35699.zip» v:shapes="_x0000_i1119">,
итерационный процесс минимизации имеет вид
x[k+l]=x[k]+akp[k],
где р[k] - направление спуска на k-м шаге; аk - величина шага. Последняя выбирается из условия минимума функции f(х) по а в направлении движения, т. е. в результате решения задачи одномерной минимизации:
f(х[k] + аkр[k]) = <imagedata src=«dopb35700.zip» o:><img width=«30» height=«29» src=«dopb35700.zip» v:shapes="_x0000_i1120">f(x[k] + ар [k]).
Для квадратичной функции
<imagedata src=«dopb35701.zip» o:><img width=«150» height=«43» src=«dopb35701.zip» v:shapes="_x0000_i1121">
Алгоритм метода сопряженных градиентов Флетчера-Ривса состоит в следующем.
1. В точке х[0] вычисляется p[0] = -f’(x[0]).
2. На k-м шаге по приведенным выше формулам определяются шаг аk. и точка х[k+1].
3. Вычисляются величины f(x[k+1]) и f’(x[k+1]).
4. Если f’(x[k+1]) = 0, то точка х[k+1] является точкой минимума функции f(х). В противном случае определяется новое направление p[k+l] из соотношения
<imagedata src=«dopb35702.zip» o:><img width=«365» height=«43» src=«dopb35702.zip» v:shapes="_x0000_i1122">
и осуществляется переход к следующей итерации. Эта процедура найдет минимум квадратичной функции не более чем за п шагов. При минимизации неквадратичных функций метод Флетчера-Ривса из конечного становится итеративным. В таком случае после (п+1)-й итерации процедуры 1-4 циклически повторяются с заменой х[0] на х[п+1], а вычисления заканчиваются при <imagedata src=«dopb35703.zip» o:><img width=«91» height=«26» src=«dopb35703.zip» v:shapes="_x0000_i1123">, где <imagedata src=«dopb35704.zip» o:><img width=«13» height=«14» src=«dopb35704.zip» v:shapes="_x0000_i1124">- заданное число. При этом применяют следующую модификацию метода:
x[k+l]= x[k]+akp[k],
p[k] = -f’(x[k])+bk-1p[k-l], k >= 1;
p[0] = -f’(x[0]);
f(х[k] + akp[k]) = <imagedata src=«dopb35700.zip» o:><img width=«30» height=«29» src=«dopb35700.zip» v:shapes="_x0000_i1125">f(x[k] + ap[k];
<imagedata src=«dopb35705.zip» o:><img width=«312» height=«66» src=«dopb35705.zip» v:shapes="_x0000_i1126">.
Здесь I — множество индексов: I = {0, n, 2п, Зп, ...}, т. е. обновление метода происходит через каждые п шагов.
Геометрический смысл метода сопряженных градиентов состоит в следующем (Рис. 2.11). Из заданной начальной точки х[0] осуществляется спуск в направлении р[0] = -f'(x[0]). В точке х[1] определяется вектор-градиент f'(x [1]). Поскольку х[1] является точкой минимума функции в направлении р[0], то f’(х[1]) ортогонален вектору р[0]. Затем отыскивается вектор р [1], H-сопряженный к р [0]. Далее отыскивается минимум функции вдоль направления р[1] и т. д.
<imagedata src=«1.files/image125.png» o:><img width=«293» height=«141» src=«dopb35706.zip» v:shapes="_x0000_i1127">
Рис. 2.11. Траектория спуска в методе сопряженных градиентов
Методы сопряженных направлений являются одними из наиболее эффективных для решения задач минимизации. Однако следует отметить, что они чувствительны к ошибкам, возникающим в процессе счета. При большом числе переменных погрешность может настолько возрасти, что процесс придется повторять даже для квадратичной функции, т. е. процесс для нее не всегда укладывается в п шагов.
Выпуклая оптимизация. Условие выпуклости. Субградиентный метод выпуклой оптимизации. Метод растяжения пространства. Метод эллипсоидов. Основная задача выпуклого программирования
Пусть задано выпуклое и замкнутое множество <imagedata src=«1.files/image127.wmz» o:><img width=«51» height=«27» src=«dopb35707.zip» v:shapes="_x0000_i1128">. Рассмотрим множество
<imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1129">={<imagedata src=«1.files/image131.wmz» o:><img width=«97» height=«23» src=«dopb35709.zip» v:shapes="_x0000_i1130">}, <imagedata src=«1.files/image133.wmz» o:><img width=«28» height=«23» src=«dopb35710.zip» v:shapes="_x0000_i1131">=(<imagedata src=«1.files/image135.wmz» o:><img width=«41» height=«24» src=«dopb35711.zip» v:shapes="_x0000_i1132">,…,<imagedata src=«1.files/image137.wmz» o:><img width=«41» height=«25» src=«dopb35712.zip» v:shapes="_x0000_i1133">), <imagedata src=«1.files/image139.wmz» o:><img width=«13» height=«17» src=«dopb35713.zip» v:shapes="_x0000_i1134">Î<imagedata src=«1.files/image141.wmz» o:><img width=«25» height=«27» src=«dopb35714.zip» v:shapes="_x0000_i1135">.
где <imagedata src=«1.files/image143.wmz» o:><img width=«41» height=«25» src=«dopb35715.zip» v:shapes="_x0000_i1136"> (<imagedata src=«1.files/image145.wmz» o:><img width=«48» height=«24» src=«dopb35716.zip» v:shapes="_x0000_i1137">) — вогнутые (выпуклые вверх) непрерывные на <imagedata src=«1.files/image127.wmz» o:><img width=«51» height=«27» src=«dopb35707.zip» v:shapes="_x0000_i1138"> скалярные функции. В теории математического программирования каждый элемент <imagedata src=«1.files/image147.wmz» o:><img width=«13» height=«13» src=«dopb35717.zip» v:shapes="_x0000_i1139">Î<imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1140"> принято называть допустимым планом, а само множество <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1141"> — множеством допустимых планов.
Формальная постановка задачи выпуклого программирования
Задачу
<imagedata src=«1.files/image149.wmz» o:><img width=«59» height=«29» src=«dopb35718.zip» v:shapes="_x0000_i1142">,
где <imagedata src=«1.files/image151.wmz» o:><img width=«32» height=«23» src=«dopb35719.zip» v:shapes="_x0000_i1143"> выпукла, а <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1144"> определяется вышеприведенными условиями, называется основной задачей выпуклого программирования.
REF _Ref433730605 \r \h Определениеозначает, что ставится задача:
Если существует минимальное значение функции <imagedata src=«1.files/image151.wmz» o:><img width=«32» height=«23» src=«dopb35719.zip» v:shapes="_x0000_i1145"> на множестве <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1146">, то среди всех допустимых планов найти оптимальный план <imagedata src=«1.files/image153.wmz» o:><img width=«19» height=«27» src=«dopb35720.zip» v:shapes="_x0000_i1147">, для которого
<imagedata src=«1.files/image155.wmz» o:><img width=«20» height=«27» src=«dopb35721.zip» v:shapes="_x0000_i1148">=<imagedata src=«1.files/image157.wmz» o:><img width=«39» height=«27» src=«dopb35722.zip» v:shapes="_x0000_i1149">=<imagedata src=«1.files/image149.wmz» o:><img width=«59» height=«29» src=«dopb35718.zip» v:shapes="_x0000_i1150">
при этом число <imagedata src=«1.files/image155.wmz» o:><img width=«20» height=«27» src=«dopb35721.zip» v:shapes="_x0000_i1151"> называют значением задачи.
Если оптимального плана не существует, то требуется
· либо найти значение задачи как точную нижнюю грань значений функции <imagedata src=«1.files/image151.wmz» o:><img width=«32» height=«23» src=«dopb35719.zip» v:shapes="_x0000_i1152"> на множестве <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1153">:
<imagedata src=«1.files/image155.wmz» o:><img width=«20» height=«27» src=«dopb35721.zip» v:shapes="_x0000_i1154">=<imagedata src=«1.files/image159.wmz» o:><img width=«55» height=«32» src=«dopb35723.zip» v:shapes="_x0000_i1155">
· либо убедиться, что <imagedata src=«1.files/image161.wmz» o:><img width=«32» height=«23» src=«dopb35719.zip» v:shapes="_x0000_i1156"> неограничена снизу на множестве <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1157">;
· либо убедиться в том, что множество допустимых планов <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1158"> пусто.
Для решения предложенной оптимизационной задачи следует выполнить следующие действия:
· Определить множество <imagedata src=«1.files/image127.wmz» o:><img width=«51» height=«27» src=«dopb35707.zip» v:shapes="_x0000_i1159">.
· Определить вектор-функцию <imagedata src=«1.files/image133.wmz» o:><img width=«28» height=«23» src=«dopb35710.zip» v:shapes="_x0000_i1160">=(<imagedata src=«1.files/image135.wmz» o:><img width=«41» height=«24» src=«dopb35711.zip» v:shapes="_x0000_i1161">,…,<imagedata src=«1.files/image137.wmz» o:><img width=«41» height=«25» src=«dopb35712.zip» v:shapes="_x0000_i1162">) и вектор <imagedata src=«1.files/image139.wmz» o:><img width=«13» height=«17» src=«dopb35713.zip» v:shapes="_x0000_i1163">Î<imagedata src=«1.files/image141.wmz» o:><img width=«25» height=«27» src=«dopb35714.zip» v:shapes="_x0000_i1164">.
· Определить множество допустимых планов <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1165">={<imagedata src=«1.files/image131.wmz» o:><img width=«97» height=«23» src=«dopb35709.zip» v:shapes="_x0000_i1166">}.
· Привести задачу к стандартной форме основной задачи выпуклого программирования и определить оптимизируемую функцию <imagedata src=«1.files/image151.wmz» o:><img width=«32» height=«23» src=«dopb35719.zip» v:shapes="_x0000_i1167">.
· Проверить, является ли полученная оптимизационная задача ЗВП, для этого
· проверить на выпуклость множество <imagedata src=«1.files/image129.wmz» o:><img width=«19» height=«16» src=«dopb35708.zip» v:shapes="_x0000_i1168">;
· проверить на выпуклость функцию <imagedata src=«1.files/image151.wmz» o:><img width=«32» height=«23» src=«dopb35719.zip» v:shapes="_x0000_i1169">.
В случае успеха п. REF _Ref435679505 \r \h 5
· Построить функцию Лагранжа полученной ЗВП.
· С помощью дифференциальных условий Куна-Таккера найти седловые точки построенной функции Лагранжа.
В случае неудачи п. REF _Ref435679505 \r \h \* MERGEFORMAT 5попытаться найти другие методы решения задачи.
Методы субградиентной оптимизации. Эти итеративные процедуры формируют последовательность векторов {lk}. Начиная с некоторого начального значения l0 эти вектора меняются по следующему правилу
lk+1= lk +tk(A xk - b),
где xk — оптимальное решение задачи <imagedata src=«1.files/image162.png» o:><img width=«35» height=«26» src=«dopb35724.zip» v:shapes="_x0000_i1170">, а tk — размер шага. Фундаментальный теоретический результат заключается в том, что [14]
<imagedata src=«dopb35725.zip» o:><img width=«294» height=«46» src=«dopb35725.zip» v:shapes="_x0000_i1171">.
Размер шага на практике обычно выбирают, следуя [11],
<imagedata src=«dopb35726.zip» o:><img border=«0» width=«153» height=«63» src=«dopb35726.zip» v:shapes="_x0000_i1172">
где qk — скаляр, 0 <qk <imagedata src=«1.files/image166.png» o:><img border=«0» width=«12» height=«12» src=«dopb35727.zip» v:shapes="_x0000_i1173">2 и z* — верхняя граница для n(D). Обычноz* получают эвристикой для P. В методе ветвей и границ z* — текущий рекорд. Последовательность qk, как правило, начинается с q 0=2 и затем qk делится пополам, через фиксированное число итераций, зависящее от размерности задачи.
Элементы функционального анализа. Метрические, линейные и нормированные пространства. Эвклидово пространство. Гильбертово пространство. Линейные операторы и функционалы в линейных нормированных пространствах Функциональный анализ, часть современной математики, главной задачей которой является изучение бесконечномерных пространств и их отображений. Наиболее изучены линейные пространства и линейные отображения. Для Ф. а. характерно сочетание методов классического анализа, топологии и алгебры. Абстрагируясь от конкретных ситуаций, удаётся выделить аксиомы и на их основе построить теории, включающие в себя классические задачи как частный случай и дающие возможность решать новые задачи. Сам процесс абстрагирования имеет самостоятельное значение, проясняя ситуацию, отбрасывая лишнее и открывая неожиданные связи. В результате удаётся глубже проникнуть в сущность математических понятий и проложить новые пути исследования.
Развитие Ф. а. происходило параллельно с развитием современной теоретической физики, при этом выяснилось, что язык Ф. а. наиболее адекватно отражает закономерности квантовой механики, квантовой теории поля и т.п. В свою очередь эти физические теории оказали существенное влияние на проблематику и методы Ф. а.
1. Линейные пространства. Базис
Одно из основных понятий современной математики — линейное пространство.
Пусть L — некоторое множество объектов произвольной природы, а C — множество комплексных чисел. Множество L называют линейным пространством, если на нем определены две операции: 1) операция сложения любых двух элементов этого множества и 2) операция умножения элементов этого множества на комплексное число, причем эти операции удовлетворяют некоторым естественным аксиомам. Более точно:
Определение. Множество L называется линейным пространством над полем комплексных чисел C, если
каждой паре элементов x, y из этого пространства поставлен в соответствие элемент z этого пространства, называемый суммой элементов x и y (обозначение: <imagedata src=«dopb35728.zip» o:><img border=«0» width=«62» height=«19» src=«dopb35728.zip» v:shapes="_x0000_i1174">); каждому элементу x из L и каждому комплексному числу поставлен в соответствие элемент из L, называемый произведением и x (и обозначаемый <imagedata src=«dopb35729.zip» o:><img border=«0» width=«33» height=«19» src=«dopb35729.zip» v:shapes="_x0000_i1175">или x); указанные операции удовлетворяют следующим аксиомам: <imagedata src=«1.files/image170.png» o:><img border=«0» width=«86» height=«17» src=«dopb35730.zip» v:shapes="_x0000_i1176">для любых <imagedata src=«1.files/image172.png» o:><img border=«0» width=«55» height=«20» src=«dopb35731.zip» v:shapes="_x0000_i1177">, <imagedata src=«1.files/image174.png» o:><img border=«0» width=«156» height=«20» src=«dopb35732.zip» v:shapes="_x0000_i1178">для любых <imagedata src=«1.files/image176.png» o:><img border=«0» width=«69» height=«20» src=«dopb35733.zip» v:shapes="_x0000_i1179">, существует «нулевой» элемент <imagedata src=«1.files/image178.png» o:><img border=«0» width=«37» height=«17» src=«dopb35734.zip» v:shapes="_x0000_i1180">, такой, что <imagedata src=«dopb35735.zip» o:><img border=«0» width=«63» height=«17» src=«dopb35735.zip» v:shapes="_x0000_i1181">для любого <imagedata src=«dopb35736.zip» o:><img border=«0» width=«40» height=«17» src=«dopb35736.zip» v:shapes="_x0000_i1182">, для каждого <imagedata src=«dopb35736.zip» o:><img border=«0» width=«40» height=«17» src=«dopb35736.zip» v:shapes="_x0000_i1183">существует «противоположный» ему элемент <imagedata src=«1.files/image182.png» o:><img border=«0» width=«60» height=«20» src=«dopb35737.zip» v:shapes="_x0000_i1184">, такой, что <imagedata src=«1.files/image184.png» o:><img border=«0» width=«84» height=«20» src=«dopb35738.zip» v:shapes="_x0000_i1185">, <imagedata src=«dopb35739.zip» o:><img border=«0» width=«52» height=«17» src=«dopb35739.zip» v:shapes="_x0000_i1186">для любого <imagedata src=«dopb35736.zip» o:><img border=«0» width=«40» height=«17» src=«dopb35736.zip» v:shapes="_x0000_i1187">, <imagedata src=«1.files/image187.png» o:><img border=«0» width=«118» height=«20» src=«dopb35740.zip» v:shapes="_x0000_i1188">для любого <imagedata src=«dopb35736.zip» o:><img border=«0» width=«40» height=«17» src=«dopb35736.zip» v:shapes="_x0000_i1189">и любых <imagedata src=«1.files/image189.png» o:><img border=«0» width=«55» height=«20» src=«dopb35741.zip» v:shapes="_x0000_i1190">, <imagedata src=«1.files/image191.png» o:><img border=«0» width=«135» height=«20» src=«dopb35742.zip» v:shapes="_x0000_i1191">для любого <imagedata src=«dopb35736.zip» o:><img border=«0» width=«40» height=«17» src=«dopb35736.zip» v:shapes="_x0000_i1192">и любых <imagedata src=«1.files/image189.png» o:><img border=«0» width=«55» height=«20» src=«dopb35741.zip» v:shapes="_x0000_i1193">, <imagedata src=«1.files/image193.png» o:><img border=«0» width=«135» height=«20» src=«dopb35743.zip» v:shapes="_x0000_i1194">для любого <imagedata src=«1.files/image195.png» o:><img border=«0» width=«43» height=«17» src=«dopb35744.zip» v:shapes="_x0000_i1195">и любых <imagedata src=«dopb35745.zip» o:><img border=«0» width=«55» height=«20» src=«dopb35745.zip» v:shapes="_x0000_i1196">. Подчеркнем, что перечисленные аксиомы являются естественным обобщением хорошо известных свойств сложения и умножения чисел, сложения векторов и их умножения на число и т.д.
Иногда рассматривают линейное пространство не над полем комплексных, а над полем действительных чисел R (т.е. вместо операции умножения на комплексные числа рассматривается операция умножения на действительные числа). Аксиомы линейного пространства при этом не меняются.
Приведем некоторые типичные примеры линейных пространств.
Пример 1. Линейное пространство векторов на плоскости (или в трехмерном пространстве) с обычными операциями сложения векторов и умножения вектора на действительное число. Нулевым элементом является нулевой вектор.
Пример 2. Линейное пространство всевозможных последовательностей комплексных чисел с операциями
<imagedata src=«1.files/image198.png» o:><img border=«0» width=«464» height=«20» src=«dopb35746.zip» v:shapes="_x0000_i1197">
<imagedata src=«1.files/image200.png» o:><img border=«0» width=«276» height=«20» src=«dopb35747.zip» v:shapes="_x0000_i1198">.
Нулевой элемент — последовательность (0, 0, ..., 0, ...).
Пусть теперь <imagedata src=«dopb35748.zip» o:><img border=«0» width=«84» height=«22» src=«dopb35748.zip» v:shapes="_x0000_i1199">- некоторые элементы линейного пространства L, а <imagedata src=«1.files/image203.png» o:><img border=«0» width=«84» height=«20» src=«dopb35749.zip» v:shapes="_x0000_i1200">- произвольные комплексные (или действительные) числа. Элемент пространства L, равный <imagedata src=«1.files/image205.png» o:><img border=«0» width=«144» height=«20» src=«dopb35750.zip» v:shapes="_x0000_i1201">, называется линейной комбинацией элементов <imagedata src=«dopb35748.zip» o:><img border=«0» width=«84» height=«20» src=«dopb35751.zip» v:shapes="_x0000_i1202">.
Определение. Система (набор) элементов <imagedata src=«dopb35752.zip» o:><img border=«0» width=«98» height=«26» src=«dopb35752.zip» v:shapes="_x0000_i1203">пространства L называется линейно независимой, если линейная комбинация <imagedata src=«1.files/image205.png» o:><img border=«0» width=«144» height=«20» src=«dopb35750.zip» v:shapes="_x0000_i1204">равна нулевому элементу пространства только в случае <imagedata src=«1.files/image209.png» o:><img border=«0» width=«132» height=«20» src=«dopb35753.zip» v:shapes="_x0000_i1205">.
Иными словами, система <imagedata src=«dopb35752.zip» o:><img border=«0» width=«98» height=«26» src=«dopb35752.zip» v:shapes="_x0000_i1206">называется линейно независимой, если из равенства <imagedata src=«1.files/image211.png» o:><img border=«0» width=«170» height=«20» src=«dopb35754.zip» v:shapes="_x0000_i1207">следует, что <imagedata src=«1.files/image213.png» o:><img border=«0» width=«135» height=«20» src=«dopb35755.zip» v:shapes="_x0000_i1208">.
Определение. Система элементов <imagedata src=«dopb35752.zip» o:><img border=«0» width=«98» height=«26» src=«dopb35752.zip» v:shapes="_x0000_i1209">пространства L называется линейно зависимой, если равенство <imagedata src=«1.files/image215.png» o:><img border=«0» width=«173» height=«20» src=«dopb35756.zip» v:shapes="_x0000_i1210">выполнено при некотором наборе констант <imagedata src=«1.files/image203.png» o:><img border=«0» width=«84» height=«20» src=«dopb35749.zip» v:shapes="_x0000_i1211">, хотя бы одна из которых отлична от нуля.
Таким образом, система называется линейно зависимой, если она не является линейно независимой.
Определение. Линейное пространство имеет размерность n (или, коротко, n-мерно), если в нем найдется n линейно независимых элементов, но любые (n+1) элемент линейно зависимы. Линейное пространство называется бесконечномерным, если в нем можно указать любое наперед заданное число линейно независимых элементов.
Определение. Система элементов линейного пространства называется базисом этого пространства, если любой элемент этого пространства можно единственным образом представить в виде линейной комбинации элементов данной системы.
Как мы убедились, в n-мерном пространстве любая линейно независимая система из n элементов образует базис.
Определение. Множество M называется метрическим пространством, если каждым двум элементам x, y этого множества поставлено в соответствие действительное число, обозначаемое <imagedata src=«dopb35757.zip» o:><img border=«0» width=«46» height=«20» src=«dopb35757.zip» v:shapes="_x0000_i1212">и называемое расстоянием между элементами x и y, причем выполнены следующие аксиомы:
<imagedata src=«1.files/image218.png» o:><img border=«0» width=«72» height=«20» src=«dopb35758.zip» v:shapes="_x0000_i1213">для любых <imagedata src=«dopb35759.zip» o:><img border=«0» width=«58» height=«20» src=«dopb35759.zip» v:shapes="_x0000_i1214">, причем <imagedata src=«1.files/image221.png» o:><img border=«0» width=«72» height=«20» src=«dopb35760.zip» v:shapes="_x0000_i1215">в том и только в том случае, когда <imagedata src=«dopb35761.zip» o:><img border=«0» width=«40» height=«17» src=«dopb35761.zip» v:shapes="_x0000_i1216">; <imagedata src=«1.files/image224.png» o:><img border=«0» width=«107» height=«20» src=«dopb35762.zip» v:shapes="_x0000_i1217">для любых <imagedata src=«dopb35759.zip» o:><img border=«0» width=«58» height=«20» src=«dopb35759.zip» v:shapes="_x0000_i1218">; <imagedata src=«1.files/image226.png» o:><img border=«0» width=«161» height=«20» src=«dopb35763.zip» v:shapes="_x0000_i1219">для любых <imagedata src=«dopb35759.zip» o:><img border=«0» width=«58» height=«20» src=«dopb35759.zip» v:shapes="_x0000_i1220">. Если x, y — два фиксированных элемента множества M, то <imagedata src=«dopb35757.zip» o:><img border=«0» width=«46» height=«20» src=«dopb35757.zip» v:shapes="_x0000_i1221">есть действительное число, однако, полагая x и y равными всевозможным элементам множества M, получим, что <imagedata src=«dopb35757.zip» o:><img border=«0» width=«46» height=«20» src=«dopb35757.zip» v:shapes="_x0000_i1222">является функцией двух переменных x, y. Эта функция называется метрикой данного пространства.
продолжение
--PAGE_BREAK--Определение. Линейное пространство называетсянормированным, если каждому элементу x этого пространства поставлено в соответствие действительное число <imagedata src=«dopb35764.zip» o:><img border=«0» width=«32» height=«26» src=«dopb35764.zip» v:shapes="_x0000_i1223">(норма x ), причем выполнены следующие аксиомы:
<imagedata src=«dopb35765.zip» o:><img border=«0» width=«58» height=«26» src=«dopb35765.zip» v:shapes="_x0000_i1224">для любого x, причем <imagedata src=«dopb35766.zip» o:><img border=«0» width=«58» height=«26» src=«dopb35766.zip» v:shapes="_x0000_i1225">тогда и только тогда, когда <imagedata src=«1.files/image231.png» o:><img border=«0» width=«37» height=«14» src=«dopb35767.zip» v:shapes="_x0000_i1226">; <imagedata src=«dopb35768.zip» o:><img border=«0» width=«124» height=«26» src=«dopb35768.zip» v:shapes="_x0000_i1227">для любого x и любого комплексного; <imagedata src=«dopb35769.zip» o:><img border=«0» width=«141» height=«26» src=«dopb35769.zip» v:shapes="_x0000_i1228">для любых x, y из данного пространства. Для линейных пространств над полем действительных чисел также вводится понятие нормированного пространства с теми же аксиомами.
Неравенство, фигурирующее в третьей аксиоме, называется неравенством Минковского.
Простейшими примерами нормированных пространств могут служить множества действительных чисел R и комплексных чисел C, где в качестве нормы числа рассматривается его модуль, а также пространство векторов на плоскости (или в пространстве) с нормой, равной длине вектора.
В пространстве непрерывных функций на <imagedata src=«dopb35770.zip» o:><img border=«0» width=«42» height=«24» src=«dopb35770.zip» v:shapes="_x0000_i1229">(действительном или комплексном) норму можно ввести, например, следующими способами:
<imagedata src=«dopb35771.zip» o:><img border=«0» width=«122» height=«34» src=«dopb35771.zip» v:shapes="_x0000_i1230">, <imagedata src=«dopb35772.zip» o:><img border=«0» width=«150» height=«55» src=«dopb35772.zip» v:shapes="_x0000_i1231">.
Отметим теперь следующий важный факт. В любом линейном нормированном пространстве можно ввести метрику следующим образом:
<imagedata src=«dopb35773.zip» o:><img border=«0» width=«115» height=«26» src=«dopb35773.zip» v:shapes="_x0000_i1232">
При этом выполнение первой аксиомы метрического пространства следует из первой аксиомы нормированного пространства. Выполнение второй аксиомы также очевидно:
<imagedata src=«dopb35774.zip» o:><img border=«0» width=«435» height=«26» src=«dopb35774.zip» v:shapes="_x0000_i1233">.
Наконец, выполнение третьей аксиомы метрического пространства следует из неравенства Минковского:
<imagedata src=«dopb35775.zip» o:><img border=«0» width=«490» height=«26» src=«dopb35775.zip» v:shapes="_x0000_i1234">
Итак, любое линейное нормированное пространство можно сделать метрическим пространством указанным выше естественным способом (так, указанные нами нормы в пространстве непрерывных функций порождают соответственно равномерную и среднеквадратичную метрику, т.е. порождают пространства <imagedata src=«dopb35776.zip» o:><img border=«0» width=«49» height=«26» src=«dopb35776.zip» v:shapes="_x0000_i1235">и <imagedata src=«dopb35777.zip» o:><img border=«0» width=«55» height=«26» src=«dopb35777.zip» v:shapes="_x0000_i1236">соответственно). Обратное утверждение, вообще говоря, неверно: не в любом метрическом пространстве можно ввести норму, поскольку понятие нормы вводится лишь в линейном пространстве, а метрическое пространство может не быть наделено линейной структурой. Однако, если метрическое пространство наделено линейной структурой (является линейным пространством), то его всегда можно сделать нормированным, введя норму <imagedata src=«dopb35778.zip» o:><img border=«0» width=«89» height=«26» src=«dopb35778.zip» v:shapes="_x0000_i1237">
Пусть <imagedata src=«dopb35779.zip» o:><img border=«0» width=«14» height=«14» src=«dopb35779.zip» alt="$ L$" v:shapes="_x0000_i1238"> -- вещественное <imagedata src=«1.files/image245.png» o:><img border=«0» width=«12» height=«12» src=«dopb35780.zip» alt="$ n$" v:shapes="_x0000_i1239">-мерное пространство, в котором задан базис <imagedata src=«dopb35781.zip» o:><img border=«0» width=«98» height=«29» src=«dopb35781.zip» alt="$ {e_1,\,e_2,\ldots,\,e_n}$" v:shapes="_x0000_i1240">. Тогда векторы <imagedata src=«1.files/image248.png» o:><img border=«0» width=«12» height=«12» src=«dopb35782.zip» alt="$ a$" v:shapes="_x0000_i1241">и <imagedata src=«1.files/image250.png» o:><img border=«0» width=«9» height=«12» src=«dopb35783.zip» alt="$ b$" v:shapes="_x0000_i1242">из <imagedata src=«dopb35779.zip» o:><img border=«0» width=«14» height=«14» src=«dopb35779.zip» alt="$ L$" v:shapes="_x0000_i1243">задаются своими координатами:
<imagedata src=«dopb35784.zip» o:><img border=«0» width=«441» height=«29» src=«dopb35784.zip» alt="$\displaystyle a={\alpha}_1e_1+{\alpha}_2e_2+\ldots+{\alpha}_ne_n,\quadb={\beta}_1e_1+{\beta}_2e_2+\ldots+{\beta}_ne_n.$" v:shapes="_x0000_i1244">
Скалярное произведение векторов, обозначаеся оно обычно <imagedata src=«1.files/image253.png» o:><img border=«0» width=«37» height=«32» src=«dopb35785.zip» alt="$ {(a,b)}$" v:shapes="_x0000_i1245">, задается формулой
В отличие от обычного трехмерного пространства, где с помощью транспортира и линейки можно измерить угол между векторами и длину вектора, в <imagedata src=«1.files/image245.png» o:><img border=«0» width=«12» height=«12» src=«dopb35780.zip» alt="$ n$" v:shapes="_x0000_i1247">-мерном пространстве ни угол между векторами, ни длину вектора измерить невозможно (как можно, например, измерить длину многочлена или угол между многочленами?). Поэтому ортонормированным в <imagedata src=«1.files/image245.png» o:><img border=«0» width=«12» height=«12» src=«dopb35780.zip» alt="$ n$" v:shapes="_x0000_i1248">-мерном пространстве называется тот базис, в котором скалярное произведение вычисляется по формуле (18.3).
Если <imagedata src=«dopb35787.zip» o:><img border=«0» width=«98» height=«101» src=«dopb35787.zip» alt="$ {{\alpha}=\left(\begin{array}{c}{\alpha}_1\\ {\alpha}_2\\ \vdots\\ {\alpha}_n\end{array}\right)}$" v:shapes="_x0000_i1249">, <imagedata src=«dopb35788.zip» o:><img border=«0» width=«95» height=«101» src=«dopb35788.zip» alt="$ {{\beta}=\left(\begin{array}{c}{\beta}_1\\ {\beta}_2\\ \vdots\\ {\beta}_n\end{array}\right)}$" v:shapes="_x0000_i1250"> -- координатные столбцы векторов <imagedata src=«1.files/image248.png» o:><img border=«0» width=«12» height=«12» src=«dopb35782.zip» alt="$ a$" v:shapes="_x0000_i1251">и <imagedata src=«1.files/image250.png» o:><img border=«0» width=«9» height=«12» src=«dopb35783.zip» alt="$ b$" v:shapes="_x0000_i1252">, то скалярное произведение можно задать формулой
<imagedata src=«dopb35789.zip» o:><img border=«0» width=«95» height=«35» src=«dopb35789.zip» alt="$\displaystyle (a,b)={\alpha}^{\top}{\beta}.$" v:shapes="_x0000_i1253">
Предоставляем читателю самостоятельно убедиться в совпадении этой формулы с формулой (18.3)
Определение 18.5 Вещественное линейное пространство, в котором задано скалярное произведение называется евклидовым пространством.
В трехмерном пространстве с помощью склярного произведения определялся угол между векторами. В евклидовом пространстве тоже можно определить угол между векторами. Но угол в <imagedata src=«1.files/image245.png» o:><img border=«0» width=«12» height=«12» src=«dopb35780.zip» alt="$ n$" v:shapes="_x0000_i1254">-мерном пространстве не имеет существенного значения, кроме одного случая. В трехмерном проcтранстве два вектора ортогональны тогда и только тогда, когда их скалярное произведение равно нулю.
Определение 18.6 Два вектора евклидова пространства называются ортогональными, если их скалярное произведение равно нулю.
Определение 18.7 Комплексное линейное пространство, в котором введено скалярное произведение, называется унитарным пространством.
В унитарном пространстве модуль вектора и условие ортогональности вводятся с помощью скалярного произведения так же, как в евклидовом пространстве. В координатной записи
Гильбертово пространство, математическое понятие, обобщающее понятие евклидова пространства на бесконечномерный случай. Возникло на рубеже 19 и 20 вв. в виде естественного логического вывода из работ нем. математика Гильберта в результате обобщения фактов и методов, относящихся к разложениям функций в ортогональные ряды и к исследованию интегральных уравнений. Постепенно развиваясь, понятие «Г. п.» находило все более широкие приложения в различных разделах математики и теоретической физики; оно принадлежит к числу важнейших понятии математики.
Первоначально Г. п. понималось как пространство последовательностей со сходящимся рядом квадратов (т.н. пространство l2). Элементами (векторами) такого пространства являются бесконечные числовые последовательности
x = (x1, x2,..., xn,...)
такие, что ряд x21 + x22 +… + х2n +… сходится. Сумму двух векторов х + y и вектор lx, где l — действительное число, определяют естественным образом:
x + y = (x1 + y1,..., xn + yn,...),
lx = (lx1, lx2, ..., lxn,...)/
Для любых векторов х, y О l2 формула
(x, y) = x1y1 + x2y2 +… +xnyn + ...
определяет их скалярное произведение, а под длиной (нормой) вектора х понимается неотрицательное число
<imagedata src=«dopb35790.zip» o:><img border=«0» width=«228» height=«29» src=«dopb35790.zip» v:shapes="_x0000_i1255">
Скалярное произведение всегда конечно и удовлетворяет неравенству |(х, у)| Ј ||x|| ||y||. Последовательность векторов хn называется сходящейся к вектору х, если ||хn—х|| ® 0 при n ® Ґ. Многие определения и факты теории конечномерных евклидовых пространств переносятся и на Г. п. Например, формула
<imagedata src=«dopb35791.zip» o:><img border=«0» width=«95» height=«46» src=«dopb35791.zip» v:shapes="_x0000_i1256">
где 0 Ј j Ј p определяет угол j между векторами х и у. Два вектора х и у называются ортогональными, если (х, у) = 0. Пространство l2 полно: всякая фундаментальная последовательность Коши элементов этого пространства (т.е. последовательность хn, удовлетворяющая условию ||хп—хm||® 0 при n, m ® Ґ) имеет предел. В отличие от евклидовых пространств, Г. п. l2 бесконечномерно, т.е. в нём существуют бесконечные системы линейно независимых векторов; например, такую систему образуют единичные векторы
e1 = (1, 0, 0,...), e2 = (0, 1, 0,...),...
При этом для любого вектора x из l2 имеет место разложение
x = x1e1 + x2e2 +... (1)
по системе {en}.
Операторы (общие понятия). Функционалы. Пусть X, Y — линейные пространства; отображение A: X ® Y называется линейным, если для x, у О X, l, m О <imagedata src=«dopb35792.zip» o:><img border=«0» width=«144» height=«29» src=«dopb35792.zip» v:shapes="_x0000_i1257">,
где x1,..., xn и (Ax)1,..., (Ax) n — координаты векторов x и Ax соответственно. При переходе к бесконечномерным линейным топологическим пространствам положение значительно усложняется. Здесь прежде всего необходимо различать непрерывные и разрывные линейные операторы (для конечномерных пространств они всегда непрерывны). Так, действующий из пространства L2 (а, b) в него же оператор
<imagedata src=«dopb35793.zip» o:><img border=«0» width=«176» height=«35» src=«dopb35793.zip» v:shapes="_x0000_i1258">
(где K (t, s) — ограниченная функция — ядро А) — непрерывен, в то время как определённый на подпространстве C1(a, b) М L2(a, b) оператор дифференцирования
<imagedata src=«dopb35794.zip» o:><img border=«0» width=«118» height=«40» src=«dopb35794.zip» v:shapes="_x0000_i1259">
является разрывным (вообще, характерной особенностью разрывных операторов является то, что они не определены на всём пространстве).
Линейный функционал, обобщение понятия линейной формы на линейные пространства. Линейным функционалом f на линейном нормированном пространстве Е называют числовую функцию f(x), определённую для всех х из Е и обладающую следующими свойствами:
1) f(x) линейна, т. е. f((x + (у)= (f(x)+ (f(y),
где х и у — любые элементы из Е, a и b — числа;
2) f(x) непрерывна.
Непрерывность f равносильна требованию, чтобы <imagedata src=«dopb35795.zip» o:><img border=«0» width=«35» height=«49» src=«dopb35795.zip» v:shapes="_x0000_i1260"> было ограничено в Е; выражение <imagedata src=«dopb35796.zip» o:><img border=«0» width=«63» height=«49» src=«dopb35796.zip» v:shapes="_x0000_i1261"> называют нормой f и обозначают <imagedata src=«1.files/image266.png» o:><img border=«0» width=«17» height=«23» src=«dopb35797.zip» v:shapes="_x0000_i1262">.
В пространстве С [a, b] функций a(t), непрерывных при a (t (b, с нормой <imagedata src=«dopb35798.zip» o:><img border=«0» width=«115» height=«35» src=«dopb35798.zip» v:shapes="_x0000_i1263"> Л. ф. являются, например, выражения:
<imagedata src=«dopb35799.zip» o:><img border=«0» width=«121» height=«35» src=«dopb35799.zip» v:shapes="_x0000_i1264">,
f2[((t)] = ((t0), a (t0(b.
В гильбертовом пространстве Н Л. ф. суть скалярные произведения (l, х), где l — любой фиксированный элемент пространства Н; ими исчерпываются все Л. ф. этого пространства.
Во многих задачах можно из общих соображений установить, что та или иная величина является Л. ф. Например, к Л. ф. приводит решение линейных дифференциальных уравнений с линейными краевыми условиями. Поэтому очень существенным является вопрос об общем аналитическом выражении Л. ф. в разных пространствах.
Совокупность всех Л. ф. данного пространства Е превращается в линейное нормированное пространство <imagedata src=«1.files/image270.png» o:><img border=«0» width=«14» height=«20» src=«dopb35800.zip» v:shapes="_x0000_i1265">, если определить естественным образом сложение Л. ф. и умножение их на числа. Пространство <imagedata src=«1.files/image270.png» o:><img border=«0» width=«14» height=«20» src=«dopb35800.zip» v:shapes="_x0000_i1266"> называют сопряжённым к <imagedata src=«1.files/image270.png» o:><img border=«0» width=«14» height=«20» src=«dopb35800.zip» v:shapes="_x0000_i1267">; это пространство играет большую роль при изучении Е.
С понятием Л. ф. связано понятие слабой сходимости. Последовательность {xn} элементов линейного нормированного пространства называют слабо сходящейся к элементу х, если
<imagedata src=«dopb35801.zip» o:><img border=«0» width=«115» height=«29» src=«dopb35801.zip» v:shapes="_x0000_i1268">
Моделирование как метод научного познания. Понятия модели и моделирования. Элементы и этапы процесса моделирования. Виды моделирования. Особенности математического моделирования экономических объектов. Производственно-технологический и социально-экономический уровни экономико-математического моделирования. Особенности экономических наблюдений и измерений. Случайность и неопределенность в экономико-математическом моделировании. Проверка адекватности моделей. Моделирование в научных исследованиях стало применяться еще в глубокой древности и постепенно захватывало все новые области научных знаний: техническое конструирование, строительство и архитектуру, астрономию, физику, химию, биологию и, наконец, общественные науки. Большие успехи и признание практически во всех отраслях современной науки принес методу моделирования ХХ в. Однако методология моделирования долгое время развивалась независимо отдельными науками. Отсутствовала единая система понятий, единая терминология. Лишь постепенно стала осознаваться роль моделирования как универсального метода научного познания.
Термин «модель» широко используется в различных сферах человеческой деятельности и имеет множество смысловых значений. Рассмотрим только такие «модели», которые являются инструментами получения знаний.
Модель — это такой материальный или мысленно представляемый объект, который в процессе исследования замещает объект-оригинал так, что его непосредственное изучение дает новые знания об объекте-оригинале
Под моделированием понимается процесс построения, изучения и применения моделей. Оно тесно связано с такими категориями, как абстракция, аналогия, гипотеза и др. Процесс моделирования обязательно включает и построение абстракций, и умозаключения по аналогии, и конструирование научных гипотез.
Главная особенность моделирования в том, что это метод опосредованного познания с помощью объектов-заместителей. Модель выступает как своеобразный инструмент познания, который исследователь ставит между собой и объектом и с помощью которого изучает интересующий его объект. Именно эта особенность метода моделирования определяет специфические формы использования абстракций, аналогий, гипотез, других категорий и методов познания.
Необходимость использования метода моделирования определяется тем, что многие объекты (или проблемы, относящиеся к этим объектам) непосредственно исследовать или вовсе невозможно, или же это исследование требует много времени и средств.
Процесс моделирования включает три элемента:
· субъект (исследователь),
· объект исследования,
· модель, опосредствующую отношения познающего субъекта и познаваемого объекта.
Пусть имеется или необходимо создать некоторый объект А. Мы конструируем (материально или мысленно) или находим в реальном мире другой объект В — модель объекта А. Этап построения модели предполагает наличие некоторых знаний об объекте-оригинале. Познавательные возможности модели обуславливаются тем, что модель отражает какие-либо существенные черты объекта-оригинала. Вопрос о необходимости и достаточной мере сходства оригинала и модели требует конкретного анализа. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом (тогда она перестает быть оригиналом), так и в случае чрезмерного во всех существенных отношениях отличия от оригинала.
Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от отражения других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько «специализированных» моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.
На втором этапе процесса моделирования модель выступает как самостоятельный объект исследования. Одной из форм такого исследования является проведение «модельных» экспериментов, при которых сознательно изменяются условия функционирования модели и систематизируются данные о ее «поведении». Конечным результатом этого этапа является множество знаний о модели.
На третьем этапе осуществляется перенос знаний с модели на оригинал — формирование множества знаний об объекте. Этот процесс переноса знаний проводится по определенным правилам. Знания о модели должны быть скорректированы с учетом тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели. Мы можем с достаточным основанием переносить какой-либо результат с модели на оригинал, если этот результат необходимо связан с признаками сходства оригинала и модели. Если же определенный результат модельного исследования связан с отличием модели от оригинала, то этот результат переносить неправомерно.
Четвертый этап — практическая проверка получаемых с помощью моделей знаний и их использование для построения обобщающей теории объекта, его преобразования или управления им.
Для понимания сущности моделирования важно не упускать из виду, что моделирование — не единственный источник знаний об объекте. Процесс моделирования «погружен» в более общий процесс познания. Это обстоятельство учитывается не только на этапе построения модели, но и на завершающей стадии, когда происходит объединение и обобщение результатов исследования, получаемых на основе многообразных средств познания.
Моделирование — циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй, третий и т.д. При этом знания об исследуемом объекте расширяются и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные после первого цикла моделирования, обусловленные малым знанием объекта и ошибками в построении модели, можно исправить в последующих циклах. В методологии моделирования, таким образом, заложены большие возможности саморазвития.
Большинство объектов, изучаемых экономической наукой, может быть охарактеризовано кибернетическим понятием сложная система.
Наиболее распространено понимание системы как совокупности элементов, находящихся во взаимодействии и образующих некоторую целостность, единство. Важным качеством любой системы является эмерджентность — наличие таких свойств, которые не присущи ни одному из элементов, входящих в систему. Поэтому при изучении систем недостаточно пользоваться методом их расчленения на элементы с последующим изучением этих элементов в отдельности. Одна из трудностей экономических исследований – в том, что почти не существует экономических объектов, которые можно было бы рассматривать как отдельные (внесистемные) элементы.
Сложность системы определяется количеством входящих в нее элементов, связями между этими элементами, а также взаимоотношениями между системой и средой. Экономика страны обладает всеми признаками очень сложной системы. Она объединяет огромное число элементов, отличается многообразием внутренних связей и связей с другими системами (природная среда, экономика других стран и т.д.). В народном хозяйстве взаимодействуют природные, технологические, социальные процессы, объективные и субъективные факторы.
Сложность экономики иногда рассматривалась как обоснование невозможности ее моделирования, изучения средствами математики. Но такая точка зрения в принципе неверна. Моделировать можно объект любой природы и любой сложности. И как раз сложные объекты представляют наибольший интерес для моделирования; именно здесь моделирование может дать результаты, которые нельзя получить другими способами исследования.
продолжение
--PAGE_BREAK--Потенциальная возможность математического моделирования любых экономических объектов и процессов не означает, разумеется, ее успешной осуществимости при данном уровне экономических и математических знаний, имеющейся конкретной информации и вычислительной технике. И хотя нельзя указать абсолютные границы математической формализуемости экономических проблем, всегда будут существовать еще неформализованные проблемы, а также ситуации, где математическое моделирование недостаточно эффективно.
Уже длительное время главным тормозом практического применения математического моделирования в экономике является наполнение разработанных моделей конкретной и качественной информацией. Точность и полнота первичной информации, реальные возможности ее сбора и обработки во многом определяют выбор типов прикладных моделей. С другой стороны, исследования по моделированию экономики выдвигают новые требования к системе информации.
В зависимости от моделируемых объектов и назначения моделей используемая в них исходная информация имеет существенно различный характер и происхождение. Она может быть разделена на две категории: о прошлом развитии и современном состоянии объектов (экономические наблюдения и их обработка) и о будущем развитии объектов, включающую данные об ожидаемых изменениях их внутренних параметров и внешних условий (прогнозы). Вторая категория информации является результатом самостоятельных исследований, которые также могут выполняться посредством моделирования.
Методы экономических наблюдений и использования результатов этих наблюдений разрабатываются экономической статистикой. Поэтому стоит отметить только специфические проблемы экономических наблюдений, связанные с моделированием экономических процессов.
В экономике многие процессы являются массовыми; они характеризуются закономерностями, которые не обнаруживаются на основании лишь одного или нескольких наблюдений. Поэтому моделирование в экономике должно опираться на массовые наблюдения.
Другая проблема порождается динамичностью экономических процессов, изменчивостью их параметров и структурных отношений. Вследствие этого экономические процессы приходится постоянно держать под наблюдением, необходимо иметь устойчивый поток новых данных. Поскольку наблюдения за экономическими процессами и обработка эмпирических данных обычно занимают довольно много времени, то при построении математических моделей экономики требуется корректировать исходную информацию с учетом ее запаздывания.
Познание количественных отношений экономических процессов и явлений опирается на экономические измерения. Точность измерений в значительной степени предопределяет и точность конечных результатов количественного анализа посредством моделирования. Поэтому необходимым условием эффектного использования математического моделирования является совершенствование экономических измерителей. Применение математического моделирования заострило проблему измерений и количественных сопоставлений различных аспектов и явлений социально-экономического развития, достоверности и полноты получаемых данных, их защиты от намеренных и технических искажений.
В процессе моделирования возникает взаимодействие «первичных» и «вторичных» экономических измерителей. Любая модель народного хозяйства опирается на определенную систему экономических измерителей (продукции, ресурсов, элементов и т.д.). В то же время одним из важных результатов народнохозяйственного моделирования является получение новых (вторичных) экономических измерителей — экономически обоснованных цен на продукцию различных отраслей, оценок эффективности разнокачественных природных ресурсов, измерителей общественной полезности продукции. Однако эти измерители могут испытывать влияние недостаточно обоснованных первичных измерителей, что вынуждает разрабатывать особую методику корректировки первичных измерителей для хозяйственных моделей.
С точки зрения «интересов» моделирования экономики в настоящее время наиболее актуальными проблемами совершенствования экономических измерителей являются: оценка результатов интеллектуальной деятельности (особенно в сфере научно-технических разработок, индустрии информатики), построение обобщающих показателей социально-экономического развития, измерение эффектов обратных связей (влияние хозяйственных и социальных механизмов на эффективность производства).
Для методологии планирования экономики важное значение имеет понятие неопределенности экономического развития. В исследованиях по экономическому прогнозированию и планированию различают два типа неопределенности: «истинную», обусловленную свойствами экономических процессов, и «информационную», связанную с неполнотой и неточностью имеющейся информации об этих процессах. Истинную неопределенность нельзя смешивать с объективным существованием различных вариантов экономического развития и возможностью сознательного выбора среди них эффективных вариантов. Речь идет о принципиальной невозможности точного выбора единственного (оптимального) варианта.
В развитии экономики неопределенность вызывается двумя основными причинами. Во-первых, ход планируемых и управляемых процессов, а также внешние воздействия на эти процессы не могут быть точно предсказуемы из-за действия случайных факторов и ограниченности человеческого познания в каждый момент. Особенно характерно это для прогнозирования научно-технического прогресса, потребностей общества, экономического поведения. Во-вторых, общего сударственное планирование и управление не только не всеобъемлющи, но и не всесильны, а наличие множества самостоятельных экономических субъектов с особыми интересами не позволяет точно предвидеть результаты их взаимодействий. Неполнота и неточность информации об объективных процессах и экономическом поведении усиливают истинную неопределенность.
На первых этапах исследований по моделированию экономики применялись в основном модели детерминистского типа. В этих моделях все параметры предполагаются точно известными. Однако детерминистские модели неправильно понимать в механическом духе и отождествлять их с моделями, которые лишены всех «степеней выбора» (возможностей выбора) и имеют единственное допустимое решение. Классическим представителем жестко детерминистских моделей является оптимизационная модель народного хозяйства, применяемая для определения наилучшего варианта экономического развития среди множества допустимых вариантов.
В результате накопления опыта использования жестко детерминистских моделей были созданы реальные возможности успешного применения более совершенной методологии моделирования экономических процессов, учитывающих стохастику и неопределенность. Здесь можно выделить два основных направления исследований. Во-первых, усовершенствуется методика использования моделей жестко детерминистского типа: проведение многовариантных расчетов и модельных экспериментов с вариацией конструкции модели и ее исходных данных; изучение устойчивости и надежности получаемых решений, выделение зоны неопределенности; включение в модель резервов, применение приемов, повышающих приспособляемость экономических решений к вероятным и непредвидимым ситуациям. Во-вторых, получают распространение модели, непосредственно отражающие стохастику и неопределенность экономических процессов и использующие соответствующий математический аппарат: теорию вероятностей и математическую статистику, теорию игр и статистических решений, теорию массового обслуживания, стохастическое программирование, теорию случайных процессов.
Сложность экономических процессов и явлений и другие отмеченные выше особенности экономических систем затрудняют не только построение математических моделей, но и проверку их адекватности, истинности получаемых результатов.
В естественных науках достаточным условием истинности результатов моделирования и любых других форм познания является совпадение результатов исследования с наблюдаемыми фактами. Категория «практика» совпадает здесь с категорией «действительность». В экономике и других общественных науках понимаемые таким образом принцип «практика — критерий истины» в большей степени применим к простым дескриптивным моделям, используемым для пассивного описания и объяснения действительности (анализа прошлого развития, краткосрочного прогнозирования неуправляемых экономических процессов и т.п.).
Однако главная задача экономической науки конструктивна: разработка научных методов планирования и управления экономикой. Поэтому распространенный тип математических моделей экономики — это модели управляемых и регулируемых экономических процессов, используемые для преобразования экономической действительности. Такие модели называются нормативными. Если ориентировать нормативные модели только на подтверждение действительности, то они не смогут служить инструментом решения качественно новых социально-экономических задач.
Специфика верификации нормативных моделей экономики состоит в том, что они, как правило, «конкурируют» с другими, уже нашедшими практическое применение методами планирования и управления. При этом далеко не всегда можно поставить чистый эксперимент по верификации модели, устранив влияние других управляющих воздействий на моделируемый объект.
Ситуация еще более усложняется, когда ставится вопрос о верификации моделей долгосрочного прогнозирования и планирования (как дескриптивных, так и нормативных). Ведь нельзя же 10-15 лет и более пассивно ожидать наступления событий, чтобы проверить правильность предпосылок модели.
Несмотря на отмеченные усложняющие обстоятельства, соответствие модели фактам и тенденциям реальной экономической жизни остается важнейшим критерием, определяющим направления совершенствования моделей. Всесторонний анализ выявляемых расхождений между действительностью и моделью, сопоставление результатов по модели с результатами, полученными иными методами, помогают выработать пути коррекции моделей.
Значительная роль в проверке моделей принадлежит логическому анализу, в том числе средствами самого математического моделирования. Такие формализованные приемы верификации моделей, как доказательство существования решения в модели, проверка истинности статистических гипотез о связях между параметрами и переменными модели, сопоставления размерности величин и т.д., позволяют сузить класс потенциально «правильных» моделей.
Внутрення непротиворечивость предпосылок модели проверяется также путем сравнения друг с другом получаемых с ее помощью следствий, а также со следствиями «конкурирующих» моделей.
Оценивая современное состояние проблемы адекватности математических моделей экономике, следует признать, что создание конструктивной комплексной методики верификации моделей, учитывающей как объективные особенности моделируемых объектов, так и особенности их познания, по-прежнему является одной из наиболее актуальных задач экономико-математических исследований.
Основы оптимального управления. Экономические процессы и их формализованное представление. Управление и управляющие воздействия. Общая постановка задачи оптимального управления. Рассмотрим общую постановку задачи оптимизации экономических систем. Пусть имеется система, состояние которой может измениться в результате некоторого количества управляющих воздействий. Задавая эти воздействия, можно получить определенный процесс изменения состояния системы. При этом возникают две задачи: первая предполагает выбор таких воздействий на систему, чтобы происходящий процесс удовлетворял заданным условиям, такие процессы принято называть допустимыми), вторая задача — выбор из этого множества допустимых процессов наилучшего (оптимального) процесса.
Чтобы решать оптимизационные задачи с помощью математических методов, нужно сформулировать на математическом языке рассматриваемые процессы, ограничения, накладываемые на состояние системы и управляющие воздействия, а так же записать математические модели, описывающие эти процессы.
Введем некоторые понятия и обозначения. Рассмотрим множество М с элементами v<imagedata src=«dopb35802.zip» o:><img border=«0» width=«63» height=«24» src=«dopb35802.zip» v:shapes="_x0000_i1269">, где v — пары вида v=(x, у), <imagedata src=«dopb35803.zip» o:><img border=«0» width=«43» height=«19» src=«dopb35803.zip» v:shapes="_x0000_i1270">, <imagedata src=«dopb35804.zip» o:><img border=«0» width=«40» height=«21» src=«dopb35804.zip» v:shapes="_x0000_i1271">, <imagedata src=«dopb35805.zip» o:><img border=«0» width=«35» height=«21» src=«dopb35805.zip» v:shapes="_x0000_i1272"> - некоторые заданные множества. Проекцией множества М на множество Х назовем подмножество Мx, обладающее тем свойством, что для каждого <imagedata src=«dopb35806.zip» o:><img border=«0» width=«52» height=«24» src=«dopb35806.zip» v:shapes="_x0000_i1273"> существует такой элемент <imagedata src=«dopb35804.zip» o:><img border=«0» width=«40» height=«21» src=«dopb35804.zip» v:shapes="_x0000_i1274">, что пара <imagedata src=«dopb35807.zip» o:><img border=«0» width=«63» height=«23» src=«dopb35807.zip» v:shapes="_x0000_i1275"> содержится в множестве М.
Введем понятие сечения Мx множества М при данном x. Сечением Мx будем называть множество всех y, при которых пара <imagedata src=«dopb35807.zip» o:><img border=«0» width=«63» height=«23» src=«dopb35807.zip» v:shapes="_x0000_i1276"> принадлежит множеству М.
Введем понятие функционала, являющегося одним из главных в задачах оптимального управления. Будем говорить, что на множестве М задан функционал F, если известно правило, которое каждому элементу <imagedata src=«dopb35808.zip» o:><img border=«0» width=«45» height=«19» src=«dopb35808.zip» v:shapes="_x0000_i1277">ставит в соответствие определенное действительное число F(v).
В общем виде задача оптимизации формулируется как задача отыскания минимального (или максимального) значения функционала F(v) на множестве М.
Предположим, что требуется минимизировать функционал F(v) на множестве М. Если решение этой задачи существует (обозначим его через <imagedata src=«dopb35809.zip» o:><img border=«0» width=«13» height=«23» src=«dopb35809.zip» v:shapes="_x0000_i1278">), то<imagedata src=«dopb35809.zip» o:><img border=«0» width=«13» height=«23» src=«dopb35809.zip» v:shapes="_x0000_i1279"> называется оптимальным элементом множества M, а величина <imagedata src=«dopb35810.zip» o:><img border=«0» width=«61» height=«25» src=«dopb35810.zip» v:shapes="_x0000_i1280"> - оптимальным значением функционала. Решения поставленной задачи F и <imagedata src=«dopb35809.zip» o:><img border=«0» width=«13» height=«23» src=«dopb35809.zip» v:shapes="_x0000_i1281"> будем записывать следующим образом:
<imagedata src=«dopb35811.zip» o:><img border=«0» width=«143» height=«32» src=«dopb35811.zip» v:shapes="_x0000_i1282">.
Аналогично формулируется задача о нахождении максимального значения функционала.
Введем понятия точной нижней и верхней границы функционала. Точной нижней границей функционала <imagedata src=«dopb35812.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35812.zip» v:shapes="_x0000_i1283">на множестве М назовем такое число т, если:
1) <imagedata src=«dopb35813.zip» o:><img border=«0» width=«63» height=«23» src=«dopb35813.zip» v:shapes="_x0000_i1284"> для любого <imagedata src=«dopb35808.zip» o:><img border=«0» width=«45» height=«19» src=«dopb35808.zip» v:shapes="_x0000_i1285">;
2) существует последовательность <imagedata src=«dopb35814.zip» o:><img border=«0» width=«61» height=«27» src=«dopb35814.zip» v:shapes="_x0000_i1286">, на которой <imagedata src=«dopb35815.zip» o:><img border=«0» width=«76» height=«27» src=«dopb35815.zip» v:shapes="_x0000_i1287">.
Точная нижняя граница функционала обозначается
<imagedata src=«dopb35816.zip» o:><img border=«0» width=«87» height=«32» src=«dopb35816.zip» v:shapes="_x0000_i1288">.
Последовательность {vs} называется минимизирующей последовательностью.
Точно так же определяется точная верхняя граница n функционала <imagedata src=«dopb35812.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35812.zip» v:shapes="_x0000_i1289">:
<imagedata src=«dopb35817.zip» o:><img border=«0» width=«85» height=«32» src=«dopb35817.zip» v:shapes="_x0000_i1290">
Назовем функционал <imagedata src=«dopb35812.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35812.zip» v:shapes="_x0000_i1291"> ограниченным снизу (сверху) на множестве М, если существует такое число A, что при всех <imagedata src=«dopb35808.zip» o:><img border=«0» width=«45» height=«19» src=«dopb35808.zip» v:shapes="_x0000_i1292"> <imagedata src=«dopb35818.zip» o:><img border=«0» width=«61» height=«23» src=«dopb35818.zip» v:shapes="_x0000_i1293"> (<imagedata src=«dopb35819.zip» o:><img border=«0» width=«72» height=«24» src=«dopb35819.zip» v:shapes="_x0000_i1294">). Если функционал является ограниченным снизу (сверху), то решение задачи о нахождении его точной нижней (верхней) границы существует, т. е. имеет место следующая теорема (приведем без доказательства): Пусть на множестве М задан ограниченный снизу функционал <imagedata src=«dopb35812.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35812.zip» v:shapes="_x0000_i1295">. Тогда реализуется одна из двух возможностей:
1) Существуют элемент <imagedata src=«dopb35820.zip» o:><img border=«0» width=«45» height=«23» src=«dopb35820.zip» v:shapes="_x0000_i1296"> и число <imagedata src=«dopb35821.zip» o:><img border=«0» width=«17» height=«21» src=«dopb35821.zip» v:shapes="_x0000_i1297">, при которых <imagedata src=«dopb35822.zip» o:><img border=«0» width=«65» height=«25» src=«dopb35822.zip» v:shapes="_x0000_i1298"> и <imagedata src=«dopb35823.zip» o:><img border=«0» width=«64» height=«25» src=«dopb35823.zip» v:shapes="_x0000_i1299"> при всех <imagedata src=«dopb35808.zip» o:><img border=«0» width=«45» height=«19» src=«dopb35808.zip» v:shapes="_x0000_i1300">.
2) Существуют последовательность <imagedata src=«dopb35824.zip» o:><img border=«0» width=«28» height=«24» src=«dopb35824.zip» v:shapes="_x0000_i1301"> элементов множества М и число <imagedata src=«dopb35821.zip» o:><img border=«0» width=«17» height=«21» src=«dopb35821.zip» v:shapes="_x0000_i1302">, удовлетворяющее условиям <imagedata src=«dopb35825.zip» o:><img border=«0» width=«76» height=«27» src=«dopb35825.zip» v:shapes="_x0000_i1303">, <imagedata src=«dopb35826.zip» o:><img border=«0» width=«45» height=«15» src=«dopb35826.zip» v:shapes="_x0000_i1304"> и <imagedata src=«dopb35827.zip» o:><img border=«0» width=«65» height=«25» src=«dopb35827.zip» v:shapes="_x0000_i1305"> при всех <imagedata src=«dopb35808.zip» o:><img border=«0» width=«45» height=«19» src=«dopb35808.zip» v:shapes="_x0000_i1306">.
Данная теорема имеет важное значение для понимания сущности задачи оптимизации по двум причинам. Во-первых, она говорит о том, что постановка задачи об отыскании наименьшего (наибольшего) значения ограниченного снизу (сверху) функционала имеет смысл. Во-вторых, она объясняет природу решения такой задачи. А именно: решением будет либо определенный элемент <imagedata src=«dopb35809.zip» o:><img border=«0» width=«13» height=«23» src=«dopb35809.zip» v:shapes="_x0000_i1307"> множества М, минимизирующий (максимизирующий) функционал <imagedata src=«dopb35812.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35812.zip» v:shapes="_x0000_i1308">, либо последовательность <imagedata src=«dopb35824.zip» o:><img border=«0» width=«28» height=«24» src=«dopb35824.zip» v:shapes="_x0000_i1309"> элементов множества М, являющаяся минимизирующей (максимизирующей) последовательностью. В первом случае можно говорить о точном решении задачи, а во втором — о приближенном.
Задачи оптимизации управляемых процессов (оптимального управления) являются частными по отношению к сформулированной выше общей задаче оптимизации. Рассмотрим постанову задач оптимального управления.
Введем некоторые понятия.
Важнейшими из них являются понятия состояния системы и управления. Будем рассматривать системы, состояние которых может быть в любой момент времени определено вектором х n-мерного пространства с координатами <imagedata src=«dopb35828.zip» o:><img border=«0» width=«121» height=«28» src=«dopb35828.zip» v:shapes="_x0000_i1310"><imagedata src=«dopb35803.zip» o:><img border=«0» width=«43» height=«19» src=«dopb35803.zip» v:shapes="_x0000_i1311">. Пространство Х будем называть пространством состояний системы.
Так как система изменяется во времени, то ее поведение можно описать последовательностью состояний. Такую последовательность системы <imagedata src=«dopb35829.zip» o:><img border=«0» width=«179» height=«24» src=«dopb35829.zip» v:shapes="_x0000_i1312"> называют ее траекторией.
Переменная t (называется аргументом процесса) может быть некоторым отрезком числовой прямой (<imagedata src=«dopb35830.zip» o:><img border=«0» width=«65» height=«24» src=«dopb35830.zip» v:shapes="_x0000_i1313">) или отрезком натурального ряда (<imagedata src=«dopb35831.zip» o:><img border=«0» width=«113» height=«24» src=«dopb35831.zip» v:shapes="_x0000_i1314">). В первом случае процесс, происходящий в системе, называется непрерывным, во втором случае — многошаговым, а системы — соответственно непрерывными и дискретными.
Изменение состояния системы, т. е. процесс в ней, может происходить в результате управляющих воздействий. Будем рассматривать системы, управляющие воздействия в которых моделируются с помощью элементов r-мерного пространства U:
продолжение
--PAGE_BREAK--<imagedata src=«dopb35832.zip» o:><img border=«0» width=«121» height=«28» src=«dopb35832.zip» v:shapes="_x0000_i1315">, <imagedata src=«dopb35833.zip» o:><img border=«0» width=«77» height=«25» src=«dopb35833.zip» v:shapes="_x0000_i1316">.
<imagedata src=«dopb35834.zip» o:><img border=«0» width=«12» height=«23» src=«dopb35834.zip» v:shapes="_x0000_i1317">Управляющие воздействия могут задаваться в виде функций от t, т.е. <imagedata src=«dopb35835.zip» o:><img border=«0» width=«180» height=«28» src=«dopb35835.zip» v:shapes="_x0000_i1318">.
На допустимые состояния системы <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1319"> и управления <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1320"> могут быть наложены ограничения. Рассмотрим множество троек <imagedata src=«dopb35838.zip» o:><img border=«0» width=«49» height=«21» src=«dopb35838.zip» v:shapes="_x0000_i1321"> - совокупность <imagedata src=«dopb35839.zip» o:><img border=«0» width=«79» height=«24» src=«dopb35839.zip» v:shapes="_x0000_i1322"> - мерных векторов в пространстве <imagedata src=«dopb35840.zip» o:><img border=«0» width=«51» height=«24» src=«dopb35840.zip» v:shapes="_x0000_i1323">. Тогда ограничения на состояние системы и управление в самом общем случае могут быть записаны в виде
<imagedata src=«dopb35841.zip» o:><img border=«0» width=«87» height=«24» src=«dopb35841.zip» v:shapes="_x0000_i1324">,
где <imagedata src=«dopb35842.zip» o:><img border=«0» width=«77» height=«25» src=«dopb35842.zip» v:shapes="_x0000_i1325"> - некоторая область (подмножество) рассматриваемого <imagedata src=«dopb35843.zip» o:><img border=«0» width=«69» height=«21» src=«dopb35843.zip» v:shapes="_x0000_i1326"> - мерного пространства. Ограничения на величины <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1327">, <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1328"> в каждый фиксированный момент времени t могут быть заданы и в виде
<imagedata src=«dopb35844.zip» o:><img border=«0» width=«100» height=«28» src=«dopb35844.zip» v:shapes="_x0000_i1329">,
где Vt - сечение множества V при заданном значении t.
Пару функций <imagedata src=«dopb35845.zip» o:><img border=«0» width=«91» height=«23» src=«dopb35845.zip» v:shapes="_x0000_i1330"> назовем процессом. Между функциями <imagedata src=«dopb35846.zip» o:><img border=«0» width=«57» height=«23» src=«dopb35846.zip» v:shapes="_x0000_i1331"> имеется связь: как только задано управление <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1332"> системой, последовательность ее состояний (траектория системы) <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1333"> определяется однозначно. Связь между <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1334"> и <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1335"> моделируется по-разному в зависимости от того, является система непрерывной или дискретной.
Для непрерывных систем модели процессов задаются системой дифференциальных уравнений вида
<imagedata src=«dopb35847.zip» o:><img border=«0» width=«197» height=«28» src=«dopb35847.zip» v:shapes="_x0000_i1336"> <imagedata src=«dopb35848.zip» o:><img border=«0» width=«73» height=«21» src=«dopb35848.zip» v:shapes="_x0000_i1337">,
или в векторной форме
<imagedata src=«dopb35849.zip» o:><img border=«0» width=«84» height=«23» src=«dopb35849.zip» v:shapes="_x0000_i1338">. (4.2.1)
Пусть задано состояние, в котором система находилась в начальный момент <imagedata src=«dopb35850.zip» o:><img border=«0» width=«17» height=«24» src=«dopb35850.zip» v:shapes="_x0000_i1339">. Для простоты этот момент примем равным нулю, а момент окончания процесса <imagedata src=«dopb35851.zip» o:><img border=«0» width=«15» height=«23» src=«dopb35851.zip» v:shapes="_x0000_i1340"> — равным Т. Тогда аргумент процесса t изменяется в пределах <imagedata src=«dopb35852.zip» o:><img border=«0» width=«59» height=«19» src=«dopb35852.zip» v:shapes="_x0000_i1341">, а начальным состоянием системы будет вектор
<imagedata src=«dopb35853.zip» o:><img border=«0» width=«141» height=«31» src=«dopb35853.zip» v:shapes="_x0000_i1342">, (4.2.2)
где <imagedata src=«dopb35854.zip» o:><img border=«0» width=«72» height=«31» src=«dopb35854.zip» v:shapes="_x0000_i1343"> - начальное значение i-й координаты вектора состояния системы.
Проанализируем, каким образом модель отражает связь между управлениями и состоянием системы, изменяющимся под их воздействием. Пусть на промежутке <imagedata src=«dopb35852.zip» o:><img border=«0» width=«59» height=«19» src=«dopb35852.zip» v:shapes="_x0000_i1344"> задано управление <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1345">. Подставляя его в правую часть системы (4.2.3), получим
<imagedata src=«dopb35855.zip» o:><img border=«0» width=«99» height=«23» src=«dopb35855.zip» v:shapes="_x0000_i1346"> (4.2.3)
Имеем систему дифференциальных уравнений относительно неизвестной функции <imagedata src=«dopb35828.zip» o:><img border=«0» width=«121» height=«28» src=«dopb35828.zip» v:shapes="_x0000_i1347">. Решая ее с учетом начальных условий (4.2.2), получим <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1348">. Это решение и есть траектория, отвечающая заданному управлению <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1349">.
Модель дискретной управляемой системы имеет вид системы рекуррентных уравнений:
<imagedata src=«dopb35856.zip» o:><img border=«0» width=«328» height=«29» src=«dopb35856.zip» v:shapes="_x0000_i1350">, <imagedata src=«dopb35848.zip» o:><img border=«0» width=«73» height=«21» src=«dopb35848.zip» v:shapes="_x0000_i1351">.
В векторной форме эту модель можно записать в виде
<imagedata src=«dopb35857.zip» o:><img border=«0» width=«187» height=«29» src=«dopb35857.zip» v:shapes="_x0000_i1352"> , <imagedata src=«dopb35848.zip» o:><img border=«0» width=«73» height=«21» src=«dopb35848.zip» v:shapes="_x0000_i1353"> (4.2.4)
Здесь t принимает значение <imagedata src=«dopb35858.zip» o:><img border=«0» width=«96» height=«21» src=«dopb35858.zip» v:shapes="_x0000_i1354">. Начальное значение <imagedata src=«dopb35859.zip» o:><img border=«0» width=«61» height=«24» src=«dopb35859.zip» v:shapes="_x0000_i1355"> будем считать известным.
В дискретной системе, как и в непрерывной, задание управляющих воздействий <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1356"> при <imagedata src=«dopb35858.zip» o:><img border=«0» width=«96» height=«21» src=«dopb35858.zip» v:shapes="_x0000_i1357"> позволяет однозначно определить отвечающую им траекторию системы. При подстановке значения u(t) в правую часть (4.2.4) получаем систему уравнений, которая позволяет при известном значении состояния <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1358"> в момент времени t определить состояние <imagedata src=«dopb35860.zip» o:><img border=«0» width=«49» height=«23» src=«dopb35860.zip» v:shapes="_x0000_i1359"> в следующий момент времени. Так как в начальный момент <imagedata src=«dopb35861.zip» o:><img border=«0» width=«33» height=«19» src=«dopb35861.zip» v:shapes="_x0000_i1360"> состояние <imagedata src=«dopb35859.zip» o:><img border=«0» width=«61» height=«24» src=«dopb35859.zip» v:shapes="_x0000_i1361"> известно, то, подставив его в правую часть (4.2.4), получим
<imagedata src=«dopb35862.zip» o:><img border=«0» width=«128» height=«24» src=«dopb35862.zip» v:shapes="_x0000_i1362">.
Подставляя затем найденное значение <imagedata src=«dopb35863.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35863.zip» v:shapes="_x0000_i1363"> и <imagedata src=«dopb35864.zip» o:><img border=«0» width=«31» height=«19» src=«dopb35864.zip» v:shapes="_x0000_i1364"> в (4.2.4), так же найдем значение <imagedata src=«dopb35865.zip» o:><img border=«0» width=«31» height=«23» src=«dopb35865.zip» v:shapes="_x0000_i1365">. Продолжая этот процесс, через Т шагов получим последнее искомое значение <imagedata src=«dopb35866.zip» o:><img border=«0» width=«33» height=«23» src=«dopb35866.zip» v:shapes="_x0000_i1366">.
Таким образом, и в дискретном случае уравнения модели (4.2.4) позволяют однозначно определить траекторию системы <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1367">, если задано управление <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1368">.
Следовательно, процесс <imagedata src=«dopb35867.zip» o:><img border=«0» width=«92» height=«23» src=«dopb35867.zip» v:shapes="_x0000_i1369"> должен удовлетворять следующим ограничениям:
1) <imagedata src=«dopb35844.zip» o:><img border=«0» width=«100» height=«28» src=«dopb35844.zip» v:shapes="_x0000_i1370">при всех <imagedata src=«dopb35852.zip» o:><img border=«0» width=«59» height=«19» src=«dopb35852.zip» v:shapes="_x0000_i1371">;
2) Пара <imagedata src=«dopb35868.zip» o:><img border=«0» width=«68» height=«23» src=«dopb35868.zip» v:shapes="_x0000_i1372">удовлетворяет системе уравнений процесса:
а) системе (4.2.1) в непрерывном случае при <imagedata src=«dopb35869.zip» o:><img border=«0» width=«57» height=«23» src=«dopb35869.zip» v:shapes="_x0000_i1373">;
б) системе (4.2.4) в дискретном случае при <imagedata src=«dopb35858.zip» o:><img border=«0» width=«96» height=«21» src=«dopb35858.zip» v:shapes="_x0000_i1374">;
3) Заданы начальные условия (4.2.2);
4) В непрерывном случае на функции <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1375">, <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1376"> накладываются некоторые дополнительные ограничения, связанные с применимостью употребляемых здесь математических записей. Функцию <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1377"> будем считать кусочно-непрерывной, а вектор-функцию <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1378"> - непрерывной и кусочно-дифференцируемой.
Процессы <imagedata src=«dopb35867.zip» o:><img border=«0» width=«92» height=«23» src=«dopb35867.zip» v:shapes="_x0000_i1379">, удовлетворяющие условиям 1) – 4), будем называть допустимыми. Таким образом, допустимый процесс — это управляющие воздействия <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1380"> и соответствующая им траектория системы <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1381">, удовлетворяющие перечисленным ограничениям.
Для постановки оптимизационной задачи необходимо ввести в рассмотрение функционал F, заданный на множестве М. Задача оптимального управления будет состоять в выборе элемента <imagedata src=«dopb35870.zip» o:><img border=«0» width=«89» height=«25» src=«dopb35870.zip» v:shapes="_x0000_i1382"> множества M, на котором функционал F достигает минимального значения. Такой процесс называют оптимальным процессом, управление <imagedata src=«dopb35871.zip» o:><img border=«0» width=«28» height=«25» src=«dopb35871.zip» v:shapes="_x0000_i1383"> - оптимальным управлением, а траекторию <imagedata src=«dopb35872.zip» o:><img border=«0» width=«28» height=«25» src=«dopb35872.zip» v:shapes="_x0000_i1384"> оптимальной траекторией.
Функционал F, заданный на множестве допустимых процессов, описывает цель, согласно которой оптимизируется процесс.
В задачах оптимального управления для непрерывных систем будем рассматривать функционалы следующего вида:
<imagedata src=«dopb35873.zip» o:><img border=«0» width=«203» height=«53» src=«dopb35873.zip» v:shapes="_x0000_i1385">, (4.2.5)
где <imagedata src=«dopb35874.zip» o:><img border=«0» width=«239» height=«24» src=«dopb35874.zip» v:shapes="_x0000_i1386">; <imagedata src=«dopb35875.zip» o:><img border=«0» width=«127» height=«24» src=«dopb35875.zip» v:shapes="_x0000_i1387"> - заданные функции. Выражение (4.2.5) позволяет вычислить для каждого допустимого процесса <imagedata src=«dopb35876.zip» o:><img border=«0» width=«68» height=«23» src=«dopb35876.zip» v:shapes="_x0000_i1388"> определенное значение и тем самым задать функционал на множестве допустимых процессов. Для этого необходимо подставить x(t),<imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1389"> вместо аргументов функции <imagedata src=«dopb35877.zip» o:><img border=«0» width=«68» height=«24» src=«dopb35877.zip» v:shapes="_x0000_i1390">, которая становится функцией времени, после чего вычислить ее интеграл. Затем к значению интеграла прибавляем значение функции <imagedata src=«dopb35878.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35878.zip» v:shapes="_x0000_i1391"> при <imagedata src=«dopb35879.zip» o:><img border=«0» width=«57» height=«23» src=«dopb35879.zip» v:shapes="_x0000_i1392">.
Функционал <imagedata src=«dopb35880.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35880.zip» v:shapes="_x0000_i1393"> состоит из двух частей: <imagedata src=«dopb35881.zip» o:><img border=«0» width=«91» height=«53» src=«dopb35881.zip» v:shapes="_x0000_i1394"> и <imagedata src=«dopb35882.zip» o:><img border=«0» width=«55» height=«23» src=«dopb35882.zip» v:shapes="_x0000_i1395">. Первое из этих слагаемых оценивает качество процесса на <imagedata src=«dopb35876.zip» o:><img border=«0» width=«68» height=«23» src=«dopb35876.zip» v:shapes="_x0000_i1396"> на всем промежутке <imagedata src=«dopb35883.zip» o:><img border=«0» width=«36» height=«23» src=«dopb35883.zip» v:shapes="_x0000_i1397">, второе слагаемое — качество конечного состояния системы. Иногда в задачах оптимального управления конечное состояние системы <imagedata src=«dopb35884.zip» o:><img border=«0» width=«61» height=«23» src=«dopb35884.zip» v:shapes="_x0000_i1398"> задается. В этом случае второе слагаемое функционала (4.2.5) есть величина постоянная и, следовательно, не влияет на его минимизацию. Такие задачи называются задачами с фиксированным правым концом траектории.
Для задач оптимизации в дискретных системах функционал имеет вид
<imagedata src=«dopb35885.zip» o:><img border=«0» width=«225» height=«48» src=«dopb35885.zip» v:shapes="_x0000_i1399">. (4.2.6)
К функционалу (4.2.6) относятся все замечания и комментарии, сделанные к функционалу (4.2.5).
Таким образом задача оптимизации управляемых процессов сводится к постановке задачи о минимуме функционала (4.2.5) в непрерывном и (4.2.6) в дискретном случае на множестве М допустимых процессов <imagedata src=«dopb35876.zip» o:><img border=«0» width=«68» height=«23» src=«dopb35876.zip» v:shapes="_x0000_i1400">, удовлетворяющих ограничениям 1)-4).
Эта задача может решаться в двух вариантах:
1. Определить оптимальный процесс <imagedata src=«dopb35870.zip» o:><img border=«0» width=«89» height=«25» src=«dopb35870.zip» v:shapes="_x0000_i1401">, чтобы
<imagedata src=«dopb35886.zip» o:><img border=«0» width=«128» height=«36» src=«dopb35886.zip» v:shapes="_x0000_i1402">;
2. Определить минимизирующую последовательность <imagedata src=«dopb35887.zip» o:><img border=«0» width=«148» height=«25» src=«dopb35887.zip» v:shapes="_x0000_i1403">, чтобы
<imagedata src=«dopb35888.zip» o:><img border=«0» width=«127» height=«39» src=«dopb35888.zip» v:shapes="_x0000_i1404">.
В теории оптимального управления термины «состояние» и «управление» имеют содержательный смысл. Он заключается в том, что, задавая управление <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1405">, мы задаем и траекторию процесса <imagedata src=«dopb35836.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35836.zip» v:shapes="_x0000_i1406">, а изменяя управляющие воздействия <imagedata src=«dopb35837.zip» o:><img border=«0» width=«28» height=«23» src=«dopb35837.zip» v:shapes="_x0000_i1407"> - «управляем» процессом.
Из условия <imagedata src=«dopb35889.zip» o:><img border=«0» width=«45» height=«23» src=«dopb35889.zip» v:shapes="_x0000_i1408">можно выделить ограничения на состояние и управление:
<imagedata src=«dopb35890.zip» o:><img border=«0» width=«60» height=«28» src=«dopb35890.zip» v:shapes="_x0000_i1409"> , <imagedata src=«dopb35891.zip» o:><img border=«0» width=«64» height=«27» src=«dopb35891.zip» v:shapes="_x0000_i1410">, (4.2.7)
где <imagedata src=«dopb35892.zip» o:><img border=«0» width=«21» height=«28» src=«dopb35892.zip» v:shapes="_x0000_i1411"> - проекция множества <imagedata src=«dopb35893.zip» o:><img border=«0» width=«21» height=«23» src=«dopb35893.zip» v:shapes="_x0000_i1412"> на пространство X; <imagedata src=«dopb35894.zip» o:><img border=«0» width=«25» height=«24» src=«dopb35894.zip» v:shapes="_x0000_i1413"> — сечение множества <imagedata src=«dopb35893.zip» o:><img border=«0» width=«21» height=«23» src=«dopb35893.zip» v:shapes="_x0000_i1414">при данном <imagedata src=«dopb35895.zip» o:><img border=«0» width=«13» height=«15» src=«dopb35895.zip» v:shapes="_x0000_i1415">
В задачах оптимального управления область <imagedata src=«dopb35892.zip» o:><img border=«0» width=«21» height=«28» src=«dopb35892.zip» v:shapes="_x0000_i1416"> возможных состояний часто является постоянной или совпадает со всем пространством, а область <imagedata src=«dopb35894.zip» o:><img border=«0» width=«25» height=«24» src=«dopb35894.zip» v:shapes="_x0000_i1417"> возможных управлений не зависит от x. Эти предположения выполняются в большом числе практических случаев, что упрощает решение задачи.
Выше предполагалось, что промежуток времени <imagedata src=«dopb35896.zip» o:><img border=«0» width=«60» height=«19» src=«dopb35896.zip» v:shapes="_x0000_i1418"> фиксирован, т. е. задан момент Т окончания процесса. Однако возможны постановки задач, где этот момент не задан, а определяется решением задачи. Это относится, в частности, к так называемым задачам о быстродействии, когда требуется перевести систему (4.2.4) из заданного начального состояния х(0)=х0в заданное конечное состояние <imagedata src=«dopb35884.zip» o:><img border=«0» width=«61» height=«23» src=«dopb35884.zip» v:shapes="_x0000_i1419">, минимизируя при этом время <imagedata src=«dopb35897.zip» o:><img border=«0» width=«15» height=«17» src=«dopb35897.zip» v:shapes="_x0000_i1420"> протекания процесса.
Классификация экономико-математических моделей. Примеры. Математические модели экономических процессов и явлений более кратко можно назвать экономико-математическими моделями. Для классификации этих моделей используются разные основания.
По целевому назначению экономико-математические модели делятся на теоретико-аналитические, используемые в исследованиях общих свойств и закономерностей экономических процессов, и прикладные, применяемые в решении конкретных экономических задач (модели экономического анализа, прогнозирования, управления).
Экономико-математические модели могут предназначаться для исследования разных сторон народного хозяйства (в частности, его производственно-технологической, социальной, территориальной структур) и его отдельных частей. При классификации моделей по исследуемым экономическим процессам и содержательной проблематике можно выделить модели народного хозяйства в целом и его подсистем — отраслей, регионов и т.д., комплексы моделей производства, потребления, формирования и распределения доходов, трудовых ресурсов, ценообразования, финансовых связей и т.д.
Остановимся более подробно на характеристике таких классов экономико-математических моделей, с которыми связаны наибольшие особенности методологии и техники моделирования.
В соответствии с общей классификацией математических моделей они подразделяются на функциональные и структурные, а также включают промежуточные формы (структурно-функциональные). В исследованиях на народнохозяйственном уровне чаще применяются структурные модели, поскольку для планирования и управления большое значение имеют взаимосвязи подсистем. Типичными структурными моделями являются модели межотраслевых связей. Функциональные модели широко применяются в экономическом регулировании, когда на поведение объекта («выход») воздействуют путем изменения «входа». Примером может служить модель поведения потребителей в условиях товарно-денежных отношений. Один и тот же объект может описываться одновременно и структурой, и функциональной моделью. Так, например, для планирования отдельной отраслевой системы используется структурная модель, а на народнохозяйственном уровне каждая отрасль может быть представлена функциональной моделью.
Выше уже показывались различия между моделями дескриптивными и нормативными. Дескриптивные модели отвечают на вопрос: как это происходит? или как это вероятнее всего может дальше развиваться?, т.е. они только объясняют наблюдаемые факты или дают вероятный прогноз. Нормативные модели отвечают на вопрос: как это должно быть?, т.е. предполагают целенаправленную деятельность. Типичным примером нормативных моделей являются модели оптимального планирования, формализующие тем или иным способом цели экономического развития, возможности и средства их достижения.
Применение дескриптивного подхода в моделировании экономики объясняется необходимостью эмпирического выявления различных зависимостей в экономике, установления статистических закономерностей экономического поведения социальных групп, изучения вероятных путей развития каких-либо процессов при неизменяющихся условиях или протекающих без внешних воздействий. Примерами дескриптивных моделей являются производственные функции и функции покупательского спроса, построенные на основе обработки статистических данных.
Является ли экономико-математическая модель дескриптивной или нормативной, зависит не только от ее математической структуры, но от характера использования этой модели. Например, модель межотраслевого баланса дескриптивна, если она используется для анализа пропорций прошлого периода. Но эта же математическая модель становится нормативной, когда она применяется для расчетов сбалансированных вариантов развития народного хозяйства, удовлетворяющих конечные потребности общества при плановых нормативах производственных затрат.
Многие экономико-математические модели сочетают признаки дескриптивных и нормативных моделей. Типична ситуация, когда нормативная модель сложной структуры объединяет отдельные блоки, которые являются частными дескриптивными моделями. Например, межотраслевая модель может включать функции покупательского спроса, описывающие поведение потребителей при изменении доходов. Подобные примеры характеризуют тенденцию эффективного сочетания дескриптивного и нормативного подходов к моделированию экономических процессов. Дескриптивный подход широко применяется в имитационном моделировании.
По характеру отражения причинно-следственных связей различают модели жестко детерминистские и модели, учитывающие случайность и неопределенность. Необходимо различать неопределенность, описываемую вероятностными законами, и неопределенность, для описания которой законы теории вероятностей неприменимы. Второй тип неопределенности гораздо более сложен для моделирования.
По способам отражения фактора времени экономико-математические модели делятся на статические и динамические. В статических моделях все зависимости относятся к одному моменту или периоду времени. Динамические модели характеризуют изменения экономических процессов во времени. По длительности рассматриваемого периода времени различаются модели краткосрочного (до года), среднесрочного (до 5 лет), долгосрочного (10-15 и более лет) прогнозирования и планирования. Само время в экономико-математических моделях может изменяться либо непрерывно, либо дискретно.
Модели экономических процессов чрезвычайно разнообразны по форме математических зависимостей. Особенно важно выделить класс линейных моделей, наиболее удобных для анализа и вычислений и получивших вследствие этого большое распространение. Различия между линейными и нелинейными моделями существенны не только с математической точки зрения, но и в теоретико-экономическом отношении, поскольку многие зависимости в экономике носят принципиально нелинейный характер: эффективность использования ресурсов при увеличении производства, изменение спроса и потребления населения при увеличении производства, изменение спроса и потребления населения при росте доходов и т.п. Теория «линейной экономики» существенно отличается от теории «нелинейной экономики». От того, предполагаются ли множества производственных возможностей подсистем (отраслей, предприятий) выпуклыми или же невыпуклыми, существенно зависят выводы о возможности сочетания централизованного планирования и хозяйственной самостоятельности экономических подсистем.
По соотношению экзогенных и эндогенных переменных, включаемых в модель, они могут разделяться на открытые и закрытые. Полностью открытых моделей не существует; модель должна содержать хотя бы одну эндогенную переменную. Полностью закрытые экономико-математические модели, т.е. не включающие экзогенных переменных, исключительно редки; их построение требует полного абстрагирования от «среды», т.е. серьезного огрубления реальных экономических систем, всегда имеющих внешние связи. Подавляющее большинство экономико-математических моделей занимает промежуточное положение и различаются по степени открытости (закрытости).
Для моделей народнохозяйственного уровня важно деление на агрегированные и детализированные.
В зависимости от того, включают ли народнохозяйственные модели пространственные факторы и условия или не включают, различают модели пространственные и точечные.
Таким образом, общая классификация экономико-математических моделей включает более десяти основных признаков. С развитием экономико-математических исследований проблема классификации применяемых моделей усложняется. Наряду с появлением новых типов моделей (особенно смешанных типов) и новых признаков их классификации осуществляется процесс интеграции моделей разных типов в более сложные модельные конструкции.
В виде примеров можно привести простейшие модели – транспортная задача, задача распределения ресурсов, и прочее.
Дескриптивные модели представляют собой в основном статистические модели (кривые роста, регрессионные линии), предназначенные для исследования объектов путем установления количественных соотношений между их характеристиками или параметрами.
Примеры:
1. Требуется определить зависимость потребления бытовых услуг от уровня дохода населения, обеспеченности бытовыми предметами на душу населения и других факторов потребления. Для этого составляют регрессионное уравнение
<imagedata src=«dopb35898.zip» o:><img border=«0» width=«220» height=«24» src=«dopb35898.zip» v:shapes="_x0000_i1421">
где Y – потребление бытовых услуг на душу населения; <imagedata src=«dopb35899.zip» o:><img border=«0» width=«83» height=«24» src=«dopb35899.zip» v:shapes="_x0000_i1422"> - факторы потребления; <imagedata src=«dopb35900.zip» o:><img border=«0» width=«84» height=«24» src=«dopb35900.zip» v:shapes="_x0000_i1423"> - коэффициенты уравнения. Если известны коэффициенты, то зависимость потребления бытовых услуг от принятых факторов считается определенной. Она отражает реальную ситуацию только в среднем, или в статистическом смысле.
продолжение
--PAGE_BREAK--2. Требуется определить количество заместителей директора для типовых структур управления предприятием. В этом случае проводят статистическое исследование численности указанной категории работников на существующих предприятиях и выводят степенное уравнение. При определенной специализации количество заместителей директора определяют по формуле
<imagedata src=«dopb35901.zip» o:><img border=«0» width=«173» height=«28» src=«dopb35901.zip» v:shapes="_x0000_i1424">,
где <imagedata src=«dopb35902.zip» o:><img border=«0» width=«31» height=«24» src=«dopb35902.zip» v:shapes="_x0000_i1425"> - численность промышленного персонала; <imagedata src=«dopb35903.zip» o:><img border=«0» width=«23» height=«24» src=«dopb35903.zip» v:shapes="_x0000_i1426"> - основные и оборотные фонды.
Модели без управления применяются для изучения фактически существующих процессов, без вмешательства в их течение. К моделям без управления принадлежат модели экономики страны, расширенного воспроизводства, прогнозирования рождаемости, численности населения и т.д. Как правило, они дают общее представление об объекте. Процессы в моделируемом объекте отображаются в агрегированном виде и максимально обобщены. Поэтому модели без управления не дают полного представления об объекте моделирования и пригодны для изучения только самых общих изменений и тенденций. Модели без управления позволяют изучать явления в целом, комплексно и устанавливают общие фундаментальные свойства объектов и процессов.
Оптимизационные модели. Их появление и применение вызвано необходимостью решения практических задач экономики и техники. Особенностью оптимизационных моделей является целенаправленность решения и явная оценка эффективности (качества) различных вариантов решения. В отличие от моделей без управления оптимизационные модели предполагают выявление цели управления и построение целевой функции.
Суть получения оптимального решения на модели заключается в выборе из множества возможных решений одного, обеспечивающего максимальную эффективность.
Задача об оптимальной перевозке грузов (транспортная задача). Пусть осуществляется производство некоторого товара в пунктах <imagedata src=«dopb35904.zip» o:><img border=«0» width=«92» height=«24» src=«dopb35904.zip» v:shapes="_x0000_i1427">. Объем производства товара в каждом пункте равен соответственно <imagedata src=«dopb35905.zip» o:><img border=«0» width=«87» height=«24» src=«dopb35905.zip» v:shapes="_x0000_i1428">. Товар необходимо доставить в магазины или потребителям, находящимся в других населенных пунктах: <imagedata src=«dopb35906.zip» o:><img border=«0» width=«86» height=«23» src=«dopb35906.zip» v:shapes="_x0000_i1429">. Известна потребность каждого потребителя в товаре: <imagedata src=«dopb35907.zip» o:><img border=«0» width=«78» height=«23» src=«dopb35907.zip» v:shapes="_x0000_i1430">. Задана также стоимость <imagedata src=«1.files/image379.png» o:><img border=«0» width=«23» height=«23» src=«dopb35908.zip» v:shapes="_x0000_i1431"> транспортировки товара из каждого пункта производства <imagedata src=«1.files/image381.png» o:><img border=«0» width=«17» height=«23» src=«dopb35909.zip» v:shapes="_x0000_i1432"> каждому потребителю <imagedata src=«1.files/image383.png» o:><img border=«0» width=«20» height=«23» src=«dopb35910.zip» v:shapes="_x0000_i1433">. Требуется составить план завоза товара в магазины, обеспечивающий удовлетворение их спроса при минимальных транспортных издержках.
Транспортная задача
Пусть необходимо перевезти некоторые партии товара из трех складов четырем покупателям, при этом известен объем товара на каждом складе и требуемое количество для каждого покупателя, также в таблице указаны стоимости перевозки от каждого склада к каждому покупателю. Найти оптимальный по цене план перевозок.
Построение оптимального плана, методом северо-западного угла
Расчет потенциалов
<imagedata src=«1.files/image385.png» o:><img border=«0» width=«89» height=«23» src=«dopb35911.zip» v:shapes="_x0000_i1434"> если <imagedata src=«1.files/image387.png» o:><img border=«0» width=«46» height=«23» src=«dopb35912.zip» v:shapes="_x0000_i1435">.
u v
Полученную разность потенциалов можно трактовать как увеличение цены продукта при перевозке из пункта i в пункт j. По критерию оптимальности, если потенциалы в нулевых клетках меньше цен на перевозку, то план оптимален. Иначе план может быть улучшен.
За основу преобразования обычно берется клетка с максимальной разностью.
u v
Данный план тоже не оптимален: клетка (1,3)
u v
По данному плану вычисляется оптимальное (наименьшее) значение суммарных значений на перевозку:
F=14*7+21*20+17*13+15*7+14*26+21*17=1565
Задача о пользе услуг. Построим оптимизационную модель, у которой некоторые переменные могут принимать только целые значения. Она называется целочисленной задачей линейного программирования. Допустим, перед человеком стоит вопрос, какими видами бытовых услуг — <imagedata src=«dopb35916.zip» o:><img border=«0» width=«86» height=«23» src=«dopb35916.zip» v:shapes="_x0000_i1439"> - ему следует воспользоваться, чтобы максимально облегчить свой быт (сэкономить время). Предполагается, что сумма денег, которой он располагает равна d. Можно составить такой список:
<imagedata src=«dopb35917.zip» o:><img border=«0» width=«392» height=«95» src=«dopb35917.zip» v:shapes="_x0000_i1440">
Класс оптимизационных моделей очень широк. Приведенные выше задачи относятся к линейному программированию. Существуют также модели динамического программирования, в которых требуется отыскать не одно, а несколько решений, например, решения принимаемые в различные моменты времени; экстремальные модели, позволяющие найти экстремальное значение одного или нескольких параметров объекта; гомеостатические модели, предназначенные для удержания параметров объекта в определенных пределах при наличии каких-либо возмущающих воздействий, и т.д.
Игровые модели. В некоторых ситуациях оптимизационные модели не могут быть применены непосредственно. В основном в тех ситуациях, когда система содержит подсистемы с разными и отчасти противоречивыми целями. Например, при описании целенаправленной деятельности коллективов людей, принятии политических и экономических решений в условиях неопределенности необходимо анализировать интересы и цели объектов, вступающих в контакт.
Случаи, когда для объекта моделирования характерно наличие противодействующих сил или неопределенности параметров, свойств или поведения, рассматриваются теорией игр. Это теория математических моделей принятия оптимальных решений в условиях конфликта или неопределенности. Под конфликтом следует понимать любое разногласие, возникающее вследствие несовпадения интересов.
Большое значение имеет понятие неопределенности. Рассмотрим на примерах. При моделировании спроса на какой-либо товар могут быть известны только либо верхний и нижний пределы колебания спроса, либо статистическое распределение возможных значений спроса. Тогда в первом случае имеет место статистическая неопределенность, когда неизвестен даже закон распределения событий (значений спроса), а во втором – статистическая неопределенность, соответствующая случаю, при котором нельзя точно назвать значение спроса, хотя закон распределения известен. Неопределенности такого рода могут возникнуть в результате действий конкурента, удовлетворяющих какую-то часть спроса, или вследствие «игры природы» (изменения климатических, социальных и других условий). В любой игре имеются следующие элементы: множество всех игроков <imagedata src=«dopb35918.zip» o:><img border=«0» width=«89» height=«23» src=«dopb35918.zip» v:shapes="_x0000_i1441">, где i – произвольный игрок. Всякий игрок имеет в своем распоряжении множество стратегий поведения, или возможных действий, <imagedata src=«1.files/image395.png» o:><img border=«0» width=«14» height=«23» src=«dopb35919.zip» v:shapes="_x0000_i1442">.
Процесс игры заключается в выборе каждым игроком одной определенной стратегии <imagedata src=«1.files/image397.png» o:><img border=«0» width=«49» height=«23» src=«dopb35920.zip» v:shapes="_x0000_i1443">, обеспечивающей игроку, например, максимальный выигрыш <imagedata src=«1.files/image399.png» o:><img border=«0» width=«46» height=«23» src=«dopb35921.zip» v:shapes="_x0000_i1444">. Здесь функция <imagedata src=«dopb35922.zip» o:><img border=«0» width=«23» height=«23» src=«dopb35922.zip» v:shapes="_x0000_i1445"> называется функцией выигрыша игрока. Таким образом, налицо множество стратегий игроков называемое ситуацией, в которой каждый игрок или их группа (коалиция) имеет какой-либо выигрыш (проигрыш).
Игры бывают бескоалиционными, когда целью каждого участника является получение максимального индивидуального выигрыша, и коалиционные, связанные с обеспечением максимального выигрыша для всей коалиции игроков. Если выигрыш одного игрока равен проигрышу другого при любой стратегии, то игра называется антагонистической. Если число стратегий одного игрока конечно, то такая игра носит название матричной.
Основные принципы определения оптимального поведения игроков сводятся к принципам устойчивости, которые состоят в том, чтобы отклонение от выбранной оптимальной стратегии уменьшает выигрыш игрока. Например, для бескоалиционной игры наилучшая стратегия поведения соответствует принципу равновесия, при котором ни одному игроку не выгодно менять стратегию, если у остальных игроков остаются неизменными.
Имитационные системы. Применение оптимизационных и игровых моделей в практических задачах встречает затруднение, когда заходит речь о моделировании «больших систем». К ним относятся социально-экономические системы, характеризуемые большим числом параметров, сложным переплетением интересов, неопределенной структурой и многочисленными целями. Объекты такого типа плохо поддаются формализации и математическому описанию на основе аппарата оптимизационных и игровых моделей. Сложность построения моделей «больших систем» заключается прежде всего в трудности постановки или формулирования задачи моделирования, которая требует комплексного системного описания наиболее важных сторон объекта.
Имитационное моделирование представляет собой систему, состоящую из совокупностей следующих элементов:
· имитационных моделей, отображающих определенные черты, свойства или части «большой системы» и позволяющих отвечать на вопрос: что будет при данных условиях и принятом решении (прямя задача моделирования)?
· экспертов и экспертных процедур, необходимых для анализа и оценки различных решений, исключения заведомо слабых решений, построения «сценариев» развития событий, выработки целей и критериев;
· «языков ЭВМ», на основе которых осуществляется двусторонний контакт экспертов с ЭВМ. Эксперт задает исходные данные, меняет структуру моделей, формулирует вопросы ЭВМ при помощи специальных языков моделирования.
Имитационные модели представляют собой программы для компьютера, описывающие поведение компонентов системы и взаимодействие между ними. Расчеты при различных исходных данных позволяют имитировать динамические процессы, происходящие в реальной систем.
Математический аппарат, используемый для построения имитационных моделей, может быть самым разнообразным, например, теория массового обслуживания, теория агрегативных систем, теория автоматов, теория дифференциальных уравнений и т.д. Имитационные модели обычно требуют статистической обработки результатов моделирования, поэтому в основу всякой имитации входят методы теории вероятностей и математической статистики.
Экспертные процедуры используют коллективный опыт людей и предназначены для усреднения мнений и получения объективной оценки какого-либо события или явления. Например, для определения пропорций развития отраслевых групп обслуживания экспертам раздают анкеты определенного образца и прелагают ознакомиться со «сценарием» развития сферы обслуживания населения. «Сценарий» представляет собой прогноз определенного рода состояния развития общественных потребностей на длительную перспективу, включая численность населения, его доходы и расходы по статьям затрат, жилищные условия, внедрение в практику новой техники и технологий, совершенствование видов и форм обслуживания и т.п.
После ознакомления со «сценарием» эксперты выражают свое мнение в виде баллов. Затем анкеты собирают, и результаты экспертного анализа усредняют по каждой отраслевой группе и нормируют, т.е. баллы по каждой отраслевой группе делят на их общую сумму. Полученные нормированные баллы отражают желаемые пропорции развития отраслевых групп обслуживания. Можно осуществить учет компетентности эксперта, проставив ему соответствующий «вес», аналогичный баллам.
При оценке качества функционирования какой-либо имитационной модели эксперты определяют, какие параметры модели главные, а какие – второстепенные; устанавливают желаемые пределы изменения параметров; осуществляют выбор лучшего варианта модели. В задачи эксперта входит также изменение условий моделирования в тех случаях, когда после проведения модельных экспериментов выявляются новые неучтенные факторы.
Эконометрика. Основные понятия эконометрического моделирования Под статистическими данными понимают систематизированные и группированные однородные, количественные сведения о реальной экономической деятельности за прошлые периоды времени или результаты многократно проводимых экспериментов и наблюдений. Такие данные играют важную роль в экономико-математическом моделировании, в частности, для
· построения аналитического вида функций, описывающих взаимосвязи между экономическими величинами;
· оценки параметров и проверки адекватности экономико-математических моделей реальным явлениям;
· выявления закономерностей, которым подчиняются экономические явления, и тенденций развития динамических процессов.
На стыке экономической практики и математической статистики в начале 30-х годов зародилась новая самостоятельная дисциплина, получившая название «Эконометрика».
Эконометрика — это наука, которая изучает статистические закономерности в экономике.
Методологическая особенность эконометрики заключается в применении достаточно общих гипотез о статистических свойствах экономических параметров и ошибок при их измерении. Полученные при этом результаты могут оказаться нетождественными тому содержанию, которое вкладывается в реальный объект. Поэтому важная задача эконометрики — создание как более универсальных, так и специальных методов для обнаружения наиболее устойчивых характеристик в поведении реальных экономических показателей. Эконометрика разрабатывает методы подгонки формальной модели с целью наилучшего имитирования ею поведения моделируемого объекта на основе гипотезы о том, что отклонения модельных значений параметров от их реально наблюдаемых случайны и вероятностные характеристики их известны.
Математическая статистика является тем универсальным аппаратом, который удачно вписывается в содержание различных эконометрических исследований. Такие ее разделы, как корреляционный и регрессионный анализы, метод наименьших квадратов и прогнозирование, как нельзя лучше подходят для выявления статистических закономерностей в экономике.
Корреляционный анализ позволяет количественно оценить связи между большим числом взаимодействующих экономических явлений как между случайными величинами. Его применение делает возможным проверку различных экономических гипотез о наличии и силе связи между двумя величинами или группой величин. Корреляционный анализ тесно связан с регрессионным анализом, задача которого состоит в экспериментальном определении параметров корреляционных зависимостей (см. §2.5 ) между экономическими показателями путем наблюдения за характером их изменения. Одним из основных методов регрессионного анализа является метод наименьших квадратов, краткое содержание которого было изложено в §2.5. Модели, полученные с помощью регрессионного анализа, позволяют прогнозировать варианты развития экономических процессов и явлений, изучить тенденции изменения экономических показателей, т.е. служат инструментом научно-обоснованных предсказаний. Результаты прогноза являются исходным материалом для постановки реальных экономических целей и задач, для выявления и принятия наилучших управленческих решений, для разработки хозяйственной и финансовой стратегий в будущем.
продолжение
--PAGE_BREAK--Как составная часть математической экономики, эконометрика вполне естественно вписывается в общий алгоритм экономико-математических исследований. Эконометрические исследования начинаются после того, как
· определен общий вид математической модели с неизвестными параметрами;
· собраны все необходимые статистические данные, имеющие отношение к оцениваемым параметрам;
· поставлена задача отыскания значений неизвестных параметров, обеспечивающих наилучшее приближение модельных значений к их значениям, наблюдавшимся в действительности.
Эконометрика как раз и занимается методами получения лучших оценок параметров эконометрических моделей, конструируемых в прикладных целях.
Эконометрические модели по сравнению с аналитическими более точны и подробны, не требуют грубых допущений и упрощений, позволяют учесть большое число факторов. Основные их недостатки — громоздкость, плохая обозримость, большой расход машинного времени при их построении и анализе и крайняя трудность поиска оптимальных решений, которые приходится искать «на ощупь», путем догадок и проб (в отличие от более приспособленных к оптимизационным задачам аналитических моделей). Наиболее эффективная методика экономико-математических исследований — это совместное применение аналитических и эконометрических моделей. Аналитическая модель дает возможность в общих чертах разобраться в явлении, наметить как бы контуры основных закономерностей. Уточнение же этих закономерностей — прерогатива эконометрических моделей. С этой точки зрения важная задача эконометрики — проверка теоретико-экономических положений и выводов на фактическом (эмпирическом) материале при помощи методов математической статистики.
В общем случае эконометрическая модель может содержать несколько уравнений, а в каждом уравнении — несколько переменных. Задача оценивания параметров такой разветвленной модели решается с помощью сложных и причудливых методов. Однако все они имеют одну и ту же теоретическую основу. Поэтому для получения начального представления о содержании эконометрических методов мы ограничимся в последующих параграфах рассмотрением простой линейной регрессии. Термин «регрессия» используется для описания природы связи между переменными, а термин «корреляция» — для измерения тесноты связи.
По мере возрастания сложности после статистического анализа, который касается поведения отдельных переменных, идет линейная регрессия с двумя переменными (парная регрессия). Простая линейная регрессия связана с тем, что называется двумерным распределением случайных величин, т.е. распределением двух переменных. Понятно, что использование двух переменных дает большую информацию, нежели одной. Например, доход от продажи товара можно анализировать, используя только данные о доходе на прошлых периодах времени вне связи с другими факторами (статистический анализ). Но мы получим гораздо более богатую информацию, если примем во внимание другие факторы, которые влияют на объем продаж: спрос, цена товара, цена товара-конкурента, период времени, затраты на рекламу и др. Если при этом расходы на рекламу явились бы главным фактором, определяющим объем продаж, то знание вида связи объема продаж и расходов на рекламу было бы весьма полезным для планирования финансовой политики компании. Точно так же нас могут интересовать двумерные распределения объема продаж и цены товара, дохода от продаж и уровня спроса и т.д. Другими примерами линейной регрессии с двумя переменными могли бы быть соотношения между издержками производства и квалификацией рабочих, между качеством продукции и продолжительностью рабочего дня, между весом и возрастом кур и т.д.
Линейную регрессию, как математическую модель, можно использовать для того, чтобы делать какие-то прогнозы или предсказания. Например, любая курица, реальный вес которой значительно отличается от прогнозируемого среднего веса, может быть подвергнута обследованию. В результате последующего анализа могут быть выявлены причины отклонения веса и приняты меры по улучшению рациона питания или изменению режима обслуживания и условий содержания.
Основным недостатком, присущим линейным эконометрическим моделям с двумя переменными, является их неадекватность к реальной действительности. Это вызвано, во-первых, тем, что статистическая (и, в частности, корреляционная) зависимость между экономическими величинами практически никогда не бывает в чистом виде линейной; во-вторых, многие факторы, влияющие на эти две переменные, остаются за пределами модели, т.е. оказываются неучтенными.
Основы системного анализа. Формулировка проблемы. Определение целей. Формирование критериев. Генерирование альтернатив. Выбор. Интерпретации и анализ ожидаемых результатов. Системный анализ – методология исследования сложных объектов как систем. Эта методология есть эффективным способом решения сложных, не совсем четко сформулированных проблем. В задачах системного анализа любой объект рассматривается не как единое целое, а как система взаимосвязанных частей (объектов), их взаимосвязей и характеристик. Системный анализ можно свести к уточнению сложной проблемы, её структурированности относительно совокупности задач, которые решаются путем детализации целей, построение методов достижения этих целей с помощью экономико-математических и других методов..
Системный анализ, зародившись в недрах общественных и биологических наук, перешел к «освоению» технических наук. Однако системы общественные и социальные, биологические и экологические, технические системы, информационные системы и системы научных знаний — это все же системы с совершенно различными характеристиками и даже с различной терминологией. Вследствие этого формулировки основных положений системного анализа применительно к конкретным классам систем иногда воспринимаются как слишком общие и даже иносказательные; с другой стороны, слишком специальная терминология конкретизирует, но одновременно и сильно сужает область применения выработанных формулировок. По-видимому, все же единственно разумным путем представляется «перевод» основных положений системного анализа с «общего» языка на язык конкретной области знаний, к которой относится исследуемый объект.
Первый шаг системного анализа — представление объекта в виде системы. Следующий шаг — системное исследование объекта в трех аспектах. В табл.2 отражены направления системного исследования и последовательность осуществления его этапов.
Наиболее успешно системный анализ применяют при изучении комплексных систем сложной структуры. Интуиции, квалификации одного человека, независимо от способностей и опыта, теперь уже недостаточно для управления сложными производственными системами. В дальнейшем руководителю придется решать проблемы не только в масштабе предприятия, но и в масштабе отрасли. Для принятия решений руководителю необходимо опираться на эмпирическую и фактическую информацию. Вместо экстраполяции прошлого опыта, как главного пути для принятия решений, теперь рекомендуется применять математические модели, информационные системы, составляющие основу системного анализа.
Системный анализ имеет сугубо практическую ориентацию. Однако, несмотря на множество различных примеров его удачного применения, пока не полностью разработана его методология. При решении каждой задачи выбирается своя методика, которая базируется на основах наук, законах логики и некоторых специфических процедурах. При этом можно выделить следующие основные особенности системного анализа:
· необходимость составления моделей исследуемой задачи (необязательно математической, можно физической или графической);
· успешное применение его для изучения многофакторных, комплексных систем, когда решения трудно достичь с помощью одного какого-либо раздела науки или простого соединения методов разных дисциплин;
· необходимость точной формулировки задачи: следует точно описать, какого результата, какой цели и при каких ограничениях стремятся достичь при решении задачи;
· постановка и решение проблемы для достижения желаемых результатов должны подчиняться целостному подходу: при решении частей проблемы все время необходимо иметь в виду цель решения всей системы.
Обоснование процесса решения проводится с помощью общей цели системы. Только при этом будет учтено явление синергизма- достижение более высокого результата действия системы по сравнению с аддитивным эффектом, т.е. по сравнению с суммой результатов действия отдельных элементов системы.
Задачи системного анализа можно разделить на две группы: математику и логику.
Математику системного анализа применяют при решении оптимизационных задач уже четко сформулированных, для чего составляются уравнения, описывающие связи множества переменных ограничений системы. При этом определяются количественные результаты функционирования системы с точки зрения выбранного критерия оптимальности.
Логика имеет компоненты, связанные с процессом принятия решений, выявлением таких проблем, как определение целей системы, путей их достижения, анализ внешних условий и ограничений.
Цель в системном анализе понимается как антипод проблемы: это то, что надо сделать для снятия проблемы (а решение — то, как это сделать).
Под критерием в системном анализе подразумевается способ сравнения альтернатив, т.е. любой их признак, значение которого можно зафиксировать количественно или качественно. В идеале построение критериев требует создания четкой иерархии целей с определением всех соотношений между ними; реально же может использоваться несколько критериев, описывающих одну цель по-разному и дополняющих друг друга.
При интеграции знаний наиболее существенны, на наш взгляд, 2 критерия «хорошей» («правильной») интеграции:
· интегрировать любую информацию;
· исключать внутренние противоречия.
При моделировании помимо этих критериев следует использовать специфические критерии «хорошей» модели:
· универсальность — возможность описывать любое знание от отдельного факта до философского обобщения;
· связность — наличие закономерных причинных связей между событиями, процессами, явлениями;
· активность — возможность порождения нового знания, например, по схеме: факт — обобщенный факт — эмпирический закон — теоретический закон — новые факты.
Общий алгоритм:
· Определение конфигуратора.
· Постановка проблемы – отправной момент исследования. В исследовании сложной системы ему предшествует работа по структурированию проблемы.
· Расширение проблемы до проблематики, т.е. нахождение системы проблем, существенно связанных с исследуемой проблемой, без учета которых она не может быть решена.
· Выявление целей: цели указывают направление, в котором надо двигаться, чтобы поэтапно решить проблему.
· Формирование критериев. Критерий – это количественное отражение степени достижения системой поставленных перед ней целей. Критерий –это правило выбора предпочтительного варианта решения из ряда альтернативных. Критериев может быть несколько. Многокритериальность является способом повышения адекватности описания цели. Критерии должны описать по возможности все важные аспекты цели, но при этом необходимо минимизировать число необходимых критериев.
· Агрегирование критериев. Выявленные критерии могут быть объединены либо в группы, либо заменены обобщающим критерием.
· Генерирование альтернатив и выбор с использованием критериев наилучшей из них. Формирование множества альтернатив является творческим этапом системного анализа.
· Исследование ресурсных возможностей, включая информационные потоки и ресурсы.
· Выбор формализации (построение и использование моделей и ограничений) для решения проблемы.
· Оптимизация (для простых систем).
· Декомпозиция.
· Наблюдение и эксперименты над исследуемой системой.
· Построение системы.
· Использование результатов проведенного системного исследования.
Основные положения теории систем. Определение системы. Свойства системы. Классификация систем. Модели экономических систем. Под системой понимают множество элементов, находящихся в отношениях и связях друг с другом, которое образует определенную целостность, единство. Понятие «система» предполагает рассмотрение объекта как целого, состоящего из совокупности элементов. Представление о системе всегда связывается с такими понятиями, как элемент, целостность, структура, связь, подсистема.
Любую систему можно расчленить (не обязательно единственным способом) на конечное число частей, называемых подсистемами, каждую из которых в свою очередь, можно разделить на конечное число подсистем более низкого уровня вплоть до получения подсистем первого уровня-элементов системы.
Обычно под элементом системы понимают объект или процесс, не подлежащий при исследовании дальнейшему расчленению на части.
Под структурой системы понимают относительно устойчивый порядок внутренних пространственных связей между ее отдельными элементами, определяющий функциональное назначение системы и ее взаимодействие с внешней средой.
Под целостностью системы понимают принципиальную несводимость свойств системы к сумме свойств составляющих ее элементов.
Связь — это взаимообусловленность существования явлений, разделенных в пространстве и во времени. Связи могут быть существенными и несущественными. По типу процесса, который определяет связь, они разделяются на связи управления, функционирования и др., а по направлению действия- на прямые и обратные.
В сложных системах часто обратные связи рассматривают как передачу информации о протекании процесса, на основании которой вырабатываются управляющие воздействия. В этом случае обратные связи называются информационными. Понятие обратной связи как формы взаимодействия играет большую роль в анализе функционирования сложных систем.
Два основных свойства систем:
· целостность системы означает, что комплекс элементов, рассматриваемый в качестве системы, обладает характерными свойствами и поведением, причем свойства системы несводимы к сумме свойств ее элементов;
· делимость системы отражает тот факт, что любой объект можно представить состоящим из элементов. Это значит, что любой объект можно рассматривать как минимум в трех аспектах: как нечто целостное (систему), как часть более общей системы (надсистемы) и как совокупность более мелких частей (элементов, подсистем).
Системы подразделяют на три группы: простые, сложные и очень сложные. Система обувного производства относится к третьей группе- очень сложной. Основными отличительными признаками сложной системы являются:
· наличие большого количества взаимосвязанных и взаимодействующих между собой элементов;
· сложность функции, выполняемой системой и направленной на достижение заданной цели функционирования;
· возможность разбиения системы на подсистемы, цели функционирования которых, подчинены общей цели функционирования всей системы;
· наличие управления (часто имеющего иерархическую структуру), разветвленной информационной сети и интенсивных потоков информации;
· наличие взаимодействия с внешней средой и функционирование в условиях взаимодействия случайных факторов.
продолжение
--PAGE_BREAK--Структура системы — это закономерные устойчивые связи между элементами системы, отражающие пространственное и временное расположение элементов и характер их взаимодействия (или причинно-следственные отношения). При этом заметим, что связи в системе бывают полезные, бесполезные и вредные.
Функция системы — это внешнее проявление свойств системы, определенный способ взаимодействия с окружающей средой. У любой системы много функций; однако почти всегда среди этого множества можно выделить одну, самую существенную в данной системе отношений. Эта функция называется главной полезной функцией (ГПФ) системы.
КЛАССИФИКАЦИЯ СИСТЕМ
Существует много различных подходов к классификации систем. Например, классификация может основываться на сложности системы. В классификации, приведенной ниже, целый ряд более сложных систем опущен, так как не представляет для нас интереса.
1. Морфологические системы. Это системы, которые описываются при помощи сети структурных взаимосвязей (например, типичная организационная схема).
2. Каскадные системы. Они показывают пути прохождения вещества и энергии в системе (например, схема информационных потоков в организации).
3. Системы типа действие — реакция объединяют указанные выше и показывают способ, которым структура привязана к процессу жизнедеятельности (например, наложение информационных потоков на организационную схему).
4. Управляющие системы (transducers)-системы типа 3, в которых основные компоненты контролируются человеком. Мы можем считать некоторую организацию управляющей, или кибернетической, системой, если контроль посредством обратной связи приводит к саморегулированию.
Другой способ классификации основывается на взаимодействии с внешней средой.
1. Изолированная система. Границы такой системы закрыты для экспорта и импорта вещества и энергии (или информации).
2. Закрытая система. Границы ее препятствуют экспорту и импорту вещества, но открыты для энергии (или информации).
3. Открытая система. Такая система обменивается и веществом, и энергией (информацией) с внешней средой. Все управленческие системы являются открытыми, хотя при анализе мы иногда рассматриваем их как закрытые, игнорируя всякое взаимодействие с внешней средой.
Кроме того, мы рассматриваем системы или их окружение как статичное или динамичное в зависимости от скорости изменения их характеристик во времени. Адаптивная система может реагировать на изменения среды способом, соответствующим ее обычным действиям. Конечно, это относится к тем изменениям, которые происходят во внешней среде и не касаются внутренних проблем фирмы. Таким образом, мы говорим о релевантной среде, т. е. о событиях или объектах, не связанных с тем, что происходит внутри системы. Иногда употребляют термин «проблемное окружение». Этот термин уже, чем релевантная окружающая среда, так как охватывает только деятельность покупателей, поставщиков, конкурентов и регламентирующих групп, например правительства.
Экономисты говорят об экономических системах, находящихся в состоянии равновесия, т. е. в состоянии покоя, или отсутствия деятельности. Возможно, к «живым» системам, где переменные скорее остаются в рамках заранее установленных ограничений, чем превращаются в постоянные, больше подходит термин «устойчивые». О системе, которая функционирует в условиях высокой устойчивости, говорят, что она находится в стационарном состоянии (steady state condition).
Экономическая система есть совокупность взаимосвязанных и определенным образом упорядоченных элементов экономики. Вне системного характера экономики не могли бы воспроизводиться (постоянно возобновляться) экономические отношения и институты, не могли бы существовать экономические закономерности, не могло бы сложиться теоретического осмысления экономических явлений и процессов, не могло бы быть скоординированной и эффективной экономической политики.
· Современная рыночная экономика (современный капитализм). По сравнению со всеми рыночная система оказалась наиболее гибкой: она способна перестраиваться, приспосабливаться к изменяющимся внутренним и внешним условиям.
· Традиционная система. В экономически слаборазвитых странах существует традиционная экономическая система. Этот тип экономической системы базируется на отсталой технологии, широком распространении ручного труда, многоукладности экономики.
· Административно-командная система (централизованно-плановая, коммунистическая). Эта система господствовала ранее в СССР, странах Восточной Европы и ряде азиатских государств. В последние годы многие отечественные и зарубежные экономисты в своих работах попытались дать ее обобщенную характеристику. Характерными чертами административно-командной системы являются общественная (а в реальности государственная) собственность практически на все экономические ресурсы, монополизация и бюрократизация экономики в специфических формах, централизованное экономическое планирование как основа хозяйственного механизма.
В случае соединения и переплетения различных форм хозяйства, различных формационных образований, различных цивилизационных систем, а также более сложных сочетаний различных элементов системы можно говорить о смешанных экономических системах (смешанной экономике). Их отличительная особенность — гетерогенность (разнородность) входящих в них элементов.
Шведская модель. Термин “шведская модель” возник в связи со становлением Швеции как одного из самых развитых в социально-экономическом отношении государств. Он появился в конце 60х годов, когда иностранные наблюдатели стали отмечать успешное сочетание в Швеции быстрого экономического роста с обширной политикой реформ на фоне относительной социальной бесконфликтности в обществе. Этот образ успешной и безмятежной Швеции особенно сильно контрастировали тогда с ростом социальных и политических конфликтов в окружающем мире.
Сейчас этот термин используется в различных значениях и имеет разный смысл в зависимости от того, что в него вкладывается. Некоторые отмечают смешанный характер шведской экономики, сочетающей рыночные отношения и государственное регулирование, преобладающую частную собственность в сфере производства и обобществление потребления.
Другая характерная черта послевоенной Швеции специфика отношений между трудом и капиталом на рынке труда. На протяжении многих десятилетий важной частью шведской действительности была централизованная система переговоров о заключении коллективных договоров в области заработной платы с участием мощных организаций профсоюзов и предпринимателей в качестве главных действующих лиц, причем политика профсоюзов основывалась на принципах солидарности между различными группами трудящихся.
Еще один способ определения шведской модели исходит из того, что в шведской политике явно выделяются две доминирующие цели: полная занятость и выравнивание доходов, что и определяет методы экономической политики. Активная политика на высокоразвитом рынке труда и исключительно большой государственный сектор (при этом имеется в виду прежде всего сфера перераспределения, а не государственная собственность) рассматриваются как результаты этой политики.
Наконец, в самом широком смысле шведская модель это весь комплекс социально-экономических и политических реалий в стране с ее высоким уровнем жизни и широким масштабом социальной политики. Таким образом, понятие “шведская модель” не имеет однозначного толкования.
Шведская модель исходит из положения, что децентрализованная рыночная система производства эффективна, государство не вмешивается в производственную деятельность предприятия, а активная политика на рынке труда должна свести к минимуму социальные издержки рыночной экономики. Смысл состоит в максимальном росте производства частного сектора и как можно большем перераспределении государством части прибыли через налоговую систему и государственный сектор для повышения жизненного уровня населения, но без воздействия на основы производства. При этом упор делается на инфраструктурные элементы и коллективные денежные фонды.
Это привело к очень большой роли государства в Швеции в распределении, потреблении и перераспределении национального дохода через налоги и государственные расходы, достигшие рекордных уровней. В реформистской идеологии такая деятельность получила название “функциональный социализм”.
Американская модель. Американская модель — это либеральная рыночно-капиталистическая модель, предполагающая приоритетную роль частной собственности, рыночно-конкурентного механизма, капиталистических мотиваций, высокий уровень социальной дифференциации.
Соединенные Штаты Америки — ведущая держава капиталистического мира, обладающая крупнейшим экономическим и научно-техническим потенциалом. Ни в одной другой стране противоречия капитализма не выступают так обнажено и остро, как в США.
Становление и развитие американской модели проходило в идеальных условиях. Это объясняется многими причинами, среди которых можно выделить минимум две: во-первых, США возникли на территории относительно свободной от предшествующих традиций и различных наслоений социального характера. Во-вторых, европейские переселенцы привнесли предпринимательскую активность и инициативу, основанные на укреплявшихся товарно-денежных отношениях в Европе.
Таким образом, американская модель построена на системе всемерного поощрения предпринимательской активности, обогащения наиболее активной части населения. Малообеспеченным группам создается приемлемый уровень жизни за счет частичных льгот и пособий. Задача социального равенства здесь вообще не ставится. Эта модель основана на высоком уровне производительности труда и массовой ориентации на достижение личного успеха
Германская модель. Германская модель — это модель социального рыночного хозяйства, которая расширение конкурентных начал увязывает с созданием особой социальной инфраструктуры, смягчающей недостатки рынка и капитала, с формированием многослойной институциональной структуры субъектов социальной политики.
В германской экономической модели государство не устанавливает экономические цели — это лежит в плоскости индивидуальных рыночных решений, — а создаст надежные правовые и социальные рамочные условия для реализации экономической инициативы. Такие рамочные условия воплощаются в гражданском обществе и социальном равенстве индивидов (равенстве прав, стартовых возможностей и правовой защите). Они фактически состоят из двух основных частей: гражданского и хозяйственного права, с одной стороны, и системы мер по поддержанию конкурентной среды, с другой. Важнейшая задача государства — обеспечивать баланс между рыночной эффективностью и социальной справедливостью. Трактовка государства как источника и защитника правовых норм, регулирующих хозяйственную деятельность, и конкурентных условий не выходит за пределы западной экономической традиции. Но понимание государства в германской модели и, в целом, в концепции социальной рыночной экономики отличается от понимания государства в других рыночных моделях представлением о более активном вмешательстве государства в экономику.
Германская модель характеризуется следующими чертами:
· индивидуальная свобода как условие функционирования рыночных механизмов и децентрализованного принятия решений. В свою очередь, это условие обеспечивается активной государственной политикой поддержания конкуренции;
· социальное равенство — рыночное распределение доходов обусловлено объемом вложенного капитала или количеством индивидуальных усилий, в то время как достижение относительного равенства требует энергичной социальной политики. Социальная политика опирается на поиск компромиссов между группами, имеющими противоположные интересы, а также на прямое участие государства в предоставлении социальных благ, например, в жилищном строительстве;
· антициклическое регулирование;
· стимулирование технологических и организационных инноваций;
· проведение структурной политики;
· защита и поощрение конкуренции. Перечисленные особенности германской модели есть производные от основополагающих принципов социальной рыночной экономики, первым из которых является органическое единство рынка и государства.
Японская модель. Сегодня достижениями Японии никого не удивишь. Гораздо важнее понять и объяснить причины «японского экономического чуда», или, вернее, феноменального послевоенного рывка Японии, выведшего ее в разряд «экономической сверхдержавы». И хотя в японском рывке немаловажную роль сыграл американский фактор, все же главными оказались собственные усилия нации.
Таким образом, японская модель характеризуется определенным отставанием уровня жизни населения (в том числе уровня заработной платы) от роста производительности труда. За счет этого достигается снижение себестоимости продукции и резкое повышение ее конкурентоспособности на мировом рынке. Препятствий имущественному расслоению не ставится. Такая модель возможна только при исключительно высоком развитии национального самосознания, приоритете интересов нации над интересами конкретного человека, готовности населения идти на определенные материальные жертвы ради процветания страны.
Китайская модель. Утверждается, что китайская экономика растет так быстро потому, что уровень развития в Китае был низким, а темпы роста слаборазвитых стран выше, чем более развитых стран. Однако исследование среднегодовых темпов роста ВВП на душу населения показывает, что такой закономерности не существует. При одних и тех же душевых показателях ВВП возможен и быстрый рост и глубокое падение. Ни одна другая слаборазвитая страна не имела темпов роста, сколько-нибудь близких к китайским. Более того, темпы роста Китая оказались уникальными для всей мировой экономики. Решающий вклад в ускорение экономического роста внесла структура китайской экономики — низкая доля промышленности и высокая доля сельского хозяйства.
Элементы математической статистики. Выборки и их типы. Статистическое распределение выборки. Эмпирическая функция распределения. Статистические оценки параметров распределения. Эмпирические моменты, асимметрия и эксцесс. Оценки параметров. Выборочные распределения. Математическая статистика — это раздел математики, посвященный методам сбора, анализа и обработки статистических данных для научных и практических целей.
Статистические данные представляют собой данные, полученные в результате обследования большого числа объектов или явлений; следовательно, математическая статистика имеет дело с массовыми явлениями.
Современная математическая статистика подразделяется на две обширные области: описательную и аналитическую статистику.
Описательная статистика охватывает методы описания статистических данных, представления их в форме таблиц, распределений и пр.
Эти данные могут быть либо количественными (например, измерение роста и веса), либо качественными (например, пол и тип личности).
Аналитическая статистика называется также теорией статистических выводов. Ее предметом является обработка данных, полученных в ходе эксперимента, и формулировка выводов, имеющих прикладное значение для самых различных областей человеческой деятельности.
Теория статистических выводов тесно связана с другой математической наукой — теорией вероятностей, и базируется на ее математическом аппарате.
Планирование и анализ экспериментов представляет собой третью важную ветвь статистических методов, разработанную для обнаружения и проверки причинных связей между переменными.
Экспериментальные данные — это результаты измерения некоторых признаков объектов, выбранных из большой совокупности объектов.
Часть объектов исследования, определенным образом выбранная из более обширной совокупности, называется выборкой, а исходная совокупность, из которой взята выборка,- генеральной (основной) совокупностью.
Исследования, в которых участвуют все без исключения объекты, составляющие генеральную совокупность, называются сплошными исследованиями. Может использоваться выборочный метод. Суть его в том, что для обследования привлекается лишь выборка из генеральной совокупности, но по результатам этого обследования судят о свойствах всей генеральной совокупности.
Важнейшая характеристика выборки — объем выборки, т. е. число элементов в ней; его принято обозначать символом n.
продолжение
--PAGE_BREAK--Предметом изучения в статистике являются изменяющиеся (варьирующиеся) признаки, которые иногда называются статистическими. Они делятся на качественные и количественные.
Качественными признаками объект обладает либо не обладает. Они не поддаются непосредственному измерению (например, спортивная специализация, квалификация, национальность, территориальная принадлежность и т. п.).
Количественные признаки представляют собой результаты подсчета или измерения. В соответствии с этим они делятся на дискретные и непрерывные.
Эмпирические распределения представляют собой распределения элементов выборки по значениям изучаемого признака. Построение эмпирических распределений — необходимый этап применения статистических методов.
Можно использовать следующий эвристический принцип — будем считать, что исследуемая нами генеральная совокупность близка к гипотетической генеральной совокупности, состоящей только из значенийх1,...,xn, содержащихся в ней в равной пропорции, т.е. случайная величина <imagedata src=«dopb35923.zip» o:><img border=«0» width=«11» height=«19» src=«dopb35923.zip» v:shapes="_x0000_i1446"> близка к случайной величине <imagedata src=«dopb35924.zip» o:><img border=«0» width=«13» height=«25» src=«dopb35924.zip» v:shapes="_x0000_i1447">, принимающей п значений х1,...,xn с вероятностями 1/n (это, действительно, максимум информации о значениях случайной величины и их вероятностях, которую можно извлечь из выборки). Распределение случайной величины <imagedata src=«dopb35924.zip» o:><img border=«0» width=«12» height=«23» src=«dopb35925.zip» v:shapes="_x0000_i1448"> называется эмпирическим распределением случайной величины <imagedata src=«1.files/image405.png» o:><img border=«0» width=«12» height=«17» src=«dopb35926.zip» v:shapes="_x0000_i1449">, а ее функция распределения<imagedata src=«dopb35930.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35927.zip» v:shapes="_x0000_i1450"> - эмпирической функцией распределения. Очевидно, что каждой выборке соответствует своя эмпирическая функция распределения, т.е. можно сказать, что <imagedata src=«dopb35930.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35928.zip» v:shapes="_x0000_i1451"> - случайная функция. <imagedata src=«dopb35930.zip» o:><img border=«0» width=«35» height=«23» src=«dopb35928.zip» v:shapes="_x0000_i1452"> представляет собой ступенчатую функцию, возрастающую от 0 до 1 со скачками высотой 1/n в точках х1,...,xn (очевидно, если некоторое значение повторяется k раз, то ему будет соответствовать один скачок величиной k/n). Можно определить эмпирическую функцию формулой <imagedata src=«dopb35929.zip» o:><img border=«0» width=«84» height=«26» src=«dopb35929.zip» v:shapes="_x0000_i1453">, где nx — число значений выборки, не превосходящих х.
Поскольку эмпирическая функция распределения <imagedata src=«dopb35930.zip» o:><img border=«0» width=«36» height=«25» src=«dopb35930.zip» v:shapes="_x0000_i1454"> является оценкой для F(x) (можно доказать, что при <imagedata src=«dopb35931.zip» o:><img border=«0» width=«48» height=«14» src=«dopb35931.zip» v:shapes="_x0000_i1455"> вероятность того, что максимальное расхождение между <imagedata src=«dopb35930.zip» o:><img border=«0» width=«36» height=«25» src=«dopb35930.zip» v:shapes="_x0000_i1456"> и F(x) не превзойдет заданного малого числа <imagedata src=«dopb35932.zip» o:><img border=«0» width=«11» height=«12» src=«dopb35932.zip» v:shapes="_x0000_i1457">, стремится к единице), можно взять характеристики <imagedata src=«dopb35930.zip» o:><img border=«0» width=«36» height=«25» src=«dopb35930.zip» v:shapes="_x0000_i1458"> в качестве оценок характеристик генерального распределения.
Ниже мы приводим полученные таким образом формулы для некоторых выборочных характеристик.
Название характеристики
Формула
Выборочный момент порядка k
<imagedata src=«dopb35933.zip» o:><img border=«0» width=«85» height=«56» src=«dopb35933.zip» v:shapes="_x0000_i1459">
Выборочный центральный момент
Порядка k
<imagedata src=«dopb35934.zip» o:><img border=«0» width=«117» height=«52» src=«dopb35934.zip» v:shapes="_x0000_i1460">
Выборочное среднее — первый нецентральный момент
<imagedata src=«dopb35935.zip» o:><img border=«0» width=«101» height=«55» src=«dopb35935.zip» v:shapes="_x0000_i1461">
Выборочная дисперсия — (см. в главе 2 обоснование деления на n-1 вместо деления на n)
<imagedata src=«dopb35936.zip» o:><img border=«0» width=«127» height=«55» src=«dopb35936.zip» v:shapes="_x0000_i1462">
Выборочный коэффициент асимметрии
<imagedata src=«dopb35937.zip» o:><img border=«0» width=«52» height=«49» src=«dopb35937.zip» v:shapes="_x0000_i1463">
Выборочный коэффициент эксцесса
<imagedata src=«dopb35938.zip» o:><img border=«0» width=«52» height=«49» src=«dopb35938.zip» v:shapes="_x0000_i1464">
выборочное среднее <imagedata src=«1.files/image419.png» o:><img border=«0» width=«9» height=«14» src=«dopb35939.zip» v:shapes="_x0000_i1465">= (x1 + x2 +...+ xn) / n оценка математического ожидания
медиана <imagedata src=«1.files/image421.png» o:><img border=«0» width=«9» height=«14» src=«dopb35940.zip» v:shapes="_x0000_i1466">= Xk+1, при n = 2k+1
<imagedata src=«1.files/image421.png» o:><img border=«0» width=«9» height=«14» src=«dopb35940.zip» v:shapes="_x0000_i1467">= (Xk +Xk+1) / 2, при n = 2k
мода такое значение xm, которое встречается в выборке чаще всего
размах R = X max — X min
выборочная дисперсия <imagedata src=«dopb35941.zip» o:><img border=«0» width=«199» height=«60» src=«dopb35941.zip» v:shapes="_x0000_i1468"> — оценка дисперсии
среднее квадратичное отклонение S =<imagedata src=«dopb35942.zip» o:><img border=«0» width=«43» height=«35» src=«dopb35942.zip» v:shapes="_x0000_i1469"> — оценка б
Статистической оценкой теоретического распределения называют функцию f(X1,X2,…,Xn) от наблюдаемых С.В. X1,X2,…,Xn. Точечной называют статистическую оценку, которая определяется одним числом K *=f(x1,x2,…,xn), где х1, х2,…,xn – результаты n наблюдений над количественным признаком Х (выборка). Несмещенной называют точечную оценку, мат. ожидание которой равно оцениваемому параметру при любом объеме выборки. Смещенной называют точечную оценку, мат. ожидание которой не равно оцениваемому параметру. Несмещенной оценкой генеральной средней (мат. ожидания) служит выборочная средняя: Хв=(сумма по i от 1 до k nixi)/n, где xi – варианта выборки, ni – частота варианты xi, n=сумма по i от 1 до k ni – объем выборки. Смещенной оценкой генеральной дисперсии служит выборочная дисперсия: Dв=(сумма по i от 1 до k ni(Хi-Xв)*2)/n. Несмещенной оценкой генеральной дисперсии служит исправленная выборочная дисперсия: s*2=n/n-1*Dв=сумма ni(xj – Xв)*2/n-1. Метод моментов точечной оценки неизвестных параметров заданного распределения состоит в приравнивании теоретических моментов соответствующим эмпирическим моментам того же порядка. Если распределение определяется одним параметром, то для его отыскания приравнивают один теоретический момент одному эмпирическому моменту того же порядка. Например, можно приравнять начальный теоретический момент первого порядка начальному эмпирическому моменту первого порядка: v1=M1. Учитывая, что v1=M(X) и М1=Хв, получим М(Х)=Хв. Если распределение определяется двумя параметрами, то приравнивают два теоретических момента двум соответствующим эмпирическим моментам того же порядка. Учитывая, что v1=M(X),M1=Хв, мю=D(X),m2=Dв, имеем систему: М(Х)=Хв, D(X)=Dв.
Метод наибольшего правдоподобия точечной оценки неизвестных параметров заданного распределения сводится к отысканию максимума функции одного или нескольких оцениваемых параметров. Д.С.В. Пусть Х – Д.С.В., которая в результате n опытов приняла возможные значения х1, х2,…,xn. Допустим, что вид закона распределения величины Х задан, но неизвестен параметр K, которым определяется этот закон; требуется найти его точечную оценку K*=K (x1,x2,…,xn). Обозначим вероятность того, что в результате испытания величина Х примет значение xi через р(xi;K). Функцией правдоподобия Д.С.В. Х называют функцию аргумента K: L (x1,x2,…,xn;K)=p(x1;K)*p(x2;K)…p(xn;K). Оценкой наибольшего правдоподобия параметра K называют такое его значение K*, при котором функция правдоподобия достигает максимума. Функции L и lnL достигают максимума при одном и том же значении K, поэтому вместо отыскания максимума функции L ищут, что удобнее, максимум функции lnL. Н.С.В. Пусть Х – Н.С.В., которая в результате n испытаний приняла значения х1, х2,…,xn. Допустим, что вид плотности распределения – функции f(x) – задан, но неизвестен параметр K, которым определяется эта функция. Функцией правдоподобия Н.С.В. Х называют функцию аргумента K: L(x1,x2,…,xn;K)=f(x1;K)*f(x2;K)…f(xn;K).
Интервальной называют оценку, которая определяется двумя числами – концами интервала, покрывающего оцениваемый параметр. Доверительный интервал – это интервал, который с заданной надежностью гамма покрывает заданный параметр. 1. Интервальной оценкой с надежностью гамма мат. ожидания а нормально распределенного количественного признака Х по выборочной средней Хв при известном среднем квадратическом отклонении сигма генеральной совокупности служит доверительный интервал: Хв – t(сигма/корень из n)<a<Хв+t(сигма/корень из n), где t(сигма/корень из n)=дельта – точность оценки, n – объем выборки, t – значение аргумента функции Лапласа Ф(t), при котором Ф(t)=гамма/2; при неизвестном сигма (и объеме выборки n<30) Хв – t гамма (s/корень из n)<a<Хв+t гамма (s/корень из n), где s-исправленное выборочное среднее квадратическое отклонение. 2. Интервальной оценкой (с надежностью гамма) среднего квадратического отклонения сигма нормально распределенного количественного признака Х по «исправленному» выборочному среднему квадратическому отклонению s служит доверительный интервал s(1-q)<сигма<s(1+q), при q<1; 0<сигма<s(1+q), при q>1. 3. Интервальной оценкой ( с надежностью гамма) неизвестной вероятности р биномиального распределения по относительной частоте w служит доверительный интервал ( с приближенными концами р1 и р2).
ряд наблюдений над случайной (будем далее полагать – всегда дискретной) величиной. По этим наблюдениям можно строить таблицы или гистограммы, используя значения соответствующих частот (вместо вероятностей). Такие распределения принято называть выборочными, а сам набор данных наблюдений – выборкой.
Пусть мы имеем такое выборочное распределение некоторой случайной величины X – т.е. для ряда ее значений (вполне возможно неполного, с “пропусками" некоторых допустимых) у нас есть рассчитанные нами же частоты f i .
В большинстве случаев нам неизвестен закон распределения СВ или о его природе у нас имеются догадки, предположения, гипотезы, но значения параметров и моментов (а это неслучайные величины!) нам неизвестны.
Разумеется, частоты fi суть непрерывные СВ и, кроме первой проблемы – оценки распределения X, мы имеем ещё одну – проблему оценки распределения частот.
Существование закона больших чисел, доказанность центральной предельной теоремы поможет нам мало:
· во-первых, надо иметь достаточно много наблюдений (чтобы частоты “совпали” с вероятностями), а это всегда дорого;
· во-вторых, чаще всего у нас нет никаких гарантий в том, что условия наблюдения остаются неизменными, т.е. мы наблюдаем за независимой случайной величиной.
Теория статистики дает ключ к решению подобных проблем, предлагает методы “работы” со случайными величинами. Большинство этих методов появилось на свет как раз благодаря теоретическим исследованиям распределений непрерывных величин.
Проверка статистических гипотез. Уровень значимости. Правило Неймана-Пирсона отбора критериев для простых гипотез. Критерии значимости. Доверительная область. Нормальное распределение. Критерий согласия Пирсона. Определение 19.1. Статистической гипотезой называют гипотезу о виде неизвестного распределения генеральной совокупности или о параметрах известных распределений.
Определение 19.2. Нулевой (основной) называют выдвинутую гипотезу Н0. Конкурирующей (альтернативной) называют гипотезу Н1, которая противоречит нулевой.
Определение 19.3. Простой называют гипотезу, содержащую только одно предположение, сложной – гипотезу, состоящую из конечного или бесконечного числа простых гипотез.
В результате проверки правильности выдвинутой нулевой гипотезы ( такая проверка называется статистической, так как производится с применением методов математической статистики) возможны ошибки двух видов: ошибка первого рода, состоящая в том, что будет отвергнута правильная нулевая гипотеза, и ошибка второго рода, заключающаяся в том, что будет принята неверная гипотеза.
Замечание. Какая из ошибок является на практике более опасной, зависит от конкретной задачи. Например, если проверяется правильность выбора метода лечения больного, то ошибка первого рода означает отказ от правильной методики, что может замедлить лечение, а ошибка второго рода (применение неправильной методики) чревата ухудшением состояния больного и является более опасной.
Определение 19.4. Вероятность ошибки первого рода называется уровнем значимости α.
Основной прием проверки статистических гипотез заключается в том, что по имеющейся выборке вычисляется значение некоторой случайной величины, имеющей известный закон распределения.
Определение 19.5. Статистическим критерием называется случайная величина К с известным законом распределения, служащая для проверки нулевой гипотезы.
Определение 19.6. Критической областью называют область значений критерия, при которых нулевую гипотезу отвергают, областью принятия гипотезы – область значений критерия, при которых гипотезу принимают.
Итак, процесс проверки гипотезы состоит из следующих этапов:
· выбирается статистический критерий К;
· вычисляется его наблюдаемое значение Кнабл по имеющейся выборке;
· поскольку закон распределения К известен, определяется (по известному уровню значимости б) критическое значение kкр, разделяющее критическую область и область принятия гипотезы (например, если р(К > kкр) = б, то справа от kкр располагается критическая область, а слева – область принятия гипотезы);
· если вычисленное значение Кнабл попадает в область принятия гипотезы, то нулевая гипотеза принимается, если в критическую область – нулевая гипотеза отвергается.
Различают разные виды критических областей:
· правостороннюю критическую область, определяемую неравенством K > kкр ( kкр > 0);
· левостороннюю критическую область, определяемую неравенством K < kкр ( kкр < 0);
· двустороннюю критическую область, определяемую неравенствами K < k1, K > k2 (k2 > k1).
Определение 19.7. Мощностью критерия называют вероятность попадания критерия в критическую область при условии, что верна конкурирующая гипотеза. Если обозначить вероятность ошибки второго рода (принятия неправильной нулевой гипотезы) в, то мощность критерия равна 1 – в. Следовательно, чем больше мощность критерия, тем меньше вероятность совершить ошибку второго рода. Поэтому после выбора уровня значимости следует строить критическую область так, чтобы мощность критерия была максимальной.
В ряде случаев оказывается достаточно трудно, а иногда и невозможно определить даже хотя бы приблизительно не только априорные вероятности гипотез, но и цены решений. Классическим примером такой ситуации является обнаружение сигналов в радиолокации. То же самое имеет место и в системах передачи дискретных сообщений при обнаружении начала информационной последовательности (радиограммы, команды и т.п.).
В этих условиях обычно приходится задаваться некоторым значением вероятности ошибочного решения при справедливости одной из гипотез (например, <imagedata src=«1.files/image425.png» o:><img border=«0» width=«29» height=«23» src=«dopb35943.zip» v:shapes="_x0000_i1470">) и выбирать стратегию, обеспечивающую минимальное значение вероятности ошибочного решения при справедливости другой гипотезы <imagedata src=«1.files/image427.png» o:><img border=«0» width=«26» height=«23» src=«dopb35944.zip» v:shapes="_x0000_i1471">. Такой критерий оптимизации стратегии называется критерием Неймана-Пирсона. Применительно к случаю радиолокационного обнаружения задаются вероятностью <imagedata src=«1.files/image425.png» o:><img border=«0» width=«29» height=«23» src=«dopb35943.zip» v:shapes="_x0000_i1472"> ошибочной регистрации сигнала при наличии на входе только шума, называемой вероятностью ложной тревоги <imagedata src=«1.files/image429.png» o:><img border=«0» width=«23» height=«23» src=«dopb35945.zip» v:shapes="_x0000_i1473">. Минимизируемая вероятность <imagedata src=«1.files/image427.png» o:><img border=«0» width=«26» height=«23» src=«dopb35944.zip» v:shapes="_x0000_i1474"> при этом носит название вероятностипропуска цели <imagedata src=«1.files/image431.png» o:><img border=«0» width=«23» height=«23» src=«dopb35946.zip» v:shapes="_x0000_i1475">.
Можно показать, что стратегия, оптимальная по Нейману-Пирсону, по-прежнему сводится к сравнению величины отношения правдоподобия <imagedata src=«dopb35947.zip» o:><img border=«0» width=«49» height=«23» src=«dopb35947.zip» v:shapes="_x0000_i1476"> с некоторым пороговым значением <imagedata src=«dopb35948.zip» o:><img border=«0» width=«32» height=«23» src=«dopb35948.zip» v:shapes="_x0000_i1477">, определяемым в данном случае требуемым значением вероятности ложной тревоги <imagedata src=«1.files/image429.png» o:><img border=«0» width=«23» height=«23» src=«dopb35945.zip» v:shapes="_x0000_i1478">.
Значимости уровень статистического критерия, вероятность ошибочно отвергнуть основную проверяемую гипотезу, когда она верна. В теории статистической проверки гипотез З. у. называется вероятностью ошибки первого рода. Понятие «З. у.» возникло в связи с задачей проверки согласованности теории с опытными данными. Если, например, в результате наблюдений регистрируются значения n случайных величин X1,..., Xn и если требуется по этим данным проверить гипотезу Н, согласно которой совместное распределение величин X1,..., Xn обладает некоторым определённым свойством, то соответствующий статистический критерий конструируется с помощью подходящим образом подобранной функции Y = f (X1,..., Xn); эта функция обычно принимает малые значения, когда гипотеза Н верна, и большие значения, когда Н ложна. В частности, если X1,..., Xn — результаты независимых измерений некоторой известной постоянной а и гипотеза Н представляет собой предположение об отсутствии в результатах измерений систематических ошибок, то для проверки Н разумно в качестве Y выбрать (2m — n)2, где m - количество тех результатов измерений X1, которые превышают истинное значение а. Наблюдаемое в опыте большое значение Y можно рассматривать как значимое статистическое опровержение гипотетического согласия между результатами наблюдений и проверяемой гипотезой. Соответствующий критерий значимости представляет собой правило, согласно которому значимыми считаются значения Y, превосходящие заданное критическое значение у. В свою очередь выбор величины у определяется заданным З. у., который в случае справедливости гипотезы Н совпадает с вероятностью события {Y>y}.
Мы рассматриваем независимую выборку <imagedata src=«dopb35949.zip» o:><img border=«0» width=«116» height=«31» src=«dopb35949.zip» v:shapes="_x0000_i1479">, обозначая неизвестную функцию распределения <imagedata src=«dopb35950.zip» o:><img border=«0» width=«35» height=«31» src=«dopb35950.zip» v:shapes="_x0000_i1480">. Нас интересует вопрос о том, согласуются ли данные наблюдений <imagedata src=«dopb35951.zip» o:><img border=«0» width=«86» height=«31» src=«dopb35951.zip» v:shapes="_x0000_i1481">с простой гипотезой
<imagedata src=«dopb35952.zip» o:><img border=«0» width=«145» height=«31» src=«dopb35952.zip» v:shapes="_x0000_i1482">
где <imagedata src=«dopb35953.zip» o:><img border=«0» width=«40» height=«31» src=«dopb35953.zip» v:shapes="_x0000_i1483">-- некоторая конкретная фиксированная функция распределения.
Вначале разобъем множество <imagedata src=«dopb35954.zip» o:><img border=«0» width=«18» height=«15» src=«dopb35954.zip» v:shapes="_x0000_i1484">на конечное число непересекающихся подмножеств <imagedata src=«dopb35955.zip» o:><img border=«0» width=«80» height=«29» src=«dopb35955.zip» v:shapes="_x0000_i1485">. Пусть <imagedata src=«dopb35956.zip» o:><img border=«0» width=«21» height=«29» src=«dopb35956.zip» v:shapes="_x0000_i1486">-- вероятность, соответствующая функции распределения <imagedata src=«dopb35953.zip» o:><img border=«0» width=«40» height=«31» src=«dopb35953.zip» v:shapes="_x0000_i1487">, обозначим <imagedata src=«dopb35957.zip» o:><img border=«0» width=«198» height=«31» src=«dopb35957.zip» v:shapes="_x0000_i1488">Очевидно, что
<imagedata src=«dopb35958.zip» o:><img border=«0» width=«79» height=«60» src=«dopb35958.zip» v:shapes="_x0000_i1489">
еще рефераты
Еще работы по экономическому моделированию
Реферат по экономическому моделированию
Обработка статистической информации при определении показателей надежности
2 Сентября 2013
Реферат по экономическому моделированию
Ряды динамики 4
2 Сентября 2013
Реферат по экономическому моделированию
Исследование операций 5
2 Сентября 2013
Реферат по экономическому моделированию
Эконометрика 2
2 Сентября 2013