Моделирование нормальной переменной 334—335 [c.420]
В предыдущих примерах мы рассматривали моделирование дискретных переменных. А теперь давайте рассмотрим ситуации, когда требуется смоделировать непрерывные переменные, в частности те, которые соответствуют нормальному распределению. [c.334]
Моделирование рынков. Можно смоделировать различные переменные, связанные с деятельностью торговых и производственных предприятий, в частности объем продаж, спрос, колебания числа клиентов, ценовые изменения, объем производства, производственный контроль качества и текучесть кадров. Эти переменные часто моделируются с учетом непредсказуемого элемента, который можно смоделировать с помощью случайных чисел. В этих случаях приемлемо моделирование переменных с нормальным распределением. [c.338]
Табл. 3.3 и рис. 3.6 отражают результаты сравнения функции мощности критерия и экспериментальной кривой, полученной методом имитационного моделирования. В каждом эксперименте генерировались выборки объемом п = 10, 15, 20 и 50 из нормальной генеральной совокупности с постоянной дисперсией OQ = 1 и переменным средним значением х . В выборках подсчитывалось количество случайных величин, вышедших за границы контроля, и проверялось условие (3.21). [c.61]
Более глубокий анализ при контрольных исследованиях заключается в аналитических сравнениях технологических (переменных) затрат и комплексных (постоянных) расходов на обслуживание производства и управление, включенных в себестоимость базового и осваиваемого продукта. При таком способе моделирования найденные варианты экономических характеристик в нормальных условиях обеспечивают получение решений с точностью 80—90% от расчетно-оптимальных их значений. Его главное достоинство — высокая достоверность аналитических результатов применительно к производственным условиям и в ряде случаев (особенно по новым технологиям и продуктам) совмещение во времени ФСА и отработки технологии нового продукта. Вместе с тем по сравнению с чисто технико-экономическими расчетами при ФСА необходимы значительные дополнительные затраты на его проведение и несколько удлиняется период опытно-экспериментального освоения нового продукта или технологии. Однако это окупается сокращением расходов на подготовку и освоение серийного производства. [c.171]
Еще раз повторим, что эксперименты методом Монте-Карло проводились для проверки истинности уравнения (5.7). Для нормально распределенной случайной переменной, дважды перемешанной, 7 000 значений Н были рассчитаны для 10 < п < 50. Моделирование было проведено для Т = 200, 500, 1 000 и 5 000. Результаты приведены в Таблице 5.3 [c.80]
Моделирование было повторено для 10 < п < 500, 10 <= п <= 1000 и 10 < п < 5000. В каждом случае Е(Н) соответствовало значению, предсказанному уравнением (5.6), и дисперсия приблизительно равна 1/Т. На основании результатов таблицы 5.1 мы можем сказать, что Е(Н) для IID случайных переменных может быть рассчитано из уравнения (5.6), с дисперсией 1/Т. На рисунке 5.5 показаны "нормализованные" распределения для различных значений Т. Как и ожидалось, они оказываются нормально распределенными. [c.80]
Мы отметили в гл. 2, что наиболее широко из распределений частот используется нормальное распределение, или распределение Гаусса. Отсюда вытекает то обстоятельство, что наиболее широко используемым распределением вероятностей является нормальное распределение. Это распределение непрерывное, но часто применяется при моделировании дискретных случайных переменных. [c.191]
Значения из этой таблицы могут быть преобразованы для моделирования любой нормальной переменной путем их умножения на значение среднеквад-ратического отклонения и прибавления значения среднего. [c.335]
Моделирование нормально распределенной случайной величины может быть произведено по формуле, представленной в табл. 6.4 или с помощью встроенного в MS Ex el генератора случайных чисел. Например, для моделирования времени транспортировки необходимо задать (рис. 6.4) число переменных — 1 (каждая операция логистического цикла моделируется отдельно) число случайных чисел, например, — 50 распределение — нормальное параметры — среднее 4,5 и СКО — 1,31. Также необходимо задать выходной интервал. [c.133]
Стоит начать с того, чтобы изобразить распределение переменной с помощью гистограммы или же рассчитать для него характеристики асимметрии (симметричность распределения) и эксцесса (весомости хвостов распределения). В результате будет получена информация о том, насколько распределение данных близко к нормальному. Многие методы моделирования, в том числе, — нейронные сети, дают лучшие результаты на нормализованных данных. Далее, с помощью специальных статистических тестов, например, на расстояние Махаланобиса, можно выявить многомерные выбросы, с которыми затем нужно разобраться на предмет достоверности соответствующих данных. Эти выбросы могут порождаться ошибочными данными или крайними значениями, вследствие чего структура связей между переменными может (а может и не) нарушаться (см. [19]). В некоторых приложениях выбросы могут нести положительную информацию, и их не следует автоматически отбрасывать. [c.61]
Все необычные ситуации, мешающие нормальному продолжению моделирования, фиксируются в глобальной переменной error. Моделирование может выполняться только тогда, когда error равна нулю. Значения этой переменной от 1 до 100 зарезервированы для нужд Pilgrim. [c.131]
Во 2-м томе К. Маркс исследует кругооборот и оборот капитала, а затем даёт анализ воспроизводства обществ, капитала, взятого в целом. Маркс раскрыл коренную ошибку представителей классич. школы бурж. нолптич. экономии, к-рые, начиная с А. Смита, утверждали, что стоимость обществ, продукта слагается из доходов заработной платы, прибыли и ренты. На самом же доле, как выяснено в К. , стоимость обществ, продукта распадается на стоимость потреблённых элементов постоянного капитала (средств нроиз-ва), стоимость переменного капитала (рабочую силу) и прибавочную стоимость. В соответствии с этим Маркс впервые в истории экономич. науки разделил всё обществ, произ-во на 2 подразделения I — произ-во средств произ-ва и II — произ-во предметов потребления. Условия реализации обществ, продукта при простом и расширенном капиталистич. воспроиз-ве Маркс раскрывает в схемах воспроиз-ва, применив впервые в истории метод исследования экономич. процессов, получивший впоследствии широкое распространение и известный под названием моделирования. Данный во 2-м томе К. анализ показывает, что ...условия нормального хода как простого воспроизводства, так и воспроизводства в расширенном масштабе,. ..превращаются в столь же многочисленные условия ненормального хода воспроизводства, в столь же многочисленные возможности кризисов, так как равновесие — при стихийном характере этого производства — само является случайностью (там же, т. 24, с. 563). Раскрыв трудности и противоречия капиталистич. реализации, Маркс приходит к выводу о неизбежности периодич. нарушений этого процесса. Сама многосложность процесса дает столь же многочисленные основания для его ненормального хода (там же, с. 564). В 3-м томе К. дан подробный анализ сложного механизма распределения прибавочной стоимости между отд. группами эксплуататоров. Закон средней нормы прибыли регулирует её распределение между непосредственными получателями прибавочной стоимости — пром. капиталистами. В процессе дальнейшего [c.100]
С точки зрения моделирования реальных экономических явлений, предположение о фиксированности значений объясняющих пременных можно считать реалистическим лишь в отдельных ситуациях, связанных с проведением контролируемого эксперимента. Между тем в реальных ситуациях по большей части нет возможности сохранять неизменными значения объясняющих переменных. Более того, и сами наблюдаемые значения объясняющих переменных ( как и "ошибки") часто интерпретируются как реализации некоторых случайных величин. В таких ситуациях становится проблематичным использование техники статистических выводов, разработанной для классической нормальной линейной модели. [c.7]
Смотреть страницы где упоминается термин Моделирование нормальной переменной
: [c.29] [c.146] [c.181] [c.202]Смотреть главы в:
Количественные методы анализа хозяйственной деятельности -> Моделирование нормальной переменной