30.Эффективность км, затраты и доход от использования модели.

А)приращение(положительным изменением)показателей

Б)затратами средств на КМ

В)точность модели

31. Классы систем и км.

32. Метод середины квадрата в км.

Первым алгоритмический метод получения, равномерно распределенных псевдослучайных чисел предложил Джон фон Нейман (один из основоположников кибернетики). Метод получил название "метод середины квадрата" .

Суть метода: предыдущее случайное число возводится в квадрат, а затем из результата извлекаются средние цифры.

Например:

и т.д.

Как видно метод середины квадрата довольно хорошо должен "перемешивать" предыдущее число. Однако он имеет недостатки:

1. Если какой-нибудь член последовательности окажется равным нулю, то все последующие члены также будут нулями.

2. Последовательности имеют тенденцию "зацикливаться", т. е. в конце концов, образуют цикл, который повторяется бесконечное число раз.

Свойство "зацикливаться" присуще всем последовательностям, построенных по рекуррентной формуле x_i+1=f(x_i).

Повторяющийся цикл называется периодом. Длина периода у различных последовательностей разная. Чем больше, тем лучше.

33. Физические датчики псевдослучайных чисел.

А)Подбрасывание монеты (Игра в кости)

Б) колба с 10ю шариками

В)набор из 2х кубиков

Г)Урна с карточками

30. Критерии качества случайных последовательностей.

Критерий согласия X²

Критерий Колмогорова - Смирнова

Критерий Мизиса

30. Формальные аспекты построения датчиков равномерного непрерывного распределения.

Генерируется случайное число от 0 до 1. Используем один из алгоритмов(обратного преобразования, кусочно линейной аппроксимации, метод исключения…)

30. Формальные аспекты построения датчиков равномерного дискретного распределения.

Генерируем число от 0 до 1 с помощью равномерного распределениями используем один из 2х алгоритмов (стандартный или алгоритм с рекуррентными формулами)

30. Линейный конгруэнтный метод.

30. Бутстреп-метод. Общие принципы использования в КМ.

Бутстреп-процедура представляет собой способ управления выборкой в ходе обработки и анализа данных. Она наиболее эффективна в условиях ограниченного количества наблюдений и предназначена для проведения многократного обучения и тестирования. В бутстреп-процедуре обучающая выборка принимается за генеральную совокупность и из нее случайным образом составляются обучающие и экзаменационные подвыборки.

30. Метод исключения в км.

Берется фигура, кидаются точки, и считается сколько точек попали в эту фигуру.

30. Методы компьютерного моделирования для построения прогнозов поведения бизнес-процессов (бп).

30. Метод исключения в задачах оценивания площади плоских фигур.

По методу монте-карло, у нас есть прямоугольник, в нем есть фигура(кольцо), есть точки которые находятся в этом прямоугольнике, считаем сколько точек попало в круг, и далее по формуле: S(кольца)=( кол-во точек которые попали в кольцо/ общее кол-во)*S(прямоуг)

30. Бутстреп-метод и задача моделирования съема данных с объекта.

30. Генераторы непрерывных одномерных распределений.

30. Этапы компьютерного моделирования (КМ).

30. Проблемы КМ бизнес-процессов.

30. Роль информации в КМ.

Компьютерное моделирование — основа представления знаний в ЭВМ. Компьютерное моделирование для рождения новой информации использует любую информацию, которую можно актуализировать с помощью ЭВМ. Прогресс моделирования связан с разработкой систем компьютерного моделирования, а прогресс в информационной технологии — с актуализацией опыта моделирования на компьютере, с созданием банков моделей, методов и программных систем, позволяющих собирать новые модели из моделей банка.

30. Моделирование бизнес-процессов.

Бизнес-моделирование (деловое моделирование) — деятельность по формированию моделей организаций, включающая описание деловых объектов (подразделений, должностей, ресурсов, ролей, процессов, операций, информационных систем, носителей информации и т. д.) и указание связей между ними. Требования к формируемым моделям и их соответствующее содержание определяются целями моделирования.

Моделирование бизнес-процессов играет огромную роль в управлении бизнес-процессами. Необходимо отметить, что в английском переводе оба вида деятельности имеют одинаковую аббревиатуру BPM (Business Process Modeling и Business Process Management, соответственно), что часто приводит к путанице. Данный факт необходимо учитывать, так как большинство литературы по данному предмету издано на английском языке. Графическое описание бизнес-процессов и их имитация это методы анализа бизнес-процессов, эффективность которых доказана многолетней практикой использования и многочисленными исследованиями. Для графического представления бизнес-процессов используются различные языки, но наиболее популярными и подходящими считаются UML и Business Process Modeling Notation. Моделирование и имитация бизнес процессов являются ключевыми методами для реинжиниринга бизнес-процессов (Business Process Reengineering) и использования методологий непрерывного улучшения бизнес-процессов, например, такими как Six-Sigma.

Информация с ru.wikipedia.org

30. Классификация методов КМ на ЭВМ.

30. Состав имитационной модели.

30. Эффективность КМ и бутстреп-метода.

30. Классификация систем.

30. Датчики псевдослучайных чисел (ДПСЧ) (физические, программные,…) .

30. Оценивание качества ДПСЧ.

30. Моделирование дискретных случайных величин.

30. Моделирование непрерывных случайных величин.

Во многих программных средах имеются генераторы случайных (псевдослучайных) чисел, которые обеспечивают формирование случайных чисел, равномерно распределенных в интервале  . На основе этого распределения могут быть сформированы выборки случайных чисел с каким-либо другим законом распределения случайной величины. В некоторых случаях этого можно добиться на основе метода инверсии, или метода обратной функции. Суть метода обратной функции заключается в следующем.

Метод обратной функции нельзя применять напрямую к непрерывным распределениям, для которых функция распределения не может быть выражена в квадратурах от соответствующей функции плотности. Типичными примерами такого рода являются нормальное распределение, гамма-распределение, логарифмически-нормальное распределение, а также дискретное распределение Пуассона. В таких случаях для получения выборок случайных чисел можно воспользоваться одним из следующих методов:

1. аппроксимацией непрерывной функции   дискретной функцией распределения;

2. получением с помощью статистических соотношений необходимой информации на основе других распределений, имеющих простую аналитическую форму.

Например, в случае второго метода, случайная величина, подчиняющаяся распределению Эрланга  -го порядка (или гамма-распределению с целочисленным параметром), представляет собой сумму экспоненциально распределенных случайных величин, а время между наступлениями событий в пуассоновском процессе также распределено экспоненциально.

30. Совместное использование КМ и бутстреп-метода.

31. Прикладные аспекты КМ (вычисление интегралов, объемов, координат центров тяжести плоских фигур и др.).

30. Применение метода исключения в задачах КМ.

30. Блок-схема алгоритма бутстреп-метода.

30. Блок-схема алгоритма вычисления интеграла методом исключения.

30. Блок-схема алгоритма работы датчика непрерывного равномерного распределения.

31. Блок-схема алгоритма работы датчика равномерного дискретного распределения.

Для начала рассмотрим случай, когда все исходы дискретного распределения имеют одну и ту же вероятность. Если число исходов равно n, то эта вероятность равна, очевидно, 1 / n. Разделим отрезок [0, 1] на n равных частей, перенумерованных от 0 до n − 1: I₀, I₁, ... , I_{n − 1}. Далее рассматривается равномерно распределенная случайная величина ξ и функция от нее η = h(ξ) = floor(ξ × n), паскалевская процедура floor(x)вычисляет наибольшее целое число, не превосходящее x. Легко видеть, что случайная величина η принимает значения от 0 до n − 1 и вероятность наступления каждого исхода одна и та же. В от график, показывающий результаты 100 наблюдений этой случайной величины с датчиком случайных чисел системы Excel. Мы видим, что наблюдаемые частоты (голубые столбики, снизу написаны соответствующие им частоты и значения случайной величины) довольно сильно отличаются от теоретически ожидаемых значений (лиловые столбики). При увеличении числа экспериментов точность, вообще говоря, повысится. Посмотрим, что получилось, когда мы довели число наблюдений до 400. К ак видите, у одного из значений получилось такое же значительное относительное (т. е. долевое) отклонение, а, значит, в абсолютных величинах оно увеличилось в четыре раза.

30. Блок-схема алгоритма проверки качества датчика непрерывного равномерного распределения.

30. Блок-схема алгоритма работы датчика двумерного равномерного непрерывного распределения на круге.

начало

r, N, x₀,y₀

a=x₀-r

b=y₀+r

c=y₀-r

d=y₀+r

i=1

x=rand*(b-a)+a

y=rand*(d-c)+c

l=

l≤r

+

x_i=x

y_i=y

i=i+1

i≤N

+

30. Блок-схема алгоритма работы датчика одномерного равномерного дискретного распределения на множестве студентов группы (для составления графика дежурств).

30. Блок-схема алгоритма работы датчика двумерного равномерного дискретного распределения на множестве студентов 2-х группы (для выбора пар дежурных).

30. Блок-схема алгоритма работы датчика двумерного равномерного непрерывного распределения на квадрате.

31. Блок-схема алгоритма работы датчика дискретного распределения.

30. Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием обратного преобразования.

31. Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием кусочно-постоянной аппроксимации.

32. Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием кусочно-линейной аппроксимации.

33. Блок-схема алгоритма работы датчика одномерного непрерывного распределения с использованием метода исключения.

34. Блок-схема алгоритма работы датчика равномерного распределения,

.

x

30. Блок-схема алгоритма работы датчика двумерного равномерного непрерывного распределения на круге.

30. Блок-схема алгоритма работы датчика двумерного равномерного дискретного распределения на кольце.

ВЕРА

АРТЕМ

ГРЕГ

ТАНЯ

29