В предложенной вашему вниманию статье мы предлагаем примеры математических моделей. Кроме этого, мы обратим внимание на этапы создания моделей и разберем некоторые задачи, связанные с математическим моделированием.

Еще один наш вопрос - это математические модели в экономике, примеры, определение которых мы рассмотрим немного позже. Начать наш разговор мы предлагаем с самого понятия «модель», кратко рассмотрим их классификацию и перейдем к основным нашим вопросам.

Понятие «модель»

Мы часто слышим слово «модель». Что же это такое? Данный термин имеет множество определений, вот только три из них:

• специфический объект, который создается для получения и хранения информации, отражающий некоторые свойства или характеристики и так далее оригинала данного объекта (этот специфический объект может выражаться в разной форме: мысленный, описание при помощи знаков и так далее);
• еще под моделью подразумевается отображение какой-либо конкретной ситуации, жизненной или управленческой;
• моделью может служить уменьшенная копия какого-либо объекта (они создаются для более подробного изучения и анализа, так как модель отражает структуру и взаимосвязи).

Исходя из всего, что было сказано ранее, можно сделать небольшой вывод: модель позволяет подробно изучить сложную систему или объект.

Все модели можно классифицировать по ряду признаков:

• по области использования (учебные, опытные, научно-технические, игровые, имитационные);
• по динамике (статические и динамические);
• по отрасли знаний (физические, химические, географические, исторические, социологические, экономические, математические);
• по способу представления (материальные и информационные).

Информационные модели, в свою очередь, делятся на знаковые и вербальные. А знаковые - на компьютерные и некомпьютерные. Теперь перейдем к подробному рассмотрению примеров математической модели.

Математическая модель

Как не трудно догадаться, математическая модель отражает какие-либо черты объекта или явления при помощи специальных математических символов. Математика и нужна для того, чтобы моделировать закономерности окружающего мира на своем специфическом языке.

Метод математического моделирования зародился достаточно давно, тысячи лет назад, вместе с появлением данной науки. Однако толчок для развития данного способа моделирования дало появление ЭВМ (электронно-вычислительных машин).

Теперь перейдем к классификации. Ее так же можно провести по некоторым признакам. Они представлены в таблице ниже.

Мы предлагаем остановиться и подробнее рассмотреть последнюю классификацию, так как она отражает общие закономерности моделирования и цели создаваемых моделей.

Дескриптивные модели

В данной главе мы предлагаем остановиться подробнее на дескриптивных математических моделях. Для того чтобы было все предельно понятно, будет приведен пример.

Начнем с того, что этот вид можно назвать описательным. Это связано с тем, что мы просто делаем расчеты и прогнозы, но никак не можем повлиять на исход события.

Ярким примером описательной математической модели является вычисление траектории полета, скорости, расстояния от Земли кометы, которая вторглась в просторы нашей Солнечной системы. Эта модель является описательной, так как все полученные результаты могут только предупредить нас о какой-либо опасности. Повлиять на исход события, увы, мы не можем. Однако, основываясь на полученных расчетах, можно предпринять какие-либо меры для сохранения жизни на Земле.

Оптимизационные модели

Сейчас мы немного поговорим об экономико-математических моделях, примерами которых могут служить разные сложившиеся ситуации. В данном случае речь идет о моделях, которые помогают найти верный ответ в определенных условиях. Они обязательно имеют некие параметры. Чтобы стало предельно понятно, рассмотрим пример из аграрной части.

У нас есть зернохранилище, но зерно очень быстро портится. В этом случае нам необходимо правильно подобрать температурный режим и оптимизировать процесс хранения.

Таким образом, мы можем дать определение понятию «оптимизационная модель». В математическом смысле это система уравнений (как линейных, так и нет), решение которой помогает найти оптимальное решение в конкретной экономической ситуации. Пример математической модели (оптимизационной) мы рассмотрели, но хочется еще добавить: данный вид относится к классу экстремальных задач, они помогают описать функционирование экономической системы.

Отметим еще один нюанс: модели могут носить разный характер (см. таблицу ниже).

Многокритериальные модели

Сейчас предлагаем вам поговорить немного о математической модели многокритериальной оптимизации. До этого мы привели пример математической модели оптимизации процесса по какому-либо одному критерию, но что делать, если их много?

Ярким примером многокритериальной задачи служит организация правильного, полезного и одновременно экономного питания больших групп людей. С такими задачами часто встречаются в армии, школьных столовых, летних лагерях, больницах и так далее.

Какие критерии нам даны в данной задаче?

1. Питание должно быть полезным.
2. Расходы на пищу должны быть минимальными.

Как видите, эти цели совсем не совпадают. Значит, при решении задачи необходимо искать оптимальное решение, баланс между двумя критериями.

Игровые модели

Говоря об игровых моделях, необходимо понимать понятие «теория игр». Если говорить просто, то данные модели отражают математические модели настоящих конфликтов. Только стоит понимать, что, в отличие от реального конфликта, игровая математическая модель имеет свои определенные правила.

Сейчас будет приведен минимум информации из теории игр, которая поможет вам понять, что такое игровая модель. И так, в модели обязательно присутствуют стороны (две или более), которых принято называть игроками.

Все модели имеют некие характеристики.

Игровая модель может быть парной или множественной. Если у нас есть два субъекта, то конфликт парный, если больше - множественный. Также можно выделить антагонистическую игру, ее еще называют игрой с нулевой суммой. Это модель, в которой выигрыш одного из участников равняется проигрышу другого.

Имитационные модели

В данном разделе мы обратим внимание на имитационные математические модели. Примерами задач могут служить:

• модель динамики численности микроорганизмов;
• модель движения молекул, и так далее.

В данном случае мы говорим о моделях, которые максимально приближены к реальным процессам. По большому счету, они имитируют какое-либо проявление в природе. В первом случае, например, мы можем моделировать динамику численности муравьев в одной колонии. При этом можно наблюдать за судьбой каждой отдельной особи. В данном случае математическое описание используют редко, чаще присутствуют письменные условия:

• через пять дней женская особь откладывает яйца;
• через двадцать дней муравей погибает, и так далее.

Таким образом, используются для описания большой системы. Математическое заключение - это обработка полученных статистических данных.

Требования

Очень важно знать, что к данному виду модели предъявляют некоторые требования, среди которых - приведенные в таблице ниже.

Универсальность	Это свойство позволяет использовать одну и ту же модель при описании однотипных групп объектов. Важно отметить, что универсальные математические модели совершенно не зависят от физической природы исследуемого объекта
Адекватность	Здесь важно понимать, что данное свойство позволяет максимально правильно воспроизводить реальные процессы. В задачах эксплуатации очень важно данное свойство математического моделирования. Примером модели может служить процесс оптимизации использования газовой системы. В данном случае сопоставляются расчетные и фактические показатели, в результате проверяется правильность составленной модели
Точность	Данное требование подразумевает совпадение значений, которые мы получаем при расчете математической модели и входных параметров нашего реального объекта
Экономичность	Требование экономичности, предъявляемое к любой математической модели, характеризуется затратами на реализацию. Если работа с моделью осуществляется ручным способом, то необходимо рассчитать, сколько времени уйдет на решение одной задачи при помощи данной математической модели. Если речь идет об автоматизированном проектировании, то рассчитываются показатели затрат времени и памяти компьютера

Этапы моделирования

Всего в математическом моделировании принято выделять четыре этапа.

1. Формулировка законов, связывающих части модели.
2. Исследование математических задач.
3. Выяснение совпадений практических и теоретических результатов.
4. Анализ и модернизация модели.

Экономико-математическая модель

В этом разделе кратко осветим вопрос Примерами задач могут служить:

• формирование производственной программы выпуска мясной продукции, обеспечивающей максимальную прибыль производства;
• максимизация прибыли организации путем расчета оптимального количества выпуска столов и стульев на мебельной фабрике, и так далее.

Экономико-математическая модель отображает экономическую абстракцию, которая выражена при помощи математических терминов и знаков.

Компьютерная математическая модель

Примерами компьютерной математической модели являются:

• задачи гидравлики при помощи блок-схем, диаграмм, таблиц, и так далее;
• задачи на механику твердого тела, и так далее.

Компьютерная модель - это образ объекта или системы, представленный в виде:

• таблицы;
• блок-схемы;
• диаграммы;
• графика, и так далее.

При этом данная модель отражает структуру и взаимосвязи системы.

Построение экономико-математической модели

Мы уже ранее сказали о том, что такое экономико-математическая модель. Пример решения задачи будет рассмотрен прямо сейчас. Нам необходимо произвести анализ производственной программы для выявления резерва повышения прибыли при сдвиге в ассортименте.

Полностью рассматривать задачу мы не будем, а только построим экономико-математическую модель. Критерий нашей задачи - максимизация прибыли. Тогда функция имеет вид: Л=р1*х1+р2*х2…, стремящееся к максимуму. В данной модели р - это прибыль за единицу, х - это количество производимых единиц. Далее, основываясь на построенной модели, необходимо произвести расчеты и подвести итог.

Пример построения простой математической модели

Задача. Рыбак вернулся со следующим уловом:

• 8 рыб - обитатели северных морей;
• 20% улова - обитатели южных морей;
• из местной реки не обнаружилось ни одной рыбы.

Сколько рыб он купил в магазине?

Итак, пример построения математической модели данной задачи выглядит следующим образом. Обозначаем общее количество рыб за х. Следуя условию, 0,2х - это количество рыб, обитающих в южных широтах. Теперь объединяем всю имеющуюся информацию и получаем математическую модель задачи: х=0,2х+8. Решаем уравнение и получаем ответ на главный вопрос: 10 рыб он купил в магазине.

По учебнику Советова и Яковлева : «модель (лат. modulus - мера) - это объект-заместитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала». (с. 6) «Замещение одного объекта другим с целью получения информации о важнейших свойствах объекта-оригинала с помощью объекта-модели называется моделированием». (с. 6) «Под математическим моделированием будем понимать процесс установления соответствия данному реальному объекту некоторого математического объекта, называемого математической моделью, и исследование этой модели, позволяющее получать характеристики рассматриваемого реального объекта. Вид математической модели зависит как от природы реального объекта, так и задач исследования объекта и требуемой достоверности и точности решения этой задачи».

Наконец, наиболее лаконичное определение математической модели: «Уравнение , выражающее идею ».

Классификация моделей

Формальная классификация моделей

Формальная классификация моделей основывается на классификации используемых математических средств. Часто строится в форме дихотомий . Например, один из популярных наборов дихотомий :

и так далее. Каждая построенная модель является линейной или нелинейной, детерминированной или стохастической, … Естественно, что возможны и смешанные типы: в одном отношении сосредоточенные (по части параметров), в другом - распределённые модели и т. д.

Классификация по способу представления объекта

Наряду с формальной классификацией, модели различаются по способу представления объекта:

• Структурные или функциональные модели

Структурные модели представляют объект как систему со своим устройством и механизмом функционирования. Функциональные модели не используют таких представлений и отражают только внешне воспринимаемое поведение (функционирование) объекта. В их предельном выражении они называются также моделями «чёрного ящика» . Возможны также комбинированные типы моделей, которые иногда называют моделями «серого ящика ».

Содержательные и формальные модели

Практически все авторы, описывающие процесс математического моделирования, указывают, что сначала строится особая идеальная конструкция, содержательная модель . Устоявшейся терминологии здесь нет, и другие авторы называют этот идеальный объект концептуальная модель , умозрительная модель или предмодель . При этом финальная математическая конструкция называется формальной моделью или просто математической моделью, полученной в результате формализации данной содержательной модели (предмодели). Построение содержательной модели может производиться с помощью набора готовых идеализаций, как в механике, где идеальные пружины, твёрдые тела, идеальные маятники, упругие среды и т. п. дают готовые структурные элементы для содержательного моделирования. Однако в областях знания, где не существует полностью завершенных формализованных теорий (передний край физики , биологии , экономики , социологии , психологии , и большинства других областей), создание содержательных моделей резко усложняется.

Содержательная классификация моделей

Никакая гипотеза в науке не бывает доказана раз и навсегда. Очень чётко это сформулировал Ричард Фейнман :

«У нас всегда есть возможность опровергнуть теорию, но, обратите внимание, мы никогда не можем доказать, что она правильна. Предположим, что вы выдвинули удачную гипотезу, рассчитали, к чему это ведет, и выяснили, что все ее следствия подтверждаются экспериментально. Значит ли это, что ваша теория правильна? Нет, просто-напросто это значит, что вам не удалось ее опровергнуть».

Если модель первого типа построена, то это означает, что она временно признаётся за истину и можно сконцентрироваться на других проблемах. Однако это не может быть точкой в исследованиях, но только вре́менной паузой: статус модели первого типа может быть только вре́менным.

Тип 2: Феноменологическая модель (ведем себя так, как если бы …)

Феноменологическая модель содержит механизм для описания явления. Однако этот механизм недостаточно убедителен, не может быть достаточно подтверждён имеющимися данными или плохо согласуется с имеющимися теориями и накопленным знанием об объекте. Поэтому феноменологические модели имеют статус вре́менных решений. Считается, что ответ всё ещё неизвестен и необходимо продолжить поиск «истинных механизмов». Ко второму типу Пайерлс относит, например, модели теплорода и кварковую модель элементарных частиц.

Роль модели в исследовании может меняться со временем, может случиться так, что новые данные и теории подтвердят феноменологические модели и те будут повышены до статуса гипотезы. Аналогично, новое знание может постепенно прийти в противоречие с моделями-гипотезами первого типа и те могут быть переведены во второй. Так, кварковая модель постепенно переходит в разряд гипотез; атомизм в физике возник как временное решение, но с ходом истории перешёл в первый тип. А вот модели эфира , проделали путь от типа 1 к типу 2, а сейчас находятся вне науки.

Идея упрощения очень популярна при построении моделей. Но упрощение бывает разным. Пайерлс выделяет три типа упрощений в моделировании.

Тип 3: Приближение (что-то считаем очень большим или очень малым )

Если можно построить уравнения, описывающие исследуемую систему, то это не значит, что их можно решить даже с помощью компьютера. Общепринятый прием в этом случае - использование приближений (моделей типа 3). Среди них модели линейного отклика . Уравнения заменяются линейными. Стандартный пример - закон Ома .

А вот и тип 8, широко распространенный в математических моделях биологических систем.

Тип 8: Демонстрация возможности (главное - показать внутреннюю непротиворечивость возможности )

Это тоже мысленные эксперименты с воображаемыми сущностями, демонстрирующие, что предполагаемое явление согласуется с базовыми принципам и внутренне непротиворечиво. В этом основное отличие от моделей типа 7, которые вскрывают скрытые противоречия.

Один из самых знаменитых таких экспериментов - геометрия Лобачевского (Лобачевский называл её «воображаемой геометрией»). Другой пример - массовое производство формально - кинетических моделей химических и биологических колебаний, автоволн и др. Парадокс Эйнштейна - Подольского - Розена был задуман как модель 7 типа, для демонстрации противоречивости квантовой механики. Совершенно незапланированным образом он со временем превратился в модель 8 типа - демонстрацию возможности квантовой телепортации информации.

Пример

Рассмотрим механическую систему, состоящую из пружины, закрепленной с одного конца, и груза массой , прикрепленного к свободному концу пружины. Будем считать, что груз может двигаться только в направлении оси пружины (например, движение происходит вдоль стержня). Построим математическую модель этой системы. Будем описывать состояние системы расстоянием от центра груза до его положения равновесия. Опишем взаимодействие пружины и груза с помощью закона Гука () после чего воспользуемся вторым законом Ньютона , чтобы выразить его в форме дифференциального уравнения :

где означает вторую производную от по времени: .

Полученное уравнение описывает математическую модель рассмотренной физической системы. Эта модель называется «гармоническим осциллятором ».

По формальной классификации эта модель линейная, детерминисткая, динамическая, сосредоточенная, непрерывная. В процессе её построения мы сделали множество допущений (об отсутствии внешних сил, отсутствии трения, малости отклонений и т. д.), которые в реальности могут не выполняться.

По отношению к реальности это, чаще всего, модель типа 4 упрощение («опустим для ясности некоторые детали»), поскольку опущены некоторые существенные универсальные особенности (например, диссипация). В некотором приближении (скажем, пока отклонение груза от равновесия невелико, при малом трении, в течение не слишком большого времени и при соблюдении некоторых других условий), такая модель достаточно хорошо описывает реальную механическую систему, поскольку отброшенные факторы оказывают пренебрежимо малое влияние на её поведение. Однако модель можно уточнить, приняв во внимание какие-то из этих факторов. Это приведет к новой модели, с более широкой (хотя и снова ограниченной) областью применимости.

Впрочем, при уточнении модели сложность её математического исследования может существенно возрасти и сделать модель фактически бесполезной. Зачастую более простая модель позволяет лучше и глубже исследовать реальную систему, чем более сложная (и, формально, «более правильная»).

Если применять модель гармонического осциллятора к объектам, далёким от физики, её содержательный статус может быть другим. Например, при приложении этой модели к биологическим популяциям, её следует отнести, скорее всего, к типу 6 аналогия («учтём только некоторые особенности»).

Жёсткие и мягкие модели

Гармонический осциллятор - пример так называемой «жёсткой» модели. Она получена в результате сильной идеализации реальной физической системы. Для решения вопроса о её применимости необходимо понять, насколько существенными являются факторы, которыми мы пренебрегли. Иными словами, нужно исследовать «мягкую» модель, получающуюся малым возмущением «жёсткой». Она может задаваться, например, следующим уравнением:

Здесь - некоторая функция, в которой может учитываться сила трения или зависимость коэффициента жёсткости пружины от степени её растяжения, - некоторый малый параметр. Явный вид функции нас в данный момент не интересует. Если мы докажем, что поведение мягкой модели принципиально не отличается от поведения жёсткой (вне зависимости от явного вида возмущающих факторов, если они достаточно малы), задача сведется к исследованию жёсткой модели. В противном случае применение результатов, полученных при изучении жёсткой модели, потребует дополнительных исследований. Например, решением уравнения гармонического осциллятора являются функции вида , то есть колебания с постоянной амплитудой. Следует ли из этого, что реальный осциллятор будет бесконечно долго колебаться с постоянной амплитудой? Нет, поскольку рассматривая систему со сколь угодно малым трением (всегда присутствующим в реальной системе), мы получим затухающие колебания . Поведение системы качественно изменилось.

Если система сохраняет свое качественное поведение при малом возмущении, говорят, что она структурно устойчива. Гармонический осциллятор - пример структурно-неустойчивой (негрубой) системы. Тем не менее, эту модель можно применять для изучения процессов на ограниченных промежутках времени.

Универсальность моделей

Важнейшие математические модели обычно обладают важным свойством универсальности : принципиально разные реальные явления могут описываться одной и той же математической моделью. Скажем, гармонический осциллятор описывает не только поведение груза на пружине, но и другие колебательные процессы, зачастую имеющие совершенно иную природу: малые колебания маятника, колебания уровня жидкости в -образном сосуде или изменение силы тока в колебательном контуре. Таким образом, изучая одну математическую модель, мы изучаем сразу целый класс описываемых ею явлений. Именно этот изоморфизм законов, выражаемых математическими моделями в различных сегментах научного знания, подвиг Людвига фон Берталанфи на создание «Общей теории систем ».

Прямая и обратная задачи математического моделирования

Существует множество задач, связанных с математическим моделированием. Во-первых, надо придумать основную схему моделируемого объекта, воспроизвести его в рамках идеализаций данной науки. Так, вагон поезда превращается в систему пластин и более сложных тел из разных материалов, каждый материал задается как его стандартная механическая идеализация (плотность, модули упругости, стандартные прочностные характеристики), после чего составляются уравнения, по дороге какие-то детали отбрасываются, как несущественные, производятся расчёты, сравниваются с измерениями, модель уточняется, и так далее. Однако для разработки технологий математического моделирования полезно разобрать этот процесс на основные составные элементы.

Традиционно выделяют два основных класса задач, связанных с математическими моделями: прямые и обратные.

Прямая задача : структура модели и все её параметры считаются известными, главная задача - провести исследование модели для извлечения полезного знания об объекте. Какую статическую нагрузку выдержит мост? Как он будет реагировать на динамическую нагрузку (например, на марш роты солдат, или на прохождение поезда на различной скорости), как самолёт преодолеет звуковой барьер, не развалится ли он от флаттера , - вот типичные примеры прямой задачи. Постановка правильной прямой задачи (задание правильного вопроса) требует специального мастерства. Если не заданы правильные вопросы, то мост может обрушиться, даже если была построена хорошая модель для его поведения. Так, в 1879 г. в Великобритании обрушился металлический мост через реку Тей , конструкторы которого построили модель моста, рассчитали его на 20-кратный запас прочности на действие полезной нагрузки, но забыли о постоянно дующих в тех местах ветрах. И через полтора года он рухнул.

В простейшем случае (одно уравнение осциллятора, например) прямая задача очень проста и сводится к явному решению этого уравнения.

Обратная задача : известно множество возможных моделей, надо выбрать конкретную модель на основании дополнительных данных об объекте. Чаще всего, структура модели известна, и необходимо определить некоторые неизвестные параметры. Дополнительная информация может состоять в дополнительных эмпирических данных, или в требованиях к объекту (задача проектирования ). Дополнительные данные могут поступать независимо от процесса решения обратной задачи (пассивное наблюдение ) или быть результатом специально планируемого в ходе решения эксперимента (активное наблюдение ).

Одним из первых примеров виртуозного решения обратной задачи с максимально полным использованием доступных данных был построенный И. Ньютоном метод восстановления сил трения по наблюдаемым затухающим колебаниям.

В качестве другого примера можно привести математическую статистику . Задача этой науки - разработка методов регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений . Т.е. множество возможных моделей ограничено вероятностными моделями. В конкретных задачах множество моделей ограничено сильнее.

Компьютерные системы моделирования

Для поддержки математического моделирования разработаны системы компьютерной математики, например, Maple , Mathematica , Mathcad , MATLAB , VisSim и др. Они позволяют создавать формальные и блочные модели как простых, так и сложных процессов и устройств и легко менять параметры моделей в ходе моделирования. Блочные модели представлены блоками (чаще всего графическими), набор и соединение которых задаются диаграммой модели.

Дополнительные примеры

Модель Мальтуса

Скорость роста пропорциональна текущему размеру популяции . Она описывается дифференциальным уравнением

где - некоторый параметр, определяемый разностью между рождаемостью и смертностью. Решением этого уравнения является экспоненциальная функция . Если рождаемость превосходит смертность (), размер популяции неограниченно и очень быстро возрастает. Понятно, что в действительности этого не может происходить из-за ограниченности ресурсов. При достижении некоторого критического объёма популяции модель перестает быть адекватной, поскольку не учитывает ограниченность ресурсов. Уточнением модели Мальтуса может служить логистическая модель , которая описывается дифференциальным уравнением Ферхюльста

где - «равновесный» размер популяции, при котором рождаемость в точности компенсируется смертностью. Размер популяции в такой модели стремится к равновесному значению , причем такое поведение структурно устойчиво.

Система хищник-жертва

Допустим, что на некоторой территории обитают два вида животных : кролики (питающиеся растениями) и лисы (питающиеся кроликами). Пусть число кроликов , число лис . Используя модель Мальтуса с необходимыми поправками, учитывающими поедание кроликов лисами, приходим к следующей системе, носящей имя модели Лотки - Вольтерра :

Эта система имеет равновесное состояние , когда число кроликов и лис постоянно. Отклонение от этого состояния приводит к колебаниям численности кроликов и лис, аналогичным колебаниям гармонического осциллятора . Как и в случае гармонического осциллятора, это поведение не является структурно устойчивым : малое изменение модели (например, учитывающее ограниченность ресурсов, необходимых кроликам) может привести к качественному изменению поведения . Например, равновесное состояние может стать устойчивым, и колебания численности будут затухать . Возможна и противоположная ситуация, когда любое малое отклонение от положения равновесия приведет к катастрофическим последствиям, вплоть до полного вымирания одного из видов. На вопрос о том, какой из этих сценариев реализуется, модель Вольтерра - Лотки ответа не дает: здесь требуются дополнительные исследования.

Примечания

1. «A mathematical representation of reality»(Encyclopaedia Britanica)
2. Новик И. Б. , О философских вопросах кибернетического моделирования. М., Знание, 1964.
3. Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2
4. Самарский А. А. , Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры . - 2-е изд., испр. - М .: Физматлит, 2001. - ISBN 5-9221-0120-X
5. Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4
6. Севостьянов, А.Г. Моделирование технологических процессов: учебник / А.Г. Севостьянов, П.А. Севостьянов. – М.: Легкая и пищевая промышленность, 1984. - 344 с.
7. Wiktionary: mathematical model
8. CliffsNotes.com. Earth Science Glossary. 20 Sep 2010
9. Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena, Springer, Complexity series, Berlin-Heidelberg-New York, 2006. XII+562 pp. ISBN 3-540-35885-4
10. «Теория считается линейной или нелинейной в зависимости от того, какой - линейный или нелинейный - математический аппарат, какие - линейные или нелинейные - математические модели она использует. … ез отрицание последней. Современный физик, доведись ему заново создавать определение столь важной сущности, как нелинейность, скорее всего, поступил бы иначе, и, отдав предпочтение нелинейности как более важной и распространенной из двух противоположностей, определил бы линейность как „не нелинейность“.» Данилов Ю. А. , Лекции по нелинейной динамике. Элементарное введение. Серия «Синергетика: от прошлого к будущему». Изд.2. - M.: URSS, 2006. - 208 с. ISBN 5-484-00183-8
11. «Динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений, называют сосредоточенными или точечными системами. Они описываются с помощью конечномерного фазового пространства и характеризуются конечным числом степеней свободы. Одна и та же система в различных условиях может рассматриваться либо как сосредоточенная, либо как распределенная. Математические модели распределенных систем - это дифференциальные уравнения в частных производных, интегральные уравнения или обыкновенные уравнения с запаздывающим аргументом. Число степеней свободы распределенной системы бесконечно, и требуется бесконечное число данных для определения ее состояния.» Анищенко В. С. , Динамические системы, Соросовский образовательный журнал, 1997, № 11, с. 77-84.
12. «В зависимости от характера изучаемых процессов в системе S все виды моделирования могут быть разделены на детерминированные и стохастические, статические и динамические, дискретные, непрерывные и дискретно-непрерывные. Детерминированное моделирование отображает детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий; стохастическое моделирование отображает вероятностные процессы и события. … Статическое моделирование служит для описания поведения объекта в какой-либо момент времени, а динамическое моделирование отражает поведение объекта во времени. Дискретное моделирование служит для описания процессов, которые предполагаются дискретными, соответственно непрерывное моделирование позволяет отразить непрерывные процессы в системах, а дискретно-непрерывное моделирование используется для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.» Советов Б. Я., Яковлев С. А. ISBN 5-06-003860-2
13. Обычно в математической модели отражается структура (устройство) моделируемого объекта, существенные для целей исследования свойства и взаимосвязи компонентов этого объекта; такая модель называется структурной. Если же модель отражает только то, как объект функционирует - например, как он реагирует на внешние воздействия,- то она называется функциональной или, образно, черным ящиком. Возможны и модели комбинированного типа. Мышкис А. Д. ISBN 978-5-484-00953-4
14. «Очевидный, но важнейший начальный этап построения или выбора математической модели - это получение по возможности более четкого представления о моделируемом объекте и уточнение его содержательной модели, основанное на неформальных обсуждениях. Нельзя жалеть времени и усилий на этот этап, от него в значительной мере зависит успех всего исследования. Не раз бывало, что значительный труд, затраченный на решение математической задачи, оказывался малоэффективным или даже потраченным впустую из-за недостаточного внимания к этой стороне дела.» Мышкис А. Д. , Элементы теории математических моделей. - 3-е изд., испр. - М.: КомКнига, 2007. - 192 с ISBN 978-5-484-00953-4 , с. 35.
15. «Описание концептуальной модели системы. На этом подэтапе построения модели системы: а) описывается концептуальная модель М в абстрактных терминах и понятиях; б) дается описание модели с использованием типовых математических схем; в) принимаются окончательно гипотезы и предположения; г) обосновывается выбор процедуры аппроксимации реальных процессов при построении модели.» Советов Б. Я., Яковлев С. А. , Моделирование систем: Учеб. для вузов - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с. ISBN 5-06-003860-2 , с. 93.
16. Блехман И. И., Мышкис А. Д.,

ЭВМ прочно вошла в нашу жизнь, и практически нет такой области человеческой деятельности, где не применялась бы ЭВМ. ЭВМ сейчас широко используется в процессе создания и исследования новых машин, новых технологических процессов и поиске их оптимальных вариантов; при решении экономических задач, при решении задач планирования и управления производством на различных уровнях. Создание же крупных объектов в ракетотехнике, авиастроении, судостроении, а также проектирование плотин, мостов, и др. вообще невозможно без применения ЭВМ.

Для использования ЭВМ при решении прикладных задач, прежде всего прикладная задача должна быть "переведена" на формальный математический язык, т.е. для реального объекта, процесса или системы должна быть построена его математическая модель .

Слово "Модель" происходит от латинского modus (копия, образ, очертание). Моделирование - это замещение некоторого объекта А другим объектом Б. Замещаемый объект А называется оригиналом или объектом моделирования, а замещающий Б - моделью. Другими словами, модель - это объект -заменитель объекта-оригинала, обеспечивающий изучение некоторых свойств оригинала.

Целью моделирования являются получение, обработка, представление и использование информации об объектах, которые взаимодействуют между собой и внешней средой; а модель здесь выступает как средство познания свойств и закономерности поведения объекта.

Моделирование широко используется в различных сферах человеческой деятельности, особенно в сферах проектирования и управления, где особенными являются процессы принятия эффективных решений на основе получаемой информации.

Модель всегда строится с определенной целью, которая оказывает влияние на то, какие свойства объективного явления оказываются существенными, а какие - нет. Модель представляет собой как бы проекцию объективной реальности под определенным углом зрения. Иногда, в зависимости от целей, можно получить ряд проекций объективной реальности, вступающих в противоречие. Это характерно, как правило, для сложных систем, у которых каждая проекция выделяет существенное для определенной цели из множества несущественного.

Теорией моделирования является раздел науки, изучающий способы исследования свойств объектов-оригиналов, на основе замещения их другими объектами-моделями. В основе теории моделирования лежит теория подобия. При моделировании абсолютное подобие не имеет места и лишь стремится к тому, чтобы модель достаточно хорошо отображала исследуемую сторону функционирования объекта. Абсолютное подобие может иметь место лишь при замене одного объекта другим точно таким же.

Все модели можно разделить на два класса:

1. вещественные,
2. идеальные.

В свою очередь вещественные модели можно разделить на:

1. натурные,
2. физические,
3. математические.

Идеальные модели можно разделить на:

1. наглядные,
2. знаковые,
3. математические.

Вещественные натурные модели - это реальные объекты, процессы и системы, над которыми выполняются эксперименты научные, технические и производственные.

Вещественные физические модели - это макеты, муляжи, воспроизводящие физические свойства оригиналов (кинематические, динамические, гидравлические, тепловые, электрические, световые модели).

Вещественные математические - это аналоговые, структурные, геометрические, графические, цифровые и кибернетические модели.

Идеальные наглядные модели - это схемы, карты, чертежи, графики, графы, аналоги, структурные и геометрические модели .

Идеальные знаковые модели - это символы, алфавит , языки программирования, упорядоченная запись , топологическая запись , сетевое представление .

Идеальные математические модели - это аналитические, функциональные, имитационные, комбинированные модели.

В приведенной классификации некоторые модели имеют двойное толкование (например - аналоговые). Все модели, кроме натурных, можно объединить в один класс мысленных моделей, т.к. они являются продуктом абстрактного мышления человека.

Остановимся на одном из наиболее универсальных видов моделирования - математическом, ставящим в соответствие моделируемому физическому процессу систему математических соотношений, решение которой позволяет получить ответ на вопрос о поведении объекта без создания физической модели, часто оказывающейся дорогостоящей и неэффективной.

Математическое моделирование - это средство изучения реального объекта, процесса или системы путем их замены математической моделью , более удобной для экспериментального исследования с помощью ЭВМ.

Математическая модель является приближенным представлением реальных объектов, процессов или систем, выраженным в математических терминах и сохраняющим существенные черты оригинала. Математические модели в количественной форме, с помощью логико-математических конструкций, описывают основные свойства объекта, процесса или системы, его параметры, внутренние и внешние связи .

Формирование теоретических представлений на основе исследований в области естествознания, которые послужили основой информации для изучения природных процессов в водных экосистемах и развития математического моделирования как самостоятельного научного направления

Базовые понятия и определения

1.2.1. Модель (фр. мера, образец):

– некоторая совокупность объектов (пространственно-временных ячеек – станций, разрезов, матриц и т.д.), описывающая какие-либо параметры исследуемого явления;

Некоторая совокупность объектов, свойства которых и отношения между которыми удовлетворяют данной системе аксиом;

Мера, образец, норма – аналог (схема, структура, знаковая система) определенного фрагмента природной (или социальной) реальности.

(из словаря пусть найдут: метод, методика, методология ).

1.2.2. По классам сами модели бывают:

- физические;

- математические;

- социальные.

В свою очередь математические модели по принципу реализации могут быть:

- детерминированные – которые строятся на основе математически выраженных закономерностях, описывающих физико-химические процессы в объекте моделирования. Они позволяют однозначно определять значение переменных;

- статистические – строятся на основе экспериментальных данных и представляют собой системы соотношений, связывающих собой значения входных и выходных параметров;

- стохастические (или имитационные) – строятся на основе вероятностных представлений о процессах в объекте исследований и позволяют моделировать его поведение путем вычисления функций распределения вероятности переменных, характеризующих исследуемые свойства.

Имитация – подражание.

Стохастический – случайный, вероятностный.

Принцип – руководящая идея, основное правило деятельности.

Благодаря усилиям классиков современного естествознания, в ходе истории его развития формировалась качественная модель окружающего мира. Так, В.И. Вернадский заложил основы учения о живом веществе и морской геохимии, А.П. Виноградов начал изучать химический состав микроорганизмов, Н.М. Книпович был пионером рыбопромысловых исследований морей и солоноватых вод, С.В. Бруевич разработал аналитические методы морских гидрохимических работ, сформулировал основы гидрохимии, биогидрохимии и химической динамики морей, Л.А. Зенкевич изучал фауну и продуктивность морских вод, А.Б. Скопинцев начал исследования биогенных и органических веществ (ОВ) в водоемах и водотоках, Г.Г. Винберг обращался к вопросам формирования биологической продуктивности морей.

Эти работы послужили методологическим и теоретическим фундаментом начавшихся во всем мире со второй половины ХХ в. регулярных исследований экологического состояния морских экосистем, гидрохимических особенностей формирования сырьевой базы и биопродуктивности природных вод; закономерностей развития химико-биологических процессов трансформации и распада ОВ; механизмов регенерации биогенных субстратов в связи с изучением условий оборачиваемости и круговорота веществ в биосфере [Леонов, 1999], а также способов систематизации и анализа полученной информации [Фащук, 1997; Фащук и др., 1997].

По выражению известного математика, академика И.М. Яглома: “Уровень зрелости той или иной дисциплины в значительной мере определяется степенью использования в ней математического аппарата, содержательностью присущих дисциплине “математических моделей” и тесно с ними связанных дедуктивных выводов…” . Ко второй половине ХХ в. морская экология “созрела” как наука до такой степени, что математическое моделирование состояния морских экосистем стало самостоятельным научным направлением в естествознании. В его рамках Мировой океан рассматривается как сложная динамическая система физических, химических, биологических, геологических и других процессов.

Развитие средств вычислительной техники и аппарата прикладной математики привело к интенсивной разработке математических моделей морских экосистем, которые позволили систематизировать полученные знания в различных областях морской науки с целью прогноза и управления состоянием морских водоемов. В этой связи, математические модели морских экосистем, наряду с полевыми наблюдениями в море, можно рассматривать как фундамент научного понимания природы океана. Построение и использование математических моделей служит средством системного анализа условий функционирования морских экосистем.

1.4.1. На основе методологического подхода к моделированию природных процессов и явлений выделяют следующие типы моделей : эмпирические, полуэмпирические и теоретические.

Эмпирические модели описывают математическими зависимостями связи между отдельными параметрами состояния среды и действующими на них внешними факторами.

Теоретические модели строятся на широком фактическом материале, полученном в результате фундаментальных исследований отдельных элементов экосистемы, процессов трансформации вещества и энергии, закономерностей изменения химических и биологических параметров и др.

Полуэмпирические модели представляют собой синтез первых двух, и большая часть разработанных моделей может быть отнесена к этой категории.

1.4.2. По способу реализации модели делятся на:

- детерминистические (в них используются функциональные зависимости для связи между переменными);

- стохастические (построены на основании статистических связей). Первые из них применяются чаще, так как допускают бесконечное множество компонентов и не учитывают случайных колебаний параметров водной среды. Они удобны с точки зрения интерпретации результатов [Айзатуллин, Лебедев, 1977].

- стохастико-детерминистические , в которых на первом этапе решение ищется детерминистическим способом, а затем, с помощью метода статистических испытаний моделируется изменчивость различных параметров и исследуется реакция решения на эту изменчивость.

1.4.3. В зависимости от точности описания объекта модели можно подразделить на имитационные (приурочены к конкретным бассейнам или районам и разрабатываемые для конкретных задач исследований) и качественные (используются для выяснения общих закономерностей развития и анализа процессов, их иногда также называют теоретическими ). В имитационных моделях стремятся учесть максимум деталей, а в качественных – минимум (но наиболее важных), поэтому для последних главная проблема – выбор приоритетных переменных [Смит, 1976].

По другой классификации имитационные (они же стохастические) модели – это модели, построенные на основе вероятностных представлений о процессах в объекте исследований и позволяющие моделировать его поведение.

1.4.4. По способу представления (описания) пространственной структуры модели делятся на:

- точечные (или нульмерные) с сосредоточенными параметрами, в них значения характеристик состояния принимаются средними для всего объема воды, т.е. водоем рассматривается как точка (напр. как средняя океанологическая станция).

Математическое моделирование

1. Что такое математическое моделирование?

С середины XX в. в самых различных областях человеческой деятельности стали широко применять математические методы и ЭВМ. Возникли такие новые дисциплины, как «математическая экономика», «математическая химия», «математическая лингвистика» и т. д., изучающие математические модели соответствующих объектов и явлений, а также методы исследования этих моделей.

Математическая модель - это приближенное описание какого-либо класса явлений или объектов реального мира на языке математики. Основная цель моделирования - исследовать эти объекты и предсказать результаты будущих наблюдений. Однако моделирование - это еще и метод познания окружающего мира, дающий возможность управлять им.

Математическое моделирование и связанный с ним компьютерный эксперимент незаменимы в тех случаях, когда натурный эксперимент невозможен или затруднен по тем или иным причинам. Например, нельзя поставить натурный эксперимент в истории, чтобы проверить, «что было бы, если бы...» Невозможно проверить правильность той или иной космологической теории. В принципе возможно, но вряд ли разумно, поставить эксперимент по распространению какой-либо болезни, например чумы, или осуществить ядерный взрыв, чтобы изучить его последствия. Однако все это вполне можно сделать на компьютере, построив предварительно математические модели изучаемых явлений.

2. Основные этапы математического моделирования

1) Построение модели . На этом этапе задается некоторый «нематематический» объект - явление природы, конструкция, экономический план, производственный процесс и т. д. При этом, как правило, четкое описание ситуации затруднено. Сначала выявляются основные особенности явления и связи между ними на качественном уровне. Затем найденные качественные зависимости формулируются на языке математики, то есть строится математическая модель. Это самая трудная стадия моделирования.

2) Решение математической задачи, к которой приводит модель . На этом этапе большое внимание уделяется разработке алгоритмов и численных методов решения задачи на ЭВМ, при помощи которых результат может быть найден с необходимой точностью и за допустимое время.

3) Интерпретация полученных следствий из математической модели. Следствия, выведенные из модели на языке математики, интерпретируются на языке, принятом в данной области.

4) Проверка адекватности модели. На этом этапе выясняется, согласуются ли результаты эксперимента с теоретическими следствиями из модели в пределах определенной точности.

5) Модификация модели. На этом этапе происходит либо усложнение модели, чтобы она была более адекватной действительности, либо ее упрощение ради достижения практически приемлемого решения.

3. Классификация моделей

Классифицировать модели можно по разным критериям. Например, по характеру решаемых проблем модели могут быть разделены на функциональные и структурные. В первом случае все величины, характеризующие явление или объект, выражаются количественно. При этом одни из них рассматриваются как независимые переменные, а другие - как функции от этих величин. Математическая модель обычно представляет собой систему уравнений разного типа (дифференциальных, алгебраических и т. д.), устанавливающих количественные зависимости между рассматриваемыми величинами. Во втором случае модель характеризует структуру сложного объекта, состоящего из отдельных частей, между которыми существуют определенные связи. Как правило, эти связи не поддаются количественному измерению. Для построения таких моделей удобно использовать теорию графов. Граф - это математический объект, представляющий собой некоторое множество точек (вершин) на плоскости или в пространстве, некоторые из которых соединены линиями (ребрами).

По характеру исходных данных и результатов предсказания модели могут быть разделены на детерминистические и вероятностно-статистические. Модели первого типа дают определенные, однозначные предсказания. Модели второго типа основаны на статистической информации, а предсказания, полученные с их помощью, имеют вероятностный характер.

4. Примеры математических моделей

1) Задачи о движении снаряда.

Рассмотрим следующую задачу механики.

Снаряд пущен с Земли с начальной скоростью v 0 = 30 м/с под углом a = 45° к ее поверхности; требуется найти траекторию его движения и расстояние S между начальной и конечной точкой этой траектории.

Тогда, как это известно из школьного курса физики, движение снаряда описывается формулами:

где t - время, g = 10 м/с 2 - ускорение свободного падения. Эти формулы и дают математическую модель поставленной задачи. Выражая t через x из первого уравнения и подставляя во второе, получим уравнение траектории движения снаряда:

Эта кривая (парабола) пересекает ось x в двух точках: x 1 = 0 (начало траектории) и (место падения снаряда). Подставляя в полученные формулы заданные значения v0 и a, получим

ответ: y = x – 90x 2 , S = 90 м.

Отметим, что при построении этой модели использован ряд предположений: например, считается, что Земля плоская, а воздух и вращение Земли не влияют на движение снаряда.

2) Задача о баке с наименьшей площадью поверхности.

Требуется найти высоту h 0 и радиус r 0 жестяного бака объема V = 30 м 3 , имеющего форму закрытого кругового цилиндра, при которых площадь его поверхности S минимальна (в этом случае на его изготовление пойдет наименьшее количество жести).

Запишем следующие формулы для объема и площади поверхности цилиндра высоты h и радиуса r:

V = p r 2 h, S = 2p r(r + h).

Выражая h через r и V из первой формулы и подставляя полученное выражение во вторую, получим:

Таким образом, с математической точки зрения, задача сводится к определению такого значения r, при котором достигает своего минимума функция S(r). Найдем те значения r 0 , при которых производная

обращается в ноль:Можно проверить, что вторая производная функции S(r) меняет знак с минуса на плюс при переходе аргумента r через точку r 0 . Следовательно, в точке r0 функция S(r) имеет минимум. Соответствующее значение h 0 = 2r 0 . Подставляя в выражение для r 0 и h 0 заданное значение V, получим искомый радиус и высоту

3) Транспортная задача.

В городе имеются два склада муки и два хлебозавода. Ежедневно с первого склада вывозят 50 т муки, а со второго - 70 т на заводы, причем на первый - 40 т, а на второй - 80 т.

Обозначим через a ij стоимость перевозки 1 т муки с i-го склада на j-й завод (i, j = 1,2). Пусть

a 11 = 1,2 р., a 12 = 1,6 р., a 21 = 0,8 р., a 22 = 1 р.

Как нужно спланировать перевозки, чтобы их стоимость была минимальной?

Придадим задаче математическую формулировку. Обозначим через x 1 и x 2 количество муки, которое надо перевезти с первого склада на первый и второй заводы, а через x 3 и x 4 - со второго склада на первый и второй заводы соответственно. Тогда:

x 1 + x 2 = 50, x 3 + x 4 = 70, x 1 + x 3 = 40, x 2 + x 4 = 80. (1)

Общая стоимость всех перевозок определяется формулой

f = 1,2x 1 + 1,6x 2 + 0,8x 3 + x 4 .

С математической точки зрения, задача заключается в том, чтобы найти четыре числа x 1 , x 2 , x 3 и x 4 , удовлетворяющие всем заданным условиям и дающим минимум функции f. Решим систему уравнений (1) относительно xi (i = 1, 2, 3, 4) методом исключения неизвестных. Получим, что

x 1 = x 4 – 30, x 2 = 80 – x 4 , x 3 = 70 – x 4 , (2)

а x 4 не может быть определено однозначно. Так как x i і 0 (i = 1, 2, 3, 4), то из уравнений (2) следует, что 30Ј x 4 Ј 70. Подставляя выражение для x 1 , x 2 , x 3 в формулу для f, получим

f = 148 – 0,2x 4 .

Легко видеть, что минимум этой функции достигается при максимально возможном значении x 4 , то есть при x 4 = 70. Соответствующие значения других неизвестных определяются по формулам (2): x 1 = 40, x 2 = 10, x 3 = 0.

4) Задача о радиоактивном распаде.

Пусть N(0) - исходное количество атомов радиоактивного вещества, а N(t) - количество нераспавшихся атомов в момент времени t. Экспериментально установлено, что скорость изменения количества этих атомов N"(t) пропорциональна N(t), то есть N"(t)=–l N(t), l >0 - константа радиоактивности данного вещества. В школьном курсе математического анализа показано, что решение этого дифференциального уравнения имеет вид N(t) = N(0)e –l t . Время T, за которое число исходных атомов уменьшилось вдвое, называется периодом полураспада, и является важной характеристикой радиоактивности вещества. Для определения T надо положить в формуле Тогда Например, для радона l = 2,084 · 10 –6 , и следовательно, T = 3,15 сут.

5) Задача о коммивояжере.

Коммивояжеру, живущему в городе A 1 , надо посетить города A 2 , A 3 и A 4 , причем каждый город точно один раз, и затем вернуться обратно в A 1 . Известно, что все города попарно соединены между собой дорогами, причем длины дорог b ij между городами A i и A j (i, j = 1, 2, 3, 4) таковы:

b 12 = 30, b 14 = 20, b 23 = 50, b 24 = 40, b 13 = 70, b 34 = 60.

Надо определить порядок посещения городов, при котором длина соответствующего пути минимальна.

Изобразим каждый город точкой на плоскости и пометим ее соответствующей меткой Ai (i = 1, 2, 3, 4). Соединим эти точки отрезками прямых: они будут изображать дороги между городами. Для каждой «дороги» укажем ее протяженность в километрах (рис. 2). Получился граф - математический объект, состоящий из некоторого множества точек на плоскости (называемых вершинами) и некоторого множества линий, соединяющих эти точки (называемых ребрами). Более того, этот граф меченый, так как его вершинам и ребрам приписаны некоторые метки - числа (ребрам) или символы (вершинам). Циклом на графе называется последовательность вершин V 1 , V 2 , ..., V k , V 1 такая, что вершины V 1 , ..., V k - различны, а любая пара вершин V i , V i+1 (i = 1, ..., k – 1) и пара V 1 , V k соединены ребром. Таким образом, рассматриваемая задача заключается в отыскании такого цикла на графе, проходящего через все четыре вершины, для которого сумма всех весов ребер минимальна. Найдем перебором все различные циклы, проходящие через четыре вершины и начинающиеся в A 1:

1) A 1 , A 4 , A 3 , A 2 , A 1 ;
2) A 1 , A 3 , A 2 , A 4 , A 1 ;
3) A 1 , A 3 , A 4 , A 2 , A 1 .

Найдем теперь длины этих циклов (в км): L 1 = 160, L 2 = 180, L 3 = 200. Итак, маршрут наименьшей длины - это первый.

Заметим, что если в графе n вершин и все вершины попарно соединены между собой ребрами (такой граф называется полным), то число циклов, проходящих через все вершины, равно Следовательно, в нашем случае имеется ровно три цикла.

6) Задача о нахождении связи между структурой и свойствами веществ.

Рассмотрим несколько химических соединений, называемых нормальными алканами. Они состоят из n атомов углерода и n + 2 атомов водорода (n = 1, 2 ...), связанных между собой так, как показано на рисунке 3 для n = 3. Пусть известны экспериментальные значения температур кипения этих соединений:

y э (3) = – 42°, y э (4) = 0°, y э (5) = 28°, y э (6) = 69°.

Требуется найти приближенную зависимость между температурой кипения и числом n для этих соединений. Предположим, что эта зависимость имеет вид

y » a n + b,

где a , b - константы, подлежащие определению. Для нахождения a и b подставим в эту формулу последовательно n = 3, 4, 5, 6 и соответствующие значения температур кипения. Имеем:

– 42 » 3a + b, 0 » 4a + b, 28 » 5a + b, 69 » 6a + b.

Для определения наилучших a и b существует много разных методов. Воспользуемся наиболее простым из них. Выразим b через a из этих уравнений:

b » – 42 – 3a , b » – 4a , b » 28 – 5a , b » 69 – 6a .

Возьмем в качестве искомого b среднее арифметическое этих значений, то есть положим b » 16 – 4,5a . Подставим в исходную систему уравнений это значение b и, вычисляя a , получим для a следующие значения: a » 37, a » 28, a » 28, a » 36. Возьмем в качестве искомого a среднее значение этих чисел, то есть положим a » 34. Итак, искомое уравнение имеет вид

y » 34n – 139.

Проверим точность модели на исходных четырех соединениях, для чего вычислим температуры кипения по полученной формуле:

y р (3) = – 37°, y р (4) = – 3°, y р (5) = 31°, y р (6) = 65°.

Таким образом, ошибка расчетов данного свойства для этих соединений не превышает 5°. Используем полученное уравнение для расчета температуры кипения соединения с n = 7, не входящего в исходное множество, для чего подставим в это уравнение n = 7: y р (7) = 99°. Результат получился довольно точный: известно, что экспериментальное значение температуры кипения y э (7) = 98°.

7) Задача об определении надежности электрической цепи.

Здесь мы рассмотрим пример вероятностной модели. Сначала приведем некоторые сведения из теории вероятностей - математической дисциплины, изучающей закономерности случайных явлений, наблюдаемых при многократном повторении опыта. Назовем случайным событием A возможный исход некоторого опыта. События A 1 , ..., A k образуют полную группу, если в результате опыта обязательно происходит одно из них. События называются несовместными, если они не могут произойти одновременно в одном опыте. Пусть при n-кратном повторении опыта событие A произошло m раз. Частотой события A называется число W = . Очевидно, что значение W нельзя предсказать точно до проведения серии из n опытов. Однако природа случайных событий такова, что на практике иногда наблюдается следующий эффект: при увеличении числа опытов значение практически перестает быть случайным и стабилизируется около некоторого неслучайного числа P(A), называемого вероятностью события A. Для невозможного события (которое никогда не происходит в опыте) P(A)=0, а для достоверного события (которое всегда происходит в опыте) P(A)=1. Если события A 1 , ..., A k образуют полную группу несовместимых событий, то P(A 1)+...+P(A k)=1.

Пусть, например, опыт состоит в подбрасывании игральной кости и наблюдении числа выпавших очков X. Тогда можно ввести следующие случайные события A i ={X = i}, i = 1, ..., 6. Они образуют полную группу несовместных равновероятных событий, поэтому P(A i) = (i = 1, ..., 6).

Суммой событий A и B называется событие A + B, состоящее в том, что в опыте происходит хотя бы одно из них. Произведением событий A и B называется событие AB, состоящее в одновременном появлении этих событий. Для независимых событий A и B верны формулы

P(AB) = P(A) P(B), P(A + B) = P(A) + P(B).

8) Рассмотрим теперь следующую задачу . Предположим, что в электрическую цепь последовательно включены три элемента, работающие независимо друг от друга. Вероятности отказов 1-го, 2-го и 3-го элементов соответственно равны P 1 = 0,1, P 2 = 0,15, P 3 = 0,2. Будем считать цепь надежной, если вероятность того, что в цепи не будет тока, не более 0,4. Требуется определить, является ли данная цепь надежной.

Так как элементы включены последовательно, то тока в цепи не будет (событие A), если откажет хотя бы один из элементов. Пусть A i - событие, заключающееся в том, что i-й элемент работает (i = 1, 2, 3). Тогда P(A1) = 0,9, P(A2) = 0,85, P(A3) = 0,8. Очевидно, что A 1 A 2 A 3 - событие, заключающееся в том, что одновременно работают все три элемента, и

P(A 1 A 2 A 3) = P(A 1) P(A 2) P(A 3) = 0,612.

Тогда P(A) + P(A 1 A 2 A 3) = 1, поэтому P(A) = 0,388 < 0,4. Следовательно, цепь является надежной.

В заключение отметим, что приведенные примеры математических моделей (среди которых есть функциональные и структурные, детерминистические и вероятностные) носят иллюстративный характер и, очевидно, не исчерпывают всего разнообразия математических моделей, возникающих в естественных и гуманитарных науках.