تفاوت شبيه سازي آماري با ديناميك سيستم

cyrus!

عضو جدید
از اساتيد گرامي كسي ميدونه تفاوت شبيه سازي آماري با ديناميك سيستم در چيست و كاربرد هر يك در كجاست؟
 

مهندس 2010

عضو جدید
سلام
متدولوژی پویایی هی سیستم (سیتم داینامیک) بر پایه چند اصل استوار هست که یکی از اصول اساسی این متد، نگرش به سیستم از دیدگاه ساختار علی و معلولی هست. در سیستم داینامیک برای مدلسازی یک سیستم می بایست متغیرهای اصلی آن سیستم رو شناسایی کنیم بعد ارتباطات بین اونا رو تشخیص بدیم و در نهایت نحوه تعامل این متغیرها رو در قالب یک مدل داینامیکی مدلسازی کنیم. در این متد خیلی اوقات داشتن داده های دقیق اولیه ضروری نیست و میشه با اغماض از داده ها استفاده کرد چون اون چیزی که فوق العاده اهمیت داره ساختار صحیح مدل هست. در سیستم داینامیک به دنبال شناسایی رفتار سیستم ها هستیم که اگر به این مهم دست پیدا کنیم میتونیم سیاست های درستی رو در ارتباط با سیستم مورد بررسی اتخاذ کنیم.
در شبيه سازي آماري موجودیتی که در سیستم جریان داره بسیار حایز اهمیته. باید اونها رو کاملا تشخیص بدیم. رویکردی فرآیندی داره یعنی باید فرآیند ها رو تشخیص بدیم و مدلسازی کنیم. برخلاف سیستم داینامیک که ما به ارتباطات علی و معلولی خیلی بها میدیم در شبيه سازي آماري این پیشامدهای تصادفی هستند که رفتار سیستم رو می سازند. برخلاف سیستم داینامیک که به دنبال رفتارشناسی سیستم ها هستیم، در شبيه سازي آماري پیدا کردن آمار و ارقامی که بتونه ما رو در انتخاب سیاست بهینه کمک کنه اهمیت داره. هر چند که خیلی اوقات میشه یک سیستم رو با هر دو متد مدلسازی کرد ولی شبیه سازی آماری بیشتر برای سیستم های گسسته پیشامد کاربرد داره مثل سیستم های صف. در این حد تونستم توضیح بدم امیدوارم کمکتون کرده باشم.
 

GMFAR

عضو جدید
تفاوت اساسی

تفاوت اساسی

تفاوت شبیه سازی آماری و دینامیک سیستم از منظری دیگر::

به نظرم سؤالتان یک اشکال اساسی دارد و آن هم این است که ماهیت شبیه سازی آماری و دینامیک سیستم خیلی از هم فاصله دارد....
( مثل یک قیاس مع‌الفارق :: تفاوت سیب با بستنی !!! - هر چند هر دو خوردنی محسوب می‌شوند!!!)

حداقل سه نکته مهم در این خصوص قابل ذکر است، که فعلاً به یک نکته اشاره می‌کنم.
اولین نکته این که در بررسی‌ها و شبیه‌سازی‌های آماری باید در نظر بگیرید این است که پس از تحلیل آماری و شبیه سازی ، نهایتاً ممکن است به الگوهای عملکرد سیستم برسیم و این الگوها را معیار تأثیرات پارامترهای تعریفی و فرآیندهای سیستمی قرار بدهیم. پس هر چه اطلاعات آماری ما و شناختمان از سیستم کامل‌تر باشد، احتمال صحت بررسی مدل آماری بالاتر می‌رود.
ولی یک نکته مهم در این وسط همیشه مبهم خواهد ماند و آن احتمالات و اتفاقاتی هست که در مدل آماری ما وجود نداشته‌اند. به عنوان مثال در بازار بورس خیلی از افراد بر اساس تحلیل تکنیکال، سیستم برنامه ریزی‌های خرید و فروش سهام را برای خود پیاده سازی می‌کنند...
(فعلاً به بحث پیچیدگی‌های بازار سهام وارد نمی‌شوم چون این مقوله خودش دنیایی از مسایل خاص خود را می‌طلبد. ضمن این که تحلیل‌های بازار سهام چند بعدی بوده و برای حالت‌های مختلف، استفاده از استراتژی‌های مختلف الزامی ست که افراد با ممارست و تجربه، معمولاً به این امر دست پیدا می‌کنند...)
در اینجا تمام داده های مورد نیاز تقریباً وجود دارد ولی همان طور که در واقعیت تجربه می‌شود این تحلیل‌ها، همیشه درست از آب در نمی‌آیند و دلیل این مدعا هم خیل عظیم متضرران بازار...
GAP های قیمتی یکی از مسایلی هستند که در تحلیل‌های آماری بازار سهام، باعث آشفتگی مدل شبیه سازی شده شما خواهند گردید و هر کسی که در این بازار کار کرده است می‌داند که این شکاف‌های قیمتی، جزو لاینفک بازار هستند.

پس می‌بینید که کارایی شبیه سازی آماری در این بازار کامل نبوده و نخواهد توانست به تنهایی، پاسخگوی کلیه حالات و اتفاقات بازار باشد.

همان طور که دوست عزیزمان در بالا اشاره کردند، در شبيه سازي آماري پیدا کردن آمار و ارقامی که بتواند ما را در انتخاب سیاست بهینه کمک کند، اهمیت پیدا می‌کند (البته با توجه به داده های موجود یا در حقیقت گذشته سیستم ...)

اما در سیستم دینامیک رفتار و دلایل این رفتار در سیستم مورد استفاده قرار می‌گیرد و در حقیقت گذشته سیستم
(اطلاعات موجود) فقط مبنایی برای شناخت
Base Level مدل سازی انجام شده خواهد بود.
با این سبک نگرش، شما همیشه می‌توانید مطمئن باشید که هر چه ارتباطات علی و معلولی سیستم را عمیق‌تر بشناسید، پیش بینی‌های شما به واقعیت نزدیک‌تر خواهند بود.

امید وارم کمک کوچکی کرده باشم.

 
بالا