Stosowane modele równowagi ogólnej (CGE) Wykład 2.

Slides:



Advertisements
Podobne prezentacje
OBLICZENIA NUMERYCZNE
Advertisements

Modelowanie i symulacja
Rozwiązywanie równań różniczkowych metodą Rungego - Kutty
Metody numeryczne część 1. Rozwiązywanie układów równań liniowych.
IV Tutorial z Metod Obliczeniowych
Metody ekonometryczne
Kredyty dyskontowe 1.Wstęp 2.Oprocentowanie proste - stopa stała
STATYSTYKA WYKŁAD 03 dr Marek Siłuszyk.
Metody Numeryczne Wykład no 12.
Wykład no 11.
Problemy nieliniowe Rozwiązywanie równań nieliniowych o postaci:
Modelowanie i symulacja
Ogólne zadanie rachunku wyrównawczego
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz,
Systemy dynamiczneOdpowiedzi systemów – modele różniczkowe i różnicowe Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Systemy.
Konsolidacja kredytów spłacanych w ratach całkowitych 1. Wstęp 2. Oprocentowanie proste - stopa stała 3. Oprocentowanie proste - stopa zmienna 4. Oprocentowanie.
Kredyty spłacane w ratach sekwencyjnych
OPORNOŚĆ HYDRAULICZNA, CHARAKTERYSTYKA PRZEPŁYWU
Metody matematyczne w Inżynierii Chemicznej
Matematyka wokół nas Równania i nierówności
Metoda różnic skończonych I
Geometria analityczna.
Automatyka Wykład 3 Modele matematyczne (opis matematyczny) liniowych jednowymiarowych (o jednym wejściu i jednym wyjściu) obiektów regulacji.
Automatyka Wykład 3 Modele matematyczne (opis matematyczny) liniowych jednowymiarowych (o jednym wejściu i jednym wyjściu) obiektów, elementów i układów.
PULSACJE GWIAZDOWE semestr zimowy 2012/2013
Systemy wspomagania decyzji
Analiza współzależności cech statystycznych
Ekonometria szeregów czasowych
Metody matematyczne w Inżynierii Chemicznej
Elementy Rachunku Prawdopodobieństwa i Statystyki
Biomechanika przepływów
Obserwatory zredukowane
Stabilność Stabilność to jedno z najważniejszych pojęć teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym praktycznego zastosowania.
PULSACJE GWIAZDOWE Jadwiga Daszyńska-Daszkiewicz, semestr zimowy 2009/
Zakładamy a priori istnienie rozwiązania α układu równań.
Metody iteracyjne rozwiązywania układów równań liniowych
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
Modelowanie i podstawy identyfikacji 2012/2013Modele fenomenologiczne - dyskretyzacja Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Teoria sterowania 2011/2012Stabilno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Stabilność Stabilność to jedno.
Teoria sterowania 2011/2012Sterowanie – metody alokacji biegunów III Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Sterowanie.
Elementy relatywistycznej
Stabilność metod numerycznych
Źródła błędów w obliczeniach numerycznych
Sterowanie – metody alokacji biegunów III
Drgania punktu materialnego
Modele dyskretne – dyskretna aproksymacja modeli ciągłych lub
Metody numeryczne szukanie pierwiastka metodą bisekcji
METODA ELIMINACJI GAUSSA ASPEKTY NUMERYCZNE
Metody matematyczne w Inżynierii Chemicznej
opracowała: Anna Mikuć
METHOD OF LINES (MOL) Poznan University of Life Sciences Department of Hydraulic and Sanitary Engineering Hamdi, Schiesser & Griffiths:
Regresja liniowa Dany jest układ punktów
Wykład Rozwinięcie potencjału znanego rozkładu ładunków na szereg momentów multipolowych w układzie sferycznym Rozwinięcia tego można dokonać stosując.
PULSACJE GWIAZDOWE PULSACJE GWIAZDOWE semestr zimowy 2015/2016 semestr zimowy 2015/2016 Jadwiga Daszyńska-Daszkiewicz.
Model ekonometryczny Jacek Szanduła.
Treść dzisiejszego wykładu l Metoda kar. l Podsumowanie przekształcania zadań programowania liniowego do postaci tabelarycznej. l Specjalne przypadki –sprzeczność,
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Temat – 5 Modelowanie różniczkowe.
Fundamentals of Data Analysis Lecture 12 Approximation, interpolation and extrapolation.
Treść dzisiejszego wykładu l Szeregi stacjonarne, l Zintegrowanie szeregu, l Kointegracja szeregów.
STATYSTYKA – kurs podstawowy wykład 8 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Modele nieliniowe sprowadzane do liniowych
O ODPORNOŚCI KONWENCJONALNEGO OBSERWATORA LUENBERGERA ZREDUKOWANEGO RZĘDU Ryszard Gessing Instytut Automatyki Politechnika Śląska.
Treść dzisiejszego wykładu l Analiza wrażliwości –zmiana wartości współczynników funkcji celu, –zmiana wartości prawych stron ograniczeń. l Podejścia do.
Rozwiązywanie układów równań Radosław Hołówko Konsultant: Agnieszka Pożyczka.
Treść dzisiejszego wykładu l Metoda Najmniejszych Kwadratów (MNK) l Współczynnik determinacji l Koincydencja l Kataliza l Współliniowość zmiennych.
Modelowanie i podstawy identyfikacji
Teoria sterowania Wykład /2016
Metody matematyczne w Inżynierii Chemicznej
MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH
Sterowanie procesami ciągłymi
Zapis prezentacji:

Stosowane modele równowagi ogólnej (CGE) Wykład 2

Błąd linearyzacji (1) Przykład: Równanie „na poziomach”: Y=X 2 +Z Postać zlinearyzowana: y=2X 2 /Y·x + Z/Y·z gdzie małe litery wyrażają procentowe przyrosty (krańcowe), a duże – poziomy zmiennych (ich wartości wyrażające początkowe rozwiązanie równania „na poziomach”). W równaniu zlinearyzowanym x, y, z są zmiennymi; X, Y, Z – współczynnikami (stałymi).

Błąd linearyzacji (2) Mając następujące rozwiązanie początkowe: X=3, Z=6, Y=15 równanie zlinearyzowane przyjmuje postać: y=6/5·x + 2/5·z Zakładając, że X↑20%, Z↓10%, tj. x=20, z=–10, otrzymujemy: y= [Y↑ ] Jest to wynik przybliżony. Dokładny wynik to y*= Błąd linearyzacji

Błąd linearyzacji (2) Mając następujące rozwiązanie początkowe: X=3, Z=6, Y=15 równanie zlinearyzowane przyjmuje postać: y=6/5·x + 2/5·z Zakładając, że X↑20%, Z↓10%, tj. x=20, z=–10, otrzymujemy: y=6/5·20 + 2/5·(–10)=20[Y↑20%] Jest to wynik przybliżony. Dokładny wynik to Y↑22,4%.

Błąd linearyzacji – ćwiczenie Równanie „na poziomach”: Rozwiązanie początkowe: X=4, Y=2. Równanie zlinearyzowane: …………. Zakładamy wzrost X z 4 do 16 (o 300%). Wynik dokładny: Y rośnie o …………%. Aproksymacja: y=………………….. Błąd linearyzacji: y=…………………..

Błąd linearyzacji – ćwiczenie Równanie „na poziomach”: Rozwiązanie początkowe: X=4, Y=2. Równanie zlinearyzowane: y=0,5·x. Zakładamy wzrost X z 4 do 16 (o 300%). Wynik dokładny: Y rośnie z 2 do 4 (o 100%). Aproksymacja: y=0,5·300=150.

Błąd linearyzacji – ilustracja Y exact – rozw. dokładne; Y J – rozw. przybliżone (metoda Johansena). Źródło: dokumentacja modelu MINIMAL.

Jak zmniejszyć błąd linearyzacji? (1) Podział zmiany X na kilka mniejszych kroków (dla mniejszych kroków błędy linearyzacji są proporcjonalnie mniejsze) – metoda Eulera (wielokrokowa – multistep). Źródło: dokumentacja modelu MINIMAL.

Jak zmniejszyć błąd linearyzacji? (2) Dzieląc zmiany X na nieskończoną (a w praktyce – bardzo dużą) liczbę kroków otrzymalibyśmy dokładne rozwiązanie… …ale takie podejście jest nieefektywne (relatywnie długi czas obliczeń)… …dlatego zaproponowano wykorzystanie ekstrapolacji.

Ekstrapolacja rozwiązań (1) Rozw. w 2 krokach – w każdym zwiększamy X o 100% Rozw. w 4 krokach – w każdym zwiększamy X o 41,42% W tym przykładzie podwojenie liczby kroków zmniejsza błąd ok. dwukrotnie – więc np. dla 8 kroków y  106% itd. Źródło: dokumentacja modelu MINIMAL. · MetodayBłąd Johansena (1 krok)150%50 p.p. Eulera (2 kroki)125%25 p.p. Eulera (4 kroki)112,3%12,3 p.p. Eulera (  kroków) 100%0

Ekstrapolacja rozwiązań (2) Faktycznie GEMPACK dzieli zmianę X nieco inaczej, tak że otrzymamy: · MetodayBłąd Johansena (1 krok)150%50 p.p. Eulera (2 kroki)127,5%27,5 p.p. Eulera (4 kroki)114,16%14,16 p.p. Eulera (  kroków) 100%0

Rozw. wielokrokowe a współczynniki (1) W poprzednim przykładzie zlinearyzowane równanie nie zawierało współczynników. Inny przykład: Y=X 2 +1 Po linearyzacji: y=2·X 2 /Y·x Lub y=C·xgdzie C=2·X 2 /Y W powyższym równaniu występuje współczynnik C.

Rozw. wielokrokowe a współczynniki (2) Zał. rozw. początkowe: X=1, Y=2. Symulujemy zmianę X=1→X=4, dzieląc ją na 2 kroki: X=1→X=2→X=4. W punkcie X=1 współczynnik C= Ale w punkcie X=2 współczynnik C= Zatem w symulacji wielokrokowej (inaczej niż w 1-krokowej) współczynniki nie są stałe i powinny być aktualizowane z każdym krokiem symulacji.

Rozw. wielokrokowe a współczynniki (2) Zał. rozw. początkowe: X=1, Y=2. Symulujemy zmianę X=1→X=4, dzieląc ją na 2 kroki: X=1→X=2→X=4. W punkcie X=1 współczynnik C=1. Ale w punkcie X=2 współczynnik C=1,6. Zatem w symulacji wielokrokowej (inaczej niż w 1-krokowej) współczynniki nie są stałe i powinny być aktualizowane z każdym krokiem symulacji.

Rozw. wielokrokowe a współczynniki (3) W kodzie modelu (TABLO) do aktualizacji współczynników służy polecenie Update.

Rozw. wielokrokowe a współczynniki (4) UWAGA – jeśli model „na poziomach” jest liniowy, to na podstawie modelu przekształconego do postaci zawierającej procentowe przyrosty zmiennych dokładne rozwiązanie otrzymujemy w 1 kroku! Aby rozwiązanie wielokrokowe było także poprawne potrzebne są odpowiednie polecenia Update.

Rodzaje Update Jeśli w modelu jest zmienna p_x wyrażająca procentowy przyrost X: Update X = p_x; Jeśli X=X 1 ·X 2 ·X 3 : Update X = p_x 1 *p_x 2 *p_x 3 ; W pozostałych przypadkach potrzebna formuła na zwykły przyrost (krańcowy) X. Update (change) X = ;

Model i-o w GEMPACKu Dane:

Zapis modelu i-o

Model.tab (1)

Model.tab (2)

Model.tab (3)

Symulacja.cmf (1)

Symulacja.cmf (2)