Module Thinking之Tipping Point 和 经济增长模型

本文探讨了Tipping Point的概念,介绍了渗透模型如何应用于森林大火和银行系统稳定性,并讨论了SIS传染模型在疾病传播和旁氏骗局分析中的应用。此外,文章还涉及经济增长的指数和基本增长模型,强调科技创新在经济增长中的关键作用,并通过Solow增长模型分析了国家经济停滞的原因。
摘要由CSDN通过智能技术生成

课程至今最喜欢的两段内容,故单独记录。

Tipping Point

又称引爆点,如果是函数显示的话,这个点之后,函数发生了质变,且该点不可导!引爆点可能是积累的产物,也可能是环境变化引起。

Percolation Model (渗透模型)

森林大火的模型,当森林覆盖率达到59.3%时,从森林一边烧到另一边概率开始非0
银行破产导致的连锁反应类似,这就是为什么救美林而抛弃雷曼兄弟的原因,银行业务交际!看来too big to fall还是很正确的~
还要一个有用的模型就是网上的消息传播了。

SIS Model (Susceptible Infected Susceptible) (传染模型)

Diffusion Model

就是被感染之后就回不去了,简单公式如下:
tipping_1
当然,严谨情况下,要考虑人与人之间可能接触的概率,于是就有了一个根据时间的变化公式。通过绘图,能够发现,感染传播的曲线是点对称的。
tipping_2
感觉这个模型可以对旁氏骗局进行分析,假设作俑者是个理智的人,在收益最大化的情况下会卷款跑路,那么旁氏骗局的参与者,在什么时间点之前介入是合适的?(给个明确的例子,比如一次性给10万,每个月返还1万,返还18个月,近70%多年化收益率,是人都知道这个有问题,现在,这个骗局已经持续了2年,你加入还是不加入?)等以后有时间了,建立一个计算机模型看看。

SIS Module

这个模型考虑了疾病使能够治愈的,引入了一个治愈率。感觉整体作为流感预测啥的还是挺靠谱的。偷懒贴出公式如下:
SIS
这里的a(其实是alpha)就是治愈率了,注意截图右边有几个地方没有正确显示,需要脑补一下。因为注射疫苗能降低感染率,引出一个结论,要多忽悠周边的人打疫苗!

引爆点的量化

当存在多种发展的可能性时,存在两种量化方式(其实个人觉得是一种方法的两种表达方式)
* Diversity Index

模糊综合评价模型是一种基于模糊数学的评价方法,用于处理不确定性和主观性较强的问题。在Python中,可以使用`skfuzzy`库来实现模糊综合评价模型。以下是一个简单的示例: 首先,安装`skfuzzy`库: ```bash pip install scikit-fuzzy ``` 然后,编写代码实现模糊综合评价模型: ```python import numpy as np import skfuzzy as fuzz from skfuzzy import control as ctrl # 定义输入变量 quality = ctrl.Antecedent(np.arange(0, 11, 1), 'quality') service = ctrl.Antecedent(np.arange(0, 11, 1), 'service') # 定义输出变量 tip = ctrl.Consequent(np.arange(0, 26, 1), 'tip') # 定义模糊集和隶属度函数 quality.automf(3) service.automf(3) tip['low'] = fuzz.trimf(tip.universe, [0, 0, 13]) tip['medium'] = fuzz.trimf(tip.universe, [0, 13, 25]) tip['high'] = fuzz.trimf(tip.universe, [13, 25, 25]) # 定义模糊规则 rule1 = ctrl.Rule(quality['poor'] | service['poor'], tip['low']) rule2 = ctrl.Rule(service['average'], tip['medium']) rule3 = ctrl.Rule(service['good'] | quality['good'], tip['high']) # 创建控制系统和仿真器 tipping_ctrl = ctrl.ControlSystem([rule1, rule2, rule3]) tipping = ctrl.ControlSystemSimulation(tipping_ctrl) # 输入值 tipping.input['quality'] = 6.5 tipping.input['service'] = 9.8 # 计算输出值 tipping.compute() print("Tip:", tipping.output['tip']) ``` 在这个示例中,我们定义了两个输入变量(质量和服务)和一个输出变量(小费)。我们为每个变量定义了模糊集和隶属度函数,然后根据这些模糊集创建了模糊规则。最后,我们使用`ControlSystem`和`ControlSystemSimulation`类来计算给定输入值下的输出值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值