MODELI, MODELIRANJE I

SIMULACIJA
RAUNAROM

Pojam modela i modeliranja

Model u najirem smislu oznaava bilo kakav
prikaz cjeline ili dijelova nekog sistema koji
neposredno odrava nae poznavanje tog
sistema
Model je skup pretpostavki koje se izraavaju
matematikim, logikim ili simbolikim
odnosima izmeu entiteta sistema
Model predstavlja matematiki, logiki ili
simboliki prikaz nekog idealiziranog sistema
Modeli su uproteni opisi realnih sistema i
kao takvi su apstrakcija stvarnog svijeta

Pojam modela i modeliranja

Postupak stvaranja odnosno oblikovanja modela (engl.

design) naziva se modeliranje
Svrha oblikovanja modela:
Bolje i podrobnije shvaanje najznaajnih svojstava prouavanog sistema
Sagledavanje relevantnih varijabli sistema i otkrivanje njihovih meuzavisnosti
Formalni struktuirani opis kompleksnih problemskih situacija
Eksperimentiranje na modelu to je bre i jeftinije nego u stvarnosti
Ugraivanje varijabli koje biljee brzo promjenljive okolnosti i ogranienja
Informacije za akciju
Alternativne tokove akcija koje se mogu evaluirati prije njihove implementacije
Nauni pristup koji zamjenjuje intuiciju i pekulacije

Pri oblikovanju modela bitno je da karakteristike modela

to vie odgovaraju karakteristikama sistema, a da konani
cilj u oblikovanju modela bude to vjerodostojnija
reprezentacija stvarnosti.

Pojam modela i modeliranja

Nedostaci modela:

Korisnica modela esto isputaju iz vida injenicu da model

predstavlja apstrakciju stvarnosti a ne samu stvarnost
Nije mogua konstrukcija opeg modela za sve problemske
situacije u jednom sistemu; drugim rjeima ne mogu se
pomiri sve svrhe i ciljevi
U modelima su kvalitativni faktori (iskustvo, prosuivanje)
zanemareni ili eliminirani
Pribavljanje mnotva varijabli moe biti ili nemogue ili tako
skupo da upotreba modela postaje neracionalna
Mnogi modeli podrazumjevaju linearnost, koja nije
primjenljiva za veinu realnih situacija
Konstrukcija modela je esto dugotrajan, teak i skup proces
Implementacija modela esto nailazi na otpore

Tipovi modela

Klasifikacija modela po MurdickRossu po

kojoj se modeli dijele s obzirom na:

Funkciju
Strukturu
Vrijeme
Neizvjesnost
Openitost

Tipovi modela

U odnosu na funkciju modeli mogu biti:

deskriptivni, prediktivni i normativni

Deskriptivni model daje sliku neke situacije, odnosno daje

simboliku prezentaciju problema koji se razmatra. Pritom,
model ne daje nikakve upute na koji nain treba rijeiti taj
problem. Primjer za ovaj model su organizaciona shema
neke radne organizacije, shematski crte ive elije itd.
Dijele se na verbalni deskriptivni i slikoviti deskriptivni
model
Prediktivni model uspostavlja relaciju izmeu dogaaja koji
treba da uslijede

Tipovi modela u odnosu na

strukturu

Ikoniki predstavljaju stvarni sistem koji je

obino u promijenjenoj razmjeri s njihovim
stvarnim svojstvima (Fotografije, makete,
lutke za vjebanje njege bolesnika)
Analogni koriste jedan skup svojstava da
prikau drugi skup svojstava (model
krvotoka koji se sastoji od el. komponenti)
Simboliki koriste brojeve, slova i dr.
Simbole da bi predstavili varijable i njihove
odnose unutar realnog sistema kojeg
opisuju (hemijska formula)

Tipovi modela u odnosu na

vrijeme

Statiki (organizaciona shema bolnice)

Dinamiki
Kontinualne - vrijeme t (0,t) raste
kontinualno prekrivajui sve realne
vrijednosti iz skupa (0,t) gdje je t vrijeme u
kome se razmatra ponaanje dinamikog
sistema
Diskretni - vrijeme t (0,t) raste u skokovima
uzimajui odgovarajue diskretne vrijednosti

Tipovi modela u odnosu na

neizvjesnost

Deterministiki uz neki specifian skup ulaznih

vrijednosti daju se jednoznano odreene izlazne
vrijednosti koje predstavljaju rjeenje modela pod
uvjetima izvjesnosti (matematiki model rasta
populacije)
Probalistiki (stohastiki) sadre raspodjele
vjerovatnoa ulaznih procesa i daju varijabilne
izlazne rezultate s granicama njihove pouzdanosti
(model zarazne utice u jednoj koli)
Igre, na osnovu teorije igara nastoji dati optimalno
rjeenje pod uvjetima potpune neizvjesnosti
ishoda. (istraivanje organizacije ZZ u hipotetskoj
zajednici)

Modeli u odnosu na
openitost
Opi

mogu se primjeniti u vie

podruja djelatnosti (sistem
zakazivanja posjeta ljekaru, uzimanje
historije bolesti)
Specijalizirani primjenjuju se za
rjeavanje samo jednog problema
(model krvotoka ili model AIDS-a)

Globalna podjela modela

Fizikalni (fiziki) modeli imaju svoju fiziku

podlogu a pomou njih se moe eksperimentirati
kao sa stvarnim sistemima koje predstavljaju
(Aparat za vjetaki krvotok osigurava operaciju
na otvorenom srcu na temelju poznatih
hemodinamskih zakona kardiovaskularnog
sistema ovjeka)
Apstraktni (simboliki) modeli posjeduju niz
matematikih izraza koje definiraju stanje realnog
sistema i kod kojih promjene vrijednosti varijabli
izazivaju promjene stanja tog sistema koji lie na
stvarnost
analitiki (matematiko-logiki)
deskriptivni

Medicinsko-informatiki
aspekt

Najvaniji su apstraktni modeli dinamikog tipa

koji koriste raunare u simuliranju medicinskih
sistema koji su inae promjenljivi u vremenu
Takvi modeli se realiziraju kao skupovi
matematikih jednaina koje povezuju svojstva
elemenata sistema (varijable stanja) i vrijeme
koje se mjeri u odgovarajuim jedinicama.
Simulacija takvih modela najee se vri
pomou raunara

Odnos modela i teorije

Teorija predstavlja generalne iskaze fizikalnih

ili logikih zakona vezanih za razmatrani
sistem i daje objanjenje za ponaanje
sistema, dok se model moe izgraditi samo
ako je poznata teorija o razmatranom sistemu.
Teorija slui kao podloga za oblikovanje
modela koji treba da provjeri tu teoriju.
Npr. Ako se eli razviti model nekog biohemijskog
procesa, onda je potrebno razviti i teoriju tog
biohemijskog procesa

Prikupljanje podataka

Definiranje problema zahtijeva i

kvalitativni i kvantitativni opis problema
koji se onda naziva model
Prikupljanje podataka ima za cilj:
obuhvat informacija o relevantnim
varijablama i njihovim varijacijama
Obuhvat informacija o utvrenim
meusobnim odnosima i kovarijancama
dvije ili vie varijabli ili grupa varijabli

Relevantne varijable
sistema
Varijable strukture sistema koje obino posmatramo
kao varijable komponenti sistema
Varijable funkcioniranja sistema koje opisuju
djelovanje sistema
Varijable sredine (okoline) koje su relevantne za
egzistenciju i funkcioniranje sistema
Do relevantnih varijabli dolazimo putem:
Logikih pretpostavki
Indirektnih empirijskih izvora (eksperti, korisnici
sistema)
Direktnih empirijskih izvora (podaci dobijeni u
eksperimentalnim i kontroliranim ispitivanjima)

Analogija, izomorfizam,
homomorfizam

Analogija, gr. slinost, istovjetnost

Dva sistema su izomorfni ako se pri zamjeni
jednog sistema drugim ne moe izmeu
njih primjetiti bilo kakva razlika pri
proizvoljnome nainu provjere njihovih
funkcija
Dva sistema koja su samo djelomini ista
nazivaju se homomorfnim sistemima
(pozitiv i negativ fotografije, lijek i recept,
itd.)

Mjesto i uloga modela u

rjeavanju problema
Analitiki

(algoritamski) pristup
zahtijeva kvantitativne informacije i
podrazumijeva rjeavanje problema
egzaktnim matematikim metodama
Heuristiki pristup slijedi ope
principe, pravila, mentalne kratice,
logiku i invenciju, a oslanja se na
intuiciju, iskustvo i nagomilano znanje

Analitiki pristup
Pristup

zasnovan na modelu
- Matematiki (analitika i simulacija
pomou raunara)
- Fizikalni
Pristup zasnovan na tehnici probanja
Tehnika probanja se zasniva na tome
da se neko, najee heuristiko
rjeenje, provjerava direktno na
sistemu.

Konstrukcija modela i faze

modeliranja

Pristupi konstrukciji modela:

- direktno snimanje operacija u sistemu ako je
proces jednostavan i oigledan
- analogno predstavljanje kada je struktura sistema
vidljiva
- analiza podataka kada je struktura sistema
nejasna (crna kutija)
- eksperimentiranje kada na drugi nain nije
mogue utvrditi efekte pojedinih varijabli
- umjetna stvarnost kada ne postoji dovoljno
deskriptivnih podataka i kada je iskljuena
mogunost eksperimenta

Faze modeliranja
I

faza konceptualizacija ili

idealizacija modela
II faza konstrukcija modela
(idealizirani problem)
III faza Izvoenje logikih operacija
na modelu
IV faza Testiranje modela
V Faza Implementiranje modela

Pojam simulacije

Eksperimentiranje je postupak kojim se

voljom istraivaa mijenja stanje
ispitivanog sistema
Neke eksperimente u medicini nije mogue
izvesti zbog sloenosti, visoke cijene,
ugroavanja sigurnosti ivota, ivotne ili
radne sredine
Simulacija je pogodna metoda kojom se
indirektnim ispitivanjem moe upoznati
ispitivani sistem

ta je simulacija?

U informatikim smislu podrazumijeva

ekperimentalnu predstavu realnog sistema,
odnosno matematiko predstavljanje problema
pomou vjetakog modela, pri emu se uglavnom
koriste digitalni raunari
V. iljko simulacija je eksperiment ili
eksperimentiranje sa apstraktnim modelom,
rijeenim kao program za raunar, gdje se procesi
odvijaju u odreenom vremenskom intervalu u
raunaru
U tehnikom smislu simulacija se moe definirati
kao imitacija realne situacije s nekom formom
modela

Simulacija

Sama po sebi simulacija ne podrazumijeva

optimalizaciju, ali je zato simulacija metod
ili tehnika u procesu optimalizacije
Sutina simulacije:
- modeli predstavljaju stvarnost
- modeli su uproenja stvarnosti
- ponaanje modela samo je aproksimacija
ponaanja stvarnog sistema
- pojednostavljenje se uvijek mora uzeti u
obzir kada se analizira model

Izbori tehnika simulacije

Tehnika simulacije zahtijeva sljedee:

model realnog sistema mora dovoljno dobro
da aproksimira ponaanje realnog sistema
Mora postojati sredstvo pomou kojeg se
moe, na osnovu modela, imitirati ponaanje
realnog sistema u eljenim uvjetima
Model realnog sistema mora biti izraen
matematikim relacijama
Sredstvo pomou kojeg se imitira
ponaanje realnog sistema jest raunar

Razlozi za simulaciju
Ako

je nemogue ili, pak, ako je izuzetno

skupo analizirati sistem u realnom svijetu
(ustanoviti ponaanje ljudskog organizma
prilikom orbitalnog leta stanice)
Ako je matematiki model kojim se
opisuje ponaanje realnog sistema takav
da se rjeenje ne moe dobiti analitikim
metodama (kompleksan model)

Razlozi za simulaciju

Skiciranje i operiranje simulacijom dobar je

nain za sistematsko prikupljanje
odgovarajuih podataka o sistemu
Simulacija kompleksnog sistema moe da
inicira sutinske varijable sistema kao i
njihove meusobne odnose
Problem ukljuuje potencijalno veliki broj
varijabli
Moe se koristiti i u nekim problemima kada
je potrebna iscrpnija analiza sluajnih
varijabli sistema

Razlozi za simulaciju

Moe se koristiti za provjeru odreenog

analitikog rjeenja
Simulacija je ekonominija nego neke druge
forme eksperimenta
Simulacija aje odreen osjeaj za sistem, te
je stoga pouna
Omoguuje kontrolu nad realnim vremenom
Simulacija je sigurna, jer se tako izbjegava
mogunost havarije (udesa) na sistemu za
vrijeme vrenja eksperimenta

Modeliranje i simulacija pomou

raunara

To skup aktivnosti za stvaranje modela koji

prikazuje realni sistem i za sastavljanje
raunarskog programa koji omoguuje
simulaciju tog modela, odnosno generiranje
podataka koji opisuju njegovo stanje.

Redoslijed modeliranja i simulacije pomou

raunara:

Formulacija modela
Prevoenje modela na jezik raunara
Ispitivanje programa i unutranja verifikacija modela
Planiranje i projektiranje eksperimenta
Izvoenje eksperimenta
Interpretacija rezultata

Modeliranje i simulacija pomou

raunara

Pod sluajnim procesom podrazumijeva se

proces koji u toku eksperimenta ili posmatranja
tako protie da se prije eksperimenta ne moe
tano predvidjeti kako e se taj proces odvijati.
Uzrokovanje se koristi da bi se dobili
nedeterministiki inputi, a sastoji se u upotrebi
sluajnih brojeva.
Metod stepenog ostatka se najee
primjenjuje zbog svoje jednostavnosti i
pouzdanosti

Standardni generator
pseudosluajnih brojeva

PRANG Pseudo Random Number

Generator
Uniformno distribuiran
Statistiki neovisan
Reproducibilan
Da se ne ponavlja za bilo koju eljenu
duinu
Brz za generiranje
Osnova za statistiki neovisne tokove

Testiranje modela
I

Faza
- Provjera da li je model korektno
proveden u program za raunar
(verifikacija programa)
II Faza
- Provjera valjanosti modela, kojom se
ispituje slaganje ponaanja modela i
realnog svijeta

Valjanost modela
Ispitivanje

tanosti teorija
Ispitivanje tanosti apstrakcija
Ispitivanje slaganja ponaanja
modela
Analiza osjetljivosti
Ispitivanje prediktivne valjanosti
modela

Analiza izraza

Raunarski model je neogranieno

stabilan, a eksperiment pomou
simulacije se po volji moe ponoviti
vie puta. Rezultati koji se dobiju
simulacijom mogu se prikazati
numeriki ili grafiki to
pojednostavljuje interpretaciju i ini
lakima nego kada se to izvodi sa
podacima kojima je izvor realni sistem.

Verifikacija programa

Strukturno programiranje i modularnost

simulacionog programa
Koritenje adekvatnog jezika za stvaranje
simulacionog programa
Testiranje ispravnosti i tanosti
simulacionog programa (statikih i
dinamikih svojstava)
Ispitivanje korektnosti programskog
generiranja razliitih raspodjela za ulazne
promjenljive i varijable sistema

Tipovi simulacije
U zadnje vrijeme uglavnom se primjenjuju
digitalni raunari kod kojih se kontinuiranost
promjena postie tako to vrijeme protie u
dovoljno malim inkrementima
kontinuirana simulacija
Kod direktne simulacije se u simulaciji
prate samo dogaaji kod kojih dolazi do
promjene sistema (kritini dogaaji)
Simulacioni sat
- fiksan korak vremena
- promjenljiv korak vremena

Jezici za simulaciju

Simulacioni jezici za kontinualne sisteme (FORTRAN,

SIMULA PL/1)

Simulacioni jezici za stohastike diskrecione sisteme

(FORTRAN, ALGOL, PL/1, PASCAL, ADA)
Podjela programskih jezika s aspekta simulacije

Programiranje s openamjenskim programskim jezicima

(FORTRAN, PL/1, PASCAL)

-

Programiranje s proceduralno-orjentiranim simulacionim jezicima

(SIMSCRIPT. SIMULA, GASP, SIMPAS)

-

Programiranje s opisanim scenarijem

(GPSS, SLAM, DYNAMO, DISCO, DEMOS, CSMP, CSSL, ASCL)

-

Programiranje s modelom generatorom i deklarataivnim

sistemima

(CASP, DRAFT and SCERT, SAM, CASE)

Metodi simulacije
Monte

Carlo metod
Sluajni procesi Markova
Teorija masovno opsluivanja
Teorija repova
Teorija (redovi) ekanja

Metod Monte Carlo

Numerika metoda kojom se modeliranjem

sluajnih promjenljivih rjeavaju razliiti
zadaci, kako stohastikog tako i
deterministikog karaktera
Umjesto da se sluajna pojava opisuje pomou
analitikih veza, izvode se simulacije te pojave
pomou sluajnih brojeva u cilju njene
realizacije
Odnosi se na postupke kojima je cilj da se
uvea preciznost, dok simulacija
podrazumijeva, prije svega, model koji je blizak
realnom sistemu.

Procesi Markova

Tehnika su modeliranja za uvjete u kojim se isti

dogaaj ponavljano deava tokom vremena i
kada je prognoza opisana serijom sluajnih
dogaaja, pri emu vrijednost tih ishoda ovisi
o tome da li se ishodi javljaju i kada.
Regularni potok dogaaja sastoji se od
dogaaja koji slijede jedan za drugim u nizu
strogo odreenih momenata vremena.
Za cikluse ponavljanih dogaaja tokom
vremena uvodi se pojam sluajnih dogaaja ili
sluajnog procesa.

Markovljev model
U

domenu zdravstvene zatite, proces se

moe definirati kao nivo te zatite, a u
klinikom domenu kao zdravstveno stanje.
Pretpostavka je da pacijent zapoinje
prolaz kroz sistem iz nekog nivoa zatite,
odnosno iz nekog stanja zdravlja i ovisno o
strategiji, postoje vjerovatnoe kretanja od
jednog do drugog nivoa (Stanje
zdravlja/bolesti)

Markovljev vor

Odgovara skupu prirodnih stanja

Na poetku ciklusa svaki pacijent je u jednom
ili drugom zdravstvenom stanju. Na poetku
drugog ciklusa svaki pacijent moe ostati u
istom zdravstvenom stanju ili prelazi u
naredno stanje
Vjerovatnoa prijelaza iz jednog nivoa u drugi
ili iz jednog zdravstvenog stanja u drugo, koja
se javlja u nekom vremenskom ciklusu naziva
se prijelazna vjerovatnoa za taj dogaaj.

Lanci Markova

U lancu su prijelazne vjerovatnoe konstantne,

dok su u procesu prijelazne vjerovatnoe
mogu mijenjati od ciklusa do ciklusa.
Prijelazne vjerovatnoe oznaavaju kretanje
osoba unutar sistema zdravstvene zatite i
odraava funkcionalne odnose izmeu raznih
nivoa zdravstvene zatite ili razliitih
zdravstvenih stanja.
Na osnovu ovoga mogu se izraunati potrebni
kadrovi, mrea ustanova i oprema, odnosno
prognoza bolesti.

Modeliranje i simulacija u
zdravstvu i klinikoj
medicini
Edukativna uloga modela sastoji se u

prenoenju ideja i injenica o zdravstvenoj

zatiti irem krugu ljudi.
Istraivaka uloga modela ogleda se u
stvaranju novih ideja i osiguranju uvida u
aktivnosti zdravstvene slube i openito
zdravstvene zatite.
Prediktivna uloga modela se sastoji
predvianju prirode i obima promjena koje
mogu nastati u postojeem sistemu kada
se simuliraju relevantne varijable.

Modeliranje i simulacija u
epidemiologiji
Modeli

sa kontinuiranom varijablom u
kontinuiranom vremenu
Modeli sa diskretnom varijablom u
kontinuiranom vremenu
Modeli sa kontinuiranom varijablom u
diskretnom vremenu
Modeli sa diskretnom varijablom u
diskretnom vremenu

Modeliranje i simulacija u
klinikoj medicini

Analiza klinikih odluka (clinical decision

analysis) je kvantitativna tehnika medicinskog
odluivanja koja na nedvosmislen i eksplicitan
nain, najee preko strukture stabla odluke,
ukazuje na najbolji pravac klinikih akcija.
Analiza medicinskog odluivanja:
Eksplicitna formalizacija problema (popis
akcija i ishoda)
Konstrukcija stabla odluke (predvianje
vjerovatnoe svakog ishoda i izbor optimalne
opcije)

Model stabla

Koristi se da se ljekaru jasno predstavi raspoloiva

strategija i da mu se omogui izraunavanje
vjerovatnoe svakog ishoda, odnosno njegove
vrijednosti.
Kada se izraunaju oekivane vrijednosti svih
izbora, najbolji izbor ili najbolji pravac akcije bie
onaj sa najveom oekivanom vrijednou
(expected value).
Dva razliita pristupa u rjeavanju nekog
medicinskog problema mogu imati istu
potencijalnu vrijednost, pa se izbor jedne ili druge
strategije moe uporediti sa kockom, tj sa
bacanjem novia uvis (toss up).

Klinika vrijednost procesa

Markova
Oekivano

kvalitetno trajanje ivota

(Quality-adjusted Life Expectancy QALY)
Procjene uinka razliitih uestalosti
skrininga
Pogodnost je da se u model mogu
ugraditi prirodna historija bolesti i
plan kontrolnih pregleda

APACHE II
Prediktivni model za jedinice intenzivne
njege
Utemeljen na kvantifikaciji fiziolokih
poremeaja
Fizioloke varijable ukljuene u APACHE II
- temperatura, prosjeni arterijski pritisak,
frekvenca sranog rada, broj respiracija
u minuti, oksigenizacija krvi, pH,
kreatinin, natrij, kalij, periferni leukociti,
hematokrit, Glasgow koma-skala

APACHE II

Da bi se dobile vjerovatnoe umiranja

tokom hospitalizacije, APACHE II skor
pretvara se u vjerovatnoe pomou
multivarijantne logistike regresije.
Model APACHE II nadmauje ljekare u
irokom dijapazonu prognoza od 10-80%
vjerovatnoe smrtnosti.
Serijsko odreivanje skora moe biti od
vrijednosti kod donoenja odluke u pogledu
izbora izmeu hirurke intervencije i
nastavljanja konzervativnog tretmana.

Pitanja