Een samenvatting van de essentie van het onderwerp Dynamische Recursieve Modellen

  1. Recursie.
    De formules rekenen het resultaat na een tijdstapje uit, op basis van de gevonden waarden na de vorige stap;
    bovendien moet je een beginwaarde aangeven, anders kun je niet met die formule beginnen.
    Hoe kleiner de tijdstapjes, hoe nauwkeuriger het model.
  2. Beschrijven van een proces.
    Eerst simpel houden door modelveronderstellingen te doen die de ingewikkelde werkelijkheid meer of minder vereenvoudigen. Later kun je dan je model ingewikkelder maken door met meer factoren uit de werkelijkheid rekening te houden.
    Voorbeeld: Vervuiling 1 en daarna vervuiling 2; Grieo en Corona.
  3. Voorspellen wat er in de toekomst gaat gebeuren als je beginsituatie en de parameters in de modelformules vastlegt.
    Voorbeeld: wanneer kun je weer zonder gevaar zwemmen?
    Voorbeeld: zien dat op den duur de situatie zich stabiliseert op een evenwichtswaarde. Zie Migratie en Marktaandeel.
    Voorbeeld: zien bij welke (gunstige) groeiparameters een populatie periodieke of chaotische verschijnselen gaat vertonen.
  4. Experimenteren met effect van het veranderen van parameters op de voorspelling.
    Gevoeligheidsanalyse: welke soort parameter heeft bij verandering een groot effect en welke minder? Dan ga je je geld dus vooral besteden aan het nauwkeurig opmeten in de werkelijkheid van die parameters die groot effect hebben, natuurlijk. Voorbeeld: klein beetje aanpassen van de besmettelijkheidsparameter bij de griepgolf heeft veel groter effect dan het aanpassen van de parameter die aangeeft hoeveel besmette personen er als beginsituatie worden opgegeven. Dus mondkapjes vergelijken met inenten.
    Hoe moet ik een parameter instellen om een bepaald gewenst effect te kunnen verkrijgen? Voorbeeld: inenten bij een griepgolf.
    Voorbeeld: hoe kan ik chatisch gedrag van een populatie onderdrukken door de introductie van een anndere (roof)populatie?
  5. Fitting.
    Aanpassen van het model aan de waarnemingen. Stel de parameters dusdanig in dat de afwijking tussen modelresultaat en waarnemingen zo klein mogelijk is.
    Let wel: daarmee kun je indirect de waarde van die parameters in de werkelijkheid meten zonder dat je ze ook in het echt meet. Vaak kún je ze zelfs niet eens direct meten!