- •Література..........................................................................................94 вступ
- •Моделі і моделювання
- •1.1 Загальні відомості про моделі і моделювання
- •1.2 Співвідношення між моделлю і оригіналом
- •1.3 Класифікація моделей і моделювання
- •1.4 Комп’ютерна модель і її переваги
- •1.5 Етапи створення комп'ютерної моделі
- •2.1 Поняття подібності
- •2.2 Види подібності
- •2.3 Критерії подібності
- •2.4 Теореми подібності
- •2.5 Аналіз розмірностей
- •3 Математичні моделі
- •3.1 Загальна характеристика математичної моделі
- •3.2 Класифікація математичних моделей
- •3.3 Побудова і аналіз математичних моделей
- •Побудова математичної моделі Перевірка адекватності моделі
- •4 Математичні схеми моделювання систем
- •5 Математична модель електричного ланцюга
- •5.1 Компонентні і топологічні рівняння електричного ланцюга
- •5.2 Матриця головних перетинів і її властивості
- •5.3 Матриця головних перетинів довільної схеми
- •5.4 Формування матриці головних перетинів
- •5.4.1 Формування структурної матриці
- •5.4.2. Отримання матриці головних перетинів
- •5.5 Вектор стану електричного ланцюга
- •5.6 Математична модель лінійного електричного ланцюга
- •5.9 Підготовка даних по електричній моделі для введення в еом
- •6 Імовірнісне моделювання
- •6.1 Метод статистичних випробувань
- •6.2 Генератори випадкових чисел
- •6.3 Моделювання випадкових подій та дискретних величин
- •6.5 Моделювання випадкових процесів
- •7 Прийняття рішень за результатами моделювання.
- •7.1 Відображення результатів моделювання
- •7.2 Методи прийняття рішень
- •7.3 Прийняття рішень щодо удосконалення систем
6.5 Моделювання випадкових процесів
Випадковий процес — це процес (тобто зміна в часі стану деякої системи чи об'єкта), який розвивається під впливом якихось випадкових чинників і для якого задано ймовірнісні характеристики його протікання. До числа таких процесів можна віднести багато виробничих процесів, які супроводжуються випадковими флуктуаціями, а також процесів, з якими можна зустрітись у природничих науках, економіці, соціології тощо.
Моделювання будь-якого процесу, в тому числі і випадкового, полягає у відтворенні значень (величин) реалізації цього процесу. Випадковий стаціонарний процес задається значеннями математичного сподівання та автоковаріаційною або автокореляційною функцією. Для його моделювання скористаємось параметричними моделями авторегресії, які широко застосовуються для аналізу часових рядів.
Авторегресійний процес к-го порядку з постійними коефіцієнтами визначається рівнянням регресії
Значення процесу у будь-який момент часу t визначається через попередні значення та випадкове збурення et. На практиці звичайно використовують авторегресійні моделі процесів першого і другого порядку (процес Маркова і Юла-Уокера), автокореляційна функція яких є згасаючою (рис. 6.6).
Рис. 6.6. Автокореляційна функція стаціонарного процесу
Параметри процесу a1, a2, …, ak визначаються через коефіцієнти автокореляції. Так, для процесу Юла
де ρ1, ρ2 — значення автокореляційної функції при зсувах 1 та 2.
Під час побудови рівняння авторегресії висуваються дві гіпотези. Перша — про стаціонарність процесу, друга — про те, що збудження еt є випадковим процесом у широкому розумінні слова з нормальною функцією розподілу, нульовим математичним сподіванням і дисперсією σ2. На рис. 6.7, а зображено графік випадкового процесу і нормальний розподіл збурення еt (рис 6.7, б).
Рис. 6.7 Графіки випадкового процесу (а) і нормального розподілу збурення (б)
Процес уt називається марківським, якщо для будь-яких моментів часу
t1 <t2<t3< ... <tn , умовна ймовірність значення yt залежатиме від уt-1 і не залежатиме від того, в якому стані процес знаходився в попередні моменти часу. Під час моделювання марківського стаціонарного процесу з параметрами М [уt], ρ1, σ2 діють таким чином. За початковий член ряду можна взяти будь-яке значення випадкового процесу (тому що будь-яка частина стаціонарного процесу є повноцінним представником усього процесу і має ті ж імовірнісні характеристики), наприклад уt-1 = 0 або yt-1 = М [ уt]. За допомогою рівняння регресії розраховуємо значення уt+1 при заданих а0 = М [yt] і a1 = ρ1 без урахування збурення еt і моделюємо значення нормально розподіленої випадкової величини з математичним сподіванням, що дорівнює нулю, і дисперсією σ2. Отримане значення додаємо до уt-1 і таким чином отримуємо нове значення реалізації випадкового процесу. Повторюємо процедуру для обчислення інших значень за рівнянням регресії, задаючи як початкове значення уt тобто моделюємо уt+1, ..., уt+k . Така методика дає змогу моделювати випадкові стаціонарні процеси з будь-якими автокореляційними та багатомірними функціями розподілів.