- •Воронежский государственный технический университет
- •Утверждено Редакционно-издательским советом университета в качестве учебного пособия
- •Введение
- •2. Классификация видов моделирования систем
- •3. Основные математические методы моделирования информационных процессов и систем
- •3.1. Виды математических моделей
- •3.2. Структурные математические модели
- •3.3. Функциональные математические модели
- •3.3.1. Непрерывно-детерминированные модели
- •3.3.2. Непрерывно-стохастические модели
- •3.3.2.1. Анализ работы разомкнутых смо
- •3.3.2.2. Замкнутые смо
- •3.4. Моделирование дискретных систем
- •3.4.1. Конечные автоматы
- •3.4.2. Дискретно-детерминированные модели
- •3.4.3. Вероятностные автоматы
- •3.5. Сетевые модели. Сети Петри (n-схемы)
- •4. Имитационное моделирование информационных процессов
- •4.1. Организация статистического моделирования
- •4.2Моделирование случайной величины с заданным законом распределения
- •4.3 Моделирование равномерно распределенных на отрезке [a,b] случайных чисел
- •4.4. Моделирование показательно распределенных св
- •4.5. Моделирование нормально распределенных случайных чисел
- •4.6. Проверка качества случайных чисел по критерию
- •4.7. Точность статистических оценок
- •4.8. Аппроксимация результатов моделирования
- •5. Формализация и алгоритмизация процессов функционирования систем
- •5.1. Методика разработки и машинной реализации моделей систем
- •5.2. Построение концептуальных моделей систем и их формализация
- •5.3. Алгоритмизация моделей систем и их машинная реализация
- •6. Планирование имитационных моделй с экспериментами
- •6.1. Полный факторный эксперимент
- •6.2. Дробные реплики
- •6.3. Общая схема планирования эксперимента
- •6.3.1. "Крутое восхождение"
- •6.3.2. Этапы планирования эксперимента
- •6.4. Стратегическое планирование
- •6.5. Тактическое планирование
- •7. Оценка точности и достоверности результатов моделирования
- •7.1. Общие положения
- •7.2. Регрессионный анализ
- •7.3. Корреляционный анализ
- •7.4. Экспертные оценки
- •8. Инструментальные средства моделирования систем
- •8.1. Архитектура языков имитационного моделирования
- •8.2. Задание времени в машинной модели
- •8.3. Сравнительный анализ языков моделирования
- •8.4. Примеры прикладных пакетов моделирования и языков моделирования
- •9. Правила построения моделирующих алгоритмов и способы реализации моделей
- •10. Сетевые модели вычислительных систем
- •10.1. Определение: Сеть Петри
- •Объекты, образующие сеть Петри
- •2Расширенная входная Расширенная выходная
- •10.2. Маркировка сети Петри.
- •10.3. Пространство состояний сети Петри
- •10.4. Моделирование параллельных процессов.
- •10.5. Моделирование процессора с конвейерной обработкой
- •10.6. Кратные функциональные блоки компьютера
- •10.7. Сети Петри и программирование
- •10.8. Взаимно исключающие параллельные процессы
- •10.9. Анализ сетей Петри
- •10.10. Дерево достижимости сети Петри
- •В позицию может входить и выходить только одна дуга
- •11. Система имитационного моделирования gpss/pc
- •11.1. Назначение и основные возможности системы
- •11. 2. Состав системы моделирования gpss/pc
- •11.3. Структура операторов языка gpss/pc
- •11.4. Команды среды gpss/pc
- •11.5. Основные операторы языка gpss/pc
- •11.5.1. Начало gpss-модели
- •11.5.2. Комментарии в gpss/pc
- •11.5.3. Имитация потоков событий. Транзакты
- •11.5.4. Имитация типовых узлов смо
- •11.6. Информация о ходе моделирования
- •11.6.1. Окно данных
- •11.6.2. Окно блоков
- •11.6.3. Окно устройств
- •11.6.4. Окно многоканальных устройств
- •11.7. Информация о результатах моделирования
- •11.7.1. Файл результатов моделирования
- •11.7.2. Содержание результатов моделирования
- •11.9. Управление движением транзактов
- •11.10. Дополнительные средства сбора информации о модели
- •11.11. Стандартные числовые атрибуты
- •11.12. Выбор направления движения транзактов с использованием сча
- •11.13. Датчики случайных чисел в gpss/pc
- •11.14. Функции в gpss/pc
- •11.14.1. Дискретные функции
- •11.14.2. Непрерывные функции
- •11.15. Переменные в gpss/pc
- •11.16. Организация циклов
- •11.17. Логические переключатели
- •11.18. Управление движением транзактов в зависимости от состояния элементов модели
- •11.19. Моделирование согласованных процессов на gpss-pc
- •11.19.1. Создание ансамблей транзактов
- •11.19.2. Накопление нескольких транзактов для последующей обработки
- •11.19.3. Объединение нескольких транзактов в один
- •11.19.4. Синхронизация движения транзактов в модели
- •11.20. Время пребывания транзакта в модели
- •11.21. Сбор данных о распределении значений характеристик модели. Таблицы
- •11.22. Изменение имени файла результатов моделирования
- •11.23. Приведение модели к исходному состоянию
- •11.24. Многократное выполнение моделирования
- •11.25. Моделирование нескольких вариантов системы в одной gpss-модели
- •11.26. Время моделирования
- •3 94026 Воронеж, Московский просп., 14
4.7. Точность статистических оценок
Теорема 2. Пусть x1, x2, ..., xn - результаты n независимых измерений СВ , т.е. значения независимых СВ 1, ..., n, распределенных по тому же закону, что СВ . Тогда
1) является значением несмещенной статистической оценки математического ожидания СВ , т.е. .
2) - значение несмещенной оценки для D.
Несмещенность статистической оценки означает, что в среднем оценка равна оцениваемому параметру.
Доверительным интервалом с доверительной вероятностью называется такой интервал со случайными границами [*-; *+], где * - статистическая оценка параметра, что p{[*-; *+]}, т.е. интервал накрывает истинное значение оцениваемого параметра с вероятностью не меньше .
Функцией Лапласа называется нечетная функция, при неотрицательных t определяемая как , где СВ распределена по нормальному закону с параметрами m=0 и =1.
Г еометрическая интерпретация: Ф(t) - площадь криволинейной трапеции.
Рис. 4.5
Теорема 3. (О радиусе доверительного интервала).
При большом числе наблюдений (n100)
1) В случае =m
, (3.2)
2) В случае =D
. (3.3)
Где через t обозначено решение уравнения Ф(t)=. Например, t0,8 = 1,28; t0,85 = 1,44; t0,9 = 1,65; t0,95 = 1,96.
Поскольку, как правило, и D неизвестны, то вместо них в формулах (1.8), (1.9) используются их оценки и , что не гарантирует доверие, но правдоподобно.
Следствие 1 из теоремы 3. Расчет количества наблюдений, обеспечивающих заданную точность и заданную надежность:
n = (t/)2.
Следствие 2. Для улучшения точности в k раз необходимо увеличить количество наблюдений в k2 раз.
4.8. Аппроксимация результатов моделирования
Во многих системах имеет место функциональная связь между двумя или более переменными, и желательно эту связь выявить. Для определения этой связи используется регрессионный анализ, который дает возможность построения уравнения исходя из выборки.
Математическая модель представляется в виде полинома, в который разлагается анализируемая статистическая характеристика системы y = f(x1, x2, ..., xk) по входным параметрам xi (j=1,k):
где , ,
Предположим, что проведена серия из N независимых наблюдений, давших N систем значений yi, x1i, x2i, ..., xki (i=1,N) и по этим данным требуется оценить неизвестные коэффициенты b0, bj, blj, т.е. найти их оценки , . Уравнение регрессии, полученной на основании эксперимента, запишется в следующем виде:
Задача оценки параметров может быть решена применением методов максимального правдоподобия или наименьших квадратов, причем в последнем случае оценки коэффициентов находятся из условия
.
Необходимым условием минимума Ф является выполнение равенств
.
Разность между объемом выборки N и числом связей, наложенных на эту выборку p, называется числом степеней свободы выборки f
f=N-p.
При определении уравнения регрессии число связей p равно числу определяемых коэффициентов, а вид уравнения регрессии выбирается путем экспериментального подбора.
После того, как уравнение регрессии найдено, прежде чем принять какое либо решение по поводу модели, необходимо проверить гипотезу о том, что полученная модель удовлетворительно описывает экспериментальные данные. Для этого необходимо проверить значимость всех коэффициентов регрессии и адекватность модели.
При проверке значимости коэффициентов регрессии для каждого коэффициента bj выдвигают гипотезу H0:(bj=0). Известно, что оценка имеет нормальное распределение со средним, равным истинной величине bj и дисперсией
,
а величина
имеет стандартное гаусовское распределение. Величину z можно использовать для проверки гипотезы H0. Если неизвестна, то используя вместо нее оценку , получим
Величина t распределена как стьюдентовская величина с N-2 степенями свободы. Поэтому, если для заданного уровня значимости получено , гипотеза H0 должна быть отвергнута, т.е. коэффициент bj значимо отличается от нуля.
В модели множественной регрессии незначимые коэффициенты исключаются из уравнения. Оставшиеся коэффициенты пересчитываются, поскольку в общем случае они коррелированны друг с другом.
Проверка адекватности полученной модели производится по критерию Фишера:
,
где ,
.
Критерий Фишера показывает, во сколько раз уменьшится рассеяние относительно полученного уравнения регрессии по сравнению с рассеянием относительно генерального среднего. Чем больше значение F превышает табличное F(f1,f2) для выбранного уровня значимости и чисел степеней свободы f1=(N-1) и f2=N-p, тем эффективнее уравнение регрессии.