- •1. ОБЩАЯ ХАРАКТЕРИСТИКА ЗАДАЧ МОДЕЛИРОВАНИЯ И ИСПЫТАНИЙ СИСТЕМ УПРАВЛЕНИЯ
- •1.1. Основные особенности моделирования систем с учетом реальных условий их применения
- •1.2. Основные свойства и характеристики моделей
- •1.3. Особенности моделирования и испытаний сложных систем
- •1.4. Показатели эффективности систем
- •2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ УПРАВЛЕНИЯ
- •2.1. Классификация моделей по способу физической реализации
- •2.2. Классификация моделей по форме математического описания
- •2.3. Детерминированные конечные автоматы и их применение при построении моделей сложных систем
- •2.4. Вероятностные автоматы и марковские цепи
- •2.5. Модели с дискретными состояниями и непрерывным временем
- •2.6. Алгоритмы реализации моделей
- •3. МЕТОД СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •3.1. Теоретические основы метода статистического моделирования
- •3.2. Понятие оценки. Свойства оценок
- •3.3. Точность оценок и определение необходимого количества опытов
- •3.4. Пример использования метода Монте-Карло
- •3.5. Способы построения генераторов случайных чисел
- •3.5.1. Аппаратные способы построения генераторов случайных чисел
- •3.5.2. Программные способы построения генераторов случайных чисел
- •3.6. Методы восстановления закона распределения по результатам статистического моделирования
- •3.6.1. Параметрические методы восстановления закона распределения
- •3.6.2. Непараметрические методы восстановления закона распределения
- •3.7.1. Критерий согласия Пирсона
- •3.7.2. Критерий согласия Колмогорова
- •3.7.3. Другие задачи проверки статистических гипотез, виды критериев и их характеристики
- •3.8. Пример статистической имитационной модели системы со случайными параметрами
- •3.9. Моделирование случайных векторов
- •3.9.1. Метод условных распределений
- •3.9.2. Методы преобразования случайных координат
- •3.9.3. Метод Неймана
- •4.1. Основные формы описания непрерывных случайных процессов
- •4.2. Спектральный метод расчета установившегося случайного процесса в линейной стационарной системе
- •4.3. Статистическая линеаризация нелинейной стационарной системы
- •4.4. Расчет установившегося случайного процесса в нелинейной стационарной системе
- •4.5. Определение характеристик нестационарных случайных процессов методом весовых функций
- •4.7. Моделирование нестационарных случайных процессов в нелинейных системах методом динамики средних
- •4.8. Построение моделей случайных процессов в дискретных системах
- •4.9. Методы моделирования случайных процессов с заданными характеристиками
- •4.9.1. Метод формирующего фильтра
- •4.9.2. Метод скользящего суммирования
- •4.10. Пример статистической имитационной модели системы со случайными параметрами при действии случайной помехи
- •5. СПОСОБЫ СНИЖЕНИЯ ТРУДОЕМКОСТИ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •5.1. Основные методы уменьшения дисперсии оценки
- •5.1.1. Метод выделения главной части
- •5.1.2. Метод существенной выборки
- •5.1.3. Метод расслоенной выборки (выборка по группам)
- •5.2. Комбинированные методы получения оценок
- •5.2.1. Оценка статистической характеристики сложной математической модели с использованием результатов аналитического упрощенного исследования
- •Литература
- •СОДЕРЖАНИЕ
3.7.3. Другие задачи проверки статистических гипотез, виды критериев и их характеристики
Рассмотренная выше задача проверки соответствия теоретического и выборочного законов распределения относится только к одному из видов задач проверки статистических гипотез [5, 20, 35, 43, 46]. Рассмотрим еще два часто встречающихся на практике вида подобных задач.
Задача статистической проверки параметрической гипотезы возникает, когда известен закон распределения исследуемой случайной величины F(x), но неизвестен один из его параметров . Основная (нулевая) параметрическая гипотеза, обозначаемая как H, состоит в утверждении, что данный параметр имеет определенное значение: 0 .
По случайной выборке x1 ,x 2 ,…,x n находят несмещенную состоятельную оценку * параметра и устанавливают, значимо или незначимо (допустимо) различие между * и 0 . Для проверки используют статистический критерий W - соответствующим образом подобранную случайную величину, зависящую от * . Закон распределения W определяют исходя из условия, что элементы выборки являются независимыми случайными величинами, законы распределения которых совпадают с F(x) при 0 , то есть из условия выполнения гипотезы H.
Выбирают значение уровня значимости (обычно, в пределах от 0,01 до 0,05), и интервал возможных значений W разбивают на две области - допус-
тимую д и критическую к в соответствии с условием |
|
P(W k H)= . |
(3.31) |
Находят расчетное значение статистического критерия w*=W( *), соот- |
|
ветствующее используемой выборке. Гипотеза H принимается, |
если |
w* д , и отвергается в противоположном случае.
Как уже отмечалось выше, из-за ограниченного объема случайной выборки при использовании статистических критериев всегда имеет м есто риск получения неверных выводов. Возможны два варианта ошибки:
-отвергается правильная гипотеза (ошибка первого рода);
-принимается неправильная гипотеза (ошибка второго рода).
Как видно из (3.31), уровень значимости представляет собой вероятность ошибки первого рода. Для определения вероятности ошибки второго
90
рода необходимо, помимо основной, ввести противоречащую ей альтернативную (конкурирующую) параметрическую гипотезу G, например: > 0 ,< 0 или 0 . Тогда вероятность ошибки второго рода определяется следующим образом: P(W д G). Здесь, в отличие от (3.31), закон распределения W определяется при условии выполнения гипотезы G. Вероятность недопущения ошибки второго рода 1- называется мощностью статистического критерия.
В общем случае выбирать статистический критерий для конкретной задачи и строить запретную область следует таким образом, чтобы обеспечить максимум вероятности Однако на практике в большинстве случаев здесь применяют готовые рецепты. Тогда заданное значение или используется для определения необходимого объема выборки.
Пример: проверка гипотезы о значении математического ожидания случайной величины с нормальным законом распределения и известной дисперсией.
Основная гипотеза H: mx= . Конкурирующая гипотеза G: mx .
Статистический критерий: W |
n |
|
, |
(3.32) |
|
mx |
|||
|
|
x |
|
|
где n - объем выборки; x - известное среднеквадратическое отклонение; m*x - оценка математического ожидания, определяемая на основе (3.2). З акон
распределения W нормальный, причем W =1, а mW |
n |
mx . При |
|
||
|
|
x |
выполнении гипотезы H получим mW =0 (стандартизованный нормальный закон).
Допустимая область для критерия W строится в виде интервала [wл ;wп], причем при заданном уровне значимости условие (3.31) примет вид:
P(W<wл H)+P(W>wп H)= .
Для однозначного определения границ интервала принимается допо л- нительное условие: P(W<wл H)=P(W>wп H)=0,5 . Тогда с учетом
mW =0 допустимая область будет иметь вид [-w0 , 5 ;w0 , 5 ]. Значение w0 , 5 может быть найдено по таблицам нормального закона распределения*. Теперь по имеющейся выборке находят оценку математического ожидания и
-------------------
Рекомендуется самостоятельно рассмотреть числовые примеры, выбрав зна-
91
чения =1-Pд в соответствии с табл. 7, и сравнить получаемые значения w0 , 5 и д .