- •Оглавление
- •1) Исследователь вносит гипотезу о структуре ящика
- •2) Определение неизвестных коэффициентов a0 и a1 модели
- •3) Проверка
- •Линейная множественная модель
- •Звено первого порядка
- •Звено второго порядка (колебательное звено)
- •1. Линейный коэффициент корреляции
- •3. Коэффициент корреляции двух динамических рядов
- •4. Корреляция внутри динамического ряда
- •5. Поиск периодичности ряда
- •7. Связь двух признаков
- •Аналитический способ решения задачи 1
- •Численный способ решения задачи 1
- •Формально-математический способ
- •Методы Рунге-Кутты третьего и четвертого порядков
- •Метод Эйлера с итерациями
- •Метод Милна
- •Уравнение диффузии
- •Уравнение тепломассопереноса
- •Задача анализа (прямая задача)
- •Задача синтеза (обратная задача)
- •Тренажеры
- •Метод Монте-Карло
- •Моделирование случайного события
- •Моделирование полной группы несовместных событий
- •Метод ступенчатой аппроксимации
- •Метод усечения
- •Метод взятия обратной функции
- •Свойства нормального распределения
- •Табличный метод генерации нормально распределенных чисел
- •Метод генерации нормально распределенных чисел, использующий центральную предельную теорему
- •Метод Мюллера
- •Биномиальное распределение
- •Нормальное распределение
- •Распределение Пуассона
- •Пуассоновский поток
- •Моделирование неординарных потоков событий
- •Моделирование нестационарных потоков событий
- •Анализ временной диаграммы
- •Синтез смо
- •Принцип Δt
- •Особенности реализации принципа Δt
- •Принцип особых состояний
- •Принцип последовательной проводки заявок
- •Объектный принцип моделирования
- •Марковский процесс с дискретным временем
- •Марковские случайные процессы с непрерывным временем
- •Вычисление средних
- •Вычисление геометрии распределения
- •Оценка (по Колмогорову) совпадения эмпирического закона распределения с теоретическим
- •Оценка точности статических характеристик
- •Голосование
- •Ранжирование
- •Точность и доверие к результатам экспертизы. Оценка экспертов
- •Практика № 01. Регрессионные модели
- •1Решение задачи регрессионного анализа
Метод ступенчатой аппроксимации
Так как законы распределения вероятности событий могут быть различной формы, а не только равновероятными, то необходимо уметь превращать равномерный ГСЧ в генератор случайных чисел с заданным произвольным законом распределения. На рис. 21.3 это соответствует двум первым блокам метода статистического моделирования. Для этого непрерывный закон распределения вероятности события дискретизируем, превратим в дискретный.
Обозначим: hi — высота i-го столбца, f(x) — распределение вероятности (показывает насколько вероятно некоторое событие x). Значение hi операцией нормировки необходимо перевести в единицы вероятности появления значений x из интервала xi < x ≤ xi + 1: Pi = hi/(h1 + h2 + … + hi + … + hn).
Операция нормировки обеспечивает сумму вероятностей всех n событий равную 1:
На рис. 24.2 показаны графически переход от произвольного непрерывного закона распределения к дискретному (рис. 24.2, а), отображение получаемых вероятностей на интервал rрр[0; 1] и генерация случайных событий с использованием эталонного равномерно распределенного ГСЧ (рис. 24.2, б).
|
||
Рис. 24.2. Иллюстрация метода ступенчатой аппроксимации |
Заметим, что внутри интервала xi < x ≤xi + 1 значение x теперь не различимо, одинаково. Метод огрубляет изначальную постановку задачи, переходя от непрерывного закона распределения к дискретному. Поэтому следует учитывать количество разбиений n из условий точности представления.
На рис. 24.3 показан фрагмент алгоритма, реализующего описанный метод. Алгоритм генерирует случайное число, равномерно распределенное от 0 до 1. Затем, сравнивая границы отрезков, расположенных на интервале от 0 до 1, представляющих собой вероятности P выпадения тех или иных случайных величин X, определяет в цикле, какое из случайных событий i в результате этого выпадает.
|
||
Рис. 24.3. Блок-схема алгоритма, реализующего метод ступенчатой аппроксимации |
Заметим, что внутри интервала xi < x ≤ xi + 1 значение x теперь не различимо, одинаково. Метод огрубляет изначальную постановку задачи, переходя от непрерывного закона распределения к дискретному. Поэтому следует учитывать количество разбиений n из условий точности представления.
Метод усечения
Метод используется в случае, когда функция задана аналитически (в виде формулы). График функции вписывают в прямоугольник (см. рис. 24.4). На ось Y подают случайное равномерно распределенное число из ГСЧ. На ось X подают случайное равномерно распределенное число из ГСЧ. Если точка в пересечении этих двух координат лежит ниже кривой плотности вероятности, то событие X произошло, иначе нет.
Недостатком метода является то, что те точки, которые оказались выше кривой распределения плотности вероятности, отбрасываются как ненужные, и время, затраченное на их вычисление, оказывается напрасным. Метод применим только для аналитических функций плотности вероятности.
|
||
Рис. 24.4. Иллюстрация метода усечения |
На рис. 24.5 показан алгоритм, реализующий метод усечения. В цикле генерируется два случайных числа из диапазона от 0 до 1. Числа масштабируются в шкалу X и Y и проверяется попадание точки со сгенерированными координатами под график заданной функции Y = f(X). Если точка находится под графиком функции, то событие X произошло с вероятностью Y, иначе точка отбрасывается.
|
||
Рис. 24.5. Блок-схема алгоритма, реализующего метод усечения |