Авдеев О.Н., Мотайленко Л.В. Моделирование систем - файл n1.doc

приобрести
Авдеев О.Н., Мотайленко Л.В. Моделирование систем
скачать (1166.4 kb.)
Доступные файлы (15):
n1.doc323kb.17.10.2001 15:46скачать
n2.doc381kb.11.10.2001 14:03скачать
n3.doc186kb.11.10.2001 14:07скачать
n4.doc163kb.11.10.2001 14:15скачать
n5.doc320kb.11.10.2001 14:17скачать
n6.doc50kb.11.10.2001 15:02скачать
n7.doc1009kb.11.10.2001 14:20скачать
n8.doc285kb.10.10.2001 11:34скачать
n9.doc274kb.10.10.2001 11:38скачать
n10.doc293kb.10.10.2001 11:40скачать
n11.doc588kb.10.10.2001 11:48скачать
n12.doc266kb.10.10.2001 11:54скачать
n13.doc355kb.11.10.2001 15:34скачать
n14.doc42kb.04.10.2001 12:32скачать
n15.doc23kb.11.10.2001 15:04скачать

n1.doc


Планирование эксперимента

________________________________________________________________________________

4.15.2. Проблема обеспечения точности и достоверности результатов


Проблема обеспечения точности и достоверности результатов можно решить следующим образом. Обозначают точность оценки величиной Е. Из-за наличия стохастичности ограниченности числа опытов N получают оценку . Задаются неравенством

(4.72)

и вероятностью P, что неравенство (4.72) выполняется

(4.73)

где Q – называют достоверностью оценки. Вводят относительную точность оценки

(4.74)

с учетом которой достоверная оценка будет равна

(4.75)

Если известен закон распределения , то с помощью анализа формулы (4.73) или (4.75) можно определить количество реализаций N .

В тех случаях, когда закон распределения найти не удается, то выдвигают предположение о характере закона распределения случайной величины Е.

Рассмотрим взаимосвязь точности и достоверности, когда в качестве показателей эффективности Е, выступают вероятность Р, математическое ожидание а и дисперсия 2 .

Пусть вероятность появления некоторого события А, которое определяется состояниями процесса функционирования исследуемой системы, равна

Р=Р(А)

В качестве оценки вероятности Р в данном случае выступает



где m - число положительных исходов. Тогда соотношение (4.73), связывающее точность и достоверность оценок с количеством реализаций, будет иметь вид



(4.76)

Для ответа на вопрос о законе распределения величины представим эту частность в виде



так как количество наступлений события А в данной реализации из N реализаций является случайной величиной , принимающей значения х1=1 с вероятностью Р и х2=0 с вероятностью (1-P).

Математическое ожидание и дисперсия случайной величины  будут равны





Тогда



Это соотношение говорит о несмещенности оценки для вероятности Р.

С учетом независимости значений величины получаем



В силу центральной предельной теоремы теории вероятностей при достаточно больших N можно рассматривать частность как случайную величину, с нормальным законом распределения вероятностей с математическим ожиданием Р и дисперсией

С учетом квантиля нормального распределения вероятностей точность оценки

(4.77)

Количество реализаций для получения оценки с точностью и достоверностью будет равно

(4.78)

Квантиль порядка находится из специальных таблиц.

Пример. Необходимо рассчитать количество реализаций N при статистическом моделировании системы S , когда в качестве показателя эффективности используется вероятность P при достоверности и точности

Ввиду того, что значения P до проведения эксперимента неизвестны, то вычисляют множество оценок N для диапазона возможных значений P, т.е. от 0 до 1 с дискретностью 0.1. Результаты расчетов с использованием выражения (4.78) представлены в таблице 4.17.

Из таблицы 4.17 видно, что при переходе от (0.9) и количество реализаций N возрастает примерно в 2,5 раза, а при переходе от и количество реализаций возрастает примерно в 25 раз.

Таблица 4.17

Вероятность Р

Точность

0.05

0.02

0.01

0.1 (0.9)

140

900

3600

0.2 (0.8)

250

1500

6200

0.3 (0.7)

330

2100

8400

0.4 (0.6)

380

2300

9400

0.5 (0.5)

390

2400

9800

При тактическом планировании машинных экспериментов, когда значение P неизвестно, поступают следующим образом. Берут произвольно значение N0, определяют по формуле а затем по формуле (4.78) проводят вычисления, в которой вместо P подставляют P0. Такая процедура оценки N может выполняться многократно.

Если отсутствует возможность получения каких-либо априорных сведений о вероятности P, то в таких случаях целесообразно задавать относительную точность результатов моделирования .

Для этих случаев формула (4.78) принимает вид

(4.79)

Оценку показателя эффективности Е модулируемой системы можно дать по результатам определения среднего значения некоторой случайной величины. Если случайная величина  имеет математическое ожидание а и дисперсию 2 и принимает в i-той реализации значение , то в качестве оценки математического ожидания а принимают



При больших значениях N в силу предельной центральной теоремы теории вероятностей среднее арифметическое будет иметь распределение, близкое к нормальному с математическим ожиданием а и дисперсией .

Точность оценки для математического ожидания равна а количество реализаций

(4.80)

Если же в качестве показателя эффективности Е выступает дисперсия 2, а в качестве ее оценки используется выборочная дисперсия S2,то математическое ожидание и дисперсия будут





где – центральный момент четвертого порядка случайной величины.

Для частного случая, когда случайная величина имеет нормальное распределение, когда получаем

(4.81)

Для дисперсии 2 точность оценки



отсюда количество реализаций

или .

Из выражений (4.794.81) видно, что количество реализаций существенно зависит от дисперсии оцениваемой случайной величины. Поэтому выгодно выбирать те оцениваемые показатели эффективности Е, которые имеют малые дисперсии.

4.15.3. Проблема уменьшения дисперсии оценок


Существуют методы, с помощью которых можно увеличить точность при заданном числе реализаций и наоборот, при заданной точности оценок сократить число реализаций. Эти методы используют априорную информацию о структуре и поведении моделируемой системы.

В качестве такого метода можно использовать метод коррелированных реализаций (выборок), который используется в задачах сравнения двух или более альтернатив, например, можно сравнивать две системы S1 и S2.

Пусть для систем S1 и S2 оценки и имеют дисперсии и коэффициент корреляции оценок , равен , то дисперсию погрешности оценки разности можно найти из соотношения

(4.82)

где

При независимом моделировании вариантов системы с использованием различных реализаций псевдослучайных последовательностей коэффициент корреляции оценок равен



(4.83)

следовательно, т.к. при имитационном моделировании удается получить

4.15.4. Правило автоматической остановки имитационного эксперимента


Первый способ. Простейший способ состоит в задании требуемого количества реализаций N. Однако такой подход является грубым из-за того, что на этапе тактического планирования неизвестны распределения выходных переменных.

Второй способ состоит в задании доверительных интервалов для выходных переменных. Остановка прогона машинной модели происходит при достижении заданного доверительного интервала.

Третий способ выполняется путем двухэтапного проведения прогона, когда сначала делается пробный прогон из N1 реализаций, позволяющий оценить необходимое количество реализаций N. Если N1> N , то прогон можно закончить, в противном случае необходимо набрать еще (N- N1) реализаций.

Четвертый способ выполняется путем последовательного анализа для определения минимально необходимого количества реализаций N, которое рассматривается при этом как случайная величина, зависящая от N-1 предыдущих реализаций.

Пример. Построение линейной регрессионной модели (теоретически данный вопрос рассматривался в п.п. 4.5).



Рис. 4.16. График эксперимента

На рис. 4.16 показаны точки (xi,yi), полученные в машинном эксперименте с моделью системы. Делаем предположение, что модель результатов машинного эксперимента графически может быть представлена в виде прямой линии где – величина, предсказываемая регрессионной моделью. Требуется получить такое значение коэффициентов и , при которых сумма квадратов ошибок является минимальной.

На рис. 4.16 ошибка для каждой экспериментальной точки определяется как расстояние по вертикали от этой точки до линии регрессии .



– сумма квадратов ошибок,



Решая систему нормальных уравнений получим

,



N – число реализаций при моделировании системы.

Мерой ошибки регрессионной модели служит среднеквадратическое отклонение



Для нормального распределенных процессов приблизительно 67% точек находится в пределах одного отклонения от линии регрессии – труба А, и 95% точек – в пределах – труба В (рис. 4.17).

Р
ис. 4.17. Пределы отклонения экспериментальных точек

Для проверки точности оценок и адекватности модели используются критерии Стьюдента и Фишера.

4.16. Принятие решений после построения модели процесса


Остановимся в начале на принятии решения, когда линейная модель адекватна.

При этом возможны три варианта.

  1. Все коэффициенты регрессии значимы.

  2. Часть коэффициентов регрессии значима, а часть незначима.

  3. Все коэффициенты регрессии незначимы.

Для первого варианта могут быть приняты следующие решения: окончания исследования, переход к планам второго порядка и движение по градиенту. Переход ко второй серии планирования для модели второго порядка позволяет получить экстремум параметра.

Во втором варианте приходится выдвигать гипотезу, что влияние данных эффектов незначимо. Причиной незначимости коэффициентов может быть неудачный выбор интервалов варьирования и включение второстепенных факторов, большая ошибка опыта и т.д.

Для этого либо расширяют интервалы варьирования по факторам, либо увеличивают число параллельных опытов.

И последний вариант, линейная модель адекватна, все коэффициенты не значимы. Это может произойти вследствие большой ошибки эксперимента или узких интервалов варьирования.






Планирование эксперимента
Учебный материал
© nashaucheba.ru
При копировании укажите ссылку.
обратиться к администрации