- •1. Наличие цели
- •1.3. Классификация моделей
- •1.4. Методы моделирования
- •2. Математические схемы моделирования систем
- •2.1. Основные подходы к построению мм систем
- •2.2. Задачи, решаемые с помощью моделирования
- •2.3. Система массового обслуживания как модель
- •2.4. Модели потоков
- •2.2. Аналитический анализ смо
- •2.2.1. Экспоненциальная система массового обслуживания
- •2.2.1.2. Многоканальная экспоненциальная смо
- •2.2.1.3. Модель m/g /1
- •2.3. Сети массового обслуживания
- •2.4. Анализ разомкнутых экспоненциальных СеМо
- •2.4.1. Свойства разомкнутой экспоненциальной СеМо
- •2.5. Расчет системных характеристик экспоненциальных СеМо
- •Контрольные вопросы
- •Пример 1. Проблема распределение канала
- •1. Статическое распределение канала
- •2. Динамическое распределение канала
- •Пример: расчет системы телеобработки данных
- •3.1. Задание
- •3.2. Решение
- •4. Схема расчета замкнутой СеМо
- •4. Имитационное моделирование систем массового обслуживания
- •4.1. Система массового обслуживания как модель и оригинал
- •4.2. Иллюстративный пример: моделирование посадки самолетов.
- •4.3. Пример: оценка надежности системы
- •Рассмотрим случайную величину
- •5. Построение моделирующего алгоритма
- •5.1. Моделирование на эвм процесса функционирования смо
- •Шагом (принцип t)
- •С другой стороны, принцип особых моментов выгоден тем, что
- •5.2. Особенности реализации процессов с использованием q-схем
- •5.2. Примеры моделирования смо с отказами
- •5.2.1. Подготовка исходных данных и назначение переменных
- •Моделирование смо с отказами по схеме событий
- •5.2.2.1. Построение блок-схем алгоритма имитации
- •Моделирование смо с отказами по схеме событий
- •5.3. Схемы построения моделирующего алгоритма
- •5.4. Моделирование смо с отказами по схеме процессов
- •Моделирование смо с отказами по схеме процессов
- •Шаг имитации
- •Класс процессов "генерирование заявок источником"
- •Численный пример
- •5.5. Семафоры и связные списки
- •5.6. Алгоритмы обслуживания очередей
- •1) Традиционный алгоритм fifo
- •2) Приоритетное обслуживание (Priority Queuing)
- •3) Взвешенные настраиваемые очереди (Weighted Queuing)
- •6. Оценки искомых характеристик и их дисперсии
- •6.1. Структура оценок
- •7. Моделирование случайных факторов
- •8. Тестирование имитационной модели
- •9. Планирование статистического эксперимента
- •Вопросы и задания
- •Планирование машинных экспериментов с моделями систем
- •Методы планирования эксперимента на модели.
- •11. Замечание о языках моделирования
- •Моделирование смо с одним npи6opом и очередью
9. Планирование статистического эксперимента
Задача планирования. Пусть X =(x1, ... , xk) вектор случайных величин, имеющий распределение РХ. Во многих случаях цель статистического эксперимента может быть сведена к определению математического ожидания с.в. y=g(X), где g(X) заданная функция распределения с.в. X. Типовая схема статистического эксперимента имеет следующий вид (рис. 9.1).
Здесь оценка приближается к точному значениюM(y) с ростом числа опытов n. Задача планирования статистического эксперимента состоит в нахождении такого n, при котором достигается заданная точность оценки .
i = 1...n
g(X)
yi
Xi
Рис. 9.1. Типовая схема статистического эксперимента:
Xi ~ PY; Xi = (x1i ,..., xki);
yi значение с.в. Y в i-м опыте;
n число опытов
Теоретическое решение задачи планирования. Оценка является случайной величиной, так как представляет собой функцию от случайных величин:
(9.1)
В типовой схеме статистического эксперимента (рис. 3.17) используются независимые реализации xi , поэтому с.в. yi в формуле (9.1) также независимы. Из центральной предельной теоремы вытекает, что с.в. в (9.1) при большихn имеет нормальное распределение, т.е. Определим параметры этого распределения:
(9.2)
(9.3)
Таким образом, при увеличении числа опытов на порядок уменьшается в 3 раза. На рис. 9.2. схематически показан вид распределения оценки в зависимости отn.
Рис. 9.2. Распределение с.в. в зависимости отn
Диапазон вероятных отклонений оценки от точного значения M(y) сужается пропорционально . Параметр используют как показатель точности оценки. Поскольку имеет нормальное распределение, то практически достоверно, чтоотклоняется от искомогоM(y) не более чем на 3. Можно сказать, что является аналогом абсолютной погрешности, а 3 самой абсолютной погрешностью. В качестве аналога относительной погрешности для с.в. можно рассматривать ее коэффициент вариации:
а в качестве самой относительной погрешности величину 3v. Из (9.2) и (9.3) находим, что
(9.4)
где vy коэффициент вариации с.в. y.
Соотношения (9.3) и (9.4) показывают, что "абсолютная погрешность" 3 и "относительная погрешность" 3v оценки убывают пропорционально.
Из формулы (9.3) находим решение задачи планирования: для достижения заданной точности требуется n опытов
(9.5)
Если требование к точности задано в форме коэффициента вариации v, то требуемое число опытов определяется из формулы (9.4) в виде:
(9.6)
В решении (9.5) кроме заданного для определения n необходимо знать у, в варианте (9.6) коэффициент вариации vу. Ни то, ни другое до эксперимента, как правило, не известно. Поэтому планирование числа опытов на практике осуществляется в ходе самого статистического эксперимента. Достаточно удобными методами такого планирования являются метод автоостанова.
Метод автоостанова. Схема статистического эксперимента с автоостановом изображена на рис. 9.3. Покажем на примере достижения точности v=0,01.
Как видно из рисунка, в ходе эксперимента ведется непрерывный контроль за оценкой v' коэффициента вариацииv. Когда оценкаv'устойчиво входит в зонуv'<0,01, эксперимент завершается.
Устойчивое достижение неравенства v'< 0,01 здесь обеспечивается требованием, чтобы это неравенство было подтверждено A=10 раз.
Заметим, что минимальное начальное значение счетчика подтверждений на рис. 9.3, задаваемое в начале алгоритма, должно составлять A=2, так как необходимо исключить одно ложное подтверждение, которое имеет место приn=1. Действительно, приn=1 оценка дисперсии равна нулю, поэтому получаетсяv'=0. ПриA=10 получится несколько "лишних" повторений цикла. Однако так какn обычно составляет десятки тысяч, то увеличение его на несколько лишних единиц не имеет существенного практического значения.
Рис. 9.3. Схема эксперимента с автоостановом
Как видно из ИСнка, в ходе эксперимента ведется непрерывный контроль за оценкой v' коэффициента вариации v. Когда оценка v' устойчиво входит в зону v' < 0.01, эксперимент завершается.
Устойчивое достижение неравенства v' < 0.01 здесь обеспечивается требованием, чтобы это неравенство было подтверждено A = 10 раз.
Заметим, что минимальное начальное значение счетчика подтверждений на рис. 9.3., задаваемое в начале алгоритма, должно составлять A = 2, т.к. необходимо исключить одно ложное подтверждение, которое имеет место при n = =1. Действительно, при n = 1 оценка дисперсии равна нулю, поэтому получается v' = 0. При A = 10 получится несколько "лишних" повторений цикла. Однако, так как n обычно составляет десятки тысяч, то увеличение его на несколько лишних единиц не имеет существенного практического значения.