- •1. Основные определения. Технология моделирования
- •2. Методология моделирования
- •3. Анализ моделируемой системы и постановка задач
- •4.Второй этап моделирования. Формализация. Решение Задачи. Выбор метода моделирования
- •5. Корреляционный анализ
- •6.Третий этап моделирования. Разработка имитационных моделей.
- •7.Генерация равномерно-распределенных случайных чисел. Оценка их качества на тестах (по книге).
- •Тест частот
- •8.Планирование имитационных экспериментов. Концепция «черного ящика» Планирование экспериментов
- •9.План дфэ (дробных факторных экспериментов).
- •10. Рцкп (ротатабельный центральный композиционный план).
- •12.Тактическое планирование имитационных эксперементов
- •14.Основные свойства системы Arena.
- •15. Кластерный анализ. Евклидово расстояние. Ближайший сосед. Наиболее удаленный сосед. По среднему значению. Расстояние Хемминга.
- •1. Фр, фп, мпф, Равномерный экспоненциальный закон.
- •2. Метод моментов. Равномерный закон.
- •Метод моментов для равномерного закона
- •3. Метод моментов. Нормальный закон.
- •4. Метод моментов. Экспоненциальный закон.
- •5. Метод моментов. Гиперэкспоненциальный закон.
- •Решим полученное квадратное уравнение.
- •6. Метод моментов. Специальный эрланговский закон.
- •7. Метод обратной функции. Достоинства и недостатки.
- •Достоинства и недостатки аналитического метода генерации случайных чисел
- •8. Табличный метод генерации случайных чисел. Достоинства и недостатки.
- •9. План пфэ (полного факторного эксперимента).
- •10. План оцкп (ортогональный центральный композиционный план).
- •12. Применение дисперсионного анализа для оценки качества уравнений регрессии. Оценка значимости коэффициентов полинома.
- •13. Метод оптимизации по системе ур-й в частных производных.
- •14. Геометрический метод для 2 факторов.
- •15. Метод Ньютона.
- •1. Временные динамические ряды. Основные понятия. Проверка гипотез о существовании тенденций. Временные ряды
- •2. Сглаживание и прогнозирование методом скользящих средних. В чем смысл введения взвешиваний.
- •Сглаживание
- •Метод скользящих средних
- •Взвешенные скользящие средние
- •3. Сглаживание и прогнозирование экспоненциальных средних
- •4. Прогнозирование на нейронных сетях Прогнозирование на нейронных сетях
- •5. Группировка. Общие понятия. Постановка задачи и технология проведения кластерного анализа.
Решим полученное квадратное уравнение.
.
Таким образом, получили расчетные формулы для вычисления двух параметров частного случая гиперэкспоненциального закона. Покажем на рис.12.4 в графическом виде функции плотности распределений случайных чисел, распределенных по гиперэкспоненциальным законам.
6. Метод моментов. Специальный эрланговский закон.
Специальное эрланговское распределение состоит из к последовательно соединенных фаз, в каждой из которых распределение случайных величин подчиняется экспоненциальному закону с одинаковой интенсивностью к. Структурная схема:
к к к
…
Закон определяется всего двумя параметрами, которые можно вычислить по упрощенной процедуре:
Преобразовав полученные математические выражения и подставив вместо моментов их оценки получим формулы для вычисления параметров специального эрланговского закона.
Функция плотности СЭР представлена на рис. 12.7.
Для СЭР 1, т.к. к>0. Чем больше к, тем меньше отношение и тем более сжато специальное эрланоговское распределение. При к =16 таким распределением можно представить вырожденное распределение, у которого постоянное время задержки.
Область существования специального эрланговского закона представлена на рис.12.8, она расположена ниже экспоненциального закона. Например, при к=2 и m1=5, σ=3,55.
Рис. 12.8. Область существования специального эрланговского закона распределения случайных чисел
При к=3 и m1=10, σ=5,75.
При к=16 и m1=10, σ=23,5.
7. Метод обратной функции. Достоинства и недостатки.
Аналитические методы используют метод обратной функции. Аргумент при его применении откладывают по оси y а функцию снимают с оси x. Применение метода представлено на рис.14.8.
Применение метода обратной функции основано на теореме. Если
случайная величина Х имеет функцию плотности f(x), то случайная величина распределена равномерно в диапазоне от 0 до 1 и для вычисления j-го случайного числа используется формула:
,
то есть нужно получить формулу для вычисления xj, если нам известно значение rj. Этот интеграл не берется в общем виде и его можно вычислить для каких-то конкретных законов. Например, для равномерного закона, распределенного в диапазоне от a до b.
;
.
Таким образом, мы получили формулу для перерасчета случайных чисел из диапазона от 0 до 1 в диапазон от а до b. Для экспоненциального закона:
; (14.9)
. (14.10)
Достоинства и недостатки аналитического метода генерации случайных чисел
1.Метода реализуется сравнительно несложными программными процедурами.
2.Аналитический метод не имеет методической ошибки , но в полученные с его помощью формулы входят процедуры, требующие определенных затрат машинного времени.