Точность и количество реализаций модели при определении средних значений параметров
Вычисленную дисперсию Si подставим в формулу для определения числа прогонов модели N. Если в результате расчета окажется, что выполняется неравенство N > N*, то моделирование должно быть продолжено до выполнения N реализаций. Если же N < N*, то моделирование заканчивается. Необходимая точность в оценки случайной величины, а (искомого показателя эффективности) при заданной достоверности а… Читать ещё >
Точность и количество реализаций модели при определении средних значений параметров (реферат, курсовая, диплом, контрольная)
Найдем функциональную связь точности е и достоверности, а с количеством реализаций модели, когда в качестве показателей эффективности выступают математическое ожидание и дисперсия некоторой случайной величины (времени, расстояния и т. п.).
Определение оценки математического ожидания
Найдем искомую связь для случая, когда целью эксперимента является определение оценки математического ожидания некоторой случайной величины.
В N прогонах модели получены независимые значения интересующего нас показателя эффективности:
В качестве оценки математического ожидания возьмем выборочное среднее (среднее арифметическое):
В последующей главе мы покажем, что оценка такого вида является наилучшей.
Согласно центральной предельной теореме если значения а, независимы и имеют конечные дисперсии одного порядка, то при большом числе слагаемых N случайная величина а имеет практически нормальное распределение с математическим ожиданием и дисперсией соответственно.
где о% —дисперсия искомой случайной величины а.
Следовательно, справедливо равенство.
2 ~—
где Ф*(га) = , — f е 2 dz — интеграл вероятности.
v2 71 о В некоторых изданиях под интегралом вероятности понимают несколько иное выражение, поэтому целесообразно пользоваться интегралом Лапласа (1749—1827) Ф (г"), который связан с интегралом вероятности так: Ф*(1а) = 2Ф (га). Из приведенного выражения следует:
Сравнивая это выражение с выражением (4.1), имеем.
Интеграл Лапласа табулирован, следовательно, задаваясь значением достоверности а, можно определить аргумент t".
Итак, искомая связь между точностью е, достоверностью а и числом реализаций модели получена:
Из выражений (4.2) следует, что:
- • увеличение точности на один порядок (уменьшение ошибки на один порядок) потребует увеличения числа реализаций модели на два порядка;
- • число необходимых реализаций модели N не зависит от величины искомого параметра а, а зависит от дисперсии с^.
Достоверность результата а. указана значением аргумента функции Лапласа ta. Связь значения ta с достоверностью, а находится из таблицы значений функции (интеграла) Лапласа.
Наиболее употребительные соответствия ta и, а приведены в табл. 4.3.
Таблица 4.3
Фрагмент таблицы функции (интеграла) Лапласа.
a. | 0,80. | 0,85. | 0,90. | 0,95. | 0,99. | 0,995. | 0,999. |
ta | 1,28. | 1,44. | 1,65. | 1,96. | 2,58. | 2,81. | 3,3. |
Чтобы пользоваться формулами (4.2), нужно знать дисперсию о%. Очень редки случаи, когда значение дисперсии известно до эксперимента, поэтому возможны два способа предварительного определения дисперсии.
Первый способ. Иногда заранее известен размах значений искомой случайной величины:
В предположении нормального распределения случайной величины а можно с использованием правила трех сигм получить приближенную оценку aa:
Второй способ. Надо воспользоваться оценкой дисперсии. Для этого необходимо выполнить предварительный прогон модели в количестве АТ = 1000 реализаций. С использованием полученного в результате этих прогонов ряда значений показателя a" i = 1, …, N, найдем оценку дисперсии:
Здесь а — среднеарифметическое значение по N* измерениям. И в этом случае формулы (4.2) имеют вид.
Вычисленную дисперсию Si подставим в формулу для определения числа прогонов модели N. Если в результате расчета окажется, что выполняется неравенство N > N*, то моделирование должно быть продолжено до выполнения N реализаций. Если же N < N*, то моделирование заканчивается. Необходимая точность в оценки случайной величины а (искомого показателя эффективности) при заданной достоверности а достигнута.
Если в технических условиях задана относительная точность d =—,
а
то формулы (4.3) принимают вид.
Значение а определяется на основании ЛГ = 1000 прогонов модели. Все дальнейшие расчеты аналогичны только что рассмотренным аналитическим выражениям.
Вышеприведенные рассуждения и выражения были справедливы в предположении нормального закона распределения случайной величины а. Если в этом есть сомнение, то для определения связи в, а и N можно воспользоваться неравенством П. Л. Чебышева (1821—1894).
С учетом направления знаков неравенств получим.
Так же как и в предыдущих случаях, вместо неизвестной дисперсии о% следует использовать ее оценку Sf, вычисленную по данным N* прогонов модели.
Отметим еще один момент: обратим внимание на то, что в данном случае достоверность, а участвует в формулах в явном виде.
Итак, в выражениях (4.3) мы вместо неизвестной дисперсии используем ее оценку S%. В этом случае вместо аргумента функции Лапласа ta надо использовать параметр распределения Стьюдента (1876—1937) значения которого зависят не только от уровня достоверности а, но и от числа степеней свободы к = N — 1. Здесь, как и прежде, N— число прогонов модели. Вообще-то, при N распределение Стьюдента стремится к нормальному распределению, но при малом числе прогонов модели t* заметно отличается от ta.
Для практических целей значения t* можно взять из табл. 4.4.
Таблица 4.4
Таблица значенийt*
к | а. | ||||
0,8. | 0,9. | 0,95. | 0,99. | 0,999. | |
1,37. | 1,81. | 2,23. | 3,17. | 4,6. |
Окончание табл. 4.4
к | а. | ||||
0,8. | 0,9. | 0,95. | 0,99. | 0,999. | |
1,33. | 1,73. | 2,1. | 2,85. | 3,73. | |
1,31. | 1,7. | 2,04. | 2,75. | 3,65. | |
1,3. | 1,68. | 2,02. | 2,7. | 3,55. | |
1,3. | 1,67. | 2,0. | 2,67. | 3,41. | |
1,29. | 1,66. | 1,98. | 2,62. | 3,37. |
Из табл. 4.4 очевидно, что при k = N — 1 > 120 значения t* и ta практически совпадают. Но при меньших значениях N следует пользоваться величиной t*.