Обработка и анализ результатов моделирования

При выборе методов обработки результатов моделирования существенную роль играют две особенности машинного эксперимента с моделью.

1) Вероятностное моделирование на ЭВМ требует большого числа прогонов модели и хранения большого числа статистических данных. Для решения этой проблемы используют специальные рекуррентные алгоритмы обработки, которые позволяют по ходу моделирования вычислять оценки пользуясь достаточно простыми асимптотическими формулами.

2) Сложность ВС и моделей делает невозможным давать априорно суждение о законах распределения характеристик модели, поэтому при моделировании используются непараметрические оценки и оценки моментов распределения, а не сами распределения.

Рассмотрим некоторые удобные для программной реализации методы оценки распределений при достаточно большом объеме выборки. Математическое ожидание и дисперсия случайной величины ξ соответственно имеют вид

а = m [ ξ ] = ∫ f (x) · x dx

δ² = D [ ξ ] = m [(x - a)²] = ∫ (x - a)^{2 ·} f (x) · x dx

Так как плотность распределения априори неизвестна, то определить эти моменты при проведении эксперимента нельзя, поэтому приходится использовать некоторые оценки моментов при конечном числе реализаций N. В качестве таких оценок используются

x̂ = â = 1/N · ∑ x_i

S² = δ² = 1/N · ∑ (x_i –x̂)²

К качеству оценок, полученных в результате статистической обработки результатов моделирования, предъявляются следующие требования:

1) Несмещенность оценки - равенство математического ожидания оценки определяемому параметру m[ĝ] = g, где ĝ - оценка параметра g.

2) Эффективность оценки - минимальность среднего квадрата ошибки данной оценки m [(ĝmin – g)²] ≤ m [(ĝi – g) ²], где ĝmin - рассматриваемая оценка, ĝi - любая другая оценка.

3) Состоятельность оценки - сходимость по вероятности при N ->∞ к оцениваемому параметру lim p (| ĝ - g |≥ ε) = 0.

При реализации на ЭВМ сложных моделей при большом числе прогонов получается значительный объем информации. Поэтому необходимо так организовать процесс вычислений и хранения результатов моделирования, чтобы оценки искомых характеристик формировались постепенно по ходу моделирования и без специального запоминания всей информации. Рассмотрим более экономичные формулы вычисления оценок:

а) расчет вероятности наступления события А. В качестве оценки для искомой вероятности p=P(A) используется частота наступления события m/N, где m - число свершений события А; N - общее число исходов. Такая оценка вероятности является состоятельной, несмещенной и эффективной. В памяти ЭВМ достаточно одной ячейки, где накапливается число m, при условии, что N задано заранее;

б) закон распределения. Область возможных значений случайной величины разбивается на n интервалов. Затем накапливается количество попаданий случайной величины в эти интервалы m_k. Оценкой для вероятности попадания случайной величины в интервал с номером k служит величина m_k / N. Необходимо фиксировать n значений m_k, т.е. требуется иметь n ячеек памяти;

в) среднее значение. Накапливается сумма возможных значений случайной величины y_k. Тогда среднее значение ŷ =1/ N ∑ y_k. Требуется всего лишь одна ячейка для накапливаемой суммы.

г) оценка дисперсии. В качестве оценки можно использовать выражение S ² = 1/ N · ∑ (y_k – ŷ) ², но непосредственное вычисление по этой формуле нерационально, так как здесь используется среднее значение, которое изменяется в процессе накопления и неизвестно в момент промежуточных вычислений. Более рационально использовать S ² = (∑ y_k² - (∑ y_k)² /N) /(N-1) и накапливать две суммы.