- •Часть 1. Имитационное моделирование. Факторный эксперимент
- •Часть 1. Имитационное моделирование. Факторный эксперимент
- •Предисловие
- •Введение
- •Глава I. Системное моделирование – инструмент управления в больших системах
- •1.1. Понятия системного подхода и большой системы
- •1.2. Эффективность больших систем
- •1.3. Управление в больших системах
- •1.4. Структура систем управления
- •1.5. Основные понятия системного моделирования
- •Глава II. Моделирование систем методом статистических испытаний
- •2.1. Принципы построения математических моделей
- •2.2. Требования, предъявляемые к математическим моделям
- •2.3. Моделирование больших систем методом статистических испытаний. Сущность метода статистических испытаний. Точность метода
- •Вопрос 1.
- •2.3.1. Формирование непрерывных случайных величин с заданным законом распределения
- •2.3.2. Приближенные методы формирования случайных величин с заданным законом распределения вероятностей
- •2.3.3. Моделирование системы массового обслуживания
- •1,07 1,09 1,14 Моделируемое время t
- •2.3.4. Получение наблюдений при моделировании
- •Прикладные задачи имитационного моделирования
- •Ориентированный процесс случайного блуждания как метод прогнозирования
- •2.4.2. Модифицированный имитационным моделированием метод экспоненциального сглаживания
- •Глава III. Оценка качества моделей и планирование статистических испытаний
- •3.1. Оценка качества моделей
- •3.1.1. Методы повышения качества оценок показателей эффективности
- •3.1.2. Пассивные методы повышения качества оценивания показателя эффективности
- •3.1.3. Активные методы повышения качества оценивания показателя эффективности
- •3.1.4. Косвенные методы повышения качества оценивания показателя эффективности
- •3.2. Планирование имитационных экспериментов
- •3.2.1. Общая схема испытаний
- •3.2.2. Полные факторные планы испытаний
- •3.2.3. Дробные факторные планы испытаний. Планирование испытаний
- •3.2.4. Анализ результатов испытаний
- •3.2.5. Оптимальные планы
- •Методы принятия решений по результатам испытаний
- •Общая процедура принятия решений
- •3.3.2. Проверка гипотез о параметрах
- •Принятие решений о стабильности условий испытаний
- •Заключение
- •Библиографический список
- •Предметный указатель
- •Оглавление
- •Глава I. Системное моделирование – инструмент управления в больших системах 6
- •Глава II. Моделирование систем методом статистических испытаний 43
- •Глава III. Оценка качества моделей и планирование статистических испытаний 147
- •191186, Санкт-Петербург, ул. Миллионная, 5
3.1.3. Активные методы повышения качества оценивания показателя эффективности
Активные методы оценивания среднего основаны на извлечении выборки специальным образом с использованием информации о структуре пространства значений исходов операции . Для большинства активных методов требуется разделение выборки на части, называемые слоями. При этом необходимо, чтобы значения элементов выборки как можно меньше различались внутри одного и того же слоя и как можно больше – между различными слоями.
С помощью случайного отбора элементов внутри слоев для каждого из них можно оценить у с точностью, зависящей от разброса значений у внутри слоя. Полученные оценки затем используют для вычисления математического ожидания по выборке в целом:
, (3.1.11)
где и – соответственно объем выборки и ее -го слоя;
– число слоев;
– оценка для -го слоя.
Если предположить, что оценки , независимы, то из (3.1.11) получим
, (3.1.12)
где – дисперсия, вычисленная для -го слоя.
При удачном выборе слоев, когда дисперсии малы, оценка (3.1.11) также будет иметь малую дисперсию и, следовательно, будет предпочтительнее оценки, полученной методами простой случайной выборки.
В большинстве практических задач, в особенности при векторных величинах возможности уменьшения разброса значений внутри слоев ограничены. Это объясняется тем, что для одной и той же системы слоев зачастую невозможно минимизировать дисперсии всех или хотя бы нескольких величин . Кроме того, слои должны быть четко отделены один от другого, что не всегда выполнимо.
Часто можно использовать естественное разбиение выборки на слои, например экономические данные можно разделить по районам, предприятиям, видам продукции и т. д.
Методы оценивания среднего с помощью расслоенной выборки отличаются способом взвешивания послойных оценок. Наиболее широко используют метод пропорционального отбора и метод оптимального отбора.
В методе пропорционального отбора объемы послойных выборок определяются пропорционально объемам соответствующих слоев:
, (3.1.13)
где – объем -й послойной выборки, то есть число элементов, случайным образом взятых из -го слоя выборки для вычисления соответствующего среднего;
– суммарный объем послойных выборок;
. (3.1.14)
В методе оптимального отбора объемы послойных выборок полагают пропорциональными среднеквадратическим отклонениям по соответствующим слоям:
. (3.1.15)
Состав оптимальной выборки зависит от –среднеквадратических отклонений по слоям; поэтому он обычно неодинаков для различных компонент вектора . Метод оптимального отбора целесообразно применять в тех случаях, когда важно повысить точность оценивания какой-либо одной выходной характеристики модели.
Недостаток метода – необходимость знания величин .
На практике эти величины зачастую априорно неизвестны и их необходимо определять по дополнительным выборкам. Получаемые оценки . оказываются приближенными, и точность метода вследствие этого снижается. Для получения достаточно надежных оценок необходимы выборки, содержащие не менее 30 элементов в каждом слое. Можно также использовать априорную информацию, экспертное оценивание и т. д.