- •Глава 1. Принципы моделирования случайных элементов 6
- •Глава 3. Метод Монте-Карло и его применения 51
- •3.4. Задания 63
- •Глава 4. Система моделирования gpss 64
- •Глава 5. Моделирование сложных систем на основе gpss 127
- •5.2.1. Иммитационная модель системы 136
- •Глава 6. Задания лабораторного практикума по gpss 152
- •Глава 7. Статистическое моделирование в финансовом анализе. 181
- •Введение
- •Глава 1.Принципы моделирования случайных элементов
- •1.1. Моделирование случайных величин
- •1.1.1.Моделирование базовых случайных величин (бсв) Понятие бсв
- •Датчики бсв
- •Метод Макларена-Марсальи
- •Специальные тесты проверки точности моделирования бсв
- •Тест «совпадения моментов»
- •Тест «ковариация»
- •Тест «равномерность двухмерного распределения»
- •1.1.2.Статический анализ точности моделирования
- •1.1.3.Задания
- •1.2. Моделирование дискретных случайных величин (дсв)
- •1.2.1.Понятие дсв. Общая схема алгоритма моделирования
- •1.2.3.Графический анализ точности моделирования
- •1.2.4.Задания
- •Дискретное равномерное распределение
- •1.3. Моделирование непрерывных случайных величин (нсв)
- •1.3.1.Понятие нсв. Универсальные методы моделирования нсв. Понятие нсв.
- •Метод обратной функции.
- •Метод исключения
- •1.3.2.Тесты проверки точности моделирования нсв Критерии согласия
- •- Критерий согласия Пирсона
- •Критерий согласия Колмогорова.
- •Критерий серий
- •Критерий “нисходящих” и ”восходящих” серий
- •1.3.3.Алгоритмы моделирования для основных непрерывных распределений Равномерное распределение
- •Алгоритм моделирования
- •Одномерное нормальное распределение
- •Алгоритм моделирования
- •Экспоненциальное распределение
- •Алгоритм моделирования
- •Распределение Лапласа
- •Алгоритм моделирования
- •Алгоритмы моделирования:
- •Бета-распределение.
- •Связь с другими распределениями
- •Алгоритмы моделирования:
- •Алгоритмы моделирования
- •Алгоритм моделирования
- •Моделирование случайных величин с заданной гистограммой
- •Алгоритм моделирования
- •Моделирование случайных величин с заданным полигоном частот
- •1.3.4.Задания Равномерное распределение
- •Одномерное нормальное распределение
- •Распределение Лапласа
- •Распределение Вейбулла-Гнеденко
- •Гамма распределение
- •Бета-распределение
- •Распределение Коши
- •Логистическое распределение
- •Распределение Стьюдента
- •Распределение Фишера
- •3.2. Вычисление определенного интеграла методом Монте-Карло
- •Пример.
- •Текст программы:
- •3.3. Решение системы алгебраических уравнений методом Монте-Карло
- •3.4. Задания
- •Глава 4.Система моделирования gpss
- •4.1. Краткие сведения из теории
- •4.2. Основные правила и операторы языка gpss
- •4.2.1.Структура операторов gpss
- •4.2.2.Основные операторы языка gpss
- •4.3. Основные блоки gpss/pc и связанные с ними объекты
- •4.3.1.Блоки, связанные с транзактами
- •4.3.2.Блоки, связанные с аппаратными объектами
- •4.3.3.Блоки для сбора статистических данных
- •4.3.4.Блоки, изменяющие маршруты транзактов
- •4.3.5.Блоки, работающие с памятью
- •4.3.6.Блоки для работы со списками пользователя
- •4.4. Управляющие операторы gpss/pc
- •4.5. Некоторые приемы конструирования gpss-моделей
- •4.5.1.Косвенная адресация
- •4.5.2.Обработка одновременных событий
- •4.6. Команды gpss/pc и технология работы с пакетом
- •4.6.1.Загрузка интегрированной среды
- •4.6.2.Ввод новой модели
- •4.6.3.Редактирование текста модели
- •4.6.4.Запись и считывание модели с диска
- •4.6.5.Прогон модели и наблюдение за моделированием
- •4.6.6.Получение и интерпретация стандартного отчета
- •5.1.3.Анализ результатов иммитационного моделирования
- •5.2. Моделирование работы участка цеха
- •5.2.1.Иммитационная модель системы
- •110 Generate 30,5 Первый сегмент модели
- •280 Generate 20,5 Второй сегмент модели
- •450 Generate 480 Третий сегмент модели (таймер)
- •5.2.2.Анализ результатов иммитационного моделирования
- •Обсуждение результатов моделирования
- •105 A2 storage 2 Второй станок моделируется как накопитель
- •5.3. Порядок оформления отчета
- •5.3.1.Содержание отчета
- •Задания для самопроверки
- •5.3.2.Создание выходного файла
- •Задание для домашней подготовки
- •5.3.3.Описание элементов выходного файла
- •Глава 6.Задания лабораторного практикума по gpss
- •Глава 7.Статистическое моделирование в финансовом анализе.
- •7.1. Моделирование наращенных сумм и современных величин платежа.
- •Задание 4.
- •7.2. Моделирование величины реальной наращенной суммы платежей с учетом инфляции.
- •7.3. Моделирование обменного курса валют при двойной конверсии валют.
- •Приложение
- •Примечание к таблице п.3
- •Литература
- Критерий согласия Пирсона
Данный критерий
широко используется в задачах
статистического анализа данных для
проверки соответствия экспериментальных
данных заданному модельному непрерывному
или дискретному закону распределения,
определяемому функцией распределения
.
При этом истинные значения параметров
могут быть неизвестны. В задачах проверки
точности моделирования значения
задаются при описании условий
экспериментов, поэтому функцию
можно считать полностью заданной.
Пусть как и при
построении гистограммы (см. “Моделирование
СВ с заданной гистограммой”) вычислены
частоты
попадания выборочных значений
в
ячеек гистограммы. Гипотетические
вероятности попадания значений
в ячейки гистограммы при истинной
гипотезе
и полностью заданной функции
равны:
,
где
-
границы ячеек гистограммы. Статистика
критерия проверки гипотез (15) имеет вид:
(16)
и характеризует
взвешенную сумму квадратов уклонений
частот
от гипотетических значений
.
Чем больше
,
тем “сильнее” выборка
не согласуется с
.
Статистика
(16) имеет, в предположении, что гипотеза
верна,
- распределение с
степенями свободы (см. соответствующий
раздел).
- критерий Пирсона основан на (16) и имеет вид:
принимается
гипотеза
(17)
где порог
критерия
находится из ограничения на ошибку
первого рода:
и имеет вид:
,
здесь
- функция распределения статистики
(16).
В ППП СТАТМОД предполагается использование эквивалентной формы критерия (17):
принимается гипотеза
(18)
где
- вычисляемая по выборке
критическая вероятность или
“
-значение”,
- задаваемый пользователем уровень
значимости (обычно
).
Примечание.
Если
- дискретная СВ с функцией распределения
-
выборка реализаций СВ
,
тогда
-
соответственно частоты и гипотетические
вероятности значений
.
Критерий согласия Колмогорова.
Данный критерий позволяет осуществить проверку гипотез (15) в условиях, когда функция распределения модельного закона известна полностью, то есть не зависит от неизвестных параметров. Он основан на анализе мер уклонения эмпирической и модельной функций распределения.
Эмпирическая
функция распределения по случайной
выборке
реализаций
СВ
определяется по формуле:
.
Введём статистику
называемую
расстоянием Колмогорова между
и
.
Известно, что
гипотеза
верна и
(практически
),
то статистика
имеет распределение Колмогорова с
функцией распределения
вида:
.
Критерий согласия Колмогорова представляет собой следующее решающее правило:
принимается
гипотеза
Порог
- квантиль уровня
распределения Колмогорова,
- задаваемый пользователем уровень
значимости.
В ППП СТАТМОД
предполагается использование эквивалентной
формы данного критерия вида (18), где
.
Критерий серий
Критерий серий
предназначен для проверки гипотезы о
случайности выборки
.
Критерий основан на исследовании
знаковой последовательности разностей:
(19)
где
- медиана выборки
.
Знаковая последовательность состоит
из знаков “+”, “-”, соответствующих
разностям (19) и характеризуется:
общим числом серий
,протяжённостью самой длинной среди
,
где
-
число элементов знаковой последовательности.
Под “серией” понимается последовательность подряд идущих одинаковых знаков.
Очевидно, если - случайная выборка, то знаковая последовательность не должна содержать слишком длинных серий, а общее число серий не должно быть слишком малым.
В зависимости от величины К целесообразно использовать одно из следующих правил принятия решений.
Правило в случае К < 20.
Если хотя бы одно из неравенств:
,
(где [a] – целая
часть числа а) оказывается нарушенным,
то гипотеза о случайности выборки
отвергается с вероятностью ошибки
.
Правило в случае К > 20 основано на использовании статистики:
(20)
где m –
число наблюдений, меньших (больших)
.
Известно, что статистика (20) распределена
асимптотически (при К
) по стандартному
нормальному закону. Отсюда правило
принятия решения следующее: гипотеза
о случайности выборки
принимается, если
и отвергается в противном случае (
- заданный уровень значимости).
