Обработка и анализ результатов моделирования систем
ВВЕДЕНИЕ
В области знания моделирования сетей и систем цифровых телекоммуникаций и средств их защиты чаще всего используются математические модели. Математической моделью будем называть совокупность понятий и отношений, выраженных с помощью системы математических символов и обозначений, отражающих наиболее существенные (характерные) свойства изучаемого объекта (системы).
Успех имитационного эксперимента моделирования системы существенно зависит от грамотного решения вопросов обработки, а так же последующего анализа и интерпретации результатов моделирования. Особенно важным является решение проблемы оперативной обработки экспериментальной информации.
Модель является эффективным средством научного познания. Он приходит на помощь исследователю, когда изучаемый объект не может быть изучен непосредственно из-за его громоздкости, удаленности, из-за присущих ему чрезмерно высоких или низких температур, давлений и т. п.; в связи с тем, что непосредственное изучение может привести к наруше
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
1. ОСОБЕННОСТИ ФИКСАНИИ И СТАТИСТИЧЕСКОЙ ОБРАБОТКИ РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ СИСТЕМ НА ЭВМ 5
1.1. Особенности машинных экспериментов. 5
1.2. Методы оценки. 5
1.3. Статистические методы обработки. 7
1.4. Задачи обработки результатов моделирования 10
1.5. Критерий согласия Колмогорова 11
1.6. Критерий согласия Пирсона 11
1.7. Критерий согласия Смирнова. 12
1.8. Критерий согласия Стьюдента. 13
1.9. Критерий согласия Фишера. 13
2. АНАЛИЗ И ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ МАШИННОГО МОДЕЛИРОВАНИЯ 14
2.1. Корреляционный анализ результатов моделирования 14
2.2. Регрессионный анализ результатов моделирования 16
2.3. Дисперсионный анализ результатов моделирования 18
3. ОБРАБОТКА РЕЗУЛЬТАТОВ МАШИННОГО ЭКСПЕРИМЕНТА ПРИ СИНТЕЗЕ СИСТЕМ 20
3.1. Особенности машинного синтеза 20
3.2. Ковариация 21
3.3. Оценка результатов моделирования системы 23
ЗАКЛЮЧЕНИЕ 26
СПИСОК ИНФОРМАЦИОННЫХ ИСТОЧНИКОВ 27
СПИСОК ИНФОРМАЦИОННЫХ ИСТОЧНИКОВ
1. Альянах И.Н. Моделирование вычислительных систем / И.Н. Альянах. Л. Машиностроение 1988. 233 с.
2. Балакирев В.С. Оптимальное управление процессами химической технологии / В.С. Балакирев В.М. Володин А.М. Цирлин. М. Химия 1978. 384 с.
3. Бусленко Н.П. Моделирование сложных систем/ Н.П. Бусленко – М.:Наука, 1988.
4. Введение в математическое моделирование: учеб. пособие для вузов / под ред. П.В.Тарасова. М.: Интермет Инжиниринг, 2000. 200 с.
5. Дворецкий, В.А. Моделирование систем: учебник для студ. высш. учеб. заведений/ С.И. Дворецкий, В.А. Погонин, А.Г. Схиртладзе – М.: Издательский центр «Академия», 2009.
6. Замятина О.М. Моделирование сетей: учебное пособие / О.М. Замяти-на: Томский политехнический университет. – Томск: Изд-во Томского политехнического университета, 2011.
7. Литвинов В.В. Методы построения имитационных систем / В.В. Литвинов Т.П.Марьянович. Киев Наукова Думка 1991. 120 с.
8. Максимей И.В. Имитация моделирования на ЭВМ / И.В. Максимей. М.: Радио и связь, 1988. 232 с.
9. Пакеты прикладных программ: Математическое моделирование / под ред. А.А. Самарского. М.: Наука, 1989. 128 с.
10. Советов Б.Я. Моделирование систем : учеб. для вузов / Б.Я. Советов, С.А. Яковлев. 2-е изд. М.: Выс
Если значение , рассчитанное на основе экспериментальных данных, меньше табличного значения при выбранном уровне значимости , то принимается гипотеза H0; в противном случае расхождение между Fe(y) и F(y) считается неслучайным и гипотеза H0 отвергается. Использование критерия Колмогорова для обработки результатов моделирования целесообразно в случаях, когда известны все параметры теоретической функции распределения. Недостаток использования этого критерия связан с необходимостью фиксации всех статистических частот в памяти ЭВМ для определения D, чтобы расположить их в порядке возрастания.
Критерий согласия ПирсонаОснован на определении в качестве меры расхождения U величины
2= ,
где тi – количество значений случайной величины , попавших в i-й подынтервал; pi – вероятность попа