КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Распределение Пуассона
Задания Графический анализ точности моделирования
Тесты проверки точности моделирования БСВ допускают графическую интерпретацию, удобную для быстрого визуального анализа качества смоделированной выборки реализаций БСВ. В пакете СТАТМОД реализованы следующие графики: · диаграмма рассеяния (иллюстрирует зависимость между ai и at-1 ; для проверки факта наличия зависимости используется тест «ковариация»);
· гистограмма и плотность распределения (позволяет осуществить сравнительный анализ теоретического и эмпирического распределения выборки А; для проверки согласия распределения А с равномерным законом используются критерии согласия);
· график корреляционной функции с указанием доверительных границ (служит для графической поддержки теста «ковариация»);
· визуализация выборки (иллюстрирует зависимость ai от t и может использоваться для графической поддержки критериев серий).
1. Осуществить моделирование n=1000 реализаций БСВ с помощью мультипликативного конгруэнтного метода (МКМ-датчика) при следующих значениях параметров датчика: (т.е. β e {19, 259, 4099, 65539, 1048979, 16777219, 268435459}) Сравнить эти датчики по точности, используя тесты проверки точности моделирования. Найти значение m*, при котором достигается максимальная точность моделирования. 2. Выполнить задание 1 при следующих значениях параметров датчика: (т.е. b e {5, 125, 3125, 78125, 1953125, 48828125, 1220703125}) 3. Для МКМ-датчика при b = 65539 исследовать зависимость точности моделирования и величины периода Т от «стартового» числа a0*00000000 . Положить a0* e {3, 19, 259, 4099, 65539, 1048979, 2147483647} Сравнить по точности датчики, реализующие МКМ при b = 65539 и b = 78125 (a0* = b).
Сравнить по точности МКМ-датчики при различных значениях b из заданного в пакете множества возможных значений. Положить a0* = b. 4. Датчики Макларена-Марсальи (ММ-датчики) М1 и М2 используют в качестве простейших датчики D1 и D2, реализующие МКМ при следующих значениях параметров: М1. D1: b = a0* = 65539, D2: b = 65539, a0* = 256959681; М2. D1: b = a0* = 1078318301, D2: b = 1078318301, a0* = 860574881; Сравнить по точности датчики М1 и М2. Сравнить по точности и быстродействию ММ-датчик М1 из задания 6 и МКМ-датчик с параметрами b = a0* = 65539.
5. Осуществить моделирование M = 100 реализаций СВ . Исследовать точность моделирования с помощью тестов и графического анализа. Рассмотреть случаи: N = 100, m = 5, 10, 25, 50, n = 10, 20.
6. С помощью моделирования СВ с законами распределения , , , , исследовать возможность и точность аппроксимации гипергеометрического распределения другими законами: биномиальным (14.1), Пуассона (14.2), нормальным (14.3):
a) N = 1000, m = 100, 50, 25, 10, 5; b) N = 1000, m =100, n = 10; c) N = 1000, m =50, n = 20; d) N = 2000, m = 100, n = 200; e) N = 3000, m = 150, n = 300; f) N = 4000, m = 200, n = 300.
7. Осуществить моделирование M = 100 реализаций СВ . Исследовать точность моделирования с помощью тестов и графического анализа. Рассмотреть случаи: .
8. С помощью моделирования M = 100 реализаций СВ и СВ исследовать возможность и точность аппроксимации распределения Пуассона нормальным. Рассмотреть случаи: .
9. С помощью моделирования M = 100 реализаций СВ и СВ проиллюстрировать соотношение между распределениями:
. Положить: .
10. Сравнить по точности и быстродействию методы моделирования СВ , реализованные в ППП СТАТМОД.
Дата добавления: 2017-02-01; Просмотров: 71; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |