Сравнительный анализ алгоритмов моделирования пуассоновских ансамблей
Тест 4. Моделирование неоднородного пуассоновского процесса ?(?), t > 0 с интенсивностью, А (?) = Ame-2i и Е?(?) = -^(1 — е-2*). Для оценки математического ожидания моделировалось N = 10ъ траекторий на интервале, Т = 2. Сравним два метода моделирования однородного пуассоновского процесса: метод 1 и метод 3 из параграфа 3.6 пособия. Запишем эти методы применительно к данному тесту с указанием… Читать ещё >
Сравнительный анализ алгоритмов моделирования пуассоновских ансамблей (реферат, курсовая, диплом, контрольная)
Проведем сравнение алгоритмов моделирования пуассоновских ансамблей, построенных в главе 3 пособия [31].
Для оценки математического ожидания численно моделируется N траекторий. При приближенном вычислении математического ожидания (?) случайной величины? с конечной дисперсией а2 по формуле 1 N
ПРИ заданном уровне доверия (1 — е) имеет место соотно;
г=1.
шение [90].
где 7(5) константа, определяемая выбором величины е. При е = 0.003 получаем 7(e) = 3, т. е. при достаточно большом N значение (?) с вероятностью р = 0.997 принадлежит доверительному интервалу.
Чем больше дисперсия <�т, тем больший объем выборки Лг требуется для вычисления оценки математического ожидания с заданной точностью.
В таблицах с результатами численных экспериментов приведены доверительные интервалы для оценки математического ожидания. Время расчета указано в секундах. Расчеты проводились на PC Intel Celeron,.
2.02 ГГц, 768 МБ.
Тест 1. Моделирование однородного пуассоновского процесса ?(?), t > 0 с интенсивностью Л. Известно, что Е?(?) = At. Для оценки математического ожидания моделировалось 106 траекторий на интервале [0, Т, Т = 2.
Сравним два метода моделирования однородного пуассоновского процесса: метод 1 и метод 3 из параграфа 3.6 пособия [31]. Запишем эти методы применительно к данному тесту с указанием формул моделирования.
Метод 1:
- 1) моделируем целое к по закону Пуассона с параметром XT (по алгоритму 1.2 из [90]);
- 2) моделируем к точек {r,} -L1 в интервале [0,Т] независимо с плотностью р (х) = ^ (по формуле ъ = otiT, где а7; - независимые равномерно распределенные случайные величины на [0,1]);
- 3) упорядочим точки {тг}^=1 и полагаем ?(т*) = г.
Метод 3:
1) моделируем последовательность независимых значений ti, 72,… с экспоненциальной плотностью р (х) = Хехр (-Хх) (по формуле.
Inai
Ti =——, где аг — независимые равномерно распределенные слу;
А чайные величины на [0,1]);
2) полагаем U = ^У=1 ?{U) = г, пока ti < Т.
Результаты статистического моделирования приведены на рис. 1.29 и в табл. 1.18. На рис. 1.29 приведены точное математическое ожидание и.
Л. | Метод 1. | Метод 3. | ||
s/N | ^сч. | y/N | ^сч. | |
0.6. | 0.36 ±0.0011. | 5.22. | 0.34 ±0.0011. | 5.23. |
0.32 ± 0.0017. | 6.54. | 0.27 ±0.0017. | 6.19. | |
0.0025 ± 0.002. | 8.54. | 0.0043 ± 0.002. | 7.71. | |
0.0074 ± 0.003. | 18.6. | 0.0066 ± 0.003. | 11.98. |
его оценки, полученные обоими методами, на интервале [0,2] для Л = 0.6. Математическое ожидание оценивалось в точках ti = 0.02??_i, г = 1,…, 100, «о = 0.
В табл. 1.18 помещены полученные абсолютные погрешности оценки математического ожидания в последней точке и время счета для различных параметров Л.
Из табл. 1.18 видно, что при малых интенсивностях оба метода сравнимы по времени счета. При больших Л метод 1 считает дольше, так как много времени тратится на упорядочение моментов {т*}*=1.
Тест 2. Моделирование неоднородного пуассоновского процесса ?(«), t > 0 с интенсивностью X (t) = me~2t и Е?(?) = ^-(1 —e~2t). Для оценки математического ожидания моделировалось 106 траекторий на интервале [0,Т], Т = 2. Тест был просчитан тремя методами (из параграфа 3.7 пособия [31]). Запишем эти методы применительно к данному тесту с указанием формул моделирования.
Метод 1:
1) а/гпгтрпнпурм ттрттпр к- тто закону Пуассона с параметром Л ([0,Т]) =.
2) моделируем к точек {ъ}$=1 на [0, Т] независимо с плотностью.
где а* независимые равномерно распределенные случайные величины на [0.1]);
3) упорядочим точки {rj}j=l и полагаем ?(tj) = j.
В методе 2 и методе 3 полагаем Ао = Ат на всем интервале [0,Т].
Результаты статистического моделирования приведены на рис. 1.30 и в табл. 1.19. На рис. 1.30 приведены графики точного математического ожидания и оценка методом 1 на интервале [0,2] для, А = 0.6. Полученные оценки остальными методами не приведены ввиду сильного наложения графиков.
В табл. 1.19 приведены полученные абсолютные погрешности е оценки математического ожидания в последней точке и время счета tC4 для различных параметров А. Из табл. 1.19 видно, что при малых интенсивностях (А < 1) все методы сравнимы по времени счета. При больших, А метод 1 считает быстрее других методов.
Тест 3. Стационарное решение задачи Коши.
Рис. 1.29. Графики точного математического ожидания и полученных оценок (тест 1).
где пуассоновская мера v на [0,1] х R+ задана мерой П(d, 0) = А (1 — 9)Х~1(Ю, является гамма-распределением с параметрами а, А, а плот;
Л. | Метод 1. | Метод 2. | Метод 3. | |||
е | &СЧ. | е | ^СЧ. | , WW) л/JV. | ^сч. | |
0.6. | 0.0004. | 5.38. | 0.0003. | 5.7. | 0.0005 ± 0.55. | 6.07. |
0.0004. | 5.89. | 0.001. | 7.44. | 0.001 ± 0.001. | 8.09. | |
0.0006. | 6.61. | 0.002. | 9.78. | 0.0001 ±0.0017. | 10.84. | |
0.001. | 8.84. | 0.002. | 17.18. | 0.0012 ± 0.002. | 19.07. |
При численном решении (1.73) параметры принимали следующие значения: а = 1, Л = 3. Начальное значение моделировалось как равномерная случайная величина на [0,1]. Численное решение в узлах сетки определялось по формуле.
Рис. 1.30. График математического ожидания (тест 2).
ность распределения имеет вид р (х) = ххехр (—х/а)/(ах+1) [142]. Математическое ожидание решения имеет вид.
где у~г = yn+tk+1 —tk- Моделирование значений случайной величины с плотностью 3(1 — в)2, в Е [0,1], осуществлялось по формуле = 1 — (ад,)1/3, где a.k — равномерная случайная величина на Т = 10.
Моделирование пуассоновской меры осуществлялось методом 1 и методом 3.
Таблица 1.20. Погрешность оценки математического ожидания и время счета для разных интенсивностей (тест 3).
т | Метод 1. | Метод 3. | ||
. | VDS (T) ,/N | ^сч. | . | VDS (T) Jn. | ^сч. | |
0.0002 ± 0.0017. | 6.63. | 0.0002 ±0.0017. | 6.13. | |
0.0008 ± 0.006. | 26.33. | 0.0002 ± 0.006. | 18.41. |
Результаты статистического моделирования приведены на рис. 1.31, 1.32 и в табл. 1.20. На рис. 1.31 приведены график плотности стационарного решения и гистограммы, полученные численным методом 1 при t = 5 и t = 20. На рис. 1.31 видно, что при t = 5 решение еще не является стационарным. На рис. 1.32 приведены графики точного математического ожидания и оценки, полученные методом 1. Графики, полученные методом 3, не приводятся, так как они визуально совпадают с графиками, полученными методом 1.
В табл. 1.20 приведены полученные абсолютные погрешности е оценки математического ожидания и время счета tC4 при t = 5 и t = 20 (Л = 0.6).
Проведенные численные эксперименты демонстрируют возможность применения различных методов Монте-Карло для моделирования однородных и неоднородных пуассоновских ансамблей.
Проведем сравнение двух алгоритмов: метода «максимального сечения» (метод 3) и его модификации (метод За), рассмотренных в главе 3 пособия [31] и предназначенных для моделирования неоднородного пуассоновского процесса.
Рис. 1.32. График математического ожидания (тест 3).
Рис. 1.31. График стационарной плотности и ее оценки при t = 5 и t = 20 (тест 3).
A m | Метод 3. | Метод За. | ||
" + /Di (2). s/N | ^СЧ. | " + У/ОЦ2) VN | ^сч. | |
0.6. | 0.0006 ± 0.0005. | 6.76. | 0.0003 ± 0.0005. | 6.06. |
0.0004 ± 0.0010. | 8.82. | 0.0006 ± 0.0010. | 8.07. | |
0.0007 ± 0.0014. | 12.41. | 0.0010 ± 0.0014. | 10.86. | |
0.0006 ± 0.0022. | 22.54. | 0.0016 ± 0.0022. | 19.13. |
Для оценки математического ожидания численно моделируется N траекторий. При приближенном вычислении математического ожидания Е? случайной величины? с конечной дисперсией D? = о2 по фор- 1 N
муле ?n = ПРИ заданном уровне доверия (1 — е) имеет место г=1.
cooTiioiiieinie.
где 7(г) — константа, определяемая выбором величины е. При е = 0.003 имеем 'у (е) = 3, а при е = 0.3 получаем 7(5) = 1.
В таблицах с результатами численных экспериментов приведены доверительные интервалы для оценки математического ожидания при 7 = 1.
Тест 4. Моделирование неоднородного пуассоновского процесса ?(?), t > 0 с интенсивностью А (?) = Ame-2i и Е?(?) = -^(1 — е-2*). Для оценки математического ожидания моделировалось N = 10ъ траекторий на интервале [0, Т], Т = 2.
В методах 3 и За полагаем Ао(t) = Aw на всем интервале [0, Т]. Результаты статистического моделирования приведены ниже. В таблицах указаны полученные абсолютные погрешности е оценки математического ожидания в последней точке и время счета tC4 для различных пара;
Метод 3. | Метод За. | |||
" + voa 2). s/N | ^СЧ. | " + У/ОЦ2) VN | ^сч. | |
0.6. | 0.0006 ± 0.0005. | 7.17. | 0.0002 ± 0.0005. | 6.41. |
0.0007 ± 0.0010. | 10.10. | 0.0008 ± 0.0010. | 8.67. | |
0.0008 ± 0.0014. | 14.35. | 0.0004 ± 0.0014. | 12.25. | |
0.0002 ± 0.0022. | 27.28. | 0.0027 ± 0.0022. | 22.19. |
метров Аш. В табл. 1.21 приведены результаты расчетов при использовании «генератора» псевдослучайных чисел RAND [911 (с модулем 240 и множителем 517), а в табл. 1.22 для «генератора» псевдослучайных чисел RND128 [202] (с модулем 2128 и множителем 5100 109).
Результаты численного моделирования демонстрируют уменьшение трудоемкости вычислений при использовании метода За вместо метода 3. Из таблиц видно, что оценки, полученные обоими методами, попадают в доверительные интервалы, а время счета метода За меньше, чем время счета метода 3, более чем на 10%.
Статистическое соответствие оценок, полученных алгоритмами 3 и За (с использованием теоремы 1 и без нее), является дополнительным критерием удовлетворительности используемых «генераторов» псевдослучайных чисел RAND и RND128.