Детерминированные и стохастические модели

Модели систем, о которых мы говорили до сих пор, были детерминированными (определенными), т.е. задание входного воздействия определяло выход системы однозначно. Однако на практике так бывает редко: описанию реальных систем обычно присуща неопределенность. Например, для статической модели неопределенность можно учесть, записывая место (2.1) соотношение

(2.31)

где —погрешность, приведенная к выходу системы.

Причины неопределенности разнообразны:

– погрешности и помехи измерений входов и выходов системы (естественные погрешности);

– неточность самой модели системы, что заставляет искусственно вводить в модель погрешность;

– неполнота информации о параметрах системы и т.д.

Среди различных способов уточнения и формализации неопределенности наибольшее распространение получил хаотический (вероятностный) подход, при котором неопределенные величины считаются случайными. Развитый понятийный и вычислительный аппарат теории вероятностей и математической статистики позволяет дать конкретные рекомендации по выбору структуры системы и оценке ее параметров. Классификация стохастических моделей систем и методов их исследования представлена в табл. 1.4. Выводы и рекомендации основаны на эффекте усреднения: случайные отклонения результатов измерений некоторой величины от ее ожидаемого значения при суммировании взаимно уничтожаются, и среднее арифметическое большого числа измерений оказывается близким к ожидаемому значению. Математические формулировки этого эффекта даются законом больших чисел и центральной предельной теоремой. Закон больших чисел гласит, что если — случайные величины с математическим ожиданием (средним значением) и дисперсией , то

(2.32)

при достаточно больших N. Это говорит о принципиальной возможности сколь угодно точной оценки по измерениям. Центральная предельная теорема, уточняющая (2.32) утверждает, что

(2.32)

где — стандартная нормально распределенная случайная величина[14]

Поскольку распределение величины хорошо извести и затабулировано (например, известно, что то соотношение (2.33) позволяет вычислять погрешность оценки. Пусть, например требуется найти, при каком числе измерений погрешность оценки их математического ожидания с вероятностью 0,95 окажется меньше, чем 0,01, если дисперсия каждого измерения равна 0,25. Из (2.33) получаем, что должно выполняться неравенство откуда N> 10000.

Разумеется, формулировкам (2.32), (2.33) можно придать более строгий вид, и это легко может быть сделано с помощью понятий вероятностной сходимости. Трудности возникают при попытке проверить условия этих строгих утверждений. Например, в законе больших чисел и централь ной предельной теореме требуется независимость отдельных измерений (реализаций) случайной величины и конечность ее дисперсии. Если эти условия нарушаются, то могут нарушаться и выводы. Например, если все измерения совпадают: то, хотя все остальные условия выполняются об усреднении не может быть и речи. Другой пример: закон больших чисел несправедлив, если случайные величины распределены по закону Коши (с плотностью распределения не обладающему конечными математическими ожиданием и дисперсией. А ведь такой закон встречается в жизни! Например, по Коши распределена интегральная освещенность точек прямолинейного берега равномерно вращающимся прожектором, находящимся в море (на корабле) и включающимся в случайные моменты времени.

Но еще большие трудности вызывает проверка обоснованности самого употребления термина «случайный». Что такое случайная величина, случайное событие и т.д. Часто говорят, что событие А случайно, если в результате эксперимента оно может наступить (с вероятностью р) или не наступить (с вероятностью 1—р). Все, однако, не так просто. Само по­нятие вероятности может быть связано с результатами экс­периментов лишь через частоту его наступления в некотором ряде (серии) экспериментов: , где N_A — число экс­периментов, в которых событие наступило, N — общее число; экспериментов. Если числа при достаточно большом N приближаются к некоторому постоянному числу р_А:

(2.34)

то событие А можно назвать случайным, а число р — его вероятностью. При этом частоты, наблюдавшиеся в различных сериях экспериментов, должны быть близки между собой (это свойство называется статистической устойчивостью или однородностью). Сказанное относится и к понятию случайной величины, поскольку величина является случайной, если случайными являются события {а<£<Ь} для любых чисел а, Ь. Частоты наступления таких событий в длинных сериях экспериментов должны группироваться около некоторых по­стоянных значений.

Итак, для применимости стохастического подхода должны выполняться следующие требования:

1) массовость проводимых экспериментов, т.е. достаточно большое число;

2) повторяемость условий экспериментов, оправдывающая сравнение результатов различных экспериментов;

3) статистическая устойчивость.

Стохастический подход заведомо нельзя применять к единичным экспериментам: бессмысленны выражения типа «вероятность того, что завтра будет дождь», «с вероятностью 0.8 «Зенит» выиграет кубок» и т.п. Но даже если массовость и повторяемость экспериментов имеются, статистической ус­тойчивости может и не быть, а проверить это — непростое дело. Известные оценки допустимого отклонения частоты от вероятности основаны на центральной предельной теореме[15] или неравенстве Чебышева и требуют дополнительных гипотез о независимости или слабой зависимости измерений. Опытная же проверка условия независимости еще сложнее, так как требует дополнительных экспериментов.

Более подробно методология и практические рецепты применения теории вероятностей изложены в поучительной книге В.Н. Тутубалина [40], представление о которой дают приводимые ниже цитаты:

«Чрезвычайно важно искоренить заблуждение, встречающееся иногда у недостаточно знакомых с теорией вероятностей инженеров и естествоиспытателей, что результат любого эксперимента можно рассматривать как случайную величину. В особо тяжелых случаях к этому присоединяется вера в нормальный закон распределения, а если уже сами случайные величины не нормальны, то верят, что их логарифмы нормальны».

«По современным представлениям область применения теоретико-вероятностных методов ограничена явлениями, которым присуща статистическая устойчивость. Однако проверка статистической устойчивости трудна и всегда неполна к тому же часто она дает отрицательный вывод. В результате в целых областях знания, например, в геологии, нормой стал такой подход, при котором статистическая устойчивость вовсе не проверяется, что неизбежно приводит к серьезным ошибкам. К тому же пропаганда кибернетики[16], предпринятая нашими ведущими учеными, дала (в некоторых случаях!) несколько неожиданный результат: теперь считается, что только машина (а не человек) способна получать объективные научные результаты.

В таких обстоятельствах долг каждого преподавателя — вновь и вновь пропагандировать ту старую истину, которую еще Петр I пытался (безуспешно) внушить русским купцам: что торговать надо честно, без обмана, так как в конечном счете это для самих же себя выгоднее».

Как же построить модель системы, если неопределенность в задаче есть, но стохастический подход неприменим? Ниже кратко излагается один из альтернативных подходов, основанный на теории нечетких множеств.

[1] Напоминаем, что отношением (отношением между и ) называется подмножество множества . т.е. некоторая совокупности пар R={(x, у)}, где ,. Например, функциональная связь (зависимость) может быть представлена как отношение между множествами , , включающее пары (х, у), для которых .

[2] В простейшем случае может быть , a R — отношение тождества , если .

[3] Примеры 12—15 в табл. 1. 1 придуманы в 1988 г. учеником 86 класса 292 школы М. Коротеевым.

[4] Здесь и далее через y(t)будет обозначаться производная по времени от функции y(t).Будет также использоваться обозначение y(t) =py(t).

[5] Математик здесь, конечно, заметит, что минимум в (1.4), строго говоря, может не достигаться и в формулировке (1.4) нужно заменить rnin на inf («инфимум» — точная нижняя грань множества). Однако ситуация от этого не изменится: формализация в данном случае не отражает существа задачи, т.е. проведена неверно. В дальнейшем, чтобы не«пугать» инженера, мы будем пользоваться обозначениями min, max; имея в виду, что при необходимости их следует заменить на более общие inf, sup.

[6] Здесь термин «структура» используется в смысле, несколько более узком, нем в подразд. 1.1, и означает состав подсистем в системе и типы связей между ними.

[7] Графом называется пара (G, R), где G={g₁... g_n}— конечное множество вершин, a — бинарное отношение на G. Если , тогда и только тогда, когда , то граф называется неориентированным, в противном случае — ориентированным. Пары называются дугами (ребрами), а элементы множества G — вершинами графа.

[8] То есть алгебраические или трансцендентные.

[9] Строго говоря, счетное множество представляет собой некоторую идеализацию, которую невозможно реализовать практически из-за конечности размеров технических систем и пределов человеческого восприятия. Такие идеализированные модели (например, множество натуральных чисел N={1, 2,...}) имеет смысл вводить для множеств конечных, но с за­ранее не ограниченным (или неизвестным) числом элементов.

[10] Формально понятие операции является частным случаем понятия отношения между элементами множеств. Например, операция сложения Двух чисел задает 3-местное (тернарное) отношение R: тройка чисел (х, у, z) z)принадлежит отношению R(пишем (х,у,z)), если z = х+у.