экспериментальных данных. При этом на модель не накладывается ограничений. Так, например, если известно, что случайный процесс x(t) – стационарный и эргодический с нормальной плотностью вероятностей и корреляционной функцией kx(τ) = σе–|τ|, то в этом случае мы можем поставить процессу x(t) в соответствие процесс y(t), являющийся выходом модели М, описываемой дифференциальным уравнением вида
где η(t) – случайный процесс типа белого шума, моделируемый с помощью генератора случайных чисел [21].
Апостериорный подход используется, например, для кибернетики или информационной модели физического объекта, когда объект рассматривается как система, осуществляющая преобразование входного воздействия {η(t)} в выходной y(t). При этом она считается полностью описанной, если имеется математическая модель, т. е. модель в абстрактной форме, не зависящей от физической природы входных и выходных переменных и процессов, происходящих в системе.
В отличие от вероятностных моделей в статистических (Фон Мизеса) модель строится на основе характеристик, получаемых предельным переходом от эмпирических характеристик при неограниченном увеличении объема экспериментальных данных. Адекватность использования таких моделей для описания физических объектов также проблематична, как и вероятностных, а в нестационарных условиях – не очевидна. Ответ на вопрос, какие модели и какие способы их получения использовать, в конкретном случае зависит от поставленной цели исследования, вида решаемой задачи, априорной неопределенности. Общим для этих методов является применение единых вероятностно-статистических методов, используемых в статистических измерениях, для характеристик и параметров реальных физических объектов. Основной вклад в технический риск происходит на этапе обработки материалов испытаний, т. е. при систематическом анализе, когда решаются следующие задачи:
1) выбор вида модели из заданного класса;
2) статистические описания характеристик модели или измерения ее параметров;
3) проверка статистических гипотез;
4) построение итоговой модели М, включая подгонку модели;
5) анализ свойств модели М;
6) статистическое моделирование на полученной модели М.
1.7. Упрощение математических моделей
Одна из причин отличия реальной математической модели М2, принятой в расчетах, от идеальной М1, которая описывает функционирование реального объекта без погрешностей, состоит в том, что идеальная модель для расчетов упрощается. Это упрощение происходит по различным причинам и, в частности, из-за невозможности применить М1 при расчетах на этапе НИР из-за ее сложности. Рассмотрим пример такого упрощения и допускаемые при этом погрешности.
Пусть создана математическая модель М1, которая представляет собой систему из n уравнений, заданная в пространстве RN с координатами x = (x1, x2, …,
