Моделирование гидрологического ряда

По схеме случайной величины

Алгоритм счета и программа моделирования случайного ряда по схеме случайной величины чрезвычайно просты и во многом согласуются со схемой розыгрыша дискретной случайной величины (см. разд. 9.2.3). Так, пусть закон распределения моделируемого ряда задан в виде таблицы значений кривой обеспеченности Пирсона III типа Моделирование гидрологического ряда - student2.ru .

Статистические характеристики тх, Cv и соотношение Cs/Cv моделируемого ряда известны. Тогда алгоритм моделирования по заданному ряду состоит в следующих операциях (рис. 9.4):

Вставить рис. 9.4 из числ. Методов, стр227

Рис. 9.4. Блок-схема моделирования по схеме случайной величины.

1) определение последовательности ai (i= 1, 2, . .., N) (см. разд. 5.4);

2) перевод значений аi в значения обеспеченности Рi. Если в таблице обеспеченность задана в долях единицы, то Рii, если в процентах, то Pi= 100аi;

3) по известным Pi, Сs, Cv с таблицы Моделирование гидрологического ряда - student2.ru считывается значение ki, которое затем пересчитывается в хi.

Эти операции повторяются N раз по заданному объему модели. Изложенный алгоритм моделирования по схеме случайного ряда достаточно легко ставится на ЭВМ.

Моделирование гидрологического ряда по схеме простой цепи

Маркова

В результате моделирования по схеме простой цепи Маркова должен быть получен ряд X заданной продолжительности, закон распределения которого (одномерная Моделирование гидрологического ряда - student2.ru и двухмерная F2(x) функция распределения) и числовые характеристики Моделирование гидрологического ряда - student2.ru , Моделирование гидрологического ряда - student2.ru , Моделирование гидрологического ряда - student2.ru при увеличении числа членов ряда стремятся к заданным законам распределения F1(x), F2(x) и числовым характеристикам тх, Dx, Моделирование гидрологического ряда - student2.ru .

В настоящее время существует почти три десятка различных способов моделирования по схеме простой цепи Маркова. Обзор, обоснование и систематизация этих способов дастся в работе Г. Г. Сванидзе [48].

В основном способы моделирования основаны на разложении членов ряда X на две составляющие

Моделирование гидрологического ряда - student2.ru (9.7)

или в модульных коэффициентах,

Моделирование гидрологического ряда - student2.ru , (9.8)

где Моделирование гидрологического ряда - student2.ru и Моделирование гидрологического ряда - student2.ru —средние из возможных значений xi+1 при данном xi или ki+1 при данном ki , рассчитанные по уравнению регрессии xi+1 по xi, или ki+1 по ki (см. разд. 7.2); Моделирование гидрологического ряда - student2.ru и Моделирование гидрологического ряда - student2.ru случайные составляющие соответственно в исходных зна­чениях или в модульных коэффициентах, не зависящие от предшествующих значений исследуемого ряда.

Выше отмечалось, что характеристики разложений (9.7) или (9.8) задаются на основе тех или иных соображений или рассчитываются по какому-либо исходному ряду наблюдений. В последнем случае возникают серьезные затруднения, связанные с тем, что объем имеющихся выборочных данных наблюдений недоста­точен для точного определения параметров разложений.

Так, при имеющихся объемах выборок, практически невозможно установить истинную двухмерную функцию распределения F2(x), определяющую закон распределения xi+1(xi) и βi+1. Действительно, из анализа корреляционного поля ki+1= f(ki), (рис. 9.5) следует, что при малой тесноте связи, естественной, например, для рядов среднего годового и, тем более, максимального стока, выбор ка­кой-нибудь поверхности плотности вероятности практически не­возможен. В связи с этим остается неизвестной и форма связи ki+1= f(ki).

Вставить рис. 9.5

Рис. 9.5. График зависимости ki + y = f(k,) среднего годового стока р. Волги у г. Старица. I, II, III — номера диапазона.

Единственный выход из создавшейся ситуации заключается в подборе подходящих гипотез о законе распределения и форме связи:

1) двухмерное распределение коррелированных величин ki+1ki, одномерные функции распределения которых являются гамма-распределением, также являются гамма-распределением;

2) зависимость ki+1= f(ki) определяется с помощью линейного уравнения регрессии.

Принимаемые гипотезы о законе распределения и форме связи, как отмечает Г. Г. Сванидзе, не могут быть непосредственно проверены на имеющемся статистическом материале. «Однако здесь на помощь приходит замечательное свойство метода Монте-Карло — возможность самопроверки»[1] [48].

При определении уравнения регрессии ki+1 no ki следует иметь в виду, что аппарат корреляции двух переменных величин разработан для случая, когда их закон распределения является нормальным, Для асимметричных законов распределения этот аппарат не всегда является достаточно эффективным. Поэтому в последнее время началась разработка аппарата гамма-корреляции для случая связи случайных величин, подчиняющихся гамма-распределению. Имеются также предложения об использовании гамма-корреляции при моделировании рядов стока по схеме простой цепи Маркова.



Наши рекомендации