हैमिंग का अर्थव्यवस्था का कानून

सिमुलेशन के लिए भौतिकी के सिमुलेशन वेरिफाइड, गणितीय रूप से व्यक्त किए गए कानूनों पर निर्भर करते हैं। रासायनिक सिमुलेशन को वेरिफाइड दर के संवेगों की आवश्यकता होती है। जीवविज्ञान के सिमुलेशन को ज्ञात आबादी के गुणधर्मों की आवश्यकता होती है।

हैमिंग के अनुसार, अर्थव्यवस्था में एक विश्वसनीय कानून है: आप उत्पादन नहीं करते हैं, तो आप उपभोग नहीं कर सकते। अन्य सभी दावा किए गए अर्थव्यवस्था के कानून गणितीय तautology हैं या कुछ मामलों में गलत हैं।

सिमुलेशन के लिए Be implication: जब पृष्ठभूमि के कानूनों की विश्वसनीयता नहीं रहती है, तो सिमुलेशन की पूरी आधारशिला संदिग्ध होती है। गणना में उच्च सटीकता अनिश्वासी कानूनों के मॉडल में क्षतिपूर्ति नहीं करती।

हैमिंग का जवाब जब उनसे पर्यावरणीय सिमुलेशन चलाने के लिए कहा गया था: उन्होंने हर संपर्क के लिए गणितीय रूप से व्यक्तित्व के नियम मांगे, संख्यात्मक स्थिरांकों के साथ, और वास्तविक डेटा के साथ जो टेस्ट रन को तुलना कर सकते थे। संभागीय पूछताछकर्ता जल्द ही किसी और को 'बहुत संदिग्ध सिमुलेशन' चलाने के लिए मिले, जो उनके चाहे परिणाम देंगे।

हैमिंग का नियम: अपनी ईमानदारी का ध्यान रखें। खुद को किसी और के प्रचार के लिए इस्तेमाल नहीं होने दें। जो सिमुलेशन संरचनात्मक रूप से निष्कर्ष की पुष्टि करने के लिए डिज़ाइन किए गए हैं, उन्हें अस्वीकार करें।

सिमुलेशन डेटा में सिम्पसन का परतावरण

हैमिंग की बеркेली कहानी: स्नातक स्कूल में अधिक पुरुषों को स्वीकार किया गया था, जो भेदभाव का संकेत देता था। किसी भी व्यक्तिगत विभाग में भेदभाव नहीं दिखा। समझ: महिलाओं ने निम्न स्वीकृति दर वाले विभागों में असामान्य रूप से आवेदन किया; पुरुषों ने उच्च स्वीकृति दर वाले विभागों में असामान्य रूप से आवेदन किया। समेकित सांख्यिकी वास्तव में थी और भ्रम पैदा कर रही थी।

यह सिम्पसन का परतावरण है: डेटा को मिलाने से किसी भी उपसमूह में मौजूद नहीं होने वाले प्रभाव पैदा हो सकते हैं। समूहों, क्षेत्रों या समय काल पर विस्तारित होने वाले सिमुलेशन आउटपुट्स में इसी विकार का सामना किया जा सकता है।

वे सिमुलेशन जो वे मॉडल करते हैं बदल देते हैं

सिमुलेशन की विशेष श्रेणी की विफलता: विषय मॉडल के जवाब में व्यवहार बदलता है।

स्टॉक मार्केट उदाहरण: यदि एक व्यापार रणनीति जो विश्वसनीय रूप से बाजार से अधिक रिटर्न प्राप्त करती है, तो भाग लेने वाले इसे अपना लेंगे और प्रतिस्पर्धा के कारण अतिरिक्त रिटर्न समाप्त हो जाएगा। मॉडल की सफलता मॉडल की प्रासंगिकता को निरस्त करती है।

चिकित्सा उदाहरण: डबल-ब्लाइंड प्रयोग का उद्भव इसलिए हुआ क्योंकि जिन डॉक्टरों ने जानबूझकर जिन रोगियों को उपचार मिला और जो प्लेसबो मिला, उन्हें सुधार वहां पाया, जहां उन्होंने सुधार की उम्मीद की। डॉक्टरों की जानकारी ने अवलोकन को प्रभावित किया।

वित्तीय नीति, सैन्य योजना, सार्वजनिक स्वास्थ्य जैसे महत्वपूर्ण निर्णय लेने वाले सिमुलेशन इस समस्या का सामना करते हैं जब सिमुलेशन के आउटपुट को सार्वजनिक किया जाता है या व्यवहार का मार्ग निर्देशित करते हैं।

सैंपलिंग & एक्सक्यूटी

न्यूक्विस्ट थियरम एक डिजिटल सिमुलेशन में ongoing सिस्टम का एक मूलभूत सीमा निर्धारित करता है: आपको सबसे ऊंची आवृत्ति वाले सिग्नल में सबसे कम से दो सैंपल्स की आवश्यकता होती है।

प्रैक्टिस में, हैमिंग नोट किया, एक तरफा सैंपलिंग और अलायसिंग को सबसे ऊंची आवृत्ति के सबसे कम अवधि के लिए आवश्यकता सात से दस सैंपल्स प्रति अवधि की ओर ले जाती है।

एक्सक्यूटी ट्रेडऑफ: analog कंप्यूटर (हैमिंग के समय) के प्रत्येक घटक पर 10,000 की एकाग्रता तक का मान लेते थे। डिजिटल कंप्यूटर अन्यथा निर्देशित सटीकता को ले जा सकते हैं। लेकिन डिजिटल सटीकता के लिए पर्याप्त सैंपलिंग की आवश्यकता होती है - और तेज़-बैंग आवृत्ति सामग्री के लिए, वह सैंपलिंग दर कंप्यूटेशन की लागत को निर्धारित करती है।

अनलॉग लाभ: तेजी और भौतिक एकीकरण। आप एक भौतिक घटक को सीधे analog सर्किट में जोड़ सकते हैं और इसके व्यवहार को माप सकते हैं, उसके लिए एक गणितीय विवरण नहीं ढूंढ सकते। मिसाइल के प्रारंभिक निर्देशिका डिज़ाइन के लिए, इसे तेज़ महसूस करने की अनुमति दी।

प्रारंभिक मिसाइल काम के लिए analog मशीनरी इस्तेमाल की गई थी। हैमिंग ने इस प्रकार के उपकरणों से एक अंतर्निहित अanalizer बनाया। समाधान समय: लगभग 30 मिनट प्रति ट्रैक। इस प्रकार की गति ने रन के बीच गहन सोच को मजबूर किया - एक संरचनात्मक लाभ के रूप में हैमिंग को इस प्रकार का माना।

महसूस करना vs सटीकता: मंगल ग्रह लैंडर समस्या

हैमिंग ने एक तीखी डिज़ाइन प्रश्न प्रस्तुत किया: मार्स लैंडर फ्लाइट ट्रेनर के लिए, सिम्युलेटर को स्थानीय सटीकता के लिए या वाहन के महसूस करने के लिए अनुकूलित करना चाहिए?

क्लासिकल न्यूमेरिकल एनालिसिस पथ को स्थानीय पॉलीनोमियल अनुमानों का उपयोग करके स्थानीय सटीकता का अनुकूलन करता है। मार्ग प्रत्यक्ष है, लेकिन प्रत्येक पॉलीनोमियल अंतराल पर त्वरण बदलाव असामान्य 'महसूस' करता है -

फ्रीक्वेंसी डोमेन मेथड्स सिम्युलेटर के आवेग-उत्तर गुणांक को अनुकूलित करते हैं। स्थान को कम सटीक हो सकता है, लेकिन पायलट को वाहन के गतिज प्रतिक्रिया को सही महसूस करता है। पायलट की मांसपेशियों की याददाश्त सही ट्रांसफर फ़ंक्शन पर बनती है।

हैमिंग का निर्णय: एक पायलट ट्रेनर को महसूस करने के लिए अनुकूलित करना चाहिए। वास्तविक उड़ान के दौरान, पायलट स्थानीय त्रुटियों को फीडबैक नियंत्रण का उपयोग करके सुधार सकते हैं। अगर महसूस गलत है, तो पायलट को ऐसे वाहन के लिए प्रशिक्षित किया गया है जा

गहरा सिद्धांत: न्यूमेरिकल मेथड का चयन सिम्युलेशन में क्या मायने रखता है, इसके बारे में दावा करता है। यह दावा एक गणितीय है, बल्कि क्षेत्र का निर्णय है।