Ссылка для цитирования : Аверьянов А. В., Нгуен В. Т. Проверка согласия теоретического и эмпирического распределений Парето для команд и микрокоманд ЭВМ с помощью критерия Колмогорова // Изв. вузов. Приборостроение. 2023. Т. 66, № 11. С. 899—906. DOI: 10.17586/0021-3454-2023-66-11-899-906.

Аннотация. Выполнена проверка гипотезы о согласии теоретического и эмпирического распределений Парето применительно к кумулятивным кривым — диаграммам для команд и микрокоманд учебной ЭВМ. В качестве статистического критерия согласия использован критерий Колмогорова. Получены значения параметров для функций распределения Парето, описывающих вероятностные свойства случайных величин, которыми являются порядковые номера команд и реализующих их микрокоманд. Построены графики теоретических и практических функций распределения, позволяющие исключить из системы команд ЭВМ редко используемые команды, что способствует упрощению архитектуры процессоров ЭВМ. Отдельные теоретические положения и полученные практические результаты являются дальнейшим развитием статистического метода повышения качества — анализа Парето применительно к количественному оцениванию метрик машинных команд и микрокоманд ЭВМ.

Ключевые слова: критерий Колмогорова, функция распределения Парето, кумулятивная кривая Парето, уровень значимости, квантиль распределения, доверительный интервал, команды и микрокоманды ЭВМ, устройство управления ЭВМ

Список литературы:

1. Шуленин В. П. Математическая статистика. Ч. 1. Параметрическая статистика: Учебник. Томск: Изд-во НТЛ, 2012. 540 с.
2. Голяков А. Д., Миронов В. И., Смирнов В. В. Испытания систем ракетно-космической техники. СПб: ВИКИ им. А. Ф. Можайского, 1992. 398 с.
3. Басыров А. Г. Организация ЭВМ и систем: Практикум. СПб: ВКА им. А. Ф. Можайского, 2012. 83 с.
4. Жмакин А. П. Архитектура ЭВМ. СПб: БХВ-Петербург, 2010. 352 с.
5. Аверьянов А. В., Кошель И. Н., Кузнецов В. В., Нгуен В. Т. Статистическое оценивание метрик машинных команд ЭВМ и реализующих их микрокоманд на основе анализа Парето // Изв. вузов. Приборостроение. 2023. Т. 66, № 4. С. 259—265.
6. Brunton S. L., Kutz J. N. Data-driven science and engineering : machine learning, dynamical systems, and control. Cambridge Univ. Press, 2019. 472 р.
7. Жадан В. Г. Методы оптимизации. Ч. II. Численные алгоритмы: Учеб. пособие. М.: МФТИ, 2015. 320 с.
8. Аверьянов А. В., Калюжный А. В. Применение анализа Парето для количественного оценивания частоты использования машинных команд ЭВМ // Изв. вузов. Приборостроение. 2019. Т. 62, № 2. С. 101—105.