Базы данных: полнота и надежность

Базы данных: полнота и надежность

Титов В.В.

Введение

Информатизация затронула в последнее десятилетие практически все сферы нашей жизни. Переход к рыночным отношениям открыл шлюзы для свободной деятельности во всех областях, а необъятное количество и разнообразие активных и пассивных участников этой свободы породило настоятельную необходимость в упорядоченном представлении и предоставлении информации о текущем положении дел. Информация стала товаром повышенного спроса, спрос родил предложение, вслед за чем и конкуренцию. Наряду с примитивной статической информацией (монографии, газеты, рекламные и справочные издания, обклеенные стенки вагонов метро, заборов и тумб) интенсивно развивается более мобильная компьютерная информатизация, на сегодня имеющая верхом своим сеть Интернет, открывшую доступ практически ко всем информационным ресурсам мира.

Типичной упорядоченной информационной структурой является база данных. Такие базы по самым разным темам создавались еще в докомпьютерную эру, но именно компьютеризация позволила сделать качественный скачок в этом направлении: кроме собственно базы (т.е. хранилища) данных, начали интенсивно развиваться системы навигации, т.е. поиска нужных сведений в необъятном массиве базы. Все это в сочетании с повышенной потребностью в таких информационно-поисковых системах привело к появлению на рынке множества альтернативных предложений баз данных по любой более или менее интересной тематике (интересной для покупателя, конечно).

Столкнувшись с необходимостью иметь под рукой базу данных по какой-либо теме, покупатель часто оказывается озадачен тем, какую (или какие) базы ему лучше приобрести, чем та или иная база отличается от других в лучшую или худшую сторону. При этом ключевыми сравниваемыми параметрами баз данных можно считать следующие: полнота базы (т.е. наличие всех сведений по теме), качество навигационного сопровождения (т.е. легкость и точность нахождения нужной информации в базе) и оперативность обновления (т.е. темп пополнения базы свежими данными). И если два последних параметра любой пользователь может самостоятельно оценить по паспортным данным и по демонстрационной версии базы, то о полноте судить значительно труднее (хорошо, если покупатель знает десяток-другой объектов или документов, обязанных присутствовать в базе данной тематики, и может убедиться в том, сколько из них наличествует в этой конкретной базе), чаще всего единственным источником информации о полноте является честное слово разработчика базы. Однако существуют объективные методы оценки полноты баз данных, и настоящая работа посвящена одному из таких методов.

1. Расчет для двух баз данных

Исходные постулаты расчета таковы.

1. Будем называть каждый информационный объект, имеющийся в базе данных (БД), документом. Это может быть математическая формула, описание медицинского препарата, набор сведений о конкретном учебном заведении, реквизиты коммерческой фирмы, статья из научного журнала, адреса и телефоны административных учреждений, нормативный акт, и т.п., в зависимости от тематической направленности БД.

2. Каждый документ имеет набор идентификаторов, однозначно его определяющих (например, дата создания документа, создатель документа, исходящий номер, источник информации о документе, и т.п.), т.е. в любой БД наличие данного документа можно установить по комплексу его идентификаторов (в частном случае - по какому-либо одному идентификатору, если этот идентификатор - уникальный).

3. Любой документ имеет одни и те же идентификаторы в разных БД.

4. Каждая БД комплектуется документами самостоятельно, независимо от других БД, т.е. ни одна БД не является поставщиком первичной информации для другой БД.

В рамках этих положений можно далее рассуждать так.

Пусть объективно существует N документов по данной теме. Конкурирующие разработчики БД разыскивают эти документы с разной эффективностью, в результате в базе БД1 содержится

(1)

документов, в базе БД2 -

(2)

документов ( и - эффективность наполнения, т.е. коэффициенты полноты баз БД1 и БД2, соответственно). Сравнивая содержимое этих баз, можно обнаружить, что некоторое количество документов присутствует в обеих БД. Это количество (при независимости источников пополнения баз) равно:

(3)

Имея эти три уравнения, нетрудно по фактически измеренным величинам , и вычислить три неизвестных:

;

(4)

Все исходные величины (, и ) можно понимать как дискретные случайные переменные, для которых стандартное отклонение равно квадратному корню из самой величины, т.е.:

;

(5)

Относительная ошибка для этих исходных величин составляет:

;

(6)

Тогда в соответствии с правилами определения относительной ошибки функции от независимых случайных величин получим для относительной ошибки a₁, a₂ и N следующие выражения:

;

(7)

;

(8)

(9)

Анализируя последние три формулы, нетрудно видеть, что надежность полученных расчетных данных тем выше, чем больше каждая из трех измеренных величин. И если наименьшая из них (а это ) мала, то расчет становится малодостоверным.

Таким образом, по результатам анализа всего двух частично перекрывающихся баз можно составить представление и о полноте каждой из них, и об общем количестве реально существующих документов по теме, в том числе и о количестве документов, отсутствующих в данных базах.

2. Расчет по трем базам

Пусть теперь в нашем распоряжении три БД на одну и ту же тему. В результате анализа их содержимого мы можем получить семь чисел:

	-полное число документов в БД1;
	-полное число документов в БД2;
	-полное число документов в БД3;
	-число документов, имеющихся и в БД1, и в БД2;
	-число документов, имеющихся и в БД1, и в БД3;
	-число документов, имеющихся и в БД2, и в БД3;
	-число документов, имеющихся во всех трех базах.

Обозначим через , , и неизвестные величины коэффициентов полноты баз и полного количества документов по теме, тогда для этих четырех неизвестных у нас имеется семь уравнений, что позволяет значительно повысить точность расчета, и вот каким образом.

Запишем исходные уравнения:

;	(10)
;	(11)
;	(12)
;	(13)
;	(14)
;	(15)
.	(16)

Для получения решения достаточно использовать только четыре уравнения из этих семи, и таких четверок можно составить:

Иными словами, можно получить 35 комплектов решений. Не все из них равноценны, и вот почему. Относительная точность определения дискретной случайной величины обратно пропорциональна корню квадратному из этой величины (в соответствии с формулами (6)), а в расчетных формулах с умножением и делением таких случайных величин их относительные ошибки суммируются, как показано в выражениях (7). Если учесть, что все n_i, как правило, больше любого из n_ij, а те, в свою очередь, существенно больше n_ijk, то отсюда следует, что по возможности следует избегать использования n_ijk в расчетах, т.е. не пользоваться последним (седьмым) уравнением из набора (10). Тогда число комбинаций уравнений уменьшится до

Эти 15 уравнений можно разделить на 4 группы, в каждой из которых решения получаются циклической перестановкой индексов:

1. Имеются три системы типа:

Решения:

2. Имеется шесть систем типа:

Решения:

3. Имеется три системы типа:

Система неразрешима, т.к. уравнения линейно зависимы:

4. Имеется три системы типа:

Решения:

Итак, получено 12 комплектов решений, причем расчетные формулы в этих комплектах частично повторяются:

(5 раз) =	(5 раз) =	(1 раз) =	(1раз);
(5 раз) =	(5 раз) =	(1 раз) =	(1раз);
(5 раз) =	(5 раз) =	(1 раз) =	(1раз);
(3 раза) =	(3 раза) =	(3 раза) =	(1 раз) =
	=	(1 раз) =	(1 раз).

При вычислении среднего значения, дисперсии и среднеквадратичного отклонения каждой из этих величин частота повторения формул должна быть учтена введением соответствующих весовых коэффициентов. В простейшем случае расчет усредненных величин можно проводить по формулам:

	(17)
	(18)
	(19)
	(20)

Дисперсия и среднеквадратичное отклонение для a_1m рассчитываются по формулам (21) и (22), соответственно:

(21)

(22)

Аналогичные формулы можно записать и для остальных трех переменных (мы здесь этого не делаем только из соображений экономии места).

Несмотря на громоздкость приведенных формул, все эти расчеты легко и быстро реализуются в компьютерном исполнении с применением любых электронных таблиц (в данной работе использовались электронные таблицы Excel5.0).

Интересно, что при наличии сведений о трех базах появляется возможность и заглянуть в “кухню” каждого из разработчиков баз. Дело в том, что если исходные данные для расчета представить в несколько иной форме:

m₁	- число документов, присутствующих только в БД1;
m₂	- число документов, присутствующих только в БД2;
m₃	- число документов, присутствующих только в БД3;
m₁₂	-число документов, имеющихся только в БД1 и в БД2;
m₁₃	-число документов, имеющихся только в БД1 и в БД3;
m₂₃	-число документов, имеющихся только в БД2 и в БД3;
m₁₂₃	-число документов, имеющихся во всех трех базах,

то появляется возможность выявить и недобросовестное поведение разработчика, “откачивающего” документы из чужой базы в свою, и обратную ситуацию - наличие мощного источника информации, доступного только одному из разработчиков, и, наконец, наличие некоего “джентльменского набора” документов, обязанных быть представленными в любой базе данных, относящейся к заявленной теме.

Связь между числами m и n очевидна:

(23)

Естественно считать, что для истинно независимых БД должно бы выполняться условие, что число “тройных совпадений” (т.е. документов, имеющихся во всех трех базах), должно быть меньше любого из трех чисел “двойного совпадения” (это следует из выражения (16)). Если же имеет место ситуация, например, когда база БД1 пополняется из базы БД2, то документы из массива m₂₃“перекочуют” в массив m₁₂₃, а из массива m₂в массив m₁₂. В случае наличия уникального источника информации, доступного только для разработчика БД1, например, мы получим аномально высокое значение m₁. Наконец, “джентльменский набор” обязан целиком войти в m₁₂₃, никак не повлияв на содержание остальных исходных данных. И вообще, любое аномальное отклонение какой-либо одной или двух величин несет в себе скрытую информацию о тех или иных технологических особенностях комплектования баз.

3. Модельный эксперимент

Для проверки качества методики расчета был поставлен следующий модельный эксперимент. Допустим, объективно существует массив из N₀ документов (например, нормативных актов, регулирующих научно-исследовательскую деятельность). Допустим также, что k разработчиков предлагают свои базы данных по этому вопросу, причем каждый i-й разработчик разыскивает для своей базы эти нормативные акты с заданной вероятностью a_i0, в результате чего в его базе содержится n_i0=Na_i0 документов соответствующей тематики. Если все числа n_i0, n_ij0 ... в точности соответствуют заданным N₀ и a_i0 (i=1...k), то, подставив эти числа в формулы, выведенные в предыдущих разделах, мы автоматически реконструируем те величины N₀ и a_i0, которые сами заложили в модель.

А теперь несколько изменим условия модельного эксперимента. Ведь каждая из исходных величин n_i, n_j ... реально подвержена случаю, и среднеквадратичный разброс их определяется формулами (5), причем в соответствии с теорией вероятности в 80% случаев отклонение реальной величины n_i от истинной n_i0 не превышает Dn_i, в 95% случаев это отклонение не превышает 2Dn_iи лишь в 0,3% случаев отклонение оказывается больше 3Dn_i. Поэтому модифицируем нашу модель следующим образом: все исходные (“идеальные”) величины х₀ (x₀= n₁₀, n₂₀, n₁₂₀ ...) заменяем на

x=x₀+ Dx₀(f-w)A,

где Dx₀= -среднеквадратичная ошибка,

f и w - случайные числа с равномерным распределением в интервале от нуля до единицы,

А - масштабный коэффициент, задающий амплитуду случайного воздействия (А= 0...4).

Подставляя эти измененные исходные величины в наши расчетные формулы, мы, естественно, получим результат, в какой-то степени близкий к “идеальному”, но все же от него отличающийся. Для оценки точности реконструирования параметров N₀ и a_i0 модельный эксперимент данного типа можно повторять неоднократно, каждый раз с помощью генератора случайных чисел варьируя набор исходных данных. Это и было выполнено для двух моделей:

1. Две базы при N₀=600, a₁₀=0,5 и a₂₀=0,333.

2. Три базы при N₀=1000, a₁₀=0,3, a₂₀=0,5 и a₃₀=0,6.

Чтобы ощутить масштаб отклонений исходных величин в каждой серии экспериментов, в таблицах 2 и 3 показана часть результатов (вся серия включала по 60 экспериментов для каждого значения амплитуды А).

Таблица 2. Исходные числа для модельного эксперимента с двумя базами
(n₁=300, n₂=200, n₁₂=100)

А=1	n₁	295	307	297	294	...
	n₂	196	208	194	195	...
	n₁₂	100	106	99	96	...
А=2	n₁	300	287	319	321	...
	n₂	187	205	200	194	...
	n₁₂	85	104	110	98	...
А=3	n₁	331	302	324	273	...
	n₂	188	192	203	176	...
	n₁₂	114	93	107	75	...

Таблица 3. Исходные числа для модельного эксперимента с тремя базами
(n₁=300, n₂=500, n₃=600, n₁₂=150, n₁₃=180, n₂₃=300, n₁₂₃=90)

А=1	n₁	297	306	304	309	...
	n₂	495	488	508	495	...
	n₃	581	599	611	600	...
	n₁₂	148	152	150	154	...
	n₁₃	178	182	179	190	...
	n₂₃	291	297	298	294	...
	n₁₂₃	87	91	86	98	...
А=2	n₁	287	324	277	302	...
	n₂	478	534	477	470	...
	n₃	571	596	603	570	...
	n₁₂	152	170	138	161	...
	n₁₃	172	184	175	174	...
	n₂₃	299	322	307	278	...
	n₁₂₃	100	102	91	91	...
А=3	n₁	312	283	313	300	...
	n₂	524	491	526	557	...
	n₃	565	617	601	622	...
	n₁₂	164	138	158	167	...
	n₁₃	177	176	196	186	...
	n₂₃	304	298	313	324	...
	n₁₂₃	90	81	96	103	...
А=4	n₁	304	290	303	295	...
	n₂	497	507	490	497	...
	n₃	586	624	583	640	...
	n₁₂	149	139	143	156	...
	n₁₃	195	160	167	190	...
	n₂₃	303	318	283	312	...
	n₁₂₃	104	79	80	98	...

Для модели двух баз с “теоретическими” значениями N₀=600, a₁₀=0,5 и a₂₀=0,333 шестьдесят пробных расчетов с учетом случайного фактора дали следующий результат (см. таблицу 4):

Таблица 4. Результаты модельного эксперимента с двумя базами данных при N₀=600, a₁₀=0,5 и a₂₀=0,333

Параметры		Среднее по серии	Ошибка каждой модели, %	Максимальное значение в серии	Максимальное значение в серии
А=1	a₁	0,502	12	0,53	0,47
	a₂	0,334	11-12	0,36	0,31
	N	600	13-14	632	561
А=2	a₁	0,508	12-13	0,575265	0,45
	a₂	0,34	11-12	0,393888	0,30
	N	593	13-14	683	531
А=3	a₁	0,497	11-14	0,607819	0,38
	a₂	0,34	13-15	0,400815	0,26
	N	600	13-15	703	494

В этой таблице во втором столбце помещены наименования искомых величин, в третьем - среднее по серии из 60 экспериментов значение каждой величины, в четвертом столбце - расчетная ошибка единичного измерения, в последних двух столбцах - максимальное и минимальное значение искомой величины, случившееся в серии.

Видно, что даже в случае А=3 (вероятность максимального отклонения при таком А в теории оценивается в 0,3%) результаты расчета очень неплохие. Числа четвертого столбца, соответствующие средней ошибке каждого единичного расчета, определяют допустимый разброс, намного перекрывающий отклонение любой из средних величин (третий столбец) от “теоретической”. Для второй серии измерений (при А=2) ошибка единичного расчета ближе всего соответствует максимальному и минимальному отклонениям расчетных величин от средних (а вероятность такого экстремального отклонения теорией определяется в 5%). Средние же величины, полученные в этой серии, совпадают с теоретическими с точностью до долей процента. И только в третьей серии экспериментов с сильно завышенной величиной разброса (вероятность такой ситуации оценивается всего в 0,3%) случаются варианты, когда реконструированные величины более чем на 20% отличаются от истинных (хотя средние по серии значения попрежнему очень близки к истинным).

Эксперимент с тремя базами дал результаты, сводка которых приведена в Таблице 5.

Таблица 5. Результаты модельного эксперимента с тремя базами данных
(n₁=300, n₂=500, n₃=600, n₁₂=150, n₁₃=180, n₂₃=300, n₁₂₃=90)

Параметры		Среднее по серии	Ошибка каждой модели, %	Максимальное значение в серии	Максимальное значение в серии
А=1	a₁	0,30	0,5-1,5	0,32	0,28
	a₂	0,50	0,8-1,5	0,52	0,48
	a₃	0,60	0,4-1,3	0,63	0,57
	N	998	0,1-1,2	1036	966
А=2	a₁	0,30	1,5-3	0,33	0,26
	a₂	0,50	1-4	0,53	0,46
	a₃	0,60	1-3,5	0,64	0,55
	N	999	0,5-3	1495	926
А=3	a₁	0,30	2-6	0,35	0,24
	a₂	0,49	1-7	0,56	0,42
	a₃	0,60	0,5-5	0,66	0,54
	N	1012	1-5	1138	886
А=4	a₁	0,300	2-10	0,37	0,25
	a₂	0,50	2-11	0,57	0,43
	a₃	0,60	2-6	0,67	0,51
	N	998	2-9	1167	863

Все выводы, полученные на модели двух баз, здесь справедливы даже в усиленном виде. Поэтому мы решились на расширение эксперимента в сторону еще большей “раскачки” исходных данных. Случайно такая раскачка уже практически не может произойти, но комплектование баз - процесс не чисто статистический и нельзя исключить возможность как негласного использования содержимого чужих баз, так и частного доступа к богатому информацией первоисточнику (например, к архиву мощного эмитента документов); кроме того, неизбежно и влияние ненулевого “джентльменского набора” документов, обязательных во всех базах (более подробно этот фактор будет рассмотрен ниже). Четвертая серия экспериментов показала, что и в этом случае максимальное отклонение реконструированных величин от точных значений укладывается в 15-25%.

В этой группе экспериментов проявилась не слишком заметная особенность: чем меньше величина a_i, тем больше оказывается разброс реконструированной величины этого параметра. Если теперь вернуться к данным Таблицы 5 для двух баз, то и там можно заметить ту же тенденцию.

4. Три базы и “джентльменский набор”

Выше упоминалось, что, кроме чисто статистических механизмов комплектования баз данных, существует некоторое количество документов, являющихся “индикаторами” тематики базы данных. Например, едва ли кто осмелится назвать базу правовой информации наименованием “Федеральное законодательство России”, если в этой базе будет отсутствовать такой документ, как Конституция РФ. Или если в базе данных “Неорганические материалы” будут отсутствовать сведения о простых химических элементах (не соединениях, а именно элементах). С точки зрения задач настоящей работы существование “джентльменского набора” обязательных документов добавляет еще одно неизвестное к нашим четырем и избыточность системы уравнений (10)-(16) уменьшается. Но при этом существенную роль начинает играть именно последнее из этих уравнений, т.к. именно там в максимальной степени сказывается влияние новой неизвестной величины. И сами уравнения с учетом этой неизвестной выглядят теперь несколько иначе:

(24)

(25)

(26)

(27)

(28)

(29)

(30)

Если принять тот же способ решения этой системы уравнений, т.е. составлять из семи уравнений возможные комбинации по пять, то в нашем распоряжении оказывается

комбинация уравнений. Можно, как и раньше, распределить их по следующим группам:

1. Имеются три системы типа:

Решение:

2. Имеются три системы типа:

Решение:

3. Имеются три системы типа:

Простых решений не видно, а сложные подстановки дадут слишком большую ошибку результата, поэтому эта группа систем исключается из рассмотрения.

4. Имеются шесть систем типа:

Решение:

5. Имеются три системы типа:

Решение:

Итак, из перечисленных систем можно получить 18 частных решений (учитывающих только часть уравнений общей системы (24)-(30)). Не загромождая текст формулами для вычисления средних значений, дисперсии и среднеквадратичной ошибки, скажем только, что все эти вычисления производятся по той же методике. что и в разделе 3 настоящей работы, оформлены они также в форме электронных таблиц Excel5.0.

Расчетные формулы настоящего раздела несколько сложнее, чем в разделе 3, поэтому интересно было проверить, насколько хороша сходимость и устойчивость решений при учете “джентльменского набора” документов, для чего был вновь поставлен модельный эксперимент, описанный в следующем разделе.

5. Модельный эксперимент-2

Исходные посылки модельного эксперимента таковы. Объективно существует массив из N₀ документов по заданной теме, причем Y₀ документов из этого количества являются общедоступными и обязательными для любой базы данных, претендующих на обслуживание именно этой темы. Таким образом, каждый из k разработчиков имеет в своей базе эти Y₀ документов, а остальные документы, как и раньше, разыскивает и включает в свою базу с вероятностью a_i0, так что в его базе содержится n_i0=Y₀+(N₀-Y₀)a_i0 документов. Фактор случайности учтем точно так же, как это было сделано в разделе 3, т.е. все исходные (“идеальные”) величины х₀ (x₀=n₁₀,n₂₀,n₁₂₀ ...) заменяем на x=x₀+ Dx₀(f-w)A, где Dx₀= -среднеквадратичная ошибка, f и w - случайные числа с равномерным распределением в интервале от нуля до единицы, А - масштабный коэффициент, задающий амплитуду случайного воздействия (А= 0...3).

Поскольку минимальное количество баз данных в этом случае не может быть меньше трех (при двух базах получается три уравнения с четырьмя неизвестными и система уравнений получается недостаточной), то в данном разделе исследовалась только одна модель со следующими исходными данными: N₀=1050, Y₀=50, a₁₀=0,3, a₂₀=0,5 и a₃₀=0,7. Каждая серия включала 100 модельных экспериментов при фиксированном значении масштабного коэффициента А. В таблице 6 приведены исходные данные первых экспериментов этих серий.

Таблица 6. Исходные числа для модельного эксперимента с тремя базами
(точные значения составляют: n₁=350, n₂=550, n₃=750, n₁₂=200, n₁₃=260, n₂₃=400, n₁₂₃=155)

А=1	n₁	360	350	352	346	347	345	348	354	...
	n₂	572	650	567	539	545	538	546	549	...
	n₃	766	750	750	731	755	743	734	754	...
	n₁₂	203	200	205	200	199	196	200	201	...
	n₁₃	269	257	261	253	261	255	262	266	...
	n₂₃	413	404	408	382	401	395	393	399	...
	n₁₂₃	156	157	157	150	158	152	157	155	...
А=1,5	n₁	368	354	368	366	334	342	355	351	...
	n₂	588	565	516	573	550	548	561	566	...
	n₃	773	762	765	791	787	730	764	736	...
	n₁₂	205	211	202	227	187	201	210	202	...
	n₁₃	277	258	277	274	251	248	258	251	...
	n₂₃	437	409	379	426	407	398	420	406	...
	n₁₂₃	168	159	159	181	147	153	160	154	...
А=2	n₁	336	350	300	402	377	392	407	351	...
	n₂	573	592	501	553	550	583	544	613	...
	n₃	781	707	716	847	781	748	709	776	...
	n₁₂	192	225	187	231	225	216	227	220	...
	n₁₃	251	252	222	302	277	289	299	267	...
	n₂₃	392	416	374	445	394	425	387	450	...
	n₁₂₃	138	183	148	202	169	169	184	168	...
А=3	n₁	337	352	350	344	358	361	348	342	...
	n₂	559	557	554	550	554	543	553	536	...
	n₃	772	765	754	752	758	758	755	738	...
	n₁₂	193	201	200	196	203	205	204	195	...
	n₁₃	259	258	262	257	270	270	261	251	...
	n₂₃	413	404	410	399	403	397	408	392	...
	n₁₂₃	153	156	159	153	161	159	158	148	...

Результаты модельного эксперимента (см. Таблицу 7) показали, что в данном случае статистический разброс исходных данных влияет на расчет гораздо сильнее. Повсеместное участие всевозможных вычитаний в формулах в сочетании с делением и умножением значительно увеличивает относительную ошибку результата, а иногда делает расчет просто невозможным или бессмысленным (деление на ноль, отрицательные значения эффективности, и т.п.). Все такие ситуации были отнесены к неудачам расчета и сведены в последний столбец таблицы 7.

Таблица 7. Сводка результатов модельного эксперимента
(исходные данные N₀=1050, Y₀=50, a₁₀=0,3, a₂₀=0,5 и a₃₀=0,7)

Среднее значение

Среднекв. ошибка

Миним. значение

Максим. значение

Процент неудач

А=1 a₁
0,30

0,010

0,27

0,32

0

a₂
0,50

0,011

0,47

0,52

0

a₃
0,70

0,012

0,66

0,72

0

Y

50

8

31

66

0

N

1056

16

1012

1106

0

А=1,5 a₁
0,30

0,02

0,25

0,35

0

a₂
0,50

0,025

0,43

0,54

0

a₃
0,70

0,031

0,62

0,75

0

Y

48

16

12

83

0

N

1073

74

974

1630

0

А=2 a₁
0,29

0,066

0,23

0,38

3

a₂
0,48

0,12

0,30

0,56

4

a₃
0,70

0,10

0,27

0,82

1

Y

59

22

17

110

0

N

1194

552

871

4992

0

А=3 a₁
0,30

0,21

-0,54

1,08

31

a₂
0,53

0,34

0,30

1,00

40

a₃
0,71

0,26

0,35

1,07

12

Y

112

166

0

1381

1

N

1292

937

601

7596

0

Анализируя данные Таблицы 7, можно сделать следующие выводы:

1. В 80% случаев (А=1) точность определения искомых величин достаточно высока: ошибка определения эффективностей a в среднем составляет 1,5-3%, и даже максимальные отклонения в серии из 100 экспериментов укладываются в 6-10%; величина “джентльменского набора” документов Y определяется менее точно (среднеквадратичная ошибка составляет 15%, но максимальное отклонение в серии достигло 30-40%), впрочем, на точности определения полного числа документов N это почти не сказывается, 1,5%-ная ошибка в среднем и 4-5% в максимальном отклонении - вполне удовлетворительно.

2. Увеличение А до 1,5 увеличивает ошибку определения всех величин, хотя средние значения остаются весьма близки к “идеальным”. Наиболее чувствительно отреагировала на рост статистического разброса все та же величина Y. Заметим, что в обеих сериях все без исключения расчеты прошли корректно, никаких сбоев типа деления на ноль не было (хотя в знаменателе иногда появлялись аномально маленькие величины, о чем свидетельствует несимметричность максимальных отклонений N в сторону больших и малых значений).

3. Увеличение А до двух заметно ухудшило условия расчета: средние значения искомых величин уже существенно отличаются от “идеальных”, появились сбои в расчете, появились и аномально большие N_макс, и отрицательные величины a (в таблице они изъяты), среднеквадратичные ошибки уже выросли до 30-50%.

4. Последняя серия (А=3) показала, что такой разброс (а вероятность его самопроизвольной реализации не превышает 0,3%) делает расчет бессмысленным: 40% экспериментов этой серии не дали результата, расчетные формулы не работали.

Такой результат позволяет сделать вывод, что для баз с независимыми и одинаковыми технологиями комплектации расчет по данному алгоритму даст разумные результаты, статистический разброс исходных данных слабо влияет на конечные результаты; однако, любая взаимозависимость баз или любая исключительность какой-либо базы обязательно скажутся на корректности расчета и скорее всего в какой-либо из расчетных формул приведут к бессмыслице. Очевидно, чтобы из таких ситуаций сделать определенные и вполне конкретные выводы, необходимо предварительно промоделировать некоторые наиболее простые варианты.

главная страница

		Среднее значение	Среднекв. ошибка	Миним. значение	Максим. значение	Процент неудач
А=1	a₁	0,30	0,010	0,27	0,32	0
	a₂	0,50	0,011	0,47	0,52	0
	a₃	0,70	0,012	0,66	0,72	0
	Y	50	8	31	66	0
	N	1056	16	1012	1106	0
А=1,5	a₁	0,30	0,02	0,25	0,35	0
	a₂	0,50	0,025	0,43	0,54	0
	a₃	0,70	0,031	0,62	0,75	0
	Y	48	16	12	83	0
	N	1073	74	974	1630	0
А=2	a₁	0,29	0,066	0,23	0,38	3
	a₂	0,48	0,12	0,30	0,56	4
	a₃	0,70	0,10	0,27	0,82	1
	Y	59	22	17	110	0
	N	1194	552	871	4992	0
А=3	a₁	0,30	0,21	-0,54	1,08	31
	a₂	0,53	0,34	0,30	1,00	40
	a₃	0,71	0,26	0,35	1,07	12
	Y	112	166	0	1381	1
	N	1292	937	601	7596	0