Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Метод Монте-Карло и его потенциальная точность. ⇐ ПредыдущаяСтр 5 из 5
Метод Монте-Карло или метод статистических испытаний является методом численного решения вероятностных задач. Метод может быть реализован как на физической (натурной), так и на математической модели. Его принципиальное отличие от метода матричных испытаний – учет вида законов распределения первичных параметров, что позволяет получать более достоверные результаты анализа. Для применения метода Монте-Карло необходимо знать вероятностные характеристики параметров всех компонентов и уметь вычислять значение выходного параметра y = j(x 1, x 2,.., xn) по любым фиксированным значениям первичных параметров xi. Вероятностное распределение параметров для конкретного компонента можно получить экспериментально, путем просмотра большой партии компонентов такого типа. Весьма часто это распределение оказывается нормальным. Схема расчета оказывается очень простой: для каждого компонента генератором случайных чисел выбирается значение его параметра, затем по формуле y = j(x 1, x 2,.., xn) вычисляется значение y. Повторив этот опыт N раз, и получив значения y 1, y 2, …, yN, можно рассчитать оценки математического ожидания my и дисперсии Dy В математической статистике доказывается, что при небольших значениях N в выражении для дисперсии лучше использовать множитель 1 /(N -1). При моделировании можно получить гораздо больше полезной информации, а не только my и Dy интересующей нас величины. По большому количеству значений случайной величины y можно построить приближенную плотность ее распределения. Предположим, что в результате реализации метода Монте-Карло получено всего N = 120 значений случайной величины y 1, y 2, …, y 120 и все они, например, попали в пределы 1£ yj £ 6, 5. Разобьем интервал [1…6, 5] на 11 (любое число, не слишком большое и не слишком малое) равных участков (квантов) длиной D y = 0, 5 и подсчитаем, сколько значений yj попало в каждый участок. Частота попадания в какой-либо квант получается делением числа попаданий на N = 120. В этом примере частоты соответственно равны: 0, 017; 0; 0, 008; 0, 12; 0, 20; 0, 27; 0, 14; 0, 16; 0, 06; 0, 008; 0, 017. Над каждым из квантов разбиения построим прямоугольник, высота которого равна числу попадания yj в этот квант. Полученный график называют гистограммой (рис. 10.9). Гистограмма служит приближением к искомой плотности вероятностей случайной величины y. Поэтому, например, если построить гистограмму с высотой прямоугольников, соответствующей частоте попадания pk*, k = {1, 11}, а полную площадь гистограммы принять равной единице, то часть площади, заключенная между значениями y = 2, 5 и Итак, метод Монте-Карло является методом численного решения вероятностных задач путем моделирования случайных значений первичных параметров. Принципиальное его отличие от метода матричных испытаний – учет вида распределения случайных значений первичных параметров, что позволяет получить более достоверные результаты распределения значений выходного параметра. Наиболее полно эффективность метода Монте-Карло реализуется при решении прямых задач теории точности (задачи анализа). Если осуществимо проведение многошагового эксперимента, то возможно его использование для решения обратных задач (задач синтеза). Предположим, что анализом практических распределений случайных отклонений первичных параметров объекта от своих номинальных значений установлены виды законов распределения с их числовыми характеристиками. С целью решения прямой задачи диапазон отклонений значений первичных параметров разбивают на 10-20 квантов, для каждого из которых теперь уже известна частота попадания в него значений первичных параметров. Дальнейшие действия осуществляются шагами. На каждом шаге производят формирование набора сочетаний квантов всех первичных параметров – образуется так называемая «ситуация» (рис. 10.10). Назначение квантов производят с помощью генератора случайных чисел, у которого заранее введены законы распределения каждого первичного параметра, которые соответствуют их реальному виду из практики. Результатом реализации последовательности случайных ситуаций является множество значений выходного параметра { y 1, y 2, …, yN, }. Этот набор случайных значений выходного параметра позволяет построить гистограмму, вычислить оценку вероятности попадания значений выходного параметра в установленный допуск P*, найти оценку математического ожидания my * и оценку дисперсии Dy* выходного параметра. Оценки математического ожидания и дисперсии будут стремиться к их истинному значению по мере увеличения числа опытов N. В пределе при N ®¥, my * ® my и Dy* ® Dy.. Необходимо подчеркнуть, что эти оценки my * и Dy* сами являются случайными величинами и имеют свои математические ожидания и дисперсии. Для нас особо важно знать среднеквадратическое отклонение оценки математического ожиданияs m* и дисперсии s D* выходного параметра y от числа опытов. Именно они и характеризуют методическую погрешность метода Монте-Карло. Необходимое количество опытов N при проведении испытаний методом Монте-Карло зависит от требуемой точности результата. В ряде случаев для приведения гистограмм к описанию известными теоретическими законами (нормальному, равномерному, Симпсона и др.) гистограммы выравнивают. Выравнивание гистограмм начинают с выдвижения гипотезы о теоретическом законе распределения. Затем, по формулам, описывающим теоретический этот закон, с параметрами my *, Dy*, полученными в эксперименте, строят гипотетическую плотность вероятности. Оценки гипотез о виде теоретического закона распределения проводят по критериям согласия Колмогорова или Пирсона, которые дают возможность количественно рассчитать вероятность неопровержения выдвинутых гипотез. На практике можно с достаточной уверенностью полагать распределение выходного параметра близким к нормальному закону, а для получения достоверных оценок количественных характеристик распределения, число опытов N принимают в пределах от 100 до 1000. Для сравнения результатов проведения испытаний одного и того же объекта методом Монте-Карло и методом матричных испытаний можно воспользоваться представлением объекта, содержащего два первичных (x 1, и x 2) и один выходной параметр y Рис. 10.11. Графическое представление результатов испытаний
|