Вы находитесь на странице: 1из 17

89

10. СТАТИСТИЧЕСКОЕ МОДЕЛИРОВАНИЕ


(МОНТЕКАРЛО)

10.1. Введение

Это метод решения математических задач моделируемых


объектов, использующий моделирование случайных величин и
построение статистических оценок для искомых величин
(математическое ожидание, дисперсия). Для многих задач, не
связанных со случайными величинами, можно поставить в
соответствие вероятностную модель, у которой средне-
статистические характеристики (математическое ожидание)
совпадают с детерминированными исходными значениями.
Пример: Найти площадь криволинейной фигуры в прямоугольнике.
Наносим в прямоугольник
N точек со случайными
координатами x, y в пределах
x0, y0. Пусть внутрь фигуры
попало М точек.
x 0 y0
Тогда площадь фигуры S равна: S  . Случайная величина
N
координат точки  (x, y) должна быть равномерно распределена по
прямоугольнику.

Общая схема оценки математического ожидания


(схема метода Монте-Карло)

Пусть требуется вычислить некую величину m. Возьмем такую


случайную величину  , чтобы ее математическое ожидание
равнялось m, т. е. M   m . Пусть при этом дисперсия D   b 2 .
Будем производить N испытаний случайной величины  .
Согласно центральной предельной теореме распределение суммы
N
  j будет приблизительно нормальным (при любом распределении
j1


N  
самой  ) с параметрами: (1) M   j   Nm ,  2  Nb 2 . Тогда при

 j1 
заданном уровне доверия P имеет место соотношение:
1 N b 
(2) M    j  
N j1 N

N
,
где   константа, определяемая выбором P (коэффициент
Стьюдента при P = 0,997  =3).
(1), (2)  это чрезвычайно важные для метода Монте-Карло
соотношения. Они дают и метод расчета m и оценку погрешности.
1
Отметим, что погрешность, кроме зависимости от N
, зависит и от
дисперсии взятой величины  , т. е. b. Поэтому выбор случайной
величины имеет важное значение.

Особенности метода статистических испытаний Монте-Карло

1. Простая структура вычислительного алгоритма.


2. Ошибка ~ 1 N , что требует большого числа итераций. Поэтому
метод особенно эффективен при решении тех задач, в которых
результат нужен с небольшой точностью (110%).
Методы статистического моделирования широко используются
при решении задач статистической физики, теорий массового
обслуживания, математической экономики, теории математического
управления, теории оптимизации и т. д., а также при решении
математических задач, не связанных со случайными величинами,
таких, как вычисление интегралов, поиск глобальных максимумов,
решение уравнений и т. д.
Основой статистического моделирования является
моделирование случайных величин, моделирование систем
случайных величин, моделирование случайных процессов и полей.

10.2. Получение случайных чисел


с равномерным распределением

Узловой проблемой для метода Монте-Карло является


моделирование случайных чисел ri, равномерно распределенных в
интервале [0, 1]. Случайные числа с равномерным распределением
на отрезке [a, b] вычисляются как a + (ba)ri .
Известны три способа получения случайных чисел ri:
a) применение физических приборов, где протекает какойлибо
случайный физический процесс,
b) использование специальных таблиц случайных чисел
(полученных ранее с большой точностью),
c) использование итерационных математических алгоритмов
(псевдослучайные числа).
Наиболее удобным при моделировании на ЭВМ является
применение итерационных алгоритмов, позволяющих при
использовании в качестве исходной информации лишь нескольких
чисел получать достаточно большие по объему N выборки
случайных чисел ri , распределение которых близко к равномерному
распределению на интервале [0, 1], что проверяется предварительно
при помощи статистических тестов.

Метод сравнения (Лемер, 1951 г.)

Выбираются два целых числа Q и M и число r0 в интервале


(0, 1). Последовательность случайных чисел вычисляется по
рекуррентной формуле ri  1  Qri  mod M  , i=1,2,...N, где произведение
«базового» числа Q на величину ri берется по «модулю M», т. е.
чтобы получить следующее по порядку после ri число ri+1, нужно
разделить произведение Qri на M и в качестве ri+1 взять остаток от
 Qr 
деления: ri  1   i  . Более совершенным по приближению к
M
равномерному распределению и длине периода повторения
оказывается алгоритм, работающий по формуле
 m 
ri  1    Q k ri  k  m   i  1  mod M1 ;
 k 1 
 i  1   Q 0 i  mod M 2
при соответствующем выборе целых
положительных чисел m, M1, M2, Q0, Qm, 0   0  1 и начальных
значений ri+k-m.
Необходимо обеспечивать разнообразие последовательности
случайных чисел при повторном обращении к алгоритму.
Наиболее простой метод генерирования последовательности
случайных чисел следующий. Пусть имеется некоторое n- разрядное
двоичное число в интервале [0, 1]. Возведем его в квадрат, при этом
получим уже 2nразрядное число. Выделим средние n разрядов
этого числа и полученное таким образом число снова возведем в
квадрат и т. д.

10.3. Моделирование дискретных случайных величин


с заданным распределением вероятности

 x1 , x 2 . . x n 
   ,  Pi  1 , M  
n n
 x i Pi , D    Pi  x i  M
2
,

P1,P2 . .Pn 
i 1 i 1

n
 
M      x i  Pi .
i 1
1
При равномерном распределении вероятности и n   M r  ,
2
1
D r   .
12

Стандартный алгоритм
при неравномерном распределении вероятностей

Интервал  0, 1 разбивается на
совокупность n непересекающихся
интервалов с длинами, равными Pi. Для
каждого значения случайного числа ri
откладываем точку и в зависимости от того, на какой интервал она
попадает, берем нужное значение xi.

При моделировании
Определить ri независимых случайных
событий H1, H2...Hn,
ri  p1 + p2 ……pk
вероятность каждого из
которых P(Hk)=Pk,
нет да алгоритм остается
таким же, т. е. при
k+1 Полагаем попадании равномерно
i = xk распределенного числа ri
в интервал,
Восстан. K = 1
соответствующий Pk,
происходит событие Hk.
Cреднее число
арифметических операций стандартного метода пропорционально S:
n
S  1  kPk .
k 0
Важными дискретными случайными величинами являются
целочисленные:   k (k = 0, 1, 2...) с распределением Pk, связанным
простыми рекуррентными формулами: Pk 1  Pk   k  . Для таких
случайных величин значения Pk и xk можно не записывать в память
ЭВМ, а моделировать по указанной схеме.
В частности,
M = r i , p = p0 , k = 0 1) распределение
M0
Пуассона (  
M=M–P =k параметр):
k   ,
Pk  e
k!
P = P0 (k); k =k + 1  ,
 k   k = 0,
k 1
1...;
2) геометрическое распределение (P  параметр):
Pk  P 1  P ,  k   1  P , k = 0, 1...;
k

3) биномиальное распределение (P, n  параметры):


nk P
Pk  C kn P k  1  P
n k
,  k   
k  1 1 P
.
Среднее число арифметических операций ~ S=1+M[  ].
1
В рассмотренных случаях S=1+  , P ,1+nP.
Для зависимых дискретных
x\y y1 y2 y3 - yn случайных величин x, y задается
x1 P11 P12 P13 - P1n совместный закон распределения
x2 P21 P22 P23 - P2n m n

x3 P31 P32 P33 - P3n вероятностей Pxy:   Pxy  1 . Для


i 1 j1
- - - - - - моделирования значений xi, yj
xm Pm1 Pm2 Pm3 - Pmn производится сквозная нумерация
событий Hij, соответствующих одновременно xi, yj (например,
построчно) с соответствующей вероятностью Pij и по предыдущему
алгоритму при попадании ri в интервал, соответствующий Pij,
принимают одновременно xi и yj.

10.4. Моделирование непрерывных случайных величин

Непрерывная случайная величина характеризуется плотностью


x2

вероятности  x , так что P x1    x 2     x dx или распределением


x1
x

вероятности F x     x  dx . При задании  на отрезке [a, b],



b x

  x dx  1 , F x    x dx .
a a
Стандартный алгоритм определения
значений   x i тот же, что и для
дискретных величин, но суммирование по
вероятностям заменяется интегрированием
плотности вероятности:
xi x
(5) F x    x dx  ri , т. е. строится зависимость F x    x dx ,
a a

выбирается очередное значение ri, по нему принимается F(xi) = ri и


затем определяется xi. Такой алгоритм однозначен ввиду
монотонного роста F(x).
 1
 , x  a , b 
При равномерном законе распределения  x   b  a
 0 , x  a , b 
xi=(ba)ri+a.
Если для непрерывной случайной величины  имеется
аналитический вид распределения вероятности F(x), то ее
случайные значения можно определить аналитически: xi=F-1(ri), где
F-1  функция, обратная функции F, а ri  имеет равномерный закон
распределения.
Пример 1. Показательный закон распределения,   0
(экспоненциальный закон)
 exp  x , x  0 x
 x   ; F x    exp  x dx  1  exp  x ;
 0, x0 0
ln 1  ri  ln ri
x i  F 1  ri    ,
 
т. к. 1ri  также равномерно распределенное на [0, 1] случайное
число.
Пример 2. Нормальный закон распределения
1   x  mx  2   x  mx 
 x   exp   ; F x   Ф    ri ;
2 x  2 x 
2
 x 
x2
1
z  1  Ф 0  z
Ф z  e 2 dx   функция Лапласа,
2 
2
t2
2 x

 0 (x)  e 2
dt  функция ошибок; x i  m  Ф 1  ri  . Используются
2 0

алгоритмы вычисления Ф1 или ее табулированные значения.


Метод исключения (Неймана)  удобен, если  x задана
графически.
Пусть случайная величина 
определена на  a , b и ее плотность
вероятности ограничена  m . Разыгрываем
два значения случайных чисел ri и r j и
строим случайную точку «  » с
координатами xi = a + ri(b - a);  j   m rj .
Если точка «  » лежит под кривой, то присваиваем  значение xi,
если нет, то это значение исключается и проводится новый выбор ri
и r j . При таком алгоритме вероятность, что при данном x точка 
попадет под кривую, пропорциональна ординате кривой  x , что и
требуется.

10.5. Моделирование решения уравнения Пуассона


для потенциала на прямоугольнике
методом Монте- Карло
 2  2
 0 ; 0  x  a; 0  y  b ;  x ,y г  g x ,y .
x 2 y 2

Введем равномерную сетку.


y B1 B2 B3 B4 B5 B6 B7
Начинаем блуждание
B20 B8 частицы из узла, где
B19  B9
требуется определение

B18 B10

0 x
B17 B16 B15 B14 B13 B12 B11
1
потенциала. Блуждание заключается в равновероятном Pi= 4
перемещении частицы в один из соседних узлов. Для этого можно
разбить интервал  0, 1 на четыре равных участка и использовать
датчик случайных с равномерной вероятностью чисел ri. Блуждание
заканчивается, как только частица попадет на границу. После этого
процесс блуждания из первоначальной точки повторяется
многократно. Далее находим относительное число прибытий
частицы в каждую из граничных точек:
nk
Pij  B k   . Значение искомого потенциала в рассматриваемой точке
N
K
ij определяется по формуле полной вероятности:  ij   B k Pij  B k  .
k 1
Действительно,
1) если точка на границе, блуждание не производится и  ij   г ;
2) если точка внутри, то из-за равновероятности попадания сюда
частицы из соседних точек среднее значение  ij будет равно
среднему арифметическому от значений соседних точек:
1
 ij 
4

 i1, j   i1, j   i , j1   i , j1 , как и для дискретного уравнения
Пуассона.
Особенно выгоден метод Монте-Карло, когда нужно найти
потенциал только в одной или нескольких внутренних точках.
В трехмерном случае имеем 6 соседних узлов, перемещение в
каждый из них имеет вероятность 1/6.
При неравномерной сетке вероятность перемещения в данном
направлении обратно пропорциональна квадрату размера ячейки в
данном направлении.

10.6. Задача прохождения нейтронов сквозь пластину.


(Перенос излучения)

Пусть на однородную бесконечную пластину ( 0  x  h ) падает


поток нейтронов под углом 90 о . При столкновении с атомами
вещества нейтроны могут упруго рассеиваться или поглощаться.
Предположим для простоты, что любое направление «отскока»
нейтрона при рассеянии равновероятно, что близко к реальному для
веществ с тяжелыми атомами.
Пусть  n  сечение поглощения,  p  сечение рассеяния,    n   p 
полное сечение взаимодействия нейтрона с атомом. Вероятность
поглощения или рассеяния при столкновении есть отношение  n 
и p 
а) Моделирование длины свободного пробега
Длина свободного пробега (до
столкновения)   случайная величина с

плотностью вероятности  x  e  x . Это
экспоненциальное распределение
непрерывного пуассоновского случайного
процесса, характеризуемого следующими
признаками:
0 x 1) независимость событий (столкновений
h и их сечений);
2) вероятность события (столкновения) пропорциональна
расстоянию, пройденному частицей (или времени для временных
событий).
Аналогичное распределение имеют: время распада
радиоактивного изотопа, время между телефонными вызовами,
время до поломки детали при их большом количестве и т. д.
 1
Математическое ожидание длины пробега M     xp x dx  ,
0 
1
дисперсия D    . Формула для разыгрывания i :
2
i i
  x dx  ri   e dx  1  e :
 x  
0 0
1 1
отсюда i   ln 1  ri    ln ri .
 

б) Моделирование направления рассеяния

В сферических координатах , , r элемент поверхности dS на


сфере равен r 2  sin dd . Равновероятность расположения dS на
dS sin 
сфере означает, что   , dd  2 , откуда
 ,         .
4r 4
Изменение угла  не влияет на значение dS, следовательно, все 
1 sin 
равновероятны и     . Тогда    , что подтверждается
2 2
 j j 1  cos  j
sin 
условием    d  1 ,    d   d  r j  .
0 0 0 2 2
Итак, выбираются  i  2ri и cos  j  1  2r j .

Алгоритм

Ввод данных

P+ =N+ /N Номер нейтрона


P- =N- /N 1 kN
нет да
P0 =N0 /N

i =0 x0 = 0 ; cos 0 = 1
K N (номер шага)

ri = ? i = i+1
K= K+ 1
i = -1/ ln ri

xi+1 = xi + i cos i
cos i+1 = 2r - 1
N+ = N+ + 1 да
Прошедшие xi+1  h ?
нейтроны

нет
N- = N- + 1
да
Отраженные xi+1  0 ri = ?
нейтроны
нет
нет
ri = ?
N0 = N0 + 1 да
Поглощенные
нейтроны n /  r

Ввиду равномерности по  и бесконечности пластинки в


поперечном направлении разыгрывание по  не производится. При
малом сечении поглощения количество поглощенных нейтронов
может отличаться от среднестатистического из-за их малого числа. В
этом случае количество поглощений можно автоматически
учитывать после каждого столкновения, как долю, равную n /  ,
соответственно уменьшая на эту величину количество оставшихся
нейтронов. Можно учесть и сложную структуру вещества или смесь,
изменение энергии частиц (и сечений) при столкновениях и т. д.
10.7. Вычисление кратных интегралов

Пусть требуется вычислить интеграл

b1b 2 bn
I    ...  f  x1 , x 2 ,... x n  dx1dx 2 ... dx n .
a1 a 2 an
При помощи замены переменных: x k   b k  a k  z k  a k , k = 1, 2,...n он
1 1 1

приводится к виду I   ...  z1 , z 2 ,...z n dz1dz 2 ...dz n ,


0 0 0
где
n
 z1 , z 2 ,... z n   f  x1 , x 2 ,... x n    b k  a k  .
k 1
Если рассмотреть случайную величину y   z1 , z 2 ,... z n  , где z1, z2,...zn
 независимые случайные величины с равномерными законами
распределения на интервале [0, 1] (с плотностью вероятности
1 N
 z1 j , z 2 j ,...z nj    Yj  ~I . Действительно,
1 N
P(zn)=1), то I  M У  
N j1 N j1
на основании определения математического ожидания
1
M f      f  x p x  dx , но при интервале интегрирования [0, 1] и
0
1
равномерности p(x)=1, M f      f  x dx . Ошибка вычислений
0
 2y
~
I I  , где  2y  дисперсия «Y»,   коэффициент Стьюдента.
N
Дисперсию «Y» можно заменить выборочной дисперсией
1 N
Yj  ~I
2
 2y  
N j 1
.

Алгоритм: а) разыгрываем n равномерных случайных чисел ri


на интервале [0, 1]; б) вычисляем
N
y  f   b1  a1  r1  a1 ,  b 2  a 2  r2  a 2 ,... b n  a n  rn  a n    b i  a i  ;
i 1
в) операции а) и б) проводятся N раз, после чего вычисляем
1 N
I  Yj .
N j1
Затем вычисляется дисперсия и дается оценка
погрешности. Отметим, что оценка погрешности не зависит от
кратности интеграла, что дает методу Монте- Карло преимущество
при вычислении многократных интегралов.

Бесконечные пределы интегрирования


 x k mk  2
     n
1 
I   ...  f  x1 ,..x n dx1..dx n   ..   x1 ,..x n  
2  2k
e dx1..dx n
     k 1 2k
 x k mk  2
n
где  x 1 , x 2 ,...x n   f  x 1 , x 2 ,...x n   2 k e 2  2k
.
k 1

Алгоритм: а) моделируем N значений случайной величины


x x1 , x 2 ,... x n  , компоненты которой независимы и имеют нормальный
закон распределения с математическим ожиданием mk и дисперсией
 2k ;

б) I  M  
1 N
 
  x1 j , x 2 j ,... x nj . Оценка доверительной вероятности
N j1
производится аналогично.
    n
I   .. f  x1 ,..x n dx1..dx n   ..  x1 ,..x n    k e
 kxk
dx1..dx n ;
0 0 0 0 0 k 1
n
1 
где  x 1 ,..x n   f  x 1 ...x n   kxk
e .
k 1 k
Моделируется случайный вектор x x1 , x 2 ,... x n  с независимыми
компонентами и показательными законами распределения с
параметром  k  0 , k = 1, 2,..n, I  M   N   x1 j , x 2 j ,... x nj  .
1 N

j1

Существуют более точные алгоритмы метода МонтеКарло (и


более сложные) для вычисления интегралов при заданном объеме
вычислений: Соболь К. Н. Численные методы МонтеКарло. М.:
Наука, 1978.
Некоторое упрощение можно получить, разбивая область
интегрирования на подобласти со своим алгоритмом вычисления
интегралов, а также представлением функции f в виде f = f1 + f2, где
интеграл от главной части f1 может быть вычислен точно
аналитически, а от f2  приближенно, методом МонтеКарло.

Общая схема

I   f  x1 ,..x n  dx1..dx n    x1 ,..x n   x1 ,..x n  dx1..dx n 


G G

  x1 j ,..x nj  , где  x1 ,..x n   плотность совместного


1 N
= M   N j 1

распределения системы зависимых или независимых случайных


величин x1, x k.
Чем ближе  x1 ,..x n  к f  x1 ,..x n  , тем меньше нужно
вычислений. Объем вычислений минимален, когда  x1 ,..x n  ~
f  x1 ,..x n  .

10.8. Поиск глобальных экстремумов


(задачи оптимизации)

Пусть требуется найти точку x max   x 1 , x 2 ,...x n  такую, что


* * *

f  x 1 , x 2 ,.. x *n   max f  x1 , x 2 ,.. x n   . Задачи поиска глобального максимума


* *

и глобального минимума функции f в G являются задачами


оптимизации, относящиеся к классу задач нелинейного
программирования.
Простейший алгоритм «слепого поиска» в случае, когда G 
«n»мерный единичный куб. Исходим из системы «n» независимых
случайных величин (x1,x2,…xn), каждая из которых имеет
равномерное распределение на интервале  0, 1 .
1) Последовательно моделируются реализации x1j, x2j,...xnj, j = 1...N,
исходя из их равномерного распределения по интервалу  0, 1 .
2) Последовательно рассчитываются значения функции
f j  x 1 j , x 2 j ,.. x nj  .
3) На каждом шаге «j» производится сравнение f j с f j1 *
, где f j1
*

 наибольшее значение f на предшествующих «j1» шагах.


4) Счет прекращается, если за «m» последовательных последних
шагов не происходит увеличения значения fmax (m выбирается из
условия экономии машинного времени).
Оценим необходимое число шагов N при заданной точности
координат x max  1 ,  2 ,... n  и заданной доверительной вероятности
P N  0,997 . P N   1   1   1   2 ...  n  N , где  1   2 ...  n  P1  вероятность

достижения цели при N = 1. 1 – P (N) = (1 – P1)N


Пример: n=3, ε1=ε2=εn=0,01, P(N)=0,997.
ln 1  P N   ln 0,03
N   10 6 ln 33 .
ln 1  P1  ln 1  10  6 

Аналогично определяется min f  x1 , x 2 ,.. x n   .


Метод слепого поиска является методом перебора вариантов при
случайном равномерном их выборе и не учитывает свойства целевой
функции, что снижает его эффективность.
Если Gn  параллелепипед: a 1  y1  b1 , a 2  y 2  b 2 ,... a n  y n  b n ,
то преобразование x1   b1  a 1  y1  a 1 , x 2   b 2  a 2  y 2  a 2 ,...
x n   b n  a n  y n  a n отображает его в единичный куб.
Если взаимно однозначное соответствие отображения области
Gn в одномерный куб указать невозможно или сложно, то область Gn
погружают в nмерный параллелепипед Gn. При этом алгоритм
слепого поиска усложняется, т. к. на каждом шаге приходится
проводить проверку попадания выбранной случайной точки в Gn.
Другая реализация направленного поиска предполагает
сочетание случайного поиска с градиентным методом. Пусть после

ряда шагов случайного поиска получено множество точек x со

значениями функции f  x , имеющей промежуточный максимум в
точке  x 1m , x 2 m ,...x nm  , т. е. f  x 1m , x 2 m ,...x nm   f  x 1 j , x 2 j ,...x nj  ,
* * * * * * * * *

 
j=1, 2, ...m. Разложим f  x в точке x m в ряд Тейлора, оставляя только
линейные члены:
n  f   f 
     
  n
f x j  f x *m     x kj  x km
или f    x  x k . Умножим обе
k 1 x k  m k 1 k m

части тождества на x s , s = 1, 2, ...n и затем возьмем операцию


математического ожидания (т. е. просуммируем по всем точкам j)
n    f 
f
M fx s      M x k x s      M x s2  , так как при
k 1  x k m x
 s m

Mx s2 ,k  s
независимости испытаний M x x    .
k s
0, k  s
     
m
* * * *
 x sj  x sm f x1j , x 2 j ,.. x nj  f x1m , x 2 m ,.. x nm
 f  j1
   .
 x  x 
 x s  m m
* 2
sj sm
j1
Этот метод предложен Чернецким В. И.

10.9. Моделирование систем массового обслуживания

Рассмотрим пример простейшей системы массового


обслуживания. Система состоит из n линий (каналов, пунктов
обслуживания). В систему в случайные моменты времени поступают
заявки. Промежуток времени между заявками описывается
экспоненциальным распределением (поток Пуассона):
 1
P    ae  a , M    xp x dx  , a  плотность потока заявок. Каждая
0 a
заявка поступает на линию 1. Если эта линия свободна, то она
обслуживает заявку, что занимает время tз  время занятости линии.
Если в момент появления k-й заявки Tk на линию 1 приходится на
этот промежуток времени tз, то эта заявка передается на линию 2 и
т.д. Наконец, если все n линий в момент Tk заняты, то система дает
отказ. Требуется определить, сколько (в среднем) заявок обслужит
система за время T и сколько отказов она даст. Если подсчитать
время нахождения заявки в очереди, то можно найти среднее время
ожидания. Задача может усложняться, если время обслуживания
тоже является случайной величиной (т. е. может иметь вид
b t
P( t Ќ )  b i e i Ќ , где bi различно для разных линий (разный
технический уровень линий, разная квалификации обслуживания)).
Случайность длительности обслуживания объясняется разбросом
сложности заказов (например, длительностью переговоров по
1
телефону). Разыгрывается время между заявками  i   a ln ri , где ri 
равномерно распределенная на  0,1 случайная величина. При
случайном характере величин tз они тоже разыгрываются.
Моделирование осуществляется в течение времени T, после чего
весь процесс повторяется N раз и находятся средние искомые
значения. Алгоритм показан ниже, где j – номер серии, Tk – время
поступления k-й заявки, ti – момент освобождения i-й заявки, k –
номер заявки, i – номер канала.
При подсчете времени стояния в очереди при отказе алгоритм
усложняется, т. к. следующая заявка не будет выполняться, пока не
выполнится предыдущая. Можно рассмотреть системы, в которых
очередную заявку принимает та линия, которая раньше всех
освободится. Можно учесть случайный выход из строя отдельных
линий и случайное время ремонта каждой из них. Можно учесть
изменение плотности потока заявок во времени и др.
В вод дан н ы х

j= 1

T i = 0 ; t1 = t2 = … tn = 0 ; k = 1
да

нет
j N j= j+ 1 конец опы та Tk  T ?
да
нет
i= 1
1 t iн о в = T k + t з нет
M  
N

отк   отк ti  T k ?
N i1

1 i= n ?
M  
N

вып 
N

i1
 вып
tз = - 1 /  i l n r да
нет

r iнов = iс т + 1
Д обавляем 1 к счетчи ку
вы п олн ен н ы х заявок да

Д обавляем 1 к
k = -1 /a ln r счетчи ку отк азов

T k+1 = T k +  k

k = k + 1
10.10. Простая схема расчета качества изделий

Пусть качество характеризуется значением выходного


параметра U, которое можно вычислить, зная параметры всех
элементов U  f  R 1 , R 2 ,.. , C 1 , C 2 ,.. (пример электрической цепи).
Параметры цепи Ri, Ci  случайные величины, обычно
распределенные по нормальному закону со средним, равным
номиналу и дисперсией, равной 1/3 от отклонения номинала
1
(например, R  20   5% , M R  20  ,    0,05  20  0,33  ). При 3
независимости всех изделий в общем случае
M U   f  M R 1 , M R 2 ,...M C1 , M C 2 ,... и при сложной функции f
вычисление M U и  2  U  непосильная задача, и единственный
выход  либо экспериментально наблюдать различные наборы
элементов, измерять U и вычислять M U и  2  U , либо применить
метод Монте- Карло.
Для этого разыгрываются все случайные элементы и
1
вычисляются Ui. Повторив опыт N раз, находят M U   Ui ,
N
1 N 1 N  
2

D U     U i   N  
2
U i   , либо
N  1  i 1 i 1  
1 N 2

D U     U i  M U   . При большом N можно получить и плотность


N i 1
распределения  U , построив гистограмму числа значений U в
интервале U  U .

10.11. Моделирование надежности изделий

Пусть изделие состоит из четырех


3 последовательных элементов, один
2 5
из которых дублирован. Время
1
жизни каждого элемента 
4 случайная величина tk, закон
распределения которой может быть определен экспериментально.
Разыгрываются все случайные значения времени жизни элементов
согласно их распределениям. Затем вычисляется время жизни
изделия:
1 N
t i  min t 1i , t 2i , max t 3i , t 4 i  , t 5i  , M t    ti ,
N i 1
1 N 2

D t     t i  M t   .
N i 1

Оценить