Академический Документы
Профессиональный Документы
Культура Документы
10.1. Введение
N
самой ) с параметрами: (1) M j Nm , 2 Nb 2 . Тогда при
j1
заданном уровне доверия P имеет место соотношение:
1 N b
(2) M j
N j1 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.
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
M0
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
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
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
i1, j i1, j i , j1 i , j1 , 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.
Алгоритм
Ввод данных
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
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
б) I M
1 N
x1 j , x 2 j ,... x nj . Оценка доверительной вероятности
N j1
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
j1
Общая схема
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
Mx 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 j1
.
x x
x s m m
* 2
sj sm
j1
Этот метод предложен Чернецким В. И.
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 i1
1 i= n ?
M
N
вып
N
i1
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
D U U i N
2
U i , либо
N 1 i 1 i 1
1 N 2
D t t i M t .
N i 1