Вы находитесь на странице: 1из 11

Оценивание структурной надежности методом

статистических испытаний
1 Цель работы
Изучение.
1) построение программных моделей на основе метода Монте-Карло,
2) методов сбора, накопления и обработки результатов запуска
программной модели,
3) методов оценивания статистической точности моделирования на основе
метода Монте-Карло.

2 Теоретические сведения
2.1 Метод статистических испытаний
Метод статистических испытаний, или метод Монте-Карло [Error:
Reference source not found], представляет собой численный метод, состоящий в
получении оценок вероятностных характеристик, совпадающих с решением
аналитических задач (например, с решением уравнений и вычислением
определенного интеграла). Впоследствии этот метод стал применяться для
имитации процессов, происходящих в системах, внутри которых есть источник
случайности или которые подвержены случайным воздействиям. Он получил
также название метода статистического моделирования.
В основе метода лежит многократно повторяемый эксперимент на модели
физической системы с использованием случайных чисел и дальнейшая ста-
тистическая обработка полученных результатов. Распространению метода
способствовало появление электронной вычислительной техники с высокой
производительностью, которая обеспечивает генерацию с большой скоростью
псевдослучайных чисел, необходимых для реализации метода.
Механизм метода можно пояснить на следующем примере. Пусть
требуется найти значение определенного интеграла
b
S   F ( x)dx
a

графическая интерпретация которого, как известно – площадь под графиком


функции Y=F(X):

Y=F(x)

0
a b X

Для решения задачи выполним такие шаги:

S пр
 ограничим функцию прямоугольником, площадь которого легко
вычисляется;
 внутрь прямоугольника поместим случайным образом N точек, координа-
ты которых будем получать с помощью специальных датчиков (генерато-
ров) случайных чисел;
'
 определим число точек N , расположенных ниже графика функции;
Тогда значение интеграла S (площадь под графиком функции) будет
приблизительно равна

N'
S Sпр
N
Метод Монте-Карло широко применяется в различных областях, имеет ряд
разновидностей и модификаций, зависящих от особенностей решаемых с его
помощью задач и повышающих точность и вычислительную эффективность.

2.2 Имитация событий, составляющих полную группу


Ai , (i  1,..., n) ,
Пусть события составляют полную группу [Error:
Reference source not found]. Тогда вероятности этих событий Рi удовлетворяют
равенству:
n

P 1
i 1
i

Имитация факта появления одного из событий Аi, i=1,..,n состоит в


проверке выполнения неравенств:
k 1 k

 P  x   P , k  1,..., n, P
i 1
i
i 1
i 0 0

Выполнение k-го неравенства эквивалентно наступлению события Аk. Этот


алгоритм иногда называют алгоритмом “розыгрыша по жребию”. Его можно
интерпретировать как установление номера k-го отрезка длиной Рk, на который
пало случайное число х, при условии разбиения отрезка единичной длины на

 P 1 i
отрезки с длинами P1, P2, ,.., Pn, i 1 [Error: Reference source not found]:

P1 P2 P3 P4 P5 P n–1 P n

Типичным для практики является представление данных наблюдения за


какими-либо событиями в виде таблицы, в которой регистрируются частоты на-
ступления этих событий. События объединяются в группы, поставив в соответ-
ствие каждой группе индекс k=1, ..., N (k, в частности, может означать номер
временного интервала наблюдения, число на игральной кости и т.п.), после чего
формируется таблица вида

k 1 2 3 … N

f
k
которая представляет собой число зарегистрированных в процессе наблюдения
наступлений событий для каждой группы, или таблицу частот. Если поделить
значения частот на сумму их значений, то полученные величины можно рас-
сматривать как приближения к вероятностям появления событий каждой груп-
пы и использовать для имитации появления событий в моделях.
Программа на языке С++:
// Произвольное распределение: массивы частот(nums) и значений(vals) размерности N) --------
double distr (int N, int nums[], double vals[])
{
int i;
double sum, bleft,rnd=rundum();
for (i=0,sum=0; i<N; i++) sum+=nums[i];
for (i=0, bleft=0; i<N && rnd>=bleft; bleft+=(double)nums[i]/sum, i++) ;
return(vals[i-1]);
}

2.3 Анализ статистической точности


В тех случаях, когда необходимо получить значение некоторой величины,
можно использовать метод доверительного интервала. Метод позволяет
оценить число реализаций, необходимых для достижения нужной степени
уверенности, которая выражается количественно величиной доверительной
вероятности, то есть вероятности того, что значение исследуемого показателя
принадлежит определенному интервалу значений. Очевидно, что чем большую
уверенность мы хотим иметь, и чем более узким интервал для значений
показателя будет задаваться, тем большее число реализаций нам потребуется.
В предположении нормального закона распределения значений показателя

нижнюю X min и верхнюю X max границы доверительного интервала можно


найти, используя выражение для распределения Стьюдента:
_
X min  X  X
_
X max  X  X
_
где X  – среднее выборочное значение исследуемого (выходного) показателя,
X  – половина величины доверительного интервала.

Величина полуинтервала находится по формуле:


SX
X  tn 1, / 2
n
tn 1, /2
где n – число реализаций,   – значение распределения Стьюдента с (n–1)

степенями свободы и уровнем значимости α/2, S X – среднеквадратическое


отклонение выборки, которое находится по формуле:
n _ 2

(X i  X)
SX  i 1

n 1 (1)
где X i – i-ое значение выборки.
Чаще всего для уровня значимости на практике применяют величины 0,01
(1%), 0,05 (5%), 0,1 (10 %). Это можно трактовать как утверждение о том, что
величина исследуемого показателя с заданной вероятностью принадлежит
доверительному интервалу. Поскольку доверительный интервал задается
нижней и верхней границами, уровень значимости делится на 2 (например, для
уровня значимости 0,05 из распределения Стьюдента находится значение для
уровня значимости 0,025).
Значения параметров распределения Стьюдента можно найти, используя
специальные таблицы или статистические функции программных пакетов
(такие как ТТЕСТ, СТЬЮДРАСП и СТЬЮДРАСПОБР приложения Excel).

2.4 Некоторые формулы теории вероятностей


Для вычисления теоретических значений вероятностей безотказной работы
схемы, состоящей из ненадежных элементов, следует использовать следующие
формулы [Error: Reference source not found].
Вероятность одновременного наступления независимых событий A и B на-
ходится как произведение вероятностей наступления каждого события:

P ( A  B)  P ( A)  P ( B )

Для полной группы несовместных событий


A1 , A2 ,..., An , т.е., событий, для
которых
P ( Ai  Aj )  0, для любых i  j
и
n

 P( A )  1
i 1
i

и некоторого события В справедлива формула полной вероятности:


n
P ( B)   P( B / Ai )  P( Ai )
i 1

где P ( B / Ai ) есть условная вероятность наступления события B при условии

наступления события
Ai .

3 Содержание работы
Необходимо оценить вероятность безотказной работы схемы на основе ме-
тода статистических испытаний и сравнить результат с результатом, полу-
ченным с помощью вероятностной модели.
1) Запустите MS Excel.
Для своего номера варианта (<порядковый номер в списке группы>) по ката-
логу стандартных компонентов (см. 5.1) составьте и нарисуйте исследуемую
схему. Все компоненты, номера которых указаны в строке с номером вари-
анта в таблице вариантов (см. 5.2), соединяются последовательно, один за
другим.
Схема, таким образом, выполняет одну функцию.
Работоспособность всей схемы определяется наличием цепочки работоспо-
собных блоков между входом и выходом.
Замечание: Схему лучше рисовать в книге Excel, изображая блоки ячейками
с толстыми границами и занося в ячейки значения надежности блоков, на-
пример:
                 
                 
0,9
    5       0,9    
                 
                 

Далее выражения для расчета надежности схемы можно записать в ячейках


того же листа, используя ссылки на ячейки с нужными для расчета
значениями.
2) Пользуюсь формулами теории вероятностей (см. раздел 2.3), рассчитайте в

книге Excel теоретическое значение надежности схемы.


3) Используя модуль-шаблон (см. Error: Reference source not found) соберите

проект С++ (см. Error: Reference source not found).


Внимательно изучите исходный текст модуля.
4) В теле функции schemeOK запишите логическое выражение для проверки
условия работоспособности схемы при проведении испытания и выполните
прогон программной модели для Nexp=10000 и Npnts=100.
5) По формуле (1) или с помощью функции ДОВЕРИТ.СТЬЮДЕНТ приложения

Excel рассчитайте доверительный полуинтервал P величины надежности


схемы P для доверительной вероятности α=0,05. Изучите вывод программы,
сравните полученный результат с ранее вычисленным значением
вероятности безотказной работы схемы.
6) Выполните прогон программной модели для Nexp=10000 и Npnts=1000 и
рассчитайте доверительный полуинтервал P величины надежности P для
той же доверительной вероятности, что и на предыдущем шаге α=0,05.

Что изменилось? Почему?


7) Проанализируйте полученные данные, которые должны располагаться в
таблице следующего формата:
Npnts Nexp P Sp P
100 10000 0,855058 0,00367218 0,000836
1000 100000 0,854990 0,00105636 0,000075
8) Выполните шаги 1–7 для случая, когда моделируется схема с тремя
функциями (ветвями). Иначе говоря, компоненты образуют три паралле-
льные цепочки таким образом, что при каждом испытании включается одна
из трех веток компонентов с вероятностями:

Р1 = 0,2; Р2 = 0,3; Р3 = 0,5.

4 Контрольные вопросы
1) На каком принципе основан метод Монте-Карло?

2) Чем достигается статистическая точность метода?

3) Каковы основные достоинства и недостатки метода?


4) Как зависит точность результата, полученного на основе метода статисти-
ческих испытаний, от числа проведенных испытаний?

5) Как можно повысить вычислительную эффективность (на примере дан-


ной работы)?

6) Как имитируются события, образующие полную группу событий?

7) Что такое доверительная вероятность и доверительный интервал?

8) В чет состоит цель статистического анализа?

9) Как рассчитывается в программной модели выборочное среднее?

10) Как рассчитывается в программной модели выборочная дисперсия?

5 Варианты исходных данных


5.1 Компоненты моделируемой схемы
1 4 7 8
1

2
5
2 10 11

3 12 13

3 6
4
14 15

5 16

6 17 18

5.2 Варианты соединений компонентов в общую схему


Комп. Комп.

№ I II III № I II III
Вар. Вар.
№ №
1 1 2 3 2 1 2 4
Комп. 5.3
№ I II III
Вар.

3 1 2 5
4 1 2 6
5 1 3 4
6 1 3 5
7 1 3 6
8 1 4 5
9 1 4 6
10 1 5 6
11 2 3 4
12 2 3 5
13 2 3 6
14 2 4 5
15 2 4 6
16 2 5 6
17 3 4 5
18 3 4 6
19 3 5 6
20 4 5 6
5.4 Надежность (вероятность работоспособности) блоков
№ P
1 0,95
2 0,80
3 0,75
4 0,70
5 0,65
6 0,60
7 0,85
8 0,80
9 0,75
1
0,70
0
1
0,80
1
1
0,75
2
1
0,85
3
1
0,75
4
1
0,70
5
1
0,50
6
1
0,70
7
1
0,80
8
6 Задание для самостоятельного решения
1) Постройте блок-схему и разработайте на основе используемого в данной
работе шаблона программную модель на языке С++ для расчета значения
определенного интеграла методом Монте-Карло.

Задайтесь точностью в один знак после запятой и получите результат


(проведите нужное число испытаний).

По формуле Ньютона-Лейбница найдите точное значение интеграла и


сравните с найденным с помощью программной модели.

Замечание При записи логических выражений в программной модели


необходимо помнить, что при подсчете итогового значения учитываются
знаки площадей фигур, составляющих общую площадь.

Варианты:
 5

S
4
1
dx
S   (3x 2  10 x 3  3 x 4 dx
2
 cos x 4) 1

1) 6
5
1 S   ( 3 x  2) 2 dx
S   xe x dx 5) 1
2) 0
5
e
ln 2 x S   (e x  5 x)dx
S dx
x 6) 1
3) 1

Оценить