Анализ Монте-Карло распределение

Основным методом статического анализа в САПР является метод статистических испытаний (метод Монте-Карло). Каждое fe-e статистическое испытание заключается в присвоении элементам Xi вектора X случайных значений xni и расчете вектора выходных параметров Yh с помощью одновариантного анализа. После выполнения запланированного числа N статистических испытаний их результаты Y/ обрабатываются с целью оценки числовых характеристик распределений выходных параметров. [c.256]

Метод Монте — Карло. Для вычисления отклонения функции цепи можно также применять методы статистического моделирования, использующие вычислительную машину. В этом случае определяются псевдослучайные значения элементов цепи и с помощью вычислительной машины вьшолняется анализ цепи. Статистические свойства функции цепи оцениваются путем многократного построения этого процесса. В противоположность методам, описанным выше, этот метод допускает произвольное распределение зна-. чений элементов цепи кроме того, на свойства отдельных элементов цепи могут быть наложены дополнительные ограничения. Метод Монте — Карло может быть легко запрограммирован, но это потребует длительного времени. [c.222]

Исследования фракционного состава (дисперсности) частиц, используемых в реальных технологических процессах, показали [190], что он изменяется в достаточно широких пределах. Для анализа характера контактов частиц в системе с реальным распределением фракций на основе (5.63) разработана програм.ма для ПЭВМ, в которой по методу Монте-Карло случайным образом выбирается фракция падающей частицы. При этом интервалы, в которые попадают случайные числа, распределены не равномерно, а пропорциональны фактическому распределению фракций. [c.201]

Вычисление Р производится при статистическом анализе схемы методом статистических испытаний (Монте-Карло). Метод Монте-Карло требует выполнения N вариантов анализа работы схемы при задании случайных значений параметрам компонентов в соответствии с их законами распределения. Точность оценки Р зависит, в частности, от количества вариантов N. причем минимально возможные значения N оказываются в диапазоне 50- 100. Очевидно, что статистический анализ должен проводиться многократно, так как целевая функция должна вычисляться на каждом шаге поиска. [c.41]

Поэтому при машинном проектировании основным методом статистического анализа становится метод статистических испытаний (метод Монте-Карло). В этом методе в качестве исходных данных используются сведения о законах распределения х, а результатами являются гистограммы распределения выходных параметров г/J, по которым определяются вероятность выполнения условий работоспособности, величины 8 , фигурирующие в (2.7), и оценки числовых характеристик распределений у]. [c.112]

Вопросы реализации метода Монте-Карло при анализе электронных схем подробно рассмотрены в ряде работ, например, [20], [22]. Блок-схема статистического анализа по этому методу представлена на рис. 20. В каждом из N испытаний сначала задаются случайные значения параметрам компонентов в соответствии с законами их распределения. Далее производится анализ работы схемы, в результате получаем случайные значения выходных параметров очередного -го испытания. Эти значения используются для пополнения ранее накопленных сумм вида [c.112]

Метод Монте-Карло — один из наиболее эффективных численных методов статистического анализа — основан на многократном моделировании (N раз) числовых значений вектора X для т случайных внутренних параметров х,- и вычислении для каждой конкретной реализации (очередного испытания) соответствующих значений всех выходных параметров Y. Алгоритмы моделирования случайных значений X должны обеспечивать требуемую точность воспроизведения законов распределения параметров х, с сохранением реальных статистических связей между ними, которые определяются по данным экспериментальных измерений. [c.50]

Наряду с анализом Монте-Карло в программе PROBE можно выполнить стохастический эквивалент анализа производительности на экране будет показано статистическое распределение величин, которые извлекаются из каждого отдельного прогона анализа Монте-Карло с помощью целевых функций. В качестве примера изобразим в виде гистограммы статистическое распределение ширины полосы на уровне З-dB десяти полученных выше кривых. [c.201]

Рецепт 11. Создать в PROBE гистограмму статистического распределения результатов анализа Монте-Карло [c.213]

Очевидно, что уже предварительный анализ зависимости (2) и характеристик рассеивания отдельных факторов позволит сделать полезные суждения о влиянии каждого из них на величину и рассеивание сил. В данном случае для определения искомого спектра сил мы встречаемся с необходимостью определения вероятностной характеристики величины Р, связанной функциональной зависимостью (2) с системой случайных величин (Afj М2 о Спр А, Ро). Если ориентироваться на решение такой задачи путем аналитического расчета методами теории вероятностей, то обычно возникают большие математические трудности, особенно если исходные распределения случайных величин отличаются от нормальных. Применение метода статистических испытаний (Монте-Карло) [4, 5] позволяет избежать этих трудностей и сравнительно просто с помощью ЭЦВМ выполнить численное решение для любых исходных распределений. Этот чрезвычайно эффективный метод не нашел еще должного применения в практике инженерных расчетов и обычно не изучается в курсе высшей мате-матики машиностроительных вузов. Учитывая вышеуказанное, покажем практические особенности такого расчета для рассматриваемого случая. [c.161]

В САПР статистический анализ проводится численньпи методом — методом Монте-Карло (статистических испытаний). В соответствии с этим методом осуществляется N статистических испытаний, каждое статистическое испытание представляет собой одновариантный анализ, выполняемый при случайных значениях параметров-аргументов. Эти случайные значения выбирают в соответствии с заданными законами распределения аргументов х.. Полученные в каждом испытании значения выходных параметров накапливают, после N испьгганий обрабатывают, что дает следующие результаты [c.110]

Статистический анализ, вьтолняемый в соответствии с методом Монте-Карло, — трудоемкая процедура, поскольку число 7V испытаний приходится выбирать довольно больппш, чтобы достичь приемлемой точности анализа. Другая причина, затрудняющая применение метода Монте-Карло, — трудности в получении достоверной исходной информации о законах распределения парамет-ров-аргументов х.. [c.110]

Анализ пространственно-временного распределения молекулярных,, а с развитием криовакуумных систем, и лучистых потоков в сложных структурах, составляет одну из ключевых проблем -вакуумной техники. Естественны поэтому обширность и продолжающееся быстрое нарастание библиографии по этому вопросу. Уже после опубликования обзоров [67,. 138] появилось несколько десятков работ, содержащих новые результаты большей или меньшей степени общности. Анализ или даже краткий комментарий каждой из этих работ невозможен из-за недостатка места. Поэтому в следующих параграфах подробно изложены лишь четыре наиболее развитые к настоящему времени и имеющие, на наш взгляд, паилучшие перспективы практического применения методы. Это уже упомянутый метод Монте-Карло (ММК) метод угловых коэффициентов (МУК), обязанный сво-и.м появлением физическому подобию процессов молекулярного переноса в структурах с диффузно отражающими стенками и процессов лучистого переноса в ди-лтермических средах и базирующийся на хорошо развитом-математическом аппарате теории лучистого теп- [c.49]

Из теории регрессионного анализа известно, что оценки коэффициентов рефессии Pi, являются нормально распределенными случайными величинами с математическим ожиданием bj и средним квадратическим отклонением 5 Р/ . Знание величин bi и S P/ необходимо для имитационного моделирования технологического процесса методом Монте-Карло, при котором в качестве переменных в моделях (56) или (57) рассматриваются случайные величины Pi, а факторы обработки Xi могут быть как фиксированными, так и случайными. [c.195]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...