Вероятностный анализ Монте-Карло

Вероятностный анализ Монте-Карло.........................197 [c.175]

Вероятностный анализ Монте-Карло 197 [c.197]

Вероятностный анализ Монте-Карло [c.197]

В качестве примера исследуем с помощью вероятностного анализа Монте-Карло схему активного фильтра с высокой крутизной фронта. Такие схемы чрезвычайно чувствительны к разбросам параметров компонентов. [c.198]

Вероятностный анализ Монте-Карло 199 [c.199]

Вероятностный анализ Монте-Карло 201 [c.201]

Вероятностный анализ Монте-Карло 203 [c.203]

Наибольшее распространение получили вероятностные методы статистического анализа — аналитический и численный, основанный на применении метода Монте-Карло (метод статистических испытаний). [c.50]

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]

Для рассматриваемой модели оказывается затруднительным построение формул суммирования погрешностей деталей из-за нелинейности исходного уравнения (11.219). Эта нелинейность возникает вследствие того, что текущий размер детали выражает суммарно и погрешность размеров, и погрешность формы, и не-прямолинёйность геометрического места центров поперечных сечений. Между тем существует практическая потребность в определении формул такого рода и, в частности, для расчета математического ожидания, дисперсии, среднего квадратического отклонения, практически предельного поля рассеивания и т. п. Для преодоления этого затруднения может быть использован метод статистических испытаний (Монте-Карло), который является весьма перспективным при моделировании, анализе и расчете точности нелинейных технологических процессов. Для упрощенного решения этой задачи можно ограничиться расчетом вероятностных характеристик двух более простых случайных функций, получаемых из исходной формулы (11.219) путем приравнивания нулю либо выражения Wp os ( — -j-nip , либо г + [c.438]

Использование метода Монте-Карло и выполнение правил проведения статистических испытаний позволяет существенно повысить вероятность объективной оценки эксплуатационного состояния технико-технологической системы, аналитическое описание которой сопровождается допусками и, естественно, требует квалиметрической оценки искажения истинной ситуации. Для того, чтобы ошибка в определении вероятности события Р(А) была не больше заданной е, нужно провести не меньше (4хР(А)х(1-Р(А))/82) расчетов-исследований, но если задать Р(А), то истинное значение вероятности должно быть заключено в пределах (Р(А) е). Поэтому после того, как требуемое количество расчетов получено, проводится экспертиза результатов вероятностно-статистического анализа на информативность регистрируемых и расчетных параметров технико-технологического процесса. [c.157]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...