ÐÐТÐÐÐТÐЧÐÐ ÐÐÐÐÐЮÐÐÐÐЯ
ÐÐТÐÐÐТÐЧÐÐ ÐÐÐÐÐЮÐÐÐÐЯ
ÐÐТÐÐÐТÐЧÐÐ ÐÐÐÐÐЮÐÐÐÐЯ
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
В.Є. Бахрушин. Математичне моделювання<br />
ε = t α σ x<br />
,<br />
2<br />
N<br />
2 σX<br />
2 2 1<br />
σ = – дисперсія x , σ<br />
x<br />
X<br />
≈ S = ( xi<br />
−x)<br />
N<br />
N 1 i = 1<br />
∑ – дисперсія випадкової<br />
величини Х, S – емпірична оцінка дисперсії. Звідси маємо:<br />
−<br />
t<br />
α<br />
σX<br />
ε = . Величини t<br />
α<br />
знаходять з таблиць розподілу Стьюдента для заданої<br />
надійності α. Оскільки точність, з якою треба визначити математич-<br />
N<br />
не сподівання, задається, то для оцінки потрібної кількості випробувань<br />
2<br />
t σX<br />
можна використовувати вираз N = α t<br />
або N = α у разі, коли істинна<br />
2<br />
2<br />
ε<br />
ε<br />
2<br />
дисперсія σ x є невідомою.<br />
Метод Монте-Карло використовують також для знаходження невідомих<br />
ймовірностей p настання деяких випадкових подій. Для цього в N<br />
випробуваннях реєструють, скільки разів відбулася досліджувана подія,<br />
визначають її частоту d, яку й беруть за оцінку p. При заданих ε та α довірчим<br />
інтервалом є [ d − t<br />
2 p<br />
α<br />
σd;<br />
d − t<br />
ασd<br />
]<br />
( 1 − p) d( 1 − d)<br />
. Дисперсія σ d = ≈ . Точність<br />
ε оцінки ймовірності p дорівнює ε = tα . Відповідно, кіль-<br />
N N<br />
d( 1−<br />
d)<br />
N<br />
кість випробувань, що треба виконати для забезпечення точності ε при рівні<br />
надійності α,<br />
N<br />
2<br />
( − p) t d( 1−<br />
d)<br />
2<br />
tα<br />
p 1 α<br />
= ≈<br />
2<br />
2<br />
2<br />
2 S 2<br />
. Звідси випливає, що для підви-<br />
ε ε<br />
щення точності необхідно значно збільшити кількість випробувань. Інколи<br />
можна досягти тієї самої точності при меншій кількості випробувань.<br />
Нехай, наприклад, досліджувана частота є функцією якогось параметра<br />
системи χ: p = f ( χ)<br />
що зі збільшенням N емпірична залежність = f ( χ)<br />
. Унаслідок дії закону великих чисел можна очікувати,<br />
d буде ставати все більш<br />
гладкою. Тоді, використовуючи відносно малу кількість випробувань, можна<br />
одержати емпіричні точки й потім побудувати апроксимуючу функцію,<br />
застосування якої дозволить зменшити кількість випробувань, потрібних<br />
для знаходження досліджуваної ймовірності p із заданою точністю.<br />
Для реалізації методу Монте-Карло необхідно використовувати різноманітні<br />
алгоритми генерації послідовностей випадкових чисел та векторів.<br />
Деякі з них розглянуто нижче.<br />
22