Анализ точности
.pdfЭксперимент, при котором значения Y определяют при целенаправлен-
ном изменении W, называют активным, т.е. значения W устанавливаются по усмотрению экспериментатора.
2. Корреляционная зависимость. Корреляционной называется зависи-
мость между двумя случайными величинами, при которой вследствие изме-
нения одной величины (аргумента X) изменяется только математическое ожидание другой (функции Y). В отличие от регрессионной зависимости здесь аргумент – случайная величина. Таблица и график, характеризующие корреляционную зависимость, имеют следующий вид (табл. 2.2 и рис. 2.8).
|
|
|
Таблица 2.2 |
||
|
|
|
|
|
|
Вход |
|
Выход |
|
|
|
|
|
|
|
|
|
x1 |
φ1{y} |
|
m1{y} |
|
|
x2 |
φ2{y} |
Гаусса |
m2{y} |
const}≈{y |
|
. . . |
. . . |
. . . |
|
||
|
|
|
|||
xi |
φ i{y} |
Закон |
m i{y} |
|
|
. . . |
. . . |
. . . |
ζ |
|
|
|
|
|
|
2 |
|
xn |
φ n{y} |
|
m n{y} |
|
|
|
|
|
|
|
|
Рис. 2.8. Пример корреляционной линейной зависимости (может быть
криволинейная)
3. Скедастическая зависимость. Скедастической называется зависи-
мость между двумя переменными, если одна из них Y, являясь случайной ве-
личиной, реагирует на изменение другой величины – аргумента (как неслу-
чайной W, так и случайной X) только изменением своей дисперсии.
21
Эту зависимость также изобразим в виде таблицы (табл. 2.3).
|
|
|
|
|
|
|
Таблица 2.3 |
|
|
|
|
|
|
|
|
|
|
|
Вход |
|
|
|
Выход |
|
|
|
|
|
|
|
|
|
|
|
|
x1 |
или |
w 1 |
φ1{y} |
|
|
|
|
12{y} |
x2 |
или |
w2 |
φ2{y} |
ГауссаЗакон |
|
const}≈m{y |
|
22{y} |
. . . . . . . . . . . |
. . . |
|
|
. . . |
||||
|
|
|
|
|||||
|
|
|
|
|
||||
xi |
или |
wi |
φ i{y} |
|
|
|
|
i2{y} |
. . . . . . . . . . . |
. . . |
|
|
|
|
. . . |
||
xn |
или |
wn |
φ n{y} |
|
|
|
|
2 [ y} |
|
|
|
|
n |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
и графика (рис. 2.9).
Рис. 2.9. Пример скедастической зависимости
2.2.3. Построение математической модели точности ТП
Математическую модель будем получать в виде аналитических выра-
жений, устанавливающих взаимосвязи между законами распределения, чи-
словыми характеристиками и практическими полями рассеивания погрешно-
стей входных и выходных параметров.
Выделим две группы моделей:
1) модели, построенные на основе известной функциональной зависи-
мости между входными и выходными переменными; 2) модели, построенные исходя из предположения наличия вероятност-
ной (стохастической) зависимости между входными и выходными парамет-
рами.
22
Первая группа моделей
В основе построения моделей этой группы могут быть известные зави-
симости, типа (2.1), либо полиномиальные зависимости вида
n |
k |
n |
Y b0 bi X i |
bij X i X j |
bii X i2 ... , |
i 1 |
i j |
i 1 |
где b0 , bi , bij , bii – постоянные величины, представляющие собой коэффициен-
ты ряда Тейлора, т.е. значения частных производных в точке, вокруг которой осуществляется разложение неизвестной функции:
b y |
xi |
, b 2 y |
, |
b 2 y |
x2 |
. |
|
i |
ij |
xi x j |
ii |
|
|
||
|
|
|
|
|
i |
|
|
Методы |
получения полиномиальных |
функциональных зависимостей |
достаточно полно разработаны. Неизвестные коэффициенты определяются при обработке данных активного (реже пассивного) полного или дробного факторного эксперимента.
Итак, независимо от способа получения в качестве исходной формулы имеем функциональную зависимость
Y f {X1, X 2 , ..., Xi , ..., X N },
где Y – выходной параметр;
Xi – входные параметры;
Gi – области их определения.
Кроме того, должны быть входных параметров.
Начнем с более простого случая.
Дано:
1)Y f {X }, где X и Y – случайные величины;
2) x {x}– плотность вероятности распределения случайной величины X.
Требуется определить y {y} – плотность вероятности распределения
случайной величины Y. Из формулы для могут быть найдены выраже-
ния для математического ожидания m{Y}, дисперсии ζ2 {Y} и практического
23
поля рассеивания y . Последняя характеристика представляет собой область значений Y, выход за пределы которой маловероятен (например, для закона
Гаусса за y обычно принимается 3 ; в эту область попадает 99,73 % всех значений случайной величины Y).
Решение:
|
|
{y} |
d[u(Y )] |
|
[u(Y )] , |
(2.3) |
|
y |
dY |
||||||
|
|
|
|
||||
|
|
|
|
|
|||
где u(Y) – функция, обратная f{X}. |
|
|
П р и м е ч а н и е . Формула (2.3) применима, если функция Y f {X }
однозначно определена, непрерывна, монотонна и имеет отличную от нуля
производную на всем участке определения X. |
|
|
|||||||||||
Пример 1. Дано: Y cX , |
где c=const; |
|
|
|
|||||||||
|
|
1 |
|
|
|
|
|
|
x2 |
|
|
|
|
|
{x} |
|
|
|
|
exp |
|
|
|
|
. |
|
{y} ? |
|
|
|
|
|
2 |
|
|||||||
x |
|
{X } 2 |
|
|
|
2 |
|
|
y |
|
|||
|
|
|
|
|
|
{X } |
|
|
Решение:
u(Y ) x |
y |
; |
d[u(Y )] |
|
1 |
; |
m{Y } M{cX } cm{X } ; 2{Y} 2{cX} c2 2{X}. |
||
c |
dY |
|
c |
||||||
|
|
|
|
|
|||||
Выражая |
|
|
|
|
|
|
|
|
{Y } c {X } и заменяя {X } на {Y }c
и x на y/c , получим
|
|
|
1 |
|
|
|
|
|
y2 |
|
|
|
y |
{y} |
|
|
|
exp |
|
|
|
|
. |
|
|
|
|
2 |
|
||||||
|
|
{Y } 2 |
|
|
|
2 |
|
|
|||
|
|
|
|
|
|
|
{Y } |
Таким образом, распределение Y также нормальное, но с другой дис-
персией.
Рассмотрим случай, когда выходной параметр Y является функцией суммы двух независимых непрерывных одномерных случайных величин
Y X 1 X 2 с плотностями вероятности 1{x1} и 2 {x2 } . Тогда закон распреде-
ления случайной величины Y будет представлять собой композицию двух за-
конов распределения 1{x1} и 2 {x2 }
|
|
y {y} y {x1 x2 } 1{x1} 2{x2 } 1{x1} 2{y x1}dx1 . |
(2.4) |
24
Пример 2. Дано: Y X 1 |
X 2 , где X1 и |
|
X2 – независимые случайные ве- |
||||||||||||||||||||||||
личины, распределенные по закону равной вероятности |
|
|
|||||||||||||||||||||||||
|
{x } |
1 |
; |
|
|
{x |
} |
1 |
; |
m{X |
|
} m{X |
|
} 0 ; |
|
{y} ? |
|||||||||||
|
2 |
|
1 |
2 |
|||||||||||||||||||||||
1 |
1 |
2l |
|
|
2 |
|
|
2l |
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Решение. Области определения: |
|
l x1,2 l ; |
|
2l y 2l . Вне этих |
|||||||||||||||||||||||
пределов функции 1{x1} , |
2 {x2 } |
и y {y} равны нулю. Подставляя данные в |
|||||||||||||||||||||||||
формулу (2.4), получим: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
а) для диапазона 2l y 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
y l |
1 |
|
|
1 |
|
|
|
|
2l y |
|
|
|
|
||
|
|
|
|
|
|
|
|
{y} |
|
|
|
|
|
|
dx |
|
|
|
|
; |
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
y |
|
|
|
|
2l |
|
|
2l |
|
1 |
|
4l 2 |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
l |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
б) для диапазона 0 y 2l |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
l |
1 |
|
|
1 |
|
|
|
|
2l y |
|
|
|
|
||
|
|
|
|
|
|
|
|
{y} |
|
|
|
|
|
|
dx |
|
|
|
|
|
. |
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
y |
|
|
|
|
2l |
|
|
2l |
|
1 |
|
4l 2 |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
y l |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Полученный закон распределения называется распределением Симп-
сона и имеет вид равнобедренного треугольника (рис. 2.10).
Рис. 2.10. Распределение Симпсона
Известно, что если число независимых между собой случайных сла-
гаемых, распределенных по закону равной вероятности с пределами
1 xi 1, будет стремиться к бесконечности, то распределение функции Y
будет приближаться к нормальному с пределами y . Это еще раз подтверждает, что формула Гаусса – всего лишь математическая абстракция
(как и все математические модели), а не закон, которому подчиняются собы-
тия объективного мира.
25
На рис. 2.11 показано, как изменяется распределение функции
n
Y X i с увеличением числа слагаемых в виде дискретных случайных вели-
i 1
чин Xi , распределенных по закону равной вероятности.
Рис. 2.11. Закон распределения суммы дискретных случайных величин
Таким образом, закон Гаусса в качестве математической модели боль-
ше всего подходит для описания случайных величин, представляющих собой суммы бесконечно большого числа слагаемых, среди которых не должно
быть доминирующих. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Пример 3. Дано: Y X 1 |
X 2 , |
где X1 |
|
и X2 – независимые случайные ве- |
||||||||||||||||||||||||||
личины, распределенные по закону Гаусса |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
(x1,2 m{X1,2 })2 |
|
|
y {y} |
? |
||||||||||
|
1,2{x1,2 |
} |
|
|
|
|
|
|
|
|
exp |
|
|
|
|
|
|
|
|
|
|
; |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
||||||||||||||
|
{X1,2 } |
|
2 |
|
|
|
|
{X1,2 } |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
Решение. Подставляя данные в формулу (2.4), получим |
|
|||||||||||||||||||||||||||||
y {y} |
1 |
|
|
|
|
|
|
|
|
(x m{X })2 |
|
( x m{X })2 |
. (2.5) |
|||||||||||||||||
|
|
|
|
|
|
exp |
|
1 |
2 |
|
|
|
|
1 |
|
|
2 |
2 |
|
2 |
|
dx1 |
||||||||
|
2 {X1} {X 2 } |
|
|
|
|
|
2 {X1} |
|
|
|
2 {X 2 } |
|
|
|
||||||||||||||||
Выражение (2.5) преобразуем к виду |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
exp Ax2 |
2Bx C dx |
|
|||||||||||||
|
|
|
{y} |
|
|
|
|
|
|
|
|
|
|
|
, |
|||||||||||||||
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
2 {X |
|
} {X |
} |
|
|
|
|
|
1 |
|
1 |
1 |
|
|||||||||||||
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
где A 2 {X1} 2 {X 2
2 2 {X1} 2 {X 2
} |
; |
B |
m{X |
} |
|
|
y m{X |
|
} |
; C |
m2 {X |
} |
|
|
( y m{X |
2 |
})2 |
. |
||||
|
1 |
|
|
|
|
|
2 |
|
|
1 |
|
|
|
|
|
|||||||
} |
2 2 {X |
} |
2 2 {X |
2 |
} |
|
2 2 {X |
|
} |
2 2 {X |
2 |
} |
||||||||||
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
Известно, что
26
|
|
|
|
|
|
|
|
|
|
|
|
|
AC B2 |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
exp Ax12 2Bx1 |
C dx1 |
|
|
exp |
|
. |
|
|
||||||||||
|
A |
A |
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
В итоге |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
y (m{X1} m{X |
2 }) |
2 |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
{y} |
|
|
|
|
|
|
|
|
|
exp |
|
|
|
|
|
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
y |
|
|
2 2{X |
} 2{X |
2 |
} |
|
|
|
2( 2{X1} 2{X 2 }) |
|
|
|||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Полученная формула есть не что иное, как закон Гаусса с математиче-
ским ожиданием m{Y } m{X1} m{X 2 } и средним квадратическим отклонени-
ем
{Y } 2 {X 1} 2 {X 2 } .
Из рассмотренного примера следует вывод: если случайная величина Y
представляет собой линейную функцию от случайных независимых между собой параметров Xi , распределенных по нормальному закону, то распреде-
ление |
Y будет также нормальным с числовыми характеристиками |
n |
n |
m{Y } m{X i } и 2 {Y } 2 {X i } ; говорят, что закон Гаусса является устой- |
|
i 1 |
i 1 |
чивым законом (т.е. воспроизводящим себя при компонировании).
В задачах анализа точности технологических процессов часто встреча-
ется зависимость вида U X 2 Y 2 , где X и Y – независимые случайные ве-
личины, распределенные обычно по нормальному закону. Такую модель применяют для описания различного рода радиальных отклонений, например смещений центров отверстий относительно своих номинальных положений;
в этом случае величины X и Y представляют собой погрешности смещений центров отверстий вдоль соответствующих осей координат. Плотность рас-
пределения величины U , называемого законом Максвелла, имеет вид
|
|
u |
|
|
2 |
|
1 |
|
|
u cos m{X } 2 |
|||
{u} |
|
|
|
|
exp |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
2 |
|
|||||
|
|
|
|||||||||||
|
2 |
X Y |
0 |
|
2 1 rXY |
|
|
{X } |
|||||
|
2 1 rXY |
|
|
|
|
|
|
|
|
|
|
|
2rXY u cos m{X } u sin m{Y } |
|
u sin m{Y } |
2 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
d |
(2.6) |
{X } {Y } |
2 {Y } |
|
|||||
|
|
|
|
|
0 u ,
27
где rXY – коэффициент корреляции между случайными величинами X и Y.
В частном случае, при условиях
rXY = 0; m{X} = m{Y}=0; 2{X } 2{Y} 02 ,
выражение (2.6) превращается в закон Релея с плотностью вероятности:
а) аналитически
{u} u20
0 |
|
|
|
при u 0, |
|
|
|
u |
2 |
|
|
exp |
|
|
|
|
|
|
|
|
|||
|
|
2 |
2 |
||
|
|
0 |
|
при u 0;
б) графически (рис. 2.12).
Рис. 2.12. Плотность распределения закона Релея
На практике, даже при весьма несложных зависимостях между вход-
ными и выходными параметрами, часто не удается получить закон распреде-
ления выходного параметра в аналитической форме. Тогда возможны два пу-
ти решения.
1.Не находя закона распределения выходного параметра, определяют только приближенные числовые характеристики его распределения путем разложения функции в ряд Тейлора с сохранением членов низших порядков.
2.Закон распределения выходного параметра получают статистиче-
ским моделированием на ЭВМ (метод Монте-Карло).
В первом случае для функции
Y f {X1, X 2 , ..., Xi , ..., X N }, |
Xi Gi , |
i 1, N |
получаем расчетные формулы:
a) математического ожидания
m{Y} f m{X1}, m{X2}...,m{Xi }...,m{X N } ;
б) дисперсии
28
|
N |
|
|
2 |
|
|
2{Y} |
|
|
df |
|
2{X |
}, |
|
|
|||||
|
|
|
i |
|
||
|
i 1 |
dxi |
ср |
|
|
df |
|
|
|
|
|
– частная производная функции Y по одному из аргументов Xi; |
||
|
||||
где |
|
|
||
dxi cp |
|
индекс «ср» обозначает, что в выражение для частной производной после дифференцирования должны быть подставлены средние значения всех аргу-
ментов (обычно m{Xi}).
Если входные переменные связаны между собой корреляционной зави-
симостью, то в формуле для дисперсии появятся дополнительные члены.
В случае линейного вида функции Y f {X1, X 2 , ..., Xi , ..., X N } прибли-
женные выражения для математического ожидания и дисперсии становятся точными.
Пример 4. Дано: |
Y X1 X2 X3 , где X1, X2 |
и X3 – независимые слу- |
||||||||||
чайные величины. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
df |
|
|
|
|
|
|
|
Решение. Определяем частные производные |
|
|
= 1. Далее |
|
||||||||
|
|
|||||||||||
|
|
|
|
|
||||||||
|
|
|
|
dxi cp |
|
|
|
|
|
|||
m{Y} m{X |
} m{X |
} m{X |
}, 2{Y} 2 |
{X |
} 2{X |
2 |
} 2 |
[X |
}. |
|||
1 |
2 |
3 |
|
|
1 |
|
|
|
|
3 |
|
Пример 5. Получим формулы для приближенного определения число-
вых характеристик сопротивления тонкопленочного резистора (2.1)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
R |
l |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b h |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Решение: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
m{l} |
|
|
|
R l |
R |
|
|
|
|
|
|
R |
|
|
l |
|
R |
|
|
l |
|
|
|
||||||||
m{R} m{ } |
|
|
; |
|
|
|
|
; |
l |
|
|
; |
|
b |
|
|
; |
h |
|
; |
|
|||||||||||||
m{b} m{h} |
|
b h |
b h |
|
|
b2 h |
|
b h2 |
|
|||||||||||||||||||||||||
2{R} |
m{l} |
|
2 |
2 |
{ } |
|
m{ } |
2 2{l} |
m{ } m{l} 2 |
2 |
{b} |
m{ } m{l} |
2 |
2{h}. |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
||||||||||
m{b} m{h} |
|
|
|
m{b} m{h} |
|
|
m |
{b} m{h} |
|
|
|
m{b} m |
{h} |
|
Используя полученные выражения, рассчитаем m{R} и ζ2{R} при сле-
дующих исходных данных:
m{ } 5 10 5 Ом∙м; m{l} 5 10 3 м; m{b} 5 10 4 м; m{h} 10 7 м;
29
распределение параметров ρ, l, b и h в пределах 3 % относительно их сред-
них значений (математических ожиданий) принять по закону равной вероят-
ности. Получаем
m{R} 5 10 5 |
|
|
5 10 3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 10 3 |
|
|
|
2 |
5 10 5 0,03 |
2 |
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5000 Ом; |
2 |
{R} |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
5 10 |
4 |
10 |
7 |
|
|
|
|
|
|
|
|
|
10 |
4 |
10 |
7 |
|
|
3 |
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
5 10 5 |
|
|
|
2 |
|
|
5 10 3 0,03 2 |
|
5 10 5 |
5 10 3 |
2 |
5 10 4 0,03 2 |
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
8 |
|
|
7 |
|
|
|
|
|
||||||||||
|
|
|
|
|
10 |
7 |
|
|
|
|
3 |
|
|
|
|
|
25 10 |
10 |
|
|
|
3 |
|
|
|
|||||||||||||||
|
5 10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
5 10 |
5 |
5 |
10 |
3 |
|
2 |
10 |
7 |
0,03 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
25000 Ом2; |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
{R} 158,1Ом. |
|
|
||||||||||||||||||||||||||
|
|
|
4 |
|
|
|
|
14 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
5 10 |
10 |
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Если предположить распределение R близким к нормальному, то диа- |
||||||||||||||||||||||||||||||||||||||||
пазон 3 3 158,1 474,3 500 Ом. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
Таким образом, ожидаемый диапазон сопротивлений резисторов |
||||||||||||||||||||||||||||||||||||||||
(5000 10%) Ом. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Решим |
ту же задачу методом статистического моделирования на ЭВМ |
(метод Монте-Карло). В этом методе в качестве исходного распределения используется специальная программа «Датчик случайных чисел», которая формирует последовательность случайных чисел, распределенных по закону равной вероятности в диапазоне 0…1 (случайная величина ). Дальнейшее моделирование случайных величин может осуществляться по алгоритмам,
приведенным в табл. 2.4[10].
Таким образом, на первом шаге получаем значения ρ1, l1, b1 и h1 в соот-
ветствии с их законами распределения. Подставляем эти значения в формулу
(2.1) и рассчитываем величину R1. Повторяя эти действия (которые обычно называют итерациями) многократно, получим совокупность значений Ri
i 1, N , на основании которых строится гистограмма и определяются число-
вые характеристики.
30