- •1. Вероятностные характеристики дискретных случайных величин
- •2. Вероятностные характеристики непрерывных случайных величин.
- •3. Формы представления законов распределения случайных величин.
- •4. Векторные случайные величины.
- •5. Типы случайных процессов.
- •6. Вероятностные характеристики случайных процессов.
- •7. Эргодическое свойство стационарных случайных процессов
- •8. Выбросы стационарных случайных процессов
- •9. Корреляционная функция и её основные свойства.
- •Свойства корреляционных функций
- •10. Экспериментальное определение корреляционных функций.
- •11. Спектральное разложение стационарных случайных процессов в непрерывный спектр дисперсий.
- •12. Свойства спектральной плотности.
- •13. Корреляционные функции и спектральные плотности типовых стационарных процессов.
- •14. Представление случайного процесса в виде канонического разложения. Интегральное каноническое представление случайного процесса. Полиномиальное представление случайного процесса.
- •Представление случайного процесса в виде канонического разложения Каноническое разложение корреляционной функции случайного процесса X(t):
- •Интегральное каноническое представление случайного процесса
- •Полиномиальное представление случайного процесса
- •15. Структура стохастической системы автоматического управления
- •16. Случайные процессы и возмущения в автоматических системах
- •17. Реакция динамической системы на случайное возмущение
- •18 Критерии точности системы
- •19 Характеристики выходных сигналов систем, заданных весовыми функциями
- •20 Корреляционный анализ систем, заданных дифференциальными уравнениями
- •21. Законы распределения выходных сигналов линейных систем (лс)
- •22. Определение установившихся систематических ошибок стационарных линейных систем (слс)
- •23. Определение установившейся дисперсии выходной переменной стационарной линейной системы (слс)
- •24. Критерии оптимальности автоматических систем.
- •25. Условие минимума среднеквадратичной ошибки.
- •26. Уравнение оптимальной линейной системы.
- •Определение весовой функции оптимальной линейной системы
- •Оптимальные системы, описываемые дифференциальными уравнениями
- •Дискретные случайные функции
- •30. Линейные операции над дискретными случайными функциями
- •Стационарные дискретные случайные процессы
- •32.Корреляционный анализ дискретных систем, заданных разностными уравнениями
- •33. Особенности вероятностного анализа нелинейных систем.
- •34. Линеаризация нелинейностей разложением в ряд.
- •35. Статистическая линеаризация нелинейностей.
- •36. Совместная гармоническая и статистическая линеаризация нелинейностей
- •37. Корреляционный анализ нелинейных систем, заданных дифференциальными уравнениями
- •38. Вероятностный анализ автоматических систем методом статистических испытаний
- •Марковские векторные процессы и последовательности
- •40. Уравнение Фоккера – Планка - Колмогорова
- •42. Анализ процесса срыва управления в автоматических системах
38. Вероятностный анализ автоматических систем методом статистических испытаний
Универсальным методом вероятностного анализа автоматических систем являются статистические испытания.
Метод статистических испытаний (называемый также методом Монте-Карло) применим к любым автоматическим системам. Испытаниям подвергается сама система или ее математическая модель.
Суть метода состоит в многократном воспроизведении исследуемого процесса и наборе статистического материала (реализаций случайных величин или функций) для последующего определения вероятностных характеристик процесса по формулам математической статистики.
Для реализации метода статистических испытаний необходимо иметь образец системы или ее математическую модель, а также устройство, воспроизводящее случайные возмущения и начальные условия.
Необходимо создать модели случайных процессов (возмущений) с заданными вероятностными характеристиками.
При исследовании реальных образцов используют различные генераторы возмущений с необходимыми частотными характеристиками. При моделировании автоматических систем на ЦВМ случайные возмущения с заданными вероятностными характеристиками реализуются с помощью специальных вычислительных алгоритмов.
В результате -кратных испытаний при случайных начальных условиях и случайных возмущениях получается реализаций исследуемого процесса.
На основании полученной статистической выборки путем статистической обработки могут быть получены оценки функций распределения, математические ожидания, дисперсии, корреляционные моменты.
Наиболее простые вероятностные характеристики, применяемые в инженерных расчетах точности системы, математическое ожидание и дисперсия выходной переменной, определяются следующими формулами математической статистики:
(1)
(2)
N –число испытаний (объем выборки); –оценка математического ожидания; – оценка дисперсии переменной в момент времени . Оценки, получаемые по формулам (1), (2) являются случайными величинами при заданном и конечном .
Разброс (точность) получаемых результатов можно оценить средними квадратическими отклонениями. Из теории вероятностей известно
; (3)
где – истинное значение средних квадратических отклонений исследуемой переменной .
Подставляя в (3) вместо ее оценку , получаем приближенные формулы
;
Полагая ошибки оценки гауссовыми, можно получить формулы для доверительных вероятностей и (надежности результатов).
где ; ;
Величины и характеризуют относительную точность определения оцениваемых параметров. На основании приведенных формул математической статистики можно оценить необходимое число опытов для получения оценок с заданной точностью и и достоверностью и . (Таблица1 и 2).
При реализации метода статистических испытаний с ростом требований к точности и надежности получаемых результатов резко возрастает необходимое число испытаний.
Число испытаний для определения :
|
0.2 |
0.15 |
0.10 |
0.05 |
0.01 |
0.6 |
18 |
31 |
70 |
281 |
7000 |
0.7 |
27 |
47 |
108 |
431 |
10800 |
0.8 |
41 |
73 |
164 |
651 |
16400 |
0.9 |
68 |
121 |
272 |
1090 |
27200 |
Число испытаний для определения (или ):
|
0.2 |
0.15 |
0.10 |
0.05 |
0.01 |
0.6 |
37 |
63 |
141 |
563 |
14000 |
0.7 |
55 |
95 |
217 |
863 |
21600 |
0.8 |
83 |
147 |
239 |
1300 |
32800 |
0.9 |
137 |
243 |
545 |
2180 |
54400 |
Метод статистических испытаний в силу практической ограниченности числа испытаний также является приближенным.
Для получения высокой точности при большой надежности требуется большое число испытаний, что при все более возрастающих возможностям современных ЭВМ является реальным.