Оценка точности характеристик

 

Метод Монте-Карло основан на предельных теоремах теории вероятностей, утверждающих, что при большом   числе   опытов N частота события приближается  к его вероятности, а среднее арифметическое наблюденных значений случайной величины — к ее математическому ожиданию. Пользуясь методом Монте-Карло, мы, произведя большое число опытов (реализаций), приближенно заменяем вероятность события  его частотой,  а математическое ожидание — средним арифметическим.

Естественно встает вопрос — насколько велика будет ошибка, возникающая от такой приближенной замены? И каково должно быть число реализаций N для того, чтобы эта ошибка с практической достоверностью не вышла за данные пределы? Другими словами, возникает вопрос об оценке точности характеристик случайного явления, полученных методом Монте-Карло.    

При ответе на эти вопросы мы будем базироваться  на цетральной предельной теореме теории вероятностей. Согласно этой теореме, при большом числе опытов N их средний результат  (частота Р* события А или среднее арифметическое  наблюденных значений   случайной величины X) распределяется приближенно по нормальному закону. Приведем относящиеся сюда формулы.         1

1. Закон распределения частоты события при большом числе опытов.

Если производится большое число N независимых опытов, в каждом из которых событие А появляется с вероятностью р, то частота события А

 

                 (6.35)

 

(где ма — число появлений события А в N опытах) распределяется приближенно по нормальному закону, с математическим ожиданием

 

                    (6.36)

 

и средним квадратическим отклонением

 

(6.37)

 

2. Закон распределения среднего арифметического при большом числе опытов.

Если производится большое число N независимых опытов, в которых случайная величина X принимает значения:

 

Х1 , Х2, ...,XN ,                    (6.38)

 

то среднее арифметическое этих значений:

 

                                  (6.39)

 

распределяется приближенно по нормальному закону, с математическим ожиданием

 

                                                      (6.40)

 

и средним квадратическим отклонением

 

                                              (6.41)

 

где — математическое ожидание и среднее квадратическое отклонение случайной величины X.

Основываясь на этих законах распределения и формулах, мы можем поставить и решить несколько задач, относящихся к точности метода Монте-Карло.

Задача1. Произведено N независимых опытов (реализаций), в каждом из которых событие А появляется с вероятностью р. В результате этих опытов получена частота Р* события А. Найти вероятность того, что частота Р* отличается от вероятности р не больше чем на заданную величину ε>0.

Решение. Считая число N достаточно большим для того, чтобы полагать частоту Р* распределенной по нормальному закону с характеристиками (6.36), (6.37), получим:

(6.42)

 

где Ф — функция Лапласа.

Пример1. Произведено N — 1000 независимых опытов, в каждом из которых событие А появлялось с вероятностью р = 0,3 Найти вероятность того, что полученная при этом частота Р* события А отличается от вероятности меньше чем на ε = 0,02.

Решение. По формуле (6.42) имеем:

 

 

Итак, если вероятность р события А нам известна, мы можем оценить точность определения этой вероятности по частоте Р* и зависимость этой точности от числа опытов -V. Беда в том, что вероятность р нам неизвестна: ведь и сами-то опыты мы производили для того, чтобы ее найти. Однако для оценки точности метода Монте-Карло нам не очень существенно знать точное значение самой вероятности р — в правую часть формулы (6.42) ее можно подставить ориентировочным значением, взяв вместо р, например, частоту Р* события А в данной серии опытов.

Таким образом, мы решили прямую задачу оценки точности нахождения вероятностей методом Монте-Карло: если известно число; опытов N и ориентировочное значение вероятности р, мы можем найти вероятность того, что частота Р* отклонится от вероятности не больше чем на заданную величину ε.

Поставим   теперь   обратную задачу: сколько опытов  N  нужно произвести для того, чтобы с практической   уверенностью  ожидать, что частота отклонится от вероятности не больше чем на заданную величину?

Задача 2. Производится ряд независимых опытов, в каждом из которых событие А появляется с вероятностью р. Каково должно быть число опытов (реализаций) для того, чтобы с заданной, достаточно высокой вероятностью Q можно было ожидать, что частота Р* события A отклонится от его вероятности р меньше, чем на ε?

Решение. Зададимся каким-нибудь достаточно близким к единице значением вероятности Q — назовем его «уровнем доверия». Если вероятность того, что частота и вероятность расходятся меньше чем на ε, будет Q или больше, будем считать задачу решенной. На практике уровень доверия Q выбирается каким-нибудь круглым значением, близким к единице, например, 0,95 или 0,99 или 0,995 и т. д., в зависимости от важности задачи, которую мы преследуем. Предположим, что вероятность Q задана. Приравняем этому значению Q правую часть t равенства (6.42):

                                               (6.43)

 

и разрешим уравнение (6.43) относительно N:

 

;                    (6.44)

 

где Ф-1 — функция, обратная функции   Лапласа. Отсюда получаем формулу для числа опытов N:

 

                              (6.45)

 

Если по формуле (6.45) /V оказывается не целым, его надо округлить в большую сторону до ближайшего целого.

Для вычислений по формуле (6.45) удобно иметь в распоряжении таблицу значений функции   В табл. 6.1 приведены значения этой функции для некоторых, наиболее типичных значений уровня доверия Q.

 

Таблица   6.1

Q

0,80

0,85

0,90

0,95

0,96

0,97

0,98

0,99

0,995

0,999

0,9995

0,9999

1,64

2,08

2,71

3,84

4,21

4,49

5,43

6,61

7,90

10,9

12,25

15,2

 

Пример2. Производится ряд независимых опытов (реализаций), в каждом из которых регистрируется появление или непоявление события А, вероятность которого р = 0,2 Сколько опытов нужно произвести для того, чтобы частота р- события А с вероятностью (уровнем доверия) Q= 0,95 отличалась от р не больше чем на ε — 0,01?

Решение. Число опытов N вычисляем по формуле (6.45), По табл. 6.1 для Q — 0,95 находим

 

 

Подставляя в формулу (6.45) получим:

 

 

т. е. для надежного (Q = 0,95) определения вероятности р = 0,2 по частоте с ошибкой не более 0,01 (т, е. в пределах 0,19 - 0,21) требуется осуществить более 6000 реализаций.

Задача 3. Производится N независимых опытов, в каждом из которых наблюдается значение случайной величины X, имеющей математическое ожидание тx и среднее квадратическое отклонение σx . Вычисляется среднее арифметическое наблюденных значений случайной величины X:

 

                         (6.46)

 

Найти вероятность того, что среднее арифметическое  отклонится от математического ожидания тх меньше чем на заданную величину ε:

 

 

Решение. На основании центральной предельной теоремы, считая число опытов большим, можно утверждать, что случайная величина   распределена нормально, с характеристиками (6.40) и (6.41). Отсюда


 

или

 
=             (6.47)

 

По формуле (6.47) может быть оценена точность определения математического ожидания по среднему арифметическому.

Пример 3. Производится N = 1600 независимых опытов, в которых наблюдаются значения случайной величины X с характеристиками тх = 2 и σx  — 1. Найти вероятность того, что среднее арифметическое наблюденных значений случайной величины   X   будет   отличаться   от  ее   математической ожидания меньше  чем  на 0,05, т. е.  будет заключено   в интервале 1,95 - 2,О5.

Решение. По формуле (6.47), пользуясь табл. 1 приложения, находим:

 

 

==(2)            

 

Заметим, что для оценки точности определения математического ожидания тx методом Монте-Карло не требуется заранее знать самого математического ожидания случайной величины, зато существенно знать ее среднее квадратическое отклонение σx  которое входит в правую часть формулы (6.47).

Обычно на практике, приступая к моделированию случайного явления методом Монте-Карло, мы не знаем ни математического ожидания, ни среднего квадратического отклонения интересующей нас случайной величины. Однако для приближенной оценки точности моделирования можно в первом приближении вместо σx . Воспользоваться ее статистической оценкой, полученной в самой серии из N реализаций:

 

  (6.48)

 

где X — среднее арифметическое. Если точность окажется недостаточной, следует продолжить испытания, внося в среднее квадратическое соответствующие поправки по мере увеличения числа реализаций.

Задача 4. Производится ряд независимых опытов над случайной величиной X. Сколько надо сделать опытов, чтобы с заданной вероятностью (уровнем доверия) Q ожидать, что среднее арифметическое Х наблюденных значений случайной величины отклонится от ее математического ожидания не больше, чем на ?

Решение. Положим правую часть формулы (7.13) равной уровню доверия Q:

 

 (6.49)

 

и разрешим уравнение (6.49) относительно N. Получим:

 

,         (6.50)

 

где   ,    - функция,  данная в табл.  6.1.

Пример 4.  Производятся опыты над случайной величиной X с целью приближенно определить ее математическое ожидание тх. Среднее квадратическое   отклонение случайной величины X, оцененное предварительно (по первой серии   экспериментов)  по формуле (6.48),  приближенно равно σx   ~0,1.   Какое число опытов N нужно для того, чтобы (с уровнем доверия Q = 0,99) среднее арифметическое X наблюденных значений случайной величины  отличалось от ее математического ожидания не больше, чем на ε — 0,01?

Решение. Пользуясь табл. 6.1, для Q = 0,99 находим:

 

=6,61;   

Отсюда по формуле (6.50)

N=100.6,61=661.

В заключение остановимся кратко на оценке точности определения характеристик стационарной случайной функции по одной реализаций. Так как здесь нет множества реализаций, а есть только одна длинная реализация, возникают естественные вопросы:

·    Какова ошибка определения  характеристик случайного процесса по одной реализации длины Т?

·    Какова должна быть длина реализации Т для того, чтобы с данным уровнем доверия Q ошибка не превзошла данного ?

Точное решение этих задач не просто и требует тонких рассуждений. Грубо приближенно на эти вопросы можно ответить, сведя их вопросам, уже решенным для множества реализаций, если условно приравнять по точности одну длинную реализацию продолжительнсти Т множеству реализаций длины Т' той же общей продолжительности:

T = NT',

где длина реализации Т' определяется как такое время, для которого корреляция между значениями исследуемой случайной функции Х(t) становится пренебрежимо малой.

На практике при моделировании случайного процесса по одно реализации часто возникает вопрос: пора ли уже остановиться? Стал ли уже устойчивыми вероятностные характеристики процесса? В таки случаях вместо кропотливой оценки точности моделирования можно воспользоваться следующим грубым приемом: резко изменить начальные условия, при которых производится моделирование (например, предположить, что в начальный момент не «все каналы свободны», а «все каналы заняты») и повторить моделирование при измененных начальных условиях. Если при этом на достаточно удаленных от начал участках времени получатся практически те же вероятностные xapaктеристики процесса, это хорошее свидетельство в пользу того, что и можно доверять.