ГОСТ Р МЭК 61508-6-2012
выполнено моделирование на основе их кумулятивного распределения вероятностей
F(d) и случайных чисел г, на отрезке [0, 1]. Такие случайные числа есть почти в любом
языкепрограммированияиразработанымощныеалгоритмыдляподобного
моделирования.
Затем случайная величина (d,), распределенная в соответствии с F(d), получается
из случайной величины (z,) при помощи операции: rf* =Это довольно просто,
еслисуществуетаналитическоевыражениедляF’1(z),как,например,для
—^-L
экспоненциально распределенной задержки
di =
лои
og(Zj)
Точность моделируемого параметра X обеспечивается статистическим анализом,
который позволяет рассчитать среднее, дисперсию, стандартное отклонение и
доверительный интервал моделируемого параметра:
- среднее:
у _
N ;
_.-*
- дисперсия:
с,
~
$(*
.V
>*
. и стандартное отклонение: о;
„
- 90 %-ныи доверительный интервал для
X-.Conf = 1,6+4=.
Таким образом, при использовании метода Монте-Карло всегда можно
предсказать точность результатов. Например, 90 %-ная вероятность того, что истинный
0
[?-1.640/
результат X принадлежит интервалу Г/vW’
^,1,64(7/ |
Л/ЖJ.
Данный интервал уменьшается, когда количество историй возрастает и когда
частота появления X растет.
На современных персональных компьютерах для Э/Э/ПЭ систем, связанных с
безопасностью, несложно выполнить вычисления вплоть до УПБ 4.
В.5.3.3 Принцип расчета PFD
Подсеть Петри на рисунке В.33 можно непосредственно использовать для оценки
PFDavgкомпонента, потому что значение одного из параметров маркируемой позиции W.
которое равно отношению времени нахождения метки в позиции W ко времени Т, в
действительности является средним значением готовности А компонента. В результате
имеем: PFDavg= 1- А.
Точность вычислений, как было показано выше, можно оценить, используя
статистический анализ.
Более сложное поведение можно представить, используя специальные подсети
Петри. На рисунке В.34 показана идея, как можно выполнить моделирование
90