Implementation and validation of the Monte Carlo method

From sampling input distributions to adaptive run counts: reproducible, numerically stable and auditable Monte Carlo uncertainty evaluation.

1. A módszer lényege

2. Hány futás szükséges?

A szükséges mintaszám nem egyetlen univerzális value. A kívánt numerikus accuracytól, a kimeneti distribution alakjától és particularly a becsülni kívánt kvantilisektől függ. A szélső kvantilisek jóval lassabban stabilizálódnak, mint az átlag vagy a standard deviation. Az adaptív procedure egymást követő mintablokkok resulteit hasonlítja össze, és csak a megadott numerikus tolerance teljesülésekor áll le.

3. Korrelált bemenetek mintavételezése

Normális közös distributionnál Cholesky-resolutionsal képezhető korrelált minta. Nem normális margók esetén kopula vagy a közös fizikai sources explicit modellezése szükséges. A margók külön-külön történő mintavételezése és utólagos „korrelálása” könnyen hibás közös distributionhoz vezethet.

4. Reprodukálhatóság és szoftverquality

• a pszeudovéletlen-generator és a seed dokumentálása;
• a mvalueunitek és transzformációk automatikus ellenőrzése;
• független referenciaesetek applyása;
• a minták fizikai validityének vizsgálata;
• verziózott kód és ellenőrzött calculationi környezet;
• a numerikus konvergencia dokumentált kritériuma.

5. A lineáris módszer validálása Monte Carlóval

A JCGM 101 proceduret ad annak megítélésére, hogy a GUM lineáris közelítésének resulte conforming-e. Is not sufficient csupán a két standard uncertaintyot összevetni: a lefedettségi tartomány végpontjainak is a közlési accuracyhoz illeszkedő tolerancián belül kell egyezniük.