Мат.стат. и теория вероятностей / Лекции / Л6-матстат
.pdf1
ЛЕКЦИЯ №6
МОДЕЛИРОВАНИЕ СЛУЧАЙНЫХ ВЕЛИЧИН
1. Моделирование равномерно распределенной случайной величины на произвольном интервале
Равномерно распределенную на интервале 0,1 случайную величину - X R 0,1 получают с использованием стандартных генераторов псевдослучайных чисел.
В электронных таблицах Eхcel имеется две функции формирования равномерно и равновероятно распределенных на интервале случайных чисел:
СЛЧИС() – формирует случайное число, равномерно распределенное на интервале 0,1 ;
Данная функция пересчитывает случайные числа каждый раз при введении любого числа (функции) в рабочем листе.
CЛУЧМЕЖДУ(а;b) – формирует целое случайное число, равновероятно распределенное среди целых чисел на отрезке a, b .
Данная функция пересчитывает случайные числа каждый раз при введении любого числа (функции) в рабочем листе.
Основным недостатком таких генераторов является цикличность процедуры выдачи последовательности случайных чисел. В различных технических устройствах длина периода выдачи одинаковых псевдослучайных последовательностей (ПСП) различна.
Алгоритмы формирования “хороших” |
ПСП являются коммерческой |
тайной, так как ПСП используются в |
процессах кодирования и |
декодирования информации. |
|
|
|
|
|
|
|
|
|
|||
Для перехода от величины |
X R 0,1 |
к случайной |
величине |
|||||||||
Y R a, b |
используют линейное преобразование вида: |
|
|
|||||||||
|
Y a X b a . |
|
|
|
(1) |
|||||||
Учитывая параметры равномерно распределенной случайной |
||||||||||||
величины: |
|
|
|
|
|
|
|
|
|
|
|
|
|
mx |
1 |
, |
Dx |
|
1 |
, |
|
|
|
|
(2) |
|
|
12 |
|
|
|
|||||||
|
2 |
|
|
|
|
|
|
|
|
|||
получим |
|
|
|
|
|
|
|
|
|
|
|
|
|
M Y a (b a)mx a |
(b a) |
|
a b |
, |
(3) |
||||||
|
2 |
|
|
|||||||||
|
|
|
|
|
|
2 |
|
|
||||
|
D Y (b a)2 Dx |
b a 2 |
. |
|
|
(4) |
||||||
|
|
|
|
|
12 |
|
|
|
|
|
2
2. Моделирование показательно распределенной случайной величины
Моделирование показательно распределенной случайной величины Y с плотностью вероятности вида:
f y e y , |
0, |
y 0, |
(5) |
проводится с использованием метода обратных функций.
Метод обратных функций основан на следующем утверждении. Пусть случайная величина Y во всей области определения функции
распределения F y имеет явно заданную однозначную функцию - F 1 x ,
|
|
|
|
|
|
|
|
|
|
|
|
|
F |
|
y |
|
|
|
|
|
|
|
|
X R |
|
|
|
|
|
|||
обратную к |
функции |
|
|
|
|
. |
|
|
Тогда, |
если |
|
0, 1 , то |
случайная |
|||||||||||||||||||
величина Y F 1 x |
имеет распределение с функцией F y . |
|
|
|||||||||||||||||||||||||||||
|
|
|
|
Для показательно распределенной случайной величины |
Y имеем |
|||||||||||||||||||||||||||
следующую обратную функцию: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
Y |
1 |
ln |
|
1 X |
|
, |
0, |
0 X 1. |
(6) |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
Таким образом, формула для моделирования показательно |
||||||||||||||||||||||||||||
распределенной случайной величины Y имеет вид: |
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
Y |
1 |
ln |
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
, |
|
|
|
0, |
X R |
|
0, 1 . |
|
|
(7) |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
1 |
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
0.8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
0.6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
F(x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
0.2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Y |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
1 |
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
3 |
|
|
|
|
4 |
5 |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
Рис. 1. Моделирование показательно распределенной случайной величины с параметром 1.
3
3. Моделирование нормально распределенной случайной величины
Моделирование нормально распределенной случайной величины Y с |
|
параметрами: my 0 , y 1, (сокращенно |
Y N 0, 1 ) может быть |
проведено разными способами, одним из которых является способ, основанный на центральной предельной теореме по формуле:
Y |
|
12 |
|
|
k |
X |
|
|
k |
|
, |
X R |
0, 1 . |
(8) |
|
|
|
|
i |
|
|||||||||
|
|
k |
|
|
|
|
|
|
|
|
|
|||
|
|
|
i 1 |
|
|
|
2 |
|
|
|
|
Получим
|
|
|
k |
|
k |
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
||
12 |
|
|
12 |
k |
|
12 k |
|
k |
|
|
|||||||||||||||
M Y M |
|
|
|
X i |
|
|
|
|
|
|
|
|
M X i |
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|||||||||||||||||||
|
k i 1 |
|
2 |
|
|
k i 1 |
2 |
|
|
k 2 |
|
2 |
|
|
,
D Y D
12k
X i
k i 1
|
k |
|
|
12 |
k |
|
|
12 k |
|
|
|||
|
|
|
|
|
|
D X i |
|
|
|
|
|
1. |
|
|
|
|
|
||||||||||
|
2 |
|
|
k i 1 |
|
|
k 12 |
|
|
Для получения случайной |
величины |
Y N my , y |
используем |
||||||
линейное преобразование: |
|
|
|
|
|
|
|
|
|
|
y |
|
y |
|
Y N |
|
|
|
|
Y m |
|
|
Y , |
|
0, 1 . |
(9) |
На практике для получения приемлемой точности моделирования одного значения нормально распределенной случайной
величиныY N 0, 1 , используют число реализаций равномерного датчика
ПСП из условия k 12 . |
При k |
12 получим формулу |
|
||||||
Y |
12 |
X |
i |
6 |
|
, |
X R |
0, 1 . |
(10) |
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
4
4. Метод усечений плотности вероятности
Применяется для случаев, когда известен аналитический закон распределения случайной величины, но получить однозначную обратную функцию для случайной величины на заданном интервале невозможно.
|
Пример закон |
Эрланга с плотностью |
вероятности |
f (x) xe x , |
||
x 0. |
Функция |
распределения |
данного |
закона |
имеет |
вид |
F (x) 1 xe x e x , |
x 0. |
|
|
|
|
0.4
0.3
f (x) 0.2
0.1
0 |
2 |
4 |
6 |
8 |
10 |
x
Рис. 2. Закон Эрланга вида f (x) xe x .
Для моделирования случайных чисел с заданной аналитически функцией плотности вероятности выбираются минимальные и максимальные
границы распределения абсциссы xmin , xmax и ординаты ymin , ymax функции плотности вероятности, актуальные для конкретной исследовательской
задачи. После чего строится прямоугольник распределения двух чисел, |
||||||||
равномерно |
|
распределенных |
в |
диапазонах |
X R xmin , xmax ; |
|||
Y R ymin , ymax . |
|
|
|
|
|
|
||
Для |
моделирования случайного числа |
X , |
имеющего |
заданное |
||||
распределение |
вероятностей, |
получают |
две |
реализации |
чисел: |
|||
X R xmin , xmax ; Y R ymin , ymax ; |
проверяют условие Y f X ; если |
|||||||
данное |
условие |
выполняется |
полагают |
текущее |
число |
X R xmin , xmax распределенным по заданному закону. В противном случае текущее число X R xmin , xmax выбраковывается.
5 |
|
|
|
|
|
|
|
|
|
|
0.4 |
Ymax |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.3 |
|
|
|
|
|
|
|
|
f (x) |
0.2 |
|
|
|
|
|
|
|
|
|
0.1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Xmax |
|
|
|
0 |
|
2 |
4 |
6 |
8 |
|
10 |
|
|
|
|
|
|
x |
|
|
|
|
Рис. |
3. |
Моделирование |
|
случайного |
числа |
X с |
заданным |
законом |
|
распределения методом усечений плотности вероятности на примере закона |
|||||||||
Эрланга. |
|
|
|
|
|
|
|
||
|
|
5. |
Метод статистических испытаний Монте-Карло |
|
Метод Монте-Карло также имеет название метода статистического имитационного моделирования.
Цель метода по результатам многократных реализаций статистической модели исследуемой системы получить оценку генерального распределения признака по гистограмме, а также оценки генеральных параметров.
5.1. Оценка вероятности события в схеме биномиального эксперимента по методу Монте-Карло
Пусть задана вероятность p P A |
некоторого события A и, |
||
соответственно, вероятность q 1 p P |
|
|
|
A |
противоположного события |
A .
Однократное моделирование эксперимента с вероятностью успеха
pP A заключается в следующем:
1.Получают одну реализацию X R 0, 1 датчика чисел, равномерно распределенных на интервале 0, 1 .
2.В случае выполнения условия X p полагают событие A состоявшимся. (испытание успешное)
6
3. В случае выполнения условия X p полагают состоявшимся событие A . (испытание не успешное)
Многократное (n кратное) моделирование эксперимента с целью получения статистической оценки вероятности успеха p P A заключается в следующем:
1.Значение переменной, суммирующей число успешных реализаций
события A, приравнивают к нулю (счетчик числа успешных реализаций
N 0). |
|
|
|
|
|
||
|
|
|
|
X R |
|||
2. |
Получают реализацию |
|
0, 1 |
датчика чисел, равномерно |
|||
|
|
|
|
|
|
|
|
распределенных на интервале |
|
0, 1 . |
|
|
|
3.В случае выполнения условия X p полагают событие A
состоявшимся. В счетчике числа успешных реализаций добавляют единицу
NN 1.
4.В случае выполнения условия X p полагают состоявшимся событие
A.
5.Получают оценку вероятности p P A по формуле p* Nn .
5.2. Оценка вероятности попадания непрерывной случайной величины в интервал значений по методу Монте-Карло
Пусть |
задана |
функция |
распределения |
F (x) или плотность |
|
вероятности |
f (x) случайной величины. |
|
|||
Для |
моделирования вероятности P( X ) попадания данной |
||||
величины |
в |
интервал |
значений |
x ,a b в |
схеме многократных |
(n кратных)статистических испытаний:
1. Значение переменной, суммирующей число успешных реализаций события A : X , приравнивают к нулю (счетчик числа
успешных реализаций N 0).
2.Получают реализацию случайной величины X методом обратных функций или методом усеченной плотности.
3.Если условие X a,b выполняется, испытание считается успешным.
В счетчике числа успешных реализаций добавляют единицу
N N 1.
7
4.Если условие X a,b не выполняется, испытание считается не успешным.
5.Получают оценку вероятности P( X ) по формуле p* Nn .