алгоритмы / MODELIR2
.DOC
Моделирование
Моделирование случайного события
Моделирование полной группы несовместных событий
События называются несовместными, если вероятность появления этих событий одновременно равна 0. Отсюда следует, что суммарная вероятность группы несовместных событий равна 1.
a1, a2, ..., an - события
P1, P2, ..., Pn - вероятности появления отдельных событий
Так как события несовместны, то Pi = 1
Алгоритм
Моделирование случайной величины с заданным законом распределения
-
Метод ступенчатой аппроксимации
Необходимо равномерный ГСЧ превратить в датчик с заданным законом распределения. Для этого непрерывный закон распределения вероятности события дискретизируем. hi - высота i-ого столбца, f(x) - распределение вероятности (показывает насколько вероятно некоторое событие). И переходим к вероятностям. Так как сумма вероятностей всех k событий равна 1, то далее пользуемся методом моделирования группы несовместных событий.
Используется в случае, когда функция задана аналитически (в виде формулы). Функцию заключают в прямоугольник. На ось Y подают случайное равномерно распределенное число из ГСЧ. На ось Х подают случайное равномерно распределенное число из ГСЧ. Если точка в пересечении этих двух координат лежит ниже кривой плотности вероятности, то событие X произошло, иначе нет.
-
Метод взятия обратной функции
Допустим, задан - интегральный закон распределения вероятности, где f(x) - функция плотности вероятности.
Заменяя F на случайное число r, имеем
В статическом смысле (1-r) и r - это одно и тоже, то есть
Фрагмент алгоритма.
Моделирование равномерно - распределенных случайных величин
1)
x:= a + b (b - a) r (*)
разыгрываем случайное число.
2)
q - середина
x:= q k, где k - отклонение от середины
x:= (q - k) + (q - k - q + k) r = q + k (2r - 1)
Моделирование нормально распределенных случайных величин
Нормальный закон распределения встречается в природе весьма часто, поэтому для него разработаны отдельные эффективные методы моделирования. Формула распределения вероятности по нормальному закону имеет вид:
,где mx - математическое ожидание
x - среднеквадратичное отклонение
Функция нормального распределения имеет вид колокольчика (см. график)
(mx x) - 68% точек
(mx 2x) - 95% точек
(mx 3x) - 99.7% точек
Чтобы получить нормальное число существуют следующие методы.
-
Табличный.
Для этого нормальное число можно взять из справочника в таблице функции Лапласа и получить случайное число по методу взятия обратной функции.
X |
F |
|
0,00 |
0,5 |
|
... |
... |
|
|
|
r |
F - интегральная функция Лапласа.
2) ЦПТ (используя центральную предельную теорему).
Теорема: “для большого числа случайных чисел с любым законом распределения, их сумма является случайным числом с нормальным законом распределения”. То есть требуется сложить случайные числа с любым законом их распределения, нормализовать их и перевести в нужный диапазон нормального распределения.
-
-
получение нормализованного нормального числа
mz = 0 z =1
где z - нормализованное число (m = 0, = 1)
3. получение нормального числа с заданными (mx , x )
x = z x + mx
Отметим, что математическое ожидание смещает случайные числа, среднеквадратичное отклонение масштабирует закон распределения вероятности.
3). метод Муллера
Пример: на склад поступают изделия партиями.
mx = 35
x= 10
При количестве слагаемых n = 6 алгоритм генерации партий изделий примет вид
Моделирование марковских случайных процессов
Случайный процесс называется марковским (или процессом без последействия), если для каждого момента времени t, вероятность любого состояния системы в будущем зависит только от ее состояния в настоящем и не зависит от того, как система пришла в это состояние.
Марковские случайные процессы с дискретным временем
Марковская цепь
Если вероятность не зависит от времени, то марковскую цепь называют однородной.
Пример: Стрельба из пушки по цели. Выделим состояния:
S0 - цель не повреждена
S1 - цель повреждена
S2 - цель разрушена
Вектор начальных вероятностей:
|
S0 |
S1 |
S2 |
P0 = |
0.8 |
0.2 |
0 |
Матрица перехода состояний:
|
S0 |
S1 |
S2 |
|
|
0.45 |
0.4 |
0.15 |
S0 |
P= |
0 |
0.45 |
0.55 |
S1 |
|
0 |
0 |
1 |
S2 |
Определить среднее количество снарядов, необходимое для разрушения цели.
Построим марковскую цепь.
Заметим, что сумма вероятностей перехода из некоторого состояния всегда равна единице (куда-то система должна перейти обязательно). Алгоритм имитации будет иметь следующий вид.
Марковские случайные процессы с непрерывным временем
Переход из одного состояния в другое происходит в случайные моменты времени, которые определяются ij - интенсивностью перехода.
- моменты совершения переходов
Пример: Станок может находиться в следующих состояниях:
S0 - станок исправен, свободен (простой)
S1 - станок исправен, занят (обработка)
S2 - станок исправен, замена инструмента (переналадка) 02 < 21
S3 - станок неисправен, идет ремонт 13 < 30
Нач.состояние
01 - поток на обработку (без переналадки)
10 - поток обслуживания
13 - поток отказов оборудования
30 - поток восстановлений
Фиксация и обработка статистических результатов
1. Вычисление средних величин может быть организовано несколькими способами.
-
Всю статистику вычисляют в конце.
- математическое ожидание
- дисперсия
-
Всю статистику вычисляют в процессе вычисления (по рекурсивным соотношениям)
Всю статистику вычисляют в классовых интервалах (это самый лучший метод, он содержит универсальность 1-го и экономичность 2-го методов). Определяем в какой интервал попадает некая величина X и сколько раз.
-
Вычисление геометрии распределения необходимо для того, чтобы представить себе более точно характер распределения:
1-ый момент: - среднее арифметическое
2-ой момент: - дисперсия
- среднеквадратичное отклонение (характеризует разброс)
3-ий момент: - скошенность
4-ый момент: - характеризует эксцесс (или остроплосковзвешенность). - нормированный эксцесс
-
Оценка степени совпадения эмпирического закона распределения с теоретическим.