- •Министерство образования и науки Украины
- •Лабораторная работа №1 Исследование особенностей и построение моделей сложных объектов и явлений
- •1.2 Порядок выполнения работы
- •Варианты заданий
- •1.2 Рекомендуемая литература
- •Лабораторная работа №2 Использование элементов имитационного моделирования при построении моделей сложных объектов и явлений
- •1.2 Порядок выполнения работы
- •Лабораторная работа №3 Определение площади геометрических фигур методом Монте-Карло
- •1.1 Общие положення
- •1.4 Задание
- •Лабораторная работа №3 Вероятностные модели случайных величин с заданным законом распределения
- •1.1 Общие положения
- •Варианты заданий
- •1.2 Рекомендуемая литература
- •Метод генерации нормально распределенных чисел, использующий центральную предельную теорему
- •Метод Мюллера
1.2 Рекомендуемая литература
Е.И. Гурский Теория вероятностей с элементами математической статистики: уч. пос. для вузов / Е.И. Гурский. – М.: Вс. шк., 1971. – 328 с.
Дж. Купер. Вероятностные методы анализа сигналов и систем / Дж. Купер, К. Макгиллем; пер. с англ. В.Т. Горяинова. – М.: Мир, 1989. – 376 с.
В.П. Бакалов. Цифровое моделирование случайных процессов / В.П. Бакалов. – М.: Сайнс-пресс, 2002. – 88 с. – (Серия «Конспекты лекций по радиотехническим дисциплинам» ; вып. 4).
Боровиков В. STATISTICA для профессионалов. СПб.: Питер. 2001. – 655 с.
Гультяев А.К. Matlab 5.2. Имитационное моделирование в среде Windows: практическое пособие.
Приложение А. – Основные сведения по генераторам случайных чисел
В основе метода Монте-Карло лежит генерация случайных чисел, которые должны быть равномерно распределены в интервале (0; 1).
Если генератор выдает числа, смещенные в какую-то часть интервала (одни числа выпадают чаще других), то результат решения задачи, решаемой статистическим методом, может оказаться неверным. Поэтому проблема использования хорошего генератора действительно случайных и действительно равномерно распределенных чисел стоит очень остро.
Математическое ожидание mr и дисперсия Dr такой последовательности, состоящей из n случайных чисел ri, должны быть следующими (если это действительно равномерно распределенные случайные числа в интервале от 0 до 1):
Если пользователю потребуется, чтобы случайное число x находилось в интервале (a; b), отличном от (0; 1), нужно воспользоваться формулой x = a + (b – a) · r, где r —
случайное число из интервала (0; 1). Законность данного преобразования демонстрируется на рисунке А.1.
|
Рис. А.1. Схема перевода числа из интервала (0; 1) в интервал (a; b)
Теперь x – случайное число, равномерно распределенное в диапазоне от a до b.
За эталон генератора случайных чисел (ГСЧ) принят такой генератор, который порождает последовательность случайных чисел с равномерным законом распределения в интервале (0; 1). За одно обращение данный генератор возвращает одно случайное число. Если наблюдать такой ГСЧ достаточно длительное время, то окажется, что, например, в каждый из десяти интервалов (0; 0.1), (0.1; 0.2), (0.2; 0.3), …, (0.9; 1) попадет практически одинаковое количество случайных чисел – то есть они будут распределены равномерно по всему интервалу (0; 1). Если изобразить на графике k = 10 интервалов и частоты Ni попаданий в них, то получится экспериментальная кривая плотности распределения случайных чисел (см. рис. А.2).
|
Рис. А.2. Частотная диаграмма выпадения случайных чисел, порождаемых реальным генератором
Заметим, что в идеале кривая плотности распределения случайных чисел выглядела бы так, как показано на рисунке А.3. То есть в идеальном случае в каждый интервал попадает одинаковое число точек: Ni = N/k, где N – общее число точек, k – количество интервалов, i = 1, …, k.
Функциональные преобразования для имитации случайных процессов
Случайные процессы имитируются в основном с использованием равномернораспределенного генератора случайных чисел.
Нормальное распределение моделируется следующими способами:
Табличный метод генерации нормально распределенных чисел
Для этого нормальное число можно взять из справочника в таблице функции Лапласа и получить случайное число по методу взятия обратной функции: x = F–1(r), где F – интегральная функция Лапласа.
Технически это означает, что надо разыграть случайное равномерно распределенное число r из интервала [0; 1] стандартным ГСЧ, найти равное ему число в таблице значений функции Лапласа в столбце F и по строке определить случайную величину x, соответствующую этому числу.
Недостатком метода является необходимость хранения в памяти компьютера всей таблицы чисел функции Лапласа.