- •Методические аспекты моделирования в асу и классификация моделей.
- •3. Организация статистического моделирования. Метод монте - карло.
- •Имитация равномерно распределенных случайных величин на интервале [0; 1].
- •Метод обратных функций. Примеры реализации.
- •Имитация векторных случайных величин; стандартный метод
- •Имитация нормально распределенных св (одномерный и многомерный случаи)
- •Анализ методов имитации случайных величин с заданным законом распределения (одномерный и многомерный случаи)
- •Имитация редких событий
- •Оценка количества реализаций, необходимых для достижения требуемой точности в методе статистических испытаний
- •Метод монте – карло и имитационное моделирование
- •Методы понижения дисперсии и методы вычисления интегралов
- •Регенеративный метод анализа моделей
- •Метод стратифицированной выборки
- •Методология имитационного моделирования
- •3. Формулировка математической модели.
- •Типовые математические схемы сложных систем. Агрегат и его функционирование,
- •4.Пример представления смо в виде агрегата.
- •7.Системная динамика
- •17.Метод лемера и сдвиг бернулли. Детерминированный хаос
- •35.Особенности моделирования организационно – экономических систем. Активные системы.
- •23.Характеристики интегрированной среды моделирования gpss
- •23.Основы моделирования в системе gpss
- •31.Смо; классификация и решение задач с помощью имитационного моделирования
- •36.Имитационное моделирование систем управления запасами
- •6.Метод Бокса-Уилсона.
- •3. Определение запаса для движения в направлении крутого восхождения
- •7. Проводим пошаговое приращение в каждом последующем опыте величины уровня фактора, учитывая знаки коэффициентов регрессии.
- •9. Классификация случайных процессов и корреляционные функции.
- •Корреляционные функции
- •18.Имитация потоков событий и случайных векторных величин.
- •19.Понятие детерминированного хаоса и показатель Ляпунова.
- •21. Особенности моделирования организационно-экономических систем. Производственные функции.
- •27.Системы массового обслуживания; классификация и решение задач аналитическим методом.
- •28.Методы имитации дискретных случайных величин.
- •30.Задача определения давления в пласте с помощью метода Монте-Карло.
- •32. Моделирование геологического разреза.
- •Теоретическая часть. Построение имитационной модели геологического разреза
- •34.Системы управления запасами; типовые математические модели.
- •37.Агентное моделирование.
- •Причины возникновения
- •Постановка задачи
- •Реализации
- •38.Имитация экспоненциально распределенных случайных величин.
- •40.Метод композиций; имитация св, подчиненных распределению хи квадрат.
-
Имитация векторных случайных величин; стандартный метод
При решении прикладных задач методом статистического моделирования часто возникает необходимость в формировании реализаций случайных векторов. Случайным вектором размерности n или n – мерной системой случайных величин называют вектор: , координатами которого являются случайные числа. В самом общем случае такой вектор определяется совместной функцией распределения вероятностей:
где- n-мерная функция плотности распределения вероятностей.
Рассмотрим моделирование непрерывной СВ ξ = (ξ1,ξ2…ξm). Ее полное описание задается совместной плотностью распределения :
CТАНДАРТНЫЙ МЕТОД (использование совместного закона распределения) основан на представлении f(x) в виде произведения частной (маргинальной) плотности распределения величины ξ1 и условных плотностей распределения ξк при условии, что ξ1=x1, ξ2=x2,…ξk-1=xk-1:
Таким образом вектор ξ может моделироваться покомпонентно: сначала величина ξ1 с плотностью φ1(x) = f1(x1), далее ξ2 с φ2(x) = f2(x|ξ1) … последней ξm c φm(x)=fm(x|ξ1…ξm-1).
Стандартный метод требует определенной вычислительной работы, связанной с нахождением условных и частных плотностей распределения компонент. После вычисления плотностей каждая компонента моделируется как скалярная величина известными методами.
Другие способы моделирования векторных СВ: *метод исключения, *метод на основе корреляционной теории (для нормальных случайных векторов)
-
Имитация нормально распределенных св (одномерный и многомерный случаи)
Имитация нормально распределенных с.в.: ξ~N(μx, σx2).
Главная особенность, выделяющая нормальный закон среди других состоит в том, что это предельный закон, к которому приближаются другие законы распределения при определенных условиях.
Функция плотности вероятности f(x) случайной величины определена выражением:
Если μx =0, σx =1 – нормальное распределение называется стандартным: , где . Соответственно, если требуется получить из стандартного распределения новое нормальное с заданными значениями среднего и стандартного отклонения, то можно воспользоваться формулой
Так как функция f(x) и f(y) невозможно непосредственно проинтегрировать, для получения кумулятивной функции распределения нельзя использовать метод обратных функций для моделирования случайных величин с нормальным законом распределения.
-
ОДНОМЕРНЫЙ СЛУЧАЙ – использование центральной предельной теоремы.
ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНАЯ ТЕОРЕМА (ЦПТ): Пусть с.в. X1, X2,…,Xn независимы, одинаково распределены, имеют конечные математическое ожидание МХi = μ и дисперсию DXi = σ2, i=1..n. Тогда сумма этих n с.в. будет подчинена нормальному закону распределения с МХi = nμ и DXi = nσ2.
Пусть 1,2,…,n – равномерно распределенные числа на интервале [0,1],тогда , будет подчиняться нормальному закону распределения с МХi = nμ и DXi = nσ2:
-
МНОГОМЕРНЫЙ СЛУЧАЙ
Моделирование невырожденного многомерного нормального распределения
Случайный вектор ξ=(ξ1…ξm) имеет невырожденное m-мерное нормальное распределение, если его плотность распределения имеет вид
µ = (µ1…µm)T – мат. ожидание ξ µ=Мξ
R=[ρij] – заданная симметрич. положительно определенная матрица порядка «m»:
(x-µ)TR-1(x-µ) квадратичная форма переменных y=x-µ с матрицей B=R-1
R=M(ξ-µ)(ξ-µ)T – корреляционная матрица вектора ξ
B=R-1 – матрица точности.
Распределение полностью описывается двумя параметрами вектором µ и матрицей R.
Обозначим ξ ~ N(µ,R)
Если м. о. равно нулю, а корреляционная матрица R равна единичной Im , т.е. ε~N(0,Im), то распределение называется стандартным нормальным распределением. Стандартное распределение легко моделируется. Для этого нужно положить все компоненты ξ равными независимым реализациям СВ ε ~ N(0,1).
В общем случае многомерное нормальное распределение моделируется с помощью линейного преобразования
ξ=Aε+µ ε ~ N(0,Im).
Здесь матрица A=[aij] порядка «m» определяется условием R=A*AT (метод Холецкого)