Главная страница
Навигация по странице:

  • Основная литература: 5, 9 Контрольные вопросы

  • Практическое занятие № 3.

  • Основная литература: 5,9 Контрольные вопросы

  • Практическое занятие № 4.

  • Задание 2. Моделирование дискретных случайных величин

  • Основная литература:5.9 Контрольные вопросы

  • Практическое занятие № 5.

  • Практическое занятие № 6.

  • Практическое занятие № 7.

  • Задание 2. Моделирование потока Пальма

  • Задание 3. Моделирование потоков Эрланга

  • 2.4 Планы лабораторных занятий. Лабораторная работа № 1

  • Основная литература:6,10 Лабораторная работа № 2.

  • Основная литература: 6,10 Лабораторная работа № 3.

  • имитнов2008. Учебнометодический комплекс по дисциплине Имитационное моделирование для студентов Казнту имени К. И. Сатпаева по специальности


    Скачать 1.61 Mb.
    НазваниеУчебнометодический комплекс по дисциплине Имитационное моделирование для студентов Казнту имени К. И. Сатпаева по специальности
    Дата28.01.2022
    Размер1.61 Mb.
    Формат файлаdoc
    Имя файлаимитнов2008.doc
    ТипУчебно-методический комплекс
    #344977
    страница9 из 10
    1   2   3   4   5   6   7   8   9   10

    Шаг 2. Проверить неравенство Т4. При выполнении неравенства перейти к шагу 3, а при невыполнении – к шагу 4.


    Шаг 3. Вычислить Т = Т-4.

    Шаг 4. Принять Z1 = Т и вычислить очередное значение равномерной последовательности по формуле Zj+1=R=T/4.

    Перейти к шагу 1.

    Задание 2.Метод возмущения Д.И. Голенко

    Назначение – увеличение длины отрезка апериодичности базовой последовательности случайных чисел.

    Принцип работы. Для получения последовательности с большим значением отрезка апериодичности Д.И. Голенко предложил использовать 2 алгоритма. Основанных на рекуррентных формулах с различными функциями:



    где M – период возмущения (рисунок 29)

    Zn+1=Ф(Zn) Zn+1=Ф(Zn) Zn+1=Ф(Zn)



    Z0 Z1 Z2 ZM-1 ZMZM+1 Z2M-1 Z2MZ2M+1

    Zn+1=Ψ(Zn)

    Рисунок 29

    Методические рекомендации: Практическая реализация метода возмущения заключается в следующем. Выбрав период возмущения, производим вычисления по 2-му алгоритму только в точках, кратных периоду возмущения. Все остальные значения вычисляются по рекуррентному соотношению 1-го алгоритма.

    Составить блок-схему алгоритма для метода возмущения Д.И.Голенко, в качестве I –го алгоритма использовать алгоритм «середины квадратов», а в качестве II-го – алгоритмом Дэвиса.

    Основная литература: 5, 9

    Контрольные вопросы:

    1Просчитать численный пример для следующих начальных значений: n=10, P=5, k=2, a=302, c=4965, m=42782, x=120 методом возмущения Д.И. Голенко.

    2. Что называется базовой последовательности?
    Практическое занятие № 3. Моделирование случайных событий

    Задание 1. Моделирование простых событий

    Назначение – моделирование случайного события с заданным вероятностью.

    Принцип работы. Пусть событие А наступает с вероятностью .

    Теорема 2.1. Пусть р вероятность наступления события А, а Z –независимая реализация случайной величины . Тогда для наступления события А необходимо выполнение условия

    Z  p.

    Доказательство:

    Алгоритм, реализующий условие этой теоремы, включает 7 шагов.

    Шаг 1. Положить j=1.

    Шаг 2. Получить реализацию Z случайной величины .

    Шаг 3. Проверить условие Z  p. При нарушении этого условия перейти на шаг 5.

    Шаг 4. Фиксировать число S наступления события А.

    Шаг 5. Положить j=j+1.

    Шаг 6. Проверить условие j>n , где n – число независимых испытаний.

    Задание 2. Моделирование группы событий

    Назначение – моделирование полной группы несовместных событий с заданными вероятностями.

    Принцип работы. Пусть А1, А2, …, Аn – полная группа несовместных событий с заданными вероятностями Р(Аi)=Pi причем, .

    Пусть случайная величина  - номер наступившего события. Распределение  задается в виде

    (3.1.)

    Разделим интервал [0.1] на подынтервалы ∆i такие, что длина ∆i равна Pi (рисунок 2).

    1 23np

    0P1 P1 +P2 P1 +P2+P3 1 –Pn1

    Рисунок 2

    Теперь сформулируем теорему 3.2. Случайная величина , определенная формулой

    = i, когда z i, (3.2)

    имеет распределение вероятностей (3.1).

    Методические рекомендации: Практическое использование утверждения теоремы осуществляется следующим образом. Моделируется очередная реализация Z случайной величины  и сравнивается с Р1 . Если Z Р1, то Z сравнивается с Р1+ Р2. Если Z> Р1+ Р2Z сравнивается с Р1+ Р2 + Р1+ Р3 и т. д.

    Эту схему моделирования полной группы событий можно формализовать в виде следующего алгоритма:

    Шаг 1. Моделируется очередная реализация Z случайной величины , равномерно распределенной на интервале [0.1].

    Шаг 2. Рассматривается возможность выпадения события А1, т.е. Принимается, что

    i =1.

    Шаг 3. Проверяется неравенство

    (3.3)

    При невыполнении неравенства (3,3) переход к шагу 5.

    Шаг 4. Рассматривается следующее событие с номером i =i +1. Возврат к шагу 3.

    Шаг 5. Фиксируется выпадение события Аi

    Изучите моделирование случайных событий и составьте блок-схему алгоритма моделирования простых событий и алгоритма моделирования полной группы событий.

    Основная литература: 5,9

    Контрольные вопросы:

    1. Просчитать численный пример для следующих значений:

    N=200, C=5942, P=0.3 , M=32777, Z0=118, A= 400, P=0.3.Найти количество наступления событий k.

    2.Просчитать численный пример для следующих значений:

    N=200, L=4, A=400, M=32777, Z0=118, P1= 0.3, P2=0.2, P3=0.3, P4=0.2.

    Найти количество наступления группы событий.

    Практическое занятие № 4. Моделирование дискретных случайных величин

    Задание 1. Моделирование сложных событий

    Определение. Событие называется сложным, если результат его исхода зависит от двух и более простых событий. Сложные события делятся на независимые и зависимые. Сложное событие является независимым, если составляющие его простые события также независимы.

    Методические рекомендации: Принцип работы.

    Алгоритм, реализующий условия этой теоремы применительно к сложному событию, состоящему из двух простых событий А и В, имеет следующий вид.

    Шаг 1. Положить j=1.

    Шаг2 Получить две независимые реализации Zj, Zj+1 случайной величины 

    Шаг 3. Проверить выполнение условий

    ZjPAи Zо+1PВ

    Шаг 4. В зависимости от результатов сравнений на шаге 3 прибавить единицу к одному из счетчиков:

    , , , .

    Шаг 5. Положить j=j+2

    Шаг 6. Проверить условие j< 2n, где n – заданное число испытаний. При выполнении этого условия переход на шаг 2.

    Шаг 7. Вывод содержимого счетчиков.

    Задание 2. Моделирование дискретных случайных величин

    Назначение – моделирование дискретных случайных величин, законы распределения которых заданы как в виде таблиц, так и с помощью известных формул (геометрическое распределение, распределение Пуассона и др.).

    Принцип работы. Для моделирования дискретных случайных величин , заданных таблицей распределения вида

    (4.1)

    = xi , когда Zi(4.2)

    Геометрическое распределение

    Определение .Если некоторое событие происходит с вероятностью Р, число независимых испытаний, необходимых, чтобы это событие произошло, подчиняется геометрическому распределению. Для этого распределения

    Выработка значений дискретной случайной величины с геометрическим распределением, когда Р мало, осуществляется по формуле

    (4.3)

    где [ ] – целая часть.

    Распределение Пуассона.

    Определение. Случайная величина η, принимающая целые неотрицательные значения, распределена по закону Пуассона, если

    , k = 0, 1, 2,…, (4.4)

    где λ – среднее число событий, имеющих место в единицу времени.

    Методические рекомендации: Принцип моделирования случайной величины с пуассоновским распределением основывается на предельной теореме Пуассона: если Pn вероятность наступления события А при одном испытании, то вероятность наступления к событий при n независимых испытаниях при n→∞ и Pk→0 асимптотически равна .

    Алгоритм моделирования.

    Шаг 1. Моделируется реализация Z случайной величины ξ, равномерной на интервале [0.1].

    Шаг 2. Проверяется условие Zn. При невыполнении этого условия возвращаются к шагу 1, т.е. переходят к следующему испытанию.

    Шаг 3. К содержимому специального счетчика прибавляется единица. Переход к шагу 1.

    После проведения n сравнений содержимое счетчика считывается и используется в качестве очередной реализации случайной величины η с распределением Пуассона.

    Изучить моделирование дискретных случайных величин и составить блок-схему алгоритма моделирования сложных событий, алгоритма моделирования геометрического значения для малого значения P и алгоритма моделирования распределения Пуассона.

    Основная литература:5.9

    Контрольные вопросы:

    1.Показать, что сумма двух независимых пуассоновских случайных величин с математическими ожиданиями 1 и 2 является также пуассоновской величиной с ожиданием, равным 1+2. Как распределена сумма двух независимых, нормально распределенных случайных величин ?

    2. Что такое геометрическое распределение?

    3.Что такое распределение Пуассона?

    4.Сформулировать теорему, определяющих условия моделирования дискретных случайных величин?

    5. Какое событие называется сложным?
    Практическое занятие № 5. Моделирование непрерывных случайных величин

    Задание 1. Метод обратной функции

    Назначение – моделирование непрерывной случайной величины с произвольно заданным законом распределения.

    Область применения – плотность вероятности моделируемой случайной величины должна выражаться через элементарные функции, позволяющие осуществить интегрирование.

    Принцип работы. Пусть имеется непрерывная случайная величина η в интервале (а,b), f(x) > 0плотность вероятности для нее, F(x) – функция распределения η, которая при а<x<b имеет вид:

    .

    Теорема. Случайная величина η, удовлетворяющая уравнению:

    F(n) = ξ (5.1)

    Имеет плотность распределения f(x). Следовательно, взаимнооднозначная функция , полученная решением относительно η уравнения (5.1), преобразует величину ξ в величину η с требуемой плотностью распределения вероятностей f(x).

    Методические рекомендации: Для практического использования метода необходимо разрешить относительно xiуравнение:

    , (5.2)

    где Zi – реализация базовой случайной величины ξ, а xi – искомая реализация моделируемой случайной величины η.

    Пример. Пусть требуется получить реализацию случайной величины η с законом распределения f(x) = 2x. На основе (5.2) имеем:



    =Zi



    Задание 2. Метод исключения Неймана

    Назначение метода – моделирование непрерывной случайной величины с заданным законом распределения путем отбора из базовой совокупности случайных чисел таких реализаций, которые подчиняются заданному закону распределения.

    Область применения. Моделируемая случайная величина должна быть определена на конечном интервале [а,b] и иметь ограниченную сверху функции плотности, причем, эта функция может быть задана не только аналитически, но и графически.

    Методические рекомендации: Принцип работы метода при условии, что случайная величина η определена на конечном интервале [a,b] и ее функция плотности ограничена f(x)≤M., основывается на теореме: пусть Z1 и Z2 - независимые реализации базовой случайной величины ξ и x = a + Z1(b-a), y= MZ2. Тогда случайная величина η, определенная условием η = x , еслиy < f(x) имеет плотность вероятностей, равную f(x).

    Методические рекомендации: Практическая реализация. Алгоритм реализации метода исключения Неймана имеет вид:

    Шаг 1. Генерируются 2 независимые реализации Zi, Zi+1 базовой случайной величины ξ с равномерным законом распределения на [0.1].

    Шаг 2. Вычисляются значения x и y по формулам:

    x = a + zi (b-a);

    y = M*Zi+1 (5.3)

    Шаг 3. Проверяем справедливость неравенства: y<F(x)

    При невыполнении этого условия необходимо перейти к шагу 1.

    Шаг 4. За реализацию случайной величины η принимается число x = a + zi (b-a).

    Использовать метод обратной функции для преобразования случайных чисел, полученных в задании 1) случайную выборку из непрерывного распределения со следующей функцией плотности вероятности:



    Основная литература: 5,9

    Контрольные вопросы:

    1. Использовать метод обратной функции для преобразования случайных чисел из задания 1) в выборку из дискретного распределения со следующей функцией вероятности: Р(0)=1/5; Р(1)=1/5; Р(2)=2/5; Р(3)=1/5.Решить методом обратной функции.

    2. Назначение методов обратной функции, метода исключения Неймана и их достоинства и недостатки?

    Практическое занятие № 6. Моделирование непрерывных случайных величин

    Задание 1. Метод моделирования условий предельных теорем

    Назначение – моделирование непрерывных случайных величин с заданным законом распределения путем приближенного воспроизведения условий, при которых оказываются справедливыми соответствующие предельные теоремы.

    Область применения – только для тех случайных величин для которых в теории вероятности сформулированы предельные теоремы.

    Методические рекомендации: Принцип действия метода проиллюстрируем на примере центральной предельной теоремы теории вероятностей. С помощью этой теоремы можно моделировать случайную величину с нормальным законом распределения.

    Центральная предельная теорема. Пусть 1,2,...,n – взаимно независимые нормированные случайные величины с одним и тем же распределением. Тогда при n→∞ распределение нормированных сумм

    (6.1)

    стремится к нормальному распределению с плотностью вероятностей



    Если в качестве независимых случайных величин I использовать базовые случайные величины i с математическим ожиданием М[] = 1/2 и дисперсией Д[] = 1/12, то нормированная сумма (6.1) примет вид

    (6.2)

    Методические рекомендации: Практическая реализация. По формуле (6.2) при достаточно больших n можно вычислить приближенное значение нормальной случайной величины  с параметрами:М[] = 0, D[] = 1.

    Расчеты показали, что уже при n =12 можно получить достаточно хорошее приближение к нормальному распределению. Поэтому на практике для моделирования случайной величины с нормальным законом распределения используется выражение



    Тогда нормально распределенную случайную величину с произвольно заданными значениями математического ожидания m и среднеквадратичного отклонения  можно моделировать по формуле

    Функция плотности случайной величины n имеет вид:

    Задание 2. Метод композиции

    Назначение – моделирование непрерывных случайных величин с достаточно сложными функциями распределения.

    Область применения. Метод композиции используется в тех случаях, когда ни один из изученных ранее методов в отдельности не приводит к желаемым результатам, но однако закон распределения моделируемой случайной величины можно представить в виде линейной комбинации нескольких известных законов распределения.

    Методические рекомендации: Пусть функция распределения F(x) случайной величины  представлена в виде: где все Fk(x) – известные функции распределения, а параметры Ск удовлетворяют условиям Ck>0 и . Следовательно можно ввести дискретную случайную величину  с распределением



    так, что Р(=к) = Ск.

    Теорема. Пусть 1 и 2 – независимые базовые случайные величины. Если по 1 разыграть значение =к случайной величины , а затем из уравнения Fk() = 2 определить  то функция распределения  есть F(x).

    Методические рекомендации: Практическая реализация заключается в следующем. Метод преобразует моделируемое сложное распределение к виду, удобному для формирования отдельных реализаций  одним из известных методов моделирования.

    Алгоритм моделирования может быть представлен в виде следующей последовательности шагов:

    Шаг 1. Единичная площадь под функцией плотности f(x) делится на m частей, каждая из которых имеет площадь Ск и соответствует fk(x).

    Шаг 2. С помощью 1 моделируется дискретная случайная величина . Полученная реализация (допустим =к) определяет номер слагаемого Fk(x), которое будет использовано для выработки очередной реализации искомой случайной величины .

    Шаг 3. Одним из известных методов, например, методом обратной функции, вырабатывается очередная реализация xi случайной величины .

    Затем шаги повторяются до тех пор, пока не будет получено требуемое количество значений непрерывной случайной величины .

    Просчитать численный пример для следующих значений методом исключения Неймана при графическом задании функции плотности:

    N=4, A=1, B=7, M=4, K=4, T(1)=1.25, T(2)=3, T(3)=2.5, T(4)=2, T(5)=1.75, T(6)=1.9, T(7)=3.5. . Составить блок-схему алгоритма метода исключения Неймана.

    Основная литература: 5,9

    Контрольные вопросы:

    1. . Решить методом исключения Неймана.

    2. Идея метода предельных теорем?
    Практическое занятие № 7. Моделирование потоков событий

    Задание 1. Моделирование простейшего потока

    Определение. Поток называется простейшим если он обладает свойствами: стационарности, ординарности и отсутствия последствия.

    Характеристики потока. Интервалы между событиями являются случайными величинами с показательным законом распределения: . В силу свойства отсутствия последствия

    Методические рекомендации: Алгоритм моделирования простейшего потока состоит из трех шагов:

    Шаг 1. Моделирование реализации Z базовой случайной величины .

    Шаг 2. Определение реализации случайной x интервала между событиями потока  методом обратной функции.

    Шаг 3. вычисление момента появления событий по формуле (6.2).

    Задание 2. Моделирование потока Пальма

    Определение. Однородный поток, обладающий свойствами стационарности, ординарности и ограниченного последствия, называется потоком Пальма.

    Характеристика потока. Интервалы между событиями потока являются случайными величинами с заданной функцией плотности f(x) .

    Для этого потока справедливо отношение

    f1(x1)≠f2(x2)= f3(x3)=…= fn(xn)=f(x).

    Методические рекомендации: Алгоритм моделирования потока Пальма состоит из следующих шагов:

    Шаг 1. По формуле Пальма находится функция плотности f1(x1).

    Шаг 2. Определяется реализация x1 случайной величины1 с функцией плотности f1(x1).

    Шаг 3. Определяются реализации xi (i=2,3,…,n) случайной величины  с функцией плотности f(x).

    Шаг 4. Моменты появления событий потока вычисляются по формуле (4.2).

    Пример.

    Рассмотрим поток Пальма с равномерным законом распределения интервалов между событиями, т. е.



    Шаг 3. Остальные значения xi (i=2, 3, …, n) могут быть получены очевидным преобразованием Xi=b Zi

    Шаг 4. Моменты появления событий легко находятся по формуле

    Tj =TJ-1+Xi, i=1, 2, … n ; j=1, 2, … n ;

    Задание 3. Моделирование потоков Эрланга

    Определение. Потокам Эрланга к-го порядка называется поток, получающийся из простейшего потока путем сохранения каждого k-го события и отбрасывания остальных.

    Характеристики потока. Математическое ожидание, дисперсия и среднеквадратическое отклонение для потока Эк имеет вид:

    мk=k/ λ; Dk=k/ λ2; σk= .

    Интенсивность потока Эрланга определяется формулой

    Λк= λ/к.

    Здесь λ – это интенсивность простейшего потока

    Методические рекомендации: Практическая реализация потока Эрланга k -го порядка осуществляется следующим образом. Очередное значение случайной величины ni(i>1) получается как сумма к независимых случайных чисел, экспоненциальное распределение: , i>1, где τj–случайные величины с экспоненциальным распределением.

    Тогда ti = ti-1i, i=1, 2, …n, .

    Изучите моделирование потоков событий.Составить блок-схему алгоритма моделирования стационарного, ординарного потока с ограниченным последействием. Составьте блок-схему алгоритма моделирования потока Эрланга. Составить блок-схему алгоритма моделирования простейшего потока.

    Основная литература: 5,9

    Контрольные вопросы:

    1.Определить вероятность того, что в течение 30 минут появится ровно 5 событий простейшего потока с интенсивностью =0.2.

    2.Определить значение интервала между соседними событиями простейшего потока с интенсивностью  и вычислить момент появления j-го события простейшего потока.

    3.Получите выражения для , а затем формулу для нахождения х1, если , =0.3.

    4.Составьте блок-схему алгоритма моделирования потока Пальма с равномерным законом распределения. Для выработки базовой последовательности используйте метод вычетов.

    5.Вычислить по заданной функции плотности f(x) математическое ожидание интервалов j , j>1, определить интенсивность потока Пальма и определить моменты появления события потока.

    6.Определить интенсивность потока Эрланга 5-го порядка, если для простейшего потока =0.15.

    7.Вычисть длину интервала между событиями потока и момент появления события для следующих значений: n=5, k=3, d=405, Z0=117, c=6985, m=32787, t0=0, h=0.25.

    8.Что такое поток?

    9. Что такое поток Эрланга k-го порядка?

    10. Какими свойствами обладают потоки?
    2.4 Планы лабораторных занятий.

    Лабораторная работа № 1 Моделирование базовой последовательности

    Цель работы – изучение методов базовой последовательности.

    Задание. Запустить файл TP7\turbo.exe\Lab 1. Выбрать соответствующий метод.

    По методу усечения необходимо реализовать два алгоритма: середины квадратов и середины произведения.

    С помощью алгоритма середины квадратов необходимо

    а) получить зацикливание (0,6100; 0,4100; 0,2100; 0,8100) и зафиксировать z[0], z[1] и порядковый номер элемента, с которого начинается зацикливание;

    б) добиться вырождения последовательности к нулю или любой другой константе и также зафиксировать z[0], z[1] и порядковый номер элемента, с которого начинается вырождение.

    С помощью алгоритма середины квадратов для исходных данных z[0], z[1], полученных в пунктах а) и б), необходимо определить длину отрезка апериодичности.

    Для алгоритмов метода вычетов необходимо подобрать такие исходные значения параметров, с которыми нужно добиться максимального возможных значений периода последовательности равного m для полного и m/4 для неполного алгоритмов.

    Основная литература:6,10

    Лабораторная работа № 2. Моделирование базовой последовательности

    Задание. Метод суммирования. Для моделирования базовой последовательности по алгоритму Фибоначчи используйте начальные значения z[0], z[1] пункта а) метода усечения. А для реализации аддитивного алгоритма – элементы z[0], z[10] последовательности Фибоначчи.

    Определите длину интервала апериодичности для этих последовательностей и сравните между собой.

    Основная литература: 6,10

    Лабораторная работа № 3. Моделирование случайных событий

    Цель работы – приобретение навыков моделирования на ПЭВМ случайных событий.
    1   2   3   4   5   6   7   8   9   10


    написать администратору сайта