Шаг 2. Проверить неравенство Т4. 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 ∆2∆3∆np
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+ Р2 – Z 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 Z ∆i(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) > 0 – плотность 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-1+ηi, 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.
|