Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Statisticheskoe_modelirovanie1.doc
Скачиваний:
0
Добавлен:
13.02.2020
Размер:
1.52 Mб
Скачать

4.4. Моделирование однородной марковской цепи.

Простая однородная цепь Маркова определяется матрицей переходов

,

где — вероятность перехода из состояния , в состояние и вектором начальных состояний , где .

Матрица переходов Р полностью описывает марковский процесс. Так как сумма элементов каждой строки равна 1, то данная матрица является стохастической, т. е. .

Пусть - вероятность, что система будет находиться в состоянии после переходов. По определению .

Пусть возможными исходами испытаний являются события и — это условная вероятность наступления события в данном испытании при условии, что исходом предыдущего испытания было событие . Моделирование такой цепи Маркова состоит в последовательном выборе событий по жребию с вероятностями .

Последовательность действий алгоритма следующая:

0) Подготовительный этап. Генерируем последовательность равномерно распределенных чисел на интервале (0;1):

(4)

1) Выбор начального состояния. Выбор начального состояния , задаваемого начальными вероятностями , осуществляется по алгоритму моделирования полной группы событий (см. 4.3.2). Из последовательности (4) выбирается число и определяется номер, для которого оказывается справедливым неравенство , где . Тогда начальным событием данной реализации цепи будет событие .

2) Определение первого перехода. Выбираем следующее случайное число , аналогично определяем номер следующего события, для которого оказывается справедливым неравенство , где . Таким образом, следующим событием данной реализации цепи будет событие .

в) Определение s-того перехода. Пусть в результате перехода произошло событие с номером : . Выбираем случайное число , определяем номер следующего события, для которого оказывается справедливым неравенство , где . Таким образом, событием той реализацией цепи будет событие . И так далее.

Марковский процесс называют эргодическим, если предельное распределение вероятностей не зависит от начальных условий . Поэтому при моделировании эргодического Марковского процесса можно принять следующее условие

4.5 Моделирование зависимых дискретных случайных величин.

Рассмотрим две дискретные случайные величины и , для которых задан совместный закон распределения вероятностей

В первой строке помещены возможные значения случайной величины , а в первом столбце возможные значения случайной величины (без повторений значений для каждой из них). На пересечении той строки и того столбца располагаются значения вероятностей

.

Пусть событие, состоящее в том, что случайная величина приняла значение , а случайная величина приняла значение . Введем новую случайную величину , принимающую значения номеров событий , . Далее остается применить алгоритм пункта 4.3.2, для моделирования полной группы событий .

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]