
- •Основные понятия теории вероятности.
- •2. Абстракция событий
- •3. Статистическое определение вероятности
- •4. Классическое определение вероятности
- •5. Геометрическая вероятность
- •6. Алгебра событий
- •7. Формула Бейеса
- •8. Полная группа событий
- •9. Независимость событий
- •10. Условность событий
- •11. Понятие случайной величины
- •Числовые характеристики случайных процессов.
- •6.2.1. Математическое ожидание дискретной случайной величины
- •6.2.2. Дисперсия дискретной случайной величины
- •Свойства дисперсии случайной величины:
- •6.2.3. Среднее квадратическое отклонение
- •6.2.4. Одинаково распределенные взаимно независимые случайные величины
- •Свойства случайных процессов
- •Например, при определении математического ожидания
- •Моделирование реализаций случайных процессов
- •0 Рис. 4.3. Равномерное распределение случайной величины
0 Рис. 4.3. Равномерное распределение случайной величины
Под статистическим моделированием понимается воспроизведение с помощью ЭВМ функционирования вероятностной модели некоторого объекта.
Задачи статистического моделирования состоят в том, чтобы научиться воспроизводить с помощью ЭВМ поведение таких моделей, например:
с помощью специальных методов и средств вырабатывать программы реализации случайных чисел;
с помощью этих чисел получать реализацию случайных величин или случайных процессов с более сложными законами распределения;
с помощью полученных реализации вычислять значения величин, характеризующих модель, и производить обработку результатов экспериментов;
Устанавливать связь алгоритмов моделирования с алгоритмами решения задач вычислительной математики с помощью метода Монте-Карло и строить так называемые «фиктивные» модели, т.е. модели, не имеющие связи с объектом моделирования, но удобные в вычислительном отношении и позволяющие вычислять нужные нам характеристики объекта.
Моделирование случайных процессов строится на основе базовых распределений случайных величин.