145
|
|
|
|
a |
k |
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
fk (x)dx |
n |
(k 1, 2,..., n) |
|
||
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
k |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
Из условия постоянства функции на каждом частичном интервале следует, что |
|||||||||
случайная величина |
x |
может быть определена по формуле |
|
|||||||
|
|
|
|
x ak 1 z(ak ak 1) , |
(10.4) |
|||||
где |
z |
– возможное значение (реализация) случайной величины, равномерно |
|
|||||||
распределенной в интервале (0,1); |
ak 1 – левая граница частичного интервала; ak |
– |
||||||||
правая граница частичного интервала.
Рис. 10.7
Попадание в любой частичный интервал можно рассматривать как событие, входящее в полную группу несовместных событий. Поэтому процедура моделирования
вобщем случае состоит в следующем.
1.С помощью датчика случайных чисел с равномерным распределением, вырабатывающего величину z , моделируют дискретную случайную величину – номер
интервала |
k . Вторично разыгрывают случайную величину z и определяют |
возможное значение случайной величины |
x |
по формуле (10.4). |
Схема алгоритма показана на рис. 10.7. |
|
|
Вопросы для самопроверки
1.Дайте определение метода Монте-Карло.
2.Приведите примеры характеристик систем, значения которых определяются случайным образом.
3.Перечислите критерии проверка статистических гипотез.
4.Приведите алгоритм моделирования простого события.
5.Приведите алгоритм моделирования полной группы несовместных событий.
6.Приведите алгоритм моделирования дискретной случайной величины.