imit_model / labs
.pdf
4.1. Генерация независимых, одинаково распределенных случайных величин |
13 |
Шаг 2. Если f´(a + (b ¡ a)»1 < c»2) то выдать a + (b ¡ a)»1 в качестве результата. Иначе повторить Шаг 1.
Неэффективность алгоритма для распределений с длинными “хвостами” очевидна (см. Рис. ??), поскольку в этом случае часты повторные испытания.
Рис. 4.1: Случаи эффективного(a) и не эффективного (b) применения метода отбраковки
Случай кусочно заданной плотности распределения
Пусть случайная величина ´ определена на интервале [a; b) и её плотность имеет вид (4.6)
Рис. 4.2: Кусочно определённая плотность распределения вероятностей
8
> f (x);
> 1
f(x) = < f2(x);
>
>
: fk(x);
при a = x0 · x < x1;
при x1 · x < x2; (4.6)
: : :
при xk¡1 · x < xk = b;
xi |
|
k |
где 8i 2 (0; : : : ; k ¡ 1)xi < xi+1. Обозначив pi = |
fi(x)dx имеем |
=1 pi = 1. |
xiR¡1 |
|
iP |
Для получения значения ´ необходимо сначала выбрать плотность fi(x) с вероятностью pi и затем выбрать случайное значение на интервале [xi¡1; xi) согласно выбранному распределению.
Использование линейных преобразований
Часто являются полезными следующие очевидные выражения для плотностей линейных функций случайной величины:
14 |
|
|
|
Глава 4. |
Датчики случайных чисел |
|
´ = aº + b |
¡! |
f (x) = f (x ¡ b); |
(4.7) |
|||
|
´ |
º |
a |
|
||
´ = ¡º ¡! f´(x) = fº(¡x): |
(4.8) |
|||||
Пример 2.4. Генератор треугольного распределения Пусть плотность распределения имеет вид, представленный на рисунке 4.3.
Рис. 4.3: Треугольное распределение
Вариант 1. Прямое применение метода обратной функции.
Сначала получим формулу функции распределения вероятностей как интеграл от плотности
распределения: |
|
0; |
|
|
|
|
|
|
|
|
|
при x < ¡1, |
|
|||
|
> |
|
|
|
|
|
|
|
|
|
|
|||||
F (x) = |
8 |
(x + 1)2=2; |
=2; |
при ¡1 · x < 0, |
(4.9) |
|||||||||||
|
> |
1 |
¡ |
(1 |
¡ |
x)2 |
при 0 |
· |
x < 1, |
|
||||||
|
< |
|
|
|
|
|
|
|
|
|
|
|||||
|
> |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
> |
1; |
|
|
|
|
|
|
|
|
|
при x ¸ 1. |
|
|||
Тогда, решая уравнение » = F ¡ (´):относительно ´ имеем |
|
|
|
|||||||||||||
´ = ½ |
1 |
|
|
|
|
¡2(1 |
|
»); |
при » |
|
0:5. |
(4.10) |
||||
|
|
p |
2» |
|
1; |
|
|
|
при » < 0:5, |
|
||||||
|
|
|
|
¡ p |
|
|
¡ |
|
|
|
¸ |
|
|
|||
Вариант 2. Кусочное рассмотрение функции распределения.
Область изменения рассматриваемой случайной величины можно разбить на 2 равных интервала [¡1; 0) и [0; 1), на которые она попадает с равной вероятностью 0.5. Соответствующие плотности усечённых распределений на этих интервалах имеют вид
f1(x) |
= |
2(x + 1); |
(4.11) |
f2(x) |
= |
2(1 ¡ x); |
(4.12) |
а функции
F1(x) |
= |
(x + 1)2; |
(4.13) |
F2(x) |
= |
1 ¡ (1 ¡ x)2: |
(4.14) |
Следовательно, генератор должен с вероятностью 0.5 выдавать ´ = p» ¡ 1 и с той же вероятностью ´ = 1 ¡ p1 ¡ ».
4.1. Генерация независимых, одинаково распределенных случайных величин |
15 |
Отметим, что в последней формуле можно заменить 1 ¡ » на », так как эти случайные величины имеют одинаковое распределение.
Вариант 3. Использование функции двух случайных величин.
Рассмотрим распределение суммы двух независимых, равномерно распределённых на отрезке
[0; 1) случайных величин. Пусть ´ = »1 + »2. Тогда F´(x) = P (´ < x) = P (»1 + »2 < x). Удобнее всего получить эту вероятность геометрически (Рис. 4.4). Ей соответствует площадь части единич-
ного квадрата, лежащей ниже прямой, проходящей через точки (0; x) и (x; 0). Для x < 1 (двойная штриховка) это x2=2, а для x ¸ 1 1 ¡ (2 ¡ x)2=2. Следовательно,
Рис. 4.4: Иллюстрация к выводу распределения суммы двух случайных величин, равномерно распределённых на [0; 1)
|
> |
0; |
|
|
|
|
при x < 0, |
|
||
F (x) = |
8 x2=2; |
|
x)2 |
=2; |
при 0 |
x < 1, |
(4.15) |
|||
|
> |
1 |
¡ |
(2 |
¡ |
при 1 |
· x < 2, |
|||
|
< |
|
|
|
|
|
· |
|
||
|
> |
|
|
|
|
|
|
|
|
|
|
: |
1; |
|
|
|
|
при x ¸ 2. |
|
||
|
> |
|
|
|
|
|
||||
Плотность распределения, соответственно, равна
f(x) = |
8 x; |
|
при 0 |
x < 1, |
|
||
|
> |
0; |
|
при x < 0, |
|
||
|
< |
|
¡ |
|
|
· |
|
|
> |
2 |
|
x; |
при 1 |
· x < 2, |
(4.16) |
|
> |
|
|
|
|
|
|
|
: |
0; |
|
при x ¸ 2, |
|
||
|
> |
|
|
||||
то есть мы имеем ту же самую треугольную плотность распределения, но сдвинутую по оси абцисс на одну единицу вправо. Следовательно, имеем ´ = »1 + »2 ¡ 1!
4.1.2Дискретные распределения
Наиболее общий случай построения генератора дискретных случайных величин основывается на следующем алгоритме. Пусть имеется таблица пар (xi; pi), где xi – значение случайной величи-
ны, а pi – соответствующая вероятность, Pn pi = 1 (в общем случае может быть и n = 1).
i=1
Тогда последнюю сумму можно представить полуинтервалом [0; 1), разбитым на полуинтервалы [vi¡1; vi); v0 = 0; vn = 1 длины pi. Случайная величина » с неизбежностью принадлежит одному
16 Глава 4. Датчики случайных чисел
из этих полуинтервалов, тем самым определяя индекс дискретного значения. Номер полуинтервала очевидно определяется как
i |
|
Xj |
|
minfi j » < vig = minfi j » < pjg |
(4.17) |
=1 |
|
Замечание. Для эффективности датчика рекомендуется один раз рассчитать все суммы в (4.17) и затем использовать вектор накопленных вероятностей.
Пример 2.4. Равномерное дискретное распределение.
В случае равновероятного выбора между xi = i; i = 1; : : : ; n все pi равны n1 и тем самым vi = ni .
Соответственно имеем номер полуинтервала равным minfi j » < |
i |
g, откуда получаем просто i = dn»e. |
|
n |
|||
Пример 2.5. Распределение Пуассона. Используя определение распределения Пуассона и вышеизло- |
|||
женные рассуждения получаем |
Yj |
|
|
|
i |
|
|
´ = minfi j |
»i < e¡¸g |
(4.18) |
|
|
=1 |
|
|
4.2Выборки индексов
Имеем задачу получения случайной выборки объема m значений из множества f1; : : : ; ng. В случае выборки с возвращением (возможны повторы) просто пользуемся примером 2.4. Для выборки без возвращения наиболее эффективен в программной реализации следующий алгоритм.
Универсальный алгоритм для выборки без повторения.
Входные данные: n – число индексов; m – длина выборки. Выходные данные: L[1..m] – результирующий вектор индексов.
1.for i:=1 to n do
2.I[i]:=i;
3.endfor;
4.for s:=n downto n-m+1 do
5.l:=random(1,s);
6.L[n-s+1]:=I[l];
7.I[l]:=I[s];
8.DEC(s);
9.endfor.
Замечание: В случае n=m мы получаем алгоритм случайных перестановок.
Вслучае не равных вероятностей индексов (i выбирается с вероятностью pi) алгоритм изменяется следующим образом:
²кроме вектора I имеется вектор вероятностей P = fpig, этот вектор изменяется после каждого выбора;
²в строке 6 случайный индекс получается по формуле
Xi
l = minfi j » < pjg;
j=1
где » равномерно распределена на (0,1) (процедура rand());
²массив P также изменяется:
8a. I[l]:=I[s]; V:=P[l]; P[l]:=P[s];
8b. for i:=1 to n-s do
8c. P[i]:=P[i]/(1.0-V);
8d. endfor.
