Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

imit_model / labs

.pdf
Скачиваний:
66
Добавлен:
06.06.2015
Размер:
551 Кб
Скачать
☆

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.

Соседние файлы в папке imit_model