- •Министерство образования и науки, молодежи и спорта Украины
- •Лабораторная работа № 1 Определение площади геометрических фигур методом Монте-Карло
- •1.1 Общие положення
- •1.2 Пример нахождения площади круга методом Монте-Карло
- •1.3 Варианты заданий
- •1.3 Контрольные вопросы
- •1.4 Рекомендуемая литература
- •Лабораторная работа № 2 Исследование особенностей и построение моделей сложных объектов и явлений
- •2.1 Порядок выполнения работы
- •2.2 Варианты заданий
- •2.3 Рекомендуемая литература
- •Лабораторная работа №3 Вероятностные модели случайных величин с заданным законом распределения
- •3.1 Общие положения
- •3.1.1 Краткие сведения о распределениях вероятностей случайных величин
- •3.1.2 Источники случайных чисел
- •3.1.3 Детерминированные гпсч
- •3.1.4 Гпсч с источником энтропии или гсч
- •3.2 Порядок выполнения работы
- •3.3. Варианты заданий
- •3.4 Контрольные вопросы
- •3.5 Рекомендуемая литература
- •Лабораторная работа №4 Вероятностные модели случайных потоков событий
- •4.1 Общие положения
- •4.1.2 Простейший (пуассоновский поток)
- •4.1.3 Нестационарный пуассоновский поток
- •4.1.4 Поток Пальма
- •4.1.5 Потоки Эрланга
- •4.2 Создание генераторов потоков случайных событий
- •4.3 Порядок выполнения
- •4.4 Варианты заданий
- •4.5 Контрольные вопросы
- •5.1 Общие положения
- •Пример модели простейшей системы
- •5.3 Алгоритм обслуживания заявок
- •Порядок выполнения работы
- •Варианты заданий
- •5.6 Контрольные вопросы
- •5.7 Рекомендуемая литература
- •Метод генерации нормально распределенных чисел, использующий центральную предельную теорему
- •Метод Мюллера
5.6 Контрольные вопросы
Основные свойства простейшего потока?
Что характеризует параметр в экспоненциальном законе распределения?
Что характеризует параметр в экспоненциальном законе распределения?
Что описывает закон распределения Пуассона?
Что представляет собой последействие в случайном потоке?
Каковы особенности потока Пальма?
Какая величина изменяется случайным образом в случайном потоке: а) на входе сервера (системы обслуживания); б) на выходе сервера?
Что такое пропускная способность СМО?
Что представляет собой производительность источника?
5.7 Рекомендуемая литература
Е.С. Вентцель Теория вероятностей: учебник для втузов / Е.С. Вентцель. 8-е изд., перераб. и доп. – М. : Физматлит, 1999. – 576 с.
Моделирование информационных систем: уч. пос. /ред. О.И. Шелухина. – М.: Радиотехника, 2005. – 368 с.
Приложение А. – Основные сведения по генераторам случайных чисел
В основе метода Монте-Карло лежит генерация случайных чисел, которые должны быть равномерно распределены в интервале .
Если генератор выдает числа, смещенные в какую-то часть интервала (одни числа выпадают чаще других), то результат решения задачи, решаемой статистическим методом, может оказаться неверным. Поэтому проблема использования хорошего генератора действительно случайных и действительно равномерно распределенных чисел стоит очень остро.
Математическое ожидание и дисперсиятакой последовательности, состоящей изслучайных чисел, должны быть следующими (если это действительно равномерно распределенные случайные числа в интервале от 0 до 1):
,
.
Если пользователю потребуется, чтобы случайное число x находилось в интервале , отличном от, нужно воспользоваться формулой, где– случайное число из интервала. Законность данного преобразования демонстрируется на рисунке А.1.
|
Рис. А.1. Схема перевода числа из интервала в интервал
Теперь – случайное число, равномерно распределенное в диапазоне отдо.
За эталон генератора случайных чисел (ГСЧ) принят такой генератор, который порождает последовательность случайных чисел с равномерным законом распределения в интервале . За одно обращение данный генератор возвращает одно случайное число. Если наблюдать такой ГСЧ достаточно длительное время, то окажется, что, например, в каждый из десяти интервалов,,, …,попадет практически одинаковое количество случайных чисел – то есть они будут распределены равномерно по всему интервалу. Если изобразить на графикеинтервалов и частотыпопаданий в них, то получится экспериментальная кривая плотности распределения случайных чисел (см.рис. А.2).
|
Рис. А.2. Частотная диаграмма выпадения случайных чисел, порождаемых реальным генератором
Заметим, что в идеале кривая плотности распределения случайных чисел выглядела бы так, как показано на рисунке А.3. То есть в идеальном случае в каждый интервал попадает одинаковое число точек: , где– общее число точек,– количество интервалов,.
Функциональные преобразования для имитации случайных процессов
Случайные процессы имитируются в основном с использованием равномернораспределенного генератора случайных чисел.
Нормальное распределение моделируется следующими способами.
Табличный метод генерации нормально распределенных чисел
Для этого нормальное число можно взять из справочника в таблице функции Лапласа и получить случайное число по методу взятия обратной функции: , где– интегральная функция Лапласа.
Технически это означает, что надо разыграть случайное равномерно распределенное число из интервала [0; 1] стандартным ГСЧ, найти равное ему число в таблице значений функции Лапласа в столбце F и по строке определить случайную величину , соответствующую этому числу.
Недостатком метода является необходимость хранения в памяти компьютера всей таблицы чисел функции Лапласа.