- •Глава I. Метод Монте-Карло и Понятия теории вероятностей
- •Классификация вероятностно-статистических методов решения прикладных задач
- •§1.2. Некоторые понятия и теоремы теории вероятностей
- •Понятия теории вероятностей
- •1.2.2. Основные теоремы теории вероятностей 4
- •Локальная теорема
- •Интегральная теорема
- •Закон Больших Чисел
- •Центральная предельная теорема (цпт)
- •Эта теорема носит название «Центральная предельная теорема» .
- •1.2.3. Оценка погрешности математического ожидания исследуемой величины
- •1.3. Генераторы, алгоритмы получения и преобразования случайных чисел
- •1.3.1. Получение случайных чисел с помощью случайного эксперимента
- •1.3.2. Алгоритмы получения псевдослучайных чисел 5
- •1.3.3. Понятие эталонной 6, случайной величины
- •1.3.4. Преобразование случайных величин 7
- •1.3.5. Генераторы псевдослучайных чисел на эвм
- •1.3.6. Использование таблицы дискретных случайных чисел
- •1.4. Недостатки и достоинства аналитических, приближенных методов решения математических задач, в том числе и метода Монте-Карло
- •Глава II. Вероятностное моделирование математических задач
- •2.1. Общая теория решения системы линейных уравнений 8
- •2.2. Вычисление интегралов способом среднего
- •Технология вычисления интеграла способом среднего
- •Нахождение определенных интегралов способом «зонтика» Неймана
- •4. Задания на моделирование
- •2.4. Вычисление значения числа
- •2.5. Решение уравнений эллиптического типа (задача Дирихле)
- •Глава III. Имитационное моделирование физических процессов и явлений
- •3.1. Имитационное моделирование задач нейтронной физики
- •3.1.1. Задача имитационного моделирования прохождения нейтронов через пластинку
- •3.1.2. Моделирование сорта ядра и вида взаимодействия нейтрона с ядром
- •3.1.3. Решение задачи розыгрыша типа взаимодействия и сорта ядра имитационным моделированием
- •1. Вычисление микросечений водорода
- •2. Вычисление микросечений кислорода
- •3. Вычисление микросечений бора
- •4. Вычисление полного микросечения
- •5.Розыгрыш сорта ядра
- •6. Розыгрыш типа взаимодействия
- •7.Определение полного макросечения
- •3.1.4. Определение направления и энергии частиц после рассеяния
- •3.1.5. Моделирование длины свободного пробега
- •3.1.6. Имитационное моделирование траектории движения нейтронов через пластинку (двухмерный случай)
- •5. Задания на моделирование:
- •3.2. Имитационное моделирование прохождения
- •6. Задания на моделирование:
- •7. Результаты моделирования
- •3.3. Имитационное моделирование распространения упругих волн в пористых средах (задача геофизики)
- •Результаты моделирования
- •3.4. Имитационное моделирование явления спонтанного излучения атомов
- •3. Задания на моделирование:
- •Моделирование явления спонтанного излучения многоатомной системы (сверхизлучения Дике)
- •2. Задания на моделирование:
- •Глава IV. Методы компьютерного моделирования в термодинамике
- •4.1. Метод молекулярной динамики
- •6. Задания на моделирование:
- •7. Результаты моделирования
- •4.2. Метод броуновской динамики
- •2. Алгоритм метода броуновской динамики
- •3. Расчет макроскопических параметров
- •4. Задания на моделирование:
- •4. 3. Имитационный метод моделирования броуновских траекторий
- •Литература
1.3.3. Понятие эталонной 6, случайной величины
Выберем интервал чисел от 0 до 1. Представим себе, что мы имеем некоторый генератор выработки случайных чисел х по равномерному распределению в интервале [0, 1], т.е. для области 0 < х < 1, функция распределения равна , а плотность вероятности реализации случайного числа соответственно равна единице .
Рассмотрим случайный эксперимент, при проведении которого реализуется равномерное распределение случайных чисел в некотором интервале. В результате опыта мы получаем некоторое число , которое может быть представлено в виде
, например, в результате розыгрыша упало число
= 0.4603721….,
Реализованные в результате розыгрыша числа , лежащие в интервале [0, 1], в дальнейшем будем называть эталонными случайными числами, а цифры i, входящие в случайные числа, называть десятичными, случайными цифрами, в отличие от случайных цифр, в другой системе исчисления. Причем каждая цифра является независимой от других цифр.
При решении реальных задач в случайной величине количество случайных цифр после запятой выбирают конечным, т.е.
. (1.31)
Можно сказать, что при вероятностно-имитационном компьютерном моделировании реальных явлений, эталонная или стандартная случайная величина является базовой для получения случайных величин в другом диапазоне (интервале) и для других распределений плотности вероятности.
1.3.4. Преобразование случайных величин 7
В методе Монте-Карло часто стоит задача преобразования одной случайной величины в другую.
Рассмотрим функцию распределения непрерывной случайной величины, которая по определению имеет вид
, (1.32)
где функция F(x) меняется от 0 до 1.
Приведем без доказательства одну из теорем преобразования случайной величины.
Случайная величина, удовлетворяющая уравнению
(1.33)
имеет плотность вероятности f(x).
Эта теорема позволяет получать формулы преобразования одной случайной величины в другую для различных законов распределения.
Пример 1. Например, рассмотрим случайный эксперимент, плотность вероятности которого подчиняется равномерному распределению
здесь случайная величина х лежит в промежутке [а, b].
Применим формулу (1.33),
, (1.34)
Откуда получаем формулу преобразования для равномерного распределения
х = а + (b — а) , (1.35)
т.е. для определения случайных величин в этом интервале мы обращаемся к последовательности случайных чисел, равномерно распределенных на отрезке [0, 1], т.е. к эталонной случайной величине , а случайную величину х в интервале [а, b] получаем по формуле преобразования (1.35).
Пример 2. Рассмотрим теперь экспоненциальное распределение
. (1.36)
Так как
, (1.37)
то для расчета экспоненциальной случайной величины х имеем следующую формулу
. (1.38)
Пример 3. Для получения гауссовской (нормированной) случайной величины х (а=0, =1) мы должны решить уравнение и найти х
.
Решить это уравнение достаточно трудно, поэтому используют другие методы преобразования.
1). Один из способов преобразования случайной величины для получения гауссовского распределения – это использование суммы n независимых, равномерно распределенных величин типа
, (1.39)
согласно центральной предельной теореме при n имеем, что
, (1.40)
т.е. для больших n можно использовать эту асимптотику. Опыт показывает, что при значении n=12 можно использовать формулу
, (1.41)
где i - равномерно распределенные случайные числа от 0 до 1. Для получения одного значения в этом случае используются 12 значений .
Иногда для определения случайной величины для гауссовского распределения используют следующую формулу
. (1.42)
Здесь добавлена поправка, которая ускоряет сходимость распределения к нормальному.
2). Другой способ преобразования эталонного случайного числа в гауссовское – это использование алгоритма Малера, который достаточно эффективен и дает сразу два значения . (1.43)
Если нужно только одно значение, то можно выбрать одну из этих формул. Если случайная величина х нормирована, т.е a=0 и =1, то для получения гауссовской случайной величины у с математическим ожиданием a и дисперсией используют преобразование
. (1.44)
Пример 4. Моделирование равновероятного направления в трехмерном пространстве (равнораспределенная на поверхности сферы).
Элемент вероятности направления в трехмерном пространстве в декартовой и сферической системе координат для единичного вектора имеет вид
.
Здесь проекции единичного вектора. Рассмотрим несколько алгоритмов получения случайных чисел для проекций единичного вектора.
-
. Берутся два случайные числа 1 и 2 и по алгоритму
, (1.45)
определяются три случайных числа еx, еу, еz , которые являются проекциями единичного вектора.
-
. Берутся три случайные числа 1, 2 и 3 и вычисляется величина
, (1.46)
Если d<1, p= / 6, то вычисляются
. (1.47)