- •1. Элементы комбинаторики. Понятие. Пример.
- •2. Правило умножения и сложения комбинаторики. Пример.
- •3. Классическое и статистическое определение вероятности. Пример.
- •8. Действия над событиями. Пример.
- •9. Правила умножения вероятностей. Пример.
- •10. Теоремы сложения вероятностей. Примеры.
- •11. Условная вероятность. Пример.
- •12. Формула полной вероятности. Пример.
- •13. Формула Байеса. Пример.
- •14. Схема Бернулли. Формула Бернулли. Пример.
- •15. Случайные величины. Способы их задания. Пример.
- •16. Математические операции над случайными величинами. Пример.
- •17. Функция распределения дсв. Геометрическая интерпретация. Пример.
- •18. Понятие дсв. Ряд распределения дсв. Пример.
- •19. Числовые характеристики дсв. Пример.
- •20. Математическое ожидание дсв. Его свойства. Пример.
- •21. Дисперсия дсв. Её свойства. Пример.
- •22. Биномиальное распределение дсв. Пример.
- •23. Локальная и интегральная теорема Муавра-Лапласа. Пример.
- •25. Гипергеометрическое распределение дсв. Пример.
- •26. Понятие нсв. Функция распределения нсв. Пример
- •27.Плотность вероятности нсв. Геометрическая интерпретация. Пример.
- •32. Равномерное распределение нсв. Пример.
- •46.Математическое моделирование случайных величин.
- •47. Имитационное моделирование.
- •48.Метод моделирования Монте-Карло.
46.Математическое моделирование случайных величин.
Модель – это материально или мысленно представляемый предмет, который в процессе познания или изучения замещает объект оригинала, сохраняя некоторые важные для исследования, типичные черты реального объекта.
Преимущества модели в процессе исследований состоят в следующем:
- модель доступней, чем реальный объект;
- эксперименты производятся с моделями в тех случаях, когда невозможно экспериментировать на реальных объектах(медицина, экономика, экология);
- модель выявляет наиболее существенные факторы, изучаемые свойства объекта;
-модель даёт возможность правильно управлять объектом;
-если объект исследования зависит от времени, то с помощью модели можно прогнозировать его дальнейшее состояние.
Цели:
- изучение свойств, структуры, законов развития реального объекта и его взаимодействие с окружающим миром;
- обучение и изучение методов управления объекта;
- создание прогнозов.
Математическое ожидание – процесс в котором модель сформулирована на языке математики.
47. Имитационное моделирование.
Под имитационной моделью изучаемой системы понимают комплекс программ для ПЭВМ, описывающий функционирование отдельных составляющих системы и правил взаимодействия между ними.
Построение модели состоит из этапов:
Формируются основные вопросы о поведении системы, которые требуется получить с помощью модели.
Из множества законов, управляющих поведением системы, учитываются те, влияние которых существенно при поиске ответов на поставленные вопросы.
Формирование гипотез о функционирование объектов.
Гипотеза и законы выражаются в форме определённых математических соотношений, которые объединяются в формальное описание модели.
Методы имитационного моделирования:
Аналитический – процесс функционирования системы описан дифференциальными или интегро-дифференциальными управлениями.
Метод статистического моделирования(метод Монте-Карло).
Комбинированный (аналитико-статистический) – позволяет соединять достоинства аналитического и статистического методов моделирования.
48.Метод моделирования Монте-Карло.
Случайным числом называют число, располагающееся преимущественно внутри интервала 0, 1 α є [0,1]и полученное случайным образом.
Случайные величины можно получить различными способами:
- таблицы случайных чисел;
-генераторы случ.чисел;
-метод псевдослучайных чисел.
Обычным генератором случайных чисел является рулетка(вероятность попадания в любой сектор при вращении одинакова).
Числа получаемые по какой-либо формуле и имитирующие значения случ.величины у, называются псевдослучайными числами.
Допустим, что требуется вычислить какую ту неизвестную величину m.Попытаемся придумать такую случ.величину х, М(х)=m. Пусть при этом Д(х)=b2. Рассмотрим n случайных величин х1, х2, …,хn, распределения которых совпадают с распределением х.
Согласно центральной предельной теореме распределения суммы случ.величин х1, х2, …,хn будет ≈ нормальным с параметрами а=n и σ2=n b2.
Тогда имеет место соотношение вида:
Пример задачи решаемой методом Монте-Карло:
у
b 2
y 1 b
b 1
a
a1 x1 a2 x
Фигура задана системой неравенств:
Построим вокруг фигуры прямоугольник таким образом, чтобы вся фигура была внутри него. Пусть координаты прямоугольника: (а1;b1), (a2;b2).
Будем случайным образом кидать точки внутрь прямоугольника. Для этого нам понадобится 2 случ.числа для определения координат случ.точек(х,у).
Определим координаты точек след.образом:
где α1 и α2 є (0;1)-случ.числа.
очевидно, что любая точка х,у попадёт внутрь прямоугольника.
Будем кидать точки таким образом – 500, 1000, 5000, … раз. Постепенно точки будут покрывать его поверхность.
Допустим мы определим таким образом координаты n точек, а внутрь фигуры попадут m точек, тогда имеет место соотношение:
Решение:
Program pefig;
Var
x, y, A1, A2, B1, B2, L1, L2, S1, S2 :
Real;
G, N, M, K, I : Integer;
Begin
G:1;
While G=1 Do Begin
Writeln (‘ Введите координаты прямоугольника’);
Readln (A1, A2, B1, B2);
Writeln (‘Введите кол-во испытаний’);
Read (N);
M:=0;
For I:= то N Do
Begin
L1:=Random;
L2:=Random;
X:= A1+( A2- A1)* L1;
Y:= B1+( B2- B1)* L2;
IF (y>=1/3*x*x-2) And (3*x+2*y<=20) And (-7*x+8*y<=40)
Then M:=M+1;
End;
S1:= ( A2- A1)* ( B2- B1);
S2:= S1*M/N;
Writeln (‘Площадь фигуры=’, S2:4:2);
Writeln (‘Закончить работу с программой? 1-нет’);
Read(G)
End;
End.