- •Сан на не. Он рвение одов во причем (нтации in, где е, что в сфере х реше- менные веские стемы, плани- ических
- •1. Основы алгоритмического
- •1.3.1. Построение концептуальной модели
- •1.3.2. Разработка алгоритма модели
- •Разработка программы
- •Проведение машинных экспериментов с моделью системы
- •1.6.1. Моделирование простого события
- •Метод обратной функции
- •Моделирование случайных величин с показательным распределением
- •1.8.4. Моделирование случайных величин с нормальным распределением
- •1.8.5. Моделирование случайных величин с усеченным нормальным распределением
- •1.8.6. Моделирование случайных величин с произвольным распределением
- •1.9.1. Повременное моделирование с постоянным шагом
- •1.9.2. Повременное моделирование с переменным шагом
- •1.9.3. Последовательная проводка заявок
- •1.9.4. Поэтапная последовательная проводка заявок
- •Поток заявок первого приоритета
- •Гн1.1 Гк1.1 Гк1.2 Гн1.3 Гк1.3 Гкон
- •2. Классификация математических моделей экономических систем
- •3. «Паутинообразная» модель фирмы
- •4.4. Пример решения задачи моделирования
- •5.5. Пример решения задачи моделирования
- •6.4. Пример решения задачи моделирования
- •7.4. Пример решения задачи моделирования
- •1.1. Таблица свойств
- •1.2. Процедуры обработки прерываний
- •2.1. Таблица свойств формы 2
- •1.1. Таблица свойств
- •1.1. Таблица свойств
- •1.1. Таблица свойств
- •1.2. Процедуры обработки прерываний
Метод обратной функции
Пусть имеется некоторая непрерывная случайная величина х, заданная функцией распределения F(x). Можно доказать, что значения этой функции равномерно распределены в интервале (0,1). Поэтому между случайной величиной z, равномерно распределенной в том же интервале, и функцией распределения случайной величины х существует взаимно однозначное соответствие, т. е.
z = F(x). (1.1)
Отсюда следует, что
х = F~l(z), (1.2)
где F~l - обратная функция.
Следовательно, если уравнение (1.1) имеет аналитическое решение, то для моделирования случайной величины х можно использовать датчик случайных чисел, генерирующий величину z, и затем осуществить расчет по формуле (1.2).
Моделирование случайных величин с показательным распределением
Пусть имеется случайная величина х с показательным распределением. Функция распределения имеет вид:
F(x) = 1 - где X - параметр распределения.
Применив метод обратной функции, получим:
z = F(x) = 1 — е*
откуда
x = _IL„(1_z). (13)
Учитывая, что случайная величина (1-z) имеет также равномерное распределение в интервале (0,1), соотношение (1.3) можно заменить соотношением
х = —-Ln(z).
"h
1.8.3. Моделирование случайных величин с равномерным распределением
Датчик случайных чисел генерирует случайные величины с равномерным распределением в интервале (0,1). Если же нужно моделировать случайные величины с равномерным распределением в интервале (а,Ь), то можно воспользоваться методом обратной функции.
Для рассматриваемого случая выражение (1.1) примет вид:
EV ч х~а
z = F(x) = -- ,
b-a
откуда х = а + z(b - а).
На практике применяется и другой способ задания равномерного распределения. Вместо границ интервала задаются среднее значение случайной величины хср и величина интервала Ах. Тогда определение возможного значения случайной величины с равномерным распределением может быть произведено по формуле
х = хср + Ax(z - 0,5).
1.8.4. Моделирование случайных величин с нормальным распределением
Метод обратной функции для нормального распределения неприменим, так как после подстановки соответствующей функции распределения выражение (1.2) не имеет аналитического решения. Поэтому в данном случае применяется другой метод.
Согласно центральной предельной теореме теории вероятностей при сложении достаточно большого числа одинаково распределенных независимых случайных чисел получается случайная величина, имеющая нормальное распределение.
Как показали исследования, уже при сложении более десяти случайных величин с равномерным распределением в интервале (0,1) получается случайная величина, которая с точностью, достаточной для большинства практических задач, может считаться распределенной нормально.
Процедура розыгрыша нормально распределенной случайной величины заключается в следующем.
Сложим 12 случайных величин с равномерным распределением в интервале (0,1), т. е. составим сумму
12
v = 2>- i=i
Использовав известные теоремы о сумме математических ожиданий и дисперсий независимых случайных величин, можно установить, что в данном случае случайная величина v имеет следующие характеристики:
12 J
математическое ожидание: М(V) = £ M(z) = 12 —= 6;
i=i I
дисперсия: D(V)=ЈD(z) = 12-I = l;
i=l
среднее квадратическое отклонение: c(V) = +^D(V) = 1.
Нормируем и центрируем случайную величину v, т. е. перейдем к величине
Л = [v - M(V)] / cr(F) = v - 6.
3. От нормированной и центрированной величины т] перейдем к случайной величине у с заданными параметрами M(Y) и c(Y) по формуле
у = M(Y) + ст(Ю-Л,
где M{Y) - известное математическое ожидание случайной величины у, о(У) - известное квадратическое отклонение случайной величины у.