- •Імовірнісне моделювання
- •4.1. Метод статистичних випробувань
- •4.2. Генератори випадкових чисел
- •4.2.1. Типи генераторів
- •4.2.2. Лінійні конгруентні генератори
- •4.3. Перевірка послідовностей випадкових чисел
- •4.4. Моделювання випадкових подій та дискретних величин
- •4.4.1. Незалежні випадкові події
- •4.4.3. Умовна подія
- •4.4.4. Випадкова дискретна величина
- •4.4.2. Група несумісних подій
- •4.4.5. Геометричний розподіл
- •4.4.6. Біноміальний розподіл
- •4.4.7. Розподіл Пуассона
- •4.5. Моделювання неперервних випадкових величин
- •4.5.1. Метод оберненої функції
- •4.5.2. Рівномірний розподіл
- •4.5.3. Експоненціальний розподіл
- •4.5.4. Пуассонівський потік
- •4.5.5. Нормальний розподіл
- •4.5.6. Логарифмічно-нормальний розподіл
- •4.5.7. Розподіл і потоки Ерланга
- •4.5.8. Гамма-розподіл
- •4.5.9. Бета-розподіл
- •4.5.10. Розподіл Вейбулла
- •4.5.11. Гіпер- і гіпоекспоненціальні розподіли
- •4.6. Моделювання випадкових векторів
- •4.7. Моделювання випадкових процесів
- •4.8. Статистична обробка результатів моделювання
- •4.8.1. Оцінювання ймовірності
- •4.8.2. Оцінювання розподілу випадкової величини
- •4.8.3. Оцінювання математичного сподівання
- •4.8.4. Оцінювання дисперсії
- •4.8.5. Оцінювання кореляційного моменту
- •4.9. Визначення кількості реалізацій під час моделювання випадкових величин
- •4.9.1. Оцінювання ймовірності
- •4.9.2. Оцінювання середнього значення
- •Висновки
- •Контрольні запитання та завдання
- •Рождение метода Монте-Карло в Лос-Аламосе
- •Дальнейшее развитие и современность
- •Интегрирование методом Монте-Карло
- •Обычный алгоритм Монте-Карло интегрирования
- •Геометрический алгоритм Монте-Карло интегрирования
- •Квантовый метод Монте-Карло
- •Детерминированные гпсч
- •Гпсч с источником энтропии или гсч
- •Пример простейшего гсч с источником энтропии
- •Примеры гсч и источников энтропии
- •Гпсч в криптографии
- •Примеры криптостойких гпсч Циклическое шифрование
- •Аппаратные гпсч
- •Теоретическая основа Принципы построения
- •Графические тесты
- •Статистические тесты
- •Тесты diehard
- •Тесты д. Кнута
- •Тесты nist
- •Практические приложения
- •Конкурс aes
- •Свойства примитивных многочленов
- •Свойства
- •Линейная сложность
- •Корреляционная независимость
- •Алгоритмы генерации примитивных многочленов Готовые таблицы
- •КонфигурацияГалуа
- •Примеры генераторов Генераторы «стоп-пошёл»
- •Каскад Голлманна
- •Пороговый генератор
- •Другие виды Самопрореживающие
- •Многоскоростной генератор с внутренним произведением
- •[Править]Преимущества
- •[Править]Недостатки
- •Моменты
- •Свойства гамма-распределения
- •Связь с другими распределениями
- •Моделирование гамма-величин
- •Определение
- •Форма графика
- •Моменты
- •Связь с другими распределениями
- •Распределение Вейбулла
- •Свойства гиперэкспоненциального распределения
- •Моделирование марковских случайных процессов
- •Марковский процесс с дискретным временем
- •Марковские случайные процессы с непрерывным временем
- •Цепь Маркова
- •Цепь Маркова с дискретным временем Определение
- •Переходная матрица и однородные цепи
- •Граф переходов, связность и эргодические цепи Маркова
- •Примеры
- •Основное кинетическое уравнение
- •Функции Ляпунова для основного кинетического уравнения
- •Примеры функций Моримото
Моделирование гамма-величин
Учитывая свойство масштабирования по параметру θ, указанное выше, достаточно смоделировать гамма-величину для θ = 1. Переход к другим значениям параметра осуществляется простым умножением.
Используя тот
факт, что распределение
совпадает
с экспоненциальным распределением,
получаем, что если U — случайная
величина, равномерно
распределённая на интервале
(0, 1], то
.
Теперь, используя свойство k-суммирования, обобщим этот результат:
где Ui — независимые случайные величины, равномерно распределённые на интервале (0, 1].
Осталось смоделировать гамма-величину для 0 < k < 1 и ещё раз применить свойство k-суммирования. Это является самой сложной частью.
Ниже приведён алгоритм без доказательства. Он является примером выборки с отклонением.
Положить m равным 1.
Сгенерировать
и
—
независимые случайные величины,
равномерно распределённые на интервале
(0, 1].Если
,
где
,
перейти к шагу 4, иначе к шагу 5.Положить
.
Перейти к шагу 6.Положить
.Если
,
то увеличить m на единицу и вернуться
к шагу 2.Принять
за
реализацию
.
Подытожим:
где [k] является целой частью k, а ξ сгенерирована по алгоритму, приведённому выше при δ = {k} (дробная часть k); Ui и Vl распределены как указано выше и попарно независимы.
Бета-распределение |
|
Плотность
вероятности
|
|
Функция
распределения
|
|
Обозначение |
|
Параметры |
|
Носитель |
|
Плотность вероятности |
|
Функция распределения |
|
Математическое ожидание |
|
Медиана |
|
Мода |
|
Дисперсия |
|
Коэффициент асимметрии |
|
Коэффициент эксцесса |
|
Информационная энтропия |
|
Производящая функция моментов |
|
Характеристическая функция |
|
Бе́та-распределе́ние в теории вероятностей и статистике — двухпараметрическое семейство абсолютно непрерывных распределений. Используется для описания случайных величин, значения которых ограничены конечным интервалом.
Определение
Пусть распределение
случайной
величины
задаётся
плотностью
вероятности
,
имеющей вид:
,
где
произвольные
фиксированные параметры, и
—
бета-функция.
Тогда случайная
величина
имеет
бета-распределение. Пишут:
.
Форма графика
Форма графика
плотности вероятности бета-распределения
зависит от выбора параметров
и
.
—
график
выпуклый
и уходит в бесконечность на границах
(красная кривая);
или
—
график строго
убывающий (синяя кривая)
—
график
строго выпуклый;
—
график
является прямой линией;
—
график
строго
вогнутый;
график
совпадает с графиком плотности
стандартного
непрерывного равномерного распределения;
или
—
график строго возрастающий (зелёная
кривая);
—
график
строго выпуклый;
—
график
является прямой линией;
—
график
строго вогнутый;
—
график
унимодальный
(пурпурная и чёрная кривые)
В случае, когда
,
плотность вероятности симметрична
относительно
(красная
и пурпурная кривые), то есть
.
