- •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
4.4.5. Геометричний розподіл
Для моделювання випадкової величини X з геометричним розподілом необхідно задати таблицю її значень та їх ймовірність (табл. 4.2).
Таблиця 4.2. Значення ймовірності геометричного розподілу випадкової величини
Значення X |
0 |
1 |
2 |
… |
n |
Імовірність |
|
|
|
… |
|
Прикладом випадкової величини з таким розподілом може бути загальна кількість випробувань, які потрібно провести до першого успішного випробування, наприклад кількість пострілів, які потрібно виконати до першого влучення в ціль.
Загалом, ймовірність того, що випадкова величина приймає значення k, визначається за формулою
Для моделювання випадкової величини з геометричним розподілом можна скористатися табл. 4.2 або методом оберненої функції (4.3), але за великих n такі підходи потребують багато комп'ютерного часу. З цієї причини для отримання значення випадкової величини з геометричним розподілом використовують таку формулу [15]:
У
вшценаведеному виразі дужки
означають цілу частину виразу. Справді,
так як випадкова величина r розподілена рівномірно в інтервалі [0, 1].
4.4.6. Біноміальний розподіл
Біноміальний розподіл, або розподіл Бернуллі, – це розподіл дискретної випадкової величини, яка приймає два і тільки два значення: 1 – «true», або «істина», та 0 — «false», або «хибність». Цей розподіл показує ймовірність настання деякої події за n незалежних повторних випробувань, у кожному з яких подія настає з імовірністю р, тобто ймовірність s успішних наслідків у n випробуваннях
Функція розподілу ймовірності має такий вигляд:
Залежно від значення n можна вибрати один із двох способів моделювання випадкової величини з біноміальним розподілом. За невеликих n значення випадкової біноміально розподіленої величини визначається як кількість чисел у послідовності {ri} з n чисел, які не перевищують значення р. Припустимо, що потрібно отримати випадкову величину, яка належить біноміальному розподілу з параметрами n = 7 і р = 0,3. Для цього спочатку генеруємо послідовність із семи значень ri: {0,0234; 0,1234; 0,7459; 0,0341; 0,8451; 0,1905; 0,5302}, а потім рахуємо ті з них, які менші ніж р. У даному випадку в послідовності тільки чотири значення менші, ніж 0,3. Таким чином, значення випадкової величини, розподіленої за біноміальним законом, дорівнює 4.
За великих значень n і малих р можна діяти таким чином. Генеруємо рівномірно розподілені випадкові числа ri доти, доки не виконається умова
|
(4.4) |
де u0 та uj+1 задаються виразами
Значення випадкової величини з біноміальним розподілом дорівнює кількості випробувань n, які необхідно провести, доки не буде справджуватись умова (4.4).
4.4.7. Розподіл Пуассона
Випадкову
величину з розподілом Пуассона можна
отримати, якщо припустити, що кількість
незалежних випробувань n
у біноміальному розподілі прямує до
нескінченності, а ймовірність успішного
випробування р
— до нуля, причому добуток
є незмінним і дорівнює .
Функція щільності розподілу Пуассона
задається виразом
Таким чином, розподіл Пуассона є граничним випадком біноміального та описує випадкові події, які мають місце дуже рідко. На практиці згідно з біноміальним законом розподілені кількість дефектів у готовому виробі та кількість аварій на транспорті за деякий тривалий проміжок часу, кількість дзвінків у телефонній мережі за одиницю часу та ін.
Щоб отримати випадкову величину s з розподілом Пуассона, генеруємо послідовність рівномірно розподілених випадкових чисел ri і знаходимо їх добуток, перевіряючи нерівність
|
(4.5) |
У разі виконання умови (4.5) число n – 1 і є випадковою величиною, що належить сукупності, розподіленій за законом Пуассона з математичним сподіванням . Якщо умові (4.5) відповідає перше із чисел ri, то значення випадкової величини s дорівнює 0.
