- •4. Применение имитационного моделирования
- •Лекция 2
- •2. Классификация математических моделей
- •И видов моделирования.
- •Имитационное и статистическое моделирование
- •Лекция 3
- •Лекция 4
- •Лекция 5
- •Лекция 7
- •3. Получение и преобразование случайных чисел Лекция 6
- •Лекция 8
- •Лекция 9
- •Лекция 10
- •Лекция 11
- •Лекция 12
- •Лекция 13
- •4. Применение имитационного моделирования Лекция 14
- •Лекция 15
- •Лекция 16
- •Лекция 17
- •Лекция 18
- •Лекция 19
- •Текст программы
- •Лекция 20
- •Текст программы
- •Экранные формы для ввода исходной информации и вывода результатов моделирования смо
- •5. Сети петри Лекция 21
- •Лекция 22
- •6. Планирование машинных экспериментов Лекция 23
- •Лекция 24
- •7. Языки имитационного моделирования Лекция 25
- •Лекция 26
- •Текст программы
- •Список использованных источников
Лекция 11
Приближённый
метод. Пусть
закон распределения случайной величины
которую необходимо имитировать на ЭВМ,
задан функцией плотности распределения
возможные значения которой лежат на
отрезке [a,
b].
Если этот отрезок с бесконечными
границами, целесообразно перейти к
усечённому распределению. Представим
на участке [a,
b]
в виде кусочно-постоянной функции, т.е.
отрезок [a,
b]
разобъем на n
полуитервалов
и будем считать
на каждом из них постоянной. Тогда
случайную величину
можно представить в виде
Величина на считается распределённой равномерно.
Для аппроксимации наиболее удобным способом, целесообразно разбить отрезок [a, b] на полуинтервалы таким образом, чтобы вероятность попадания случайной величины на любой из них была постоянной, т.е. не зависела от номера полуинтервала k. Для вычисления ak воспользуемся соотношением
где n – количество полуинтервалов.
Процедура имитации предполагает следующее:
генерируется значение xi случайной равномерно распределённой на отрезке [0, 1] величины ξ(x);
с помощью xi выбирается полуинтервал (путём моделирования дискретной случайной величины, принимающей n равновероятных значений);
генерируется следующее значение xi+1 случайной равномерно распределённой на отрезке [0, 1] величины ξ (x), которое масштабируется с целью приведения его к полуинтервалу
Таким
образом, значение
xi+1
становится значением случайной величины
,
равномерно распределённой на полуинтервале
Затем случайные числа с требуемым законом распределения вычисляются по формуле
Лекция 12
Получение случайных чисел с нормальным законом распределения. Для получения случайных чиел, распределённых по нормальному закону, можно воспользоваться центральной теоремой теории вероятностей, согласно которой сумма большого числа случайных чисел, имеющих равномерное распределение на отрезке [0, 1], даёт распределение, асимптотически приближающееся к нормальному.
Поэтому
для получения нормального распределения
следует суммировать случайные числа,
равномерно распределённые на отрезке
[0, 1]. При этом математическое ожидание
µ и среднеквадратическое отклонение
σ
получаемого закона при достаточно
большом числе n
случайных величин будут определяться
выражениями
При
приближение к нормальному закону
достаточное для практических потребностей.
Если
необходимо смоделировать нормальный
закон с математическим ожиданием
и среднеквадратическим отклонением
,
то требуемые случайные числа
вычисляются по формуле
где j = 1, 2, … – номер случайного числа с заданными параметрами нормального закона распределения.
Лекция 13
Условия применимости рассмотренных методов получения псевдослучайных чисел с заданными законами распределения:
метода обратной функции – когда удаётся найти обратную функцию;
метода Неймана – для моделирования случайных величин, имеющих сравнительно мало изменяющиеся функции плотности распределения.
приближённого метода – когда метод обратной функции неприменим, а метод Неймана – неэффективен.
Экспериментальная проверка соответствия полученных последовательностей ПСЧ законом распределения. Проверка степени соответствия реализаций случайных величин соответствующим законам распределения осуществляется с помощью критериев согласия. Критерий согласия позволяет оценить вероятность того события, что полученная выборка не противоречит сделанному предположению о виде закона распределения случайной величины.
К
одним из наиболее часто используемых
в практике обработки результатов
машинных экспериментов является критерий
Пирсона (критерий «хи-квадрат»
).
В критерии Пирсона за меру расхождения между эмпирическим и теоретическим законами распределения принимается величина, значение которой определяется по формуле
где l – число разрядов (интервалов), на которое разбиты все опытные значения случайной величины ξ ; N – объём выборки; mi – численность i-го разряда; pi – вероятность попадания случайной величины ξ в i-й интервал, вычисленная из теоретического закона.
При N
→ ∞ закон распределения
независимо от вида закона распределения
случайной величины ξ стремится к
с
k
= l
−
v
−
1 степенями свободы ( v
–
число параметров теоретического закона
распределения, вычисленных по данной
выборке (для нормального закона – это
математическое ожидание и дисперсия,
т.е. v
для
нормального закона распределения равно
2)).
Гипотеза
о виде закона распределения принимается,
если
,
где
– теоретическое (табличное, критическое)
значение критерия. Табличное значение
критерия определяется по специальной
таблице. Оно зависит от принятого
значения доверительной вероятности
(уровня значимости) и числа степеней
свободы. Обычно уровень значимости
принимается равным 0,05, что соответствует
доверительной вероятности 0,95. Для
практического использования критерия
Пирсона необходимо выполнение двух
условий:
Если второе условие не выполняется, то
интервалы следует объединить. При
достаточно больших значениях k
распределение
переходит в нормальное.
Для проверки соответствия случайных величин заданным законам распределения широко используются и другие критерии согласия, например, критерий Колмогорова-Смирнова. В этом критерии за меру расхождения (отклонения) эмпирического и теоретического законов распределения принимается величина
а в критерии Мизеса (критерий ω2) – величина
где
эмпирическая, а
теоретическая функции распределения.
Следует отметить, что при имитационном моделировании наибольшее применение находит критерий , как обеспечивающий наименьшую ошибку в принятии неверной гипотезы.
