Моделирование непрерывных случайных величин
Для моделирования «случайных величин с заданным законом распределения, как это
следует из основного принципа моделирования здесь получил метод обратной
функции.
Однако для
ряда важных распределений, у которых закон распределения не выражается через
элементарные функции, этот меч практически невозможно реализовать.
Суть
следующего направления состоит в выборе чисел из базовой последовательности
так, чтобы они образовали новую последовательность с требуемым распределением.
Широкое
распространение среди «избирательных» методов полу» метод исключения
Неймана. К сожалению, этот метод характеризуется большим числом «холостых
ходов» и применяется для моделирования случайных величин, которые определены на
конечном отрезке [а, b].
Третье
направление связано с моделированием условий соответствующих предельных
теорем теории вероятностей, обеспечивают практически приемлемое приближение к
заданным законам распределения. Очевидно, область применения этого направления
ограничена числом предельных теорем.
Название
четвертого направления предопределяет использование для моделирования
случайных величин одновременно нескольких методов. Такой подход оправдан при
моделировании непрерывных случайных величин с достаточно сложными законами
распределения.
Ниже будут
рассмотрены по одному методу из каждого направления. На наш взгляд, эти методы,
дополняя друг друга, обеспечат моделирование непрерывных случайных величин с
любым законом распределения, заданных как аналитически, так и в виде графиков
или таблиц.
Метод обратной функции
Пусть непрерывная случайная величина
определена в
интервале (а,b) и имеет плотность
распределения f(x)>O при а<х<b (случай а =
, b =
не исключается).
функция распределения
![]()
Принцип
работы метода обратной функции сформулируем в виде теоремы 6.1. Случайная величина
, реализации х которой определяются из выражения
F (x)=z или x=F -1 (z),
(14)
где z - реализация базовой случайной величины
, имеет плотность распределения f(x).
Доказательство.
Напишем
выражение для вероятности попадания случайной величины
в отрезок [0, z]
(15)
Первое равенство выражения (15) написано из условия (14) данной теоремы.
Справедливость второго равенства следует из свойства монотонного возрастания функции
распределения от нуля до единицы. И, наконец, последнее равенство
предопределено известным свойством равномерного распределения, что вероятность
попадания
случайной величины в некоторый интервал, равна длине этого интервала, т.е. Р {
< z}
= z.
Для практического применения метода обратной функции необходимо
разрешить относительно х. уравнение
(16)
Пример1. Случайная величина
с функцией
плотности f(x)=x-2 определена на интервале
[1,
). Воспользовавшись соотношением [3.3), можно получить
![]()
тогда
![]()
Алгоритм,
реализующий метод обратной функции, состоит из следующих процедур:
Шаг1. Положить
у =1.
Шаг 2. Получить реализацию z. случайной величины
.
Шаг 3. Вычислить реализацию х случайной
величины
.![]()
Шаг 4. Положить j=j +1.
Шаг 5. Проверить
выполнение условия j > п, где п - требуемое
число реализаций случайной величины
. При нарушении этого условия переход на
шаг 2.
Шаг 6. Вывод значений
.