Метод предельных теорем

 

Этот метод моделирования случайных величин основывается на приближенном воспроизведении условий, при которых оказываются справедливыми соответствующие предельные теоремы. Так, центральная предельная теорема теории вероятностей позволяет получить случайную величину с нормальным законом распределения. Эта теорема впервые была сформулирована Лапласом. Ее обобщением занимались многие выдающиеся математики, в том числе Чебышев ПЛ., Марков А.А. и Ляпунов А.М.

Приведем центральную предельную теорему в следующей формулировке:

Теорема1. Пусть τ1, τ2,…τn - взаимно независимые нормированные случайные величины с одним и тем же распределением. Тогда при  распределение нормированной суммы

              (6.17)

 

cтремится к нормальному распределению с плотностью вероятностей

=

 

Если в качестве независимых случайных величин f(x) использовать базовые случайные величины  ξi с математическим ожиданием тz = 1/2 и дисперсией  = 1/12, то нормированная сумма (6.17) примет вид

 

         (6.18)

 

Следовательно, по формуле (6.18) при достаточно больших п можно вычислить приближенные значения нормального распределения с параметрами т = 0 и = 1. Проведенные исследования показали, что уже при n=12 погрешность суммы (8.7) не превышает 9*10-3. Поэтому на практике для моделирования нормального закона распределения с заданными параметрами тх  и  используется формула

 

Здесь z и х – реализации соответственно базовой  и моделируемой (η) случайных величин.

Алгоритм, реализующий формулу (6.19), заключается в следующем:

Шаг 1. Положить j = 1.

Шаг 2. Принять S = 0 и i =1.

Шаг 3. Получить реализацию  z   случайной величины  .

Шаг 4. Положить S = S + z  и   i = i+ 1.

Шаг 5. Проверить условие  i<=12. При выполнении условия перейти на шаг 3.

Шаг 6. Вычисление очередной реализации хj случайной величины η

Шаг 7.  Положить  j=j+1.

Шаг 8. Проверить условие завершения счета j > п, где л – число реализаций нормального распределения. При нарушении этого условия возврат на шаг 2.

Шаг 9. Вывод реализации {хj}.