Разыграть пять возможных значений непрерывной случайной величины. Разыгрывание дискретных случайных величин. Задание на курсовую работу

Метод обратных функций

Пусть требуется разыграть непрерывную случай­ную величину X , т. е. получить последовательность ее возможных значений x i (i = 1,2, ...), зная функцию распределения F (х ).

Теорема. Если r i ,-случайное число, то возможное зна­чение x i разыгрываемой непрерывной случайной величины Х с заданной функцией распределения F (х ), соответствующее r i , является корнем уравнения

F (х i )= r i . (»)

Доказательство. Пусть выбрано случайное число r i (0≤r i <1). Так как в интервале всех возможных зна­чений Х функция распределения F (х ) монотонно возра­стает от 0 до 1, то в этом интервале существует, причем только одно, такое значение аргумента х i , при котором функция распределения примет значение r i . Другими словами, уравнение (*) имеет единственное решение

х i = F - 1 (r i ),

где F - 1 - функция, обратная функции у= F (х ).

Докажем теперь, что корень х i уравнения (*) есть возможное значение такой непрерывной случайной вели­чины (временно обозначим ее через ξ , а потом убедимся, что ξ=Х ). С этой целью докажем, что вероятность попа­дания ξ в интервал, например (с, d ), принадлежащий интервалу всех возможных значений X , равна прираще­нию функции распределения F (х ) на этом интервале:

Р (с< ξ < d )= F (d )- F (с ).

Действительно, так как F (х )- монотонно возрастаю­щая функция в интервале всех возможных значений X, то в этом интервале большим значениям аргумента соот­ветствуют большие значения функции, и обратно. Поэтому, если с <х i < d , то F (c )< r i < F (d ), и обратно [учтено, что в силу (*) F (х i )=r i ].

Из этих неравенств следует, чтоесли случайная величина ξ заключена в интервале

с< ξ < d , ξ (**)

то случайная величина R заключена в интервале

F (с )< R < F (d ), (***)

и обратно. Таким образом, неравенства(**) и (***) рав­носильны, а, значит, и равновероятны:

Р (с < ξ< d )=Р [F (с )< R < F (d )]. (****)

Так как величина R распределена равномерно в ин­тервале (0,1), то вероятность попадания R в некоторый интервал, принадлежащий интервалу (0,1), равна его длине (см. гл. XI, § 6, замечание). В частности,

Р [F (с )< R < F (d ) ] = F (d ) - F (с ).

Следовательно, соотношение (****) можно записать в виде

Р (с < ξ< d )= F (d ) - F (с ).

Итак, вероятность попадания ξ в интервал (с, d ) равна приращению функции распределения F (х ) на этом интер­вале, а это означает, что ξ=Х. Другими словами, числа х i , определяемые формулой (*), есть возможные значения величины Х с заданной функцией распределения F (х ), что и требовалось доказать.

Правило 1. х i , непрерывной случайной величины X, зная ее функцию распределения F (х ), надо выбрать случайное число r i приравнять его функции распределения и решить отно­сительно х i , полученное уравнение

F (х i )= r i .

Замечание 1. Если решить это уравнение в явном видене удается, то прибегают к графическим или численным методам.

Пример I. Разыграть 3 возможных значения непрерывной слу­чайной величины X, распределенной равномерно в интервале (2, 10).

Решение. Напишем функцию распределения величины X, рас­пределенной равномерно в интервале (а, b ) (см. гл. XI, § 3, пример):

F (х )= (х-а )/ (b -а ).

По условию, а = 2, b =10, следовательно,

F (х )= (х- 2)/ 8.

Используя правило настоящего параграфа, напишем уравнение для отыскания возможных значений х i , для чего приравняем функцию распределения случайному числу:

(х i -2 )/8= r i .

Отсюда х i =8 r i + 2.

Выберем 3 случайных числа, например, r i =0,11, r i =0,17, r i =0,66. Подставим эти числа в уравнение, разрешенное относительно х i , в итоге получим соответствующие возможные значенияX : х 1 =8·0,11+2==2,88; х 2 =1.36; х 3 = 7,28.

Пример 2. Непрерывная случайная величина Х распределенапопоказательному закону, заданному функцией распределения (параметр λ > 0 известен)

F (х )= 1 - е - λ х (х>0 ).

Требуется найти явную формулу для разыгрывания возможных зна­чений X.

Решение. Используя правило настоящего параграфа, напишем уравнение

1 - е - λ х i

Решим это уравнение относительно х i :

е - λ х i = 1 - r i , или - λ х i = ln (1 - r i ).

х i =1п (1– r i )/λ.

Случайное число r i заключено в интервале (0,1); следовательно, число 1 - r i , также случайное и принадлежит интервалу (0,1). Дру­гими словами, величины R и 1 - R распределены одинаково. Поэтому для отыскания х i можно воспользоваться более простой формулой:

x i =- ln r i /λ.

Замечание 2. Известно, что (см. гл. XI, §3)

В частности,

Отсюда следует, что если известна плотность вероятности f (x ), то для разыгрывания Х можно вместоуравнений F (x i )=r i решить относительно x i уравнение

Правило 2. Для того чтобы найти возможное значение х i (непрерывной случайной величины X, зная ее плот­ность вероятности f (x ) надо выбрать случайное число r i и решить относительно х i , уравнение

или уравнение

где а- наименьшее конечное возможное значение X.

Пример 3. Задана плотность вероятности непрерывной случайной величины Х f (х )=λ (1-λх /2) в интервале (0; 2/λ); вне этого интер­вала f (х )= 0. Требуется найти явную формулу для разыгрывания возможных значений X.

Решение. Напишем в соответствии с правилом 2 уравнение

Выполнив интегрирование и решив полученное квадратное уравнение относительно х i , окончательно получим

Напомним предварительно, что если случайная величина R распределена равномерно в интервале (0,1), то ее математическое ожидание и дисперсия соответственно равны (см. гл. XII, § 1, замечание 3):

M (R )= 1/2, (*)

D (R )= 1/2. (**)

Составим сумму п независимых, распределенных рав­номерно в интервале (0,1) случайных величин R j (j =1, 2, ...,n):

Для нормирования этой суммы найдем предварительно ее математическое ожидание и дисперсию.

Известно, что математическое ожидание суммы слу­чайных величин равно сумме математических ожиданий слагаемых. Сумма (***) содержит п слагаемых, матема­тическое ожидание каждого из которых в силу (*) равно 1/2; следовательно, математическое ожидание суммы (*** )

Известно, что дисперсия суммы независимых случай­ных величин равна сумме дисперсий слагаемых. Сумма (***) содержит n независимых слагаемых, дисперсия каж­дого из которых в силу (**) равна 1/12; следовательно, дисперсия суммы (***)

Отсюда среднее квадратическое отклонение суммы (***)

Пронормируем рассматриваемую сумму, для чего выч­тем математическое ожидание и разделим результат на среднее квадратическое отклонение:

В силу центральной предельной теоремы при п→∞ распределение этой нормированной случайной величины стремится к нормальному с параметрами а= 0 и σ=1. При конечном п распределение прибли­женно нормальное. В частности, при п = 12 получим достаточно хорошее и удобное для расчета приближение

Правило. Для того чтобы разыграть возможное зна­чение x i нормальной случайной величины Х с парамет­рами а=0 и σ=1, надо сложить 12 независимых слу­чайных чисел и из полученной суммы вычесть 6:

Пример, а) Разыграть 100 возможных значений нормальной вели­чины Х с параметрами а=0 и σ=1; б) оценить параметры разыг­ранной величины.

Решение. а) Выберем 12 случайных чисел из первой строки таблицы *) , сложимих и из полученной суммы вычтем 6; в итоге имеем

x i =(0,10+0,09+...+0,67) - 6= - 0,99.

Аналогично, выбирая из каждой следующей строки таблицы пер­вые 12 чисел, найдем остальные возможные значения X.

б) Выполнив расчеты, получим искомые оценки:

Оценки удовлетворительные: а* близко к нулю, σ* мало отличается от единицы.

Замечание. Если требуется разыграть возможное значение z i , нормальной случайной величины Z с математическим ожиданием а и средним квадратическим отклонением σ , то, разыграв по пра­вилу настоящего параграфа возможное значение x i , находят искомое возможное значение по формуле

z i =σx i +a.

Эта формула получена из соотношения (z i -a )/σ=x i .

Задачи

1. Разыграть 6 значений дискретной случайной величины X, закон распределения которой задан в виде таблицы

X		3,2
p	0,18	0,24	0,58

Указание. Для определенности принять, что выбраны слу­чайные числа: 0,73; 0,75; 0,54; 0,08; 0,28; 0,53. Отв. 10; 10; 10; 2; 3; 22; 10.

2. Разыграть 4 испытания, в каждом из которых вероятность появления события А равна 0,52.

Указание. Для определенности принять, что выбраны слу­чайные числа: 0;28; 0,53; 0,91; 0,89.

Отв. А, , .

3. Заданы вероятности трех событий, образующих полную группу: Р (А 1)=0,20, Р (А 2)=0,32, Р (А 3 )= 0,48. Разыграть 6 испытаний, в каждом из которых появляется одно из заданных событий.

Указание. Для определенности принять, что выбраны слу­чайные числа: 0,77; 0,19; 0,21; 0,51; 0,99; 0,33.

Отв. А 3 , А 1 , А 2 , А 2 , А 3 , А 2 .

4. События А и В независимы и совместны. Разыграть 5 испы­таний, в каждом из которых вероятность появления события А равна 0,5, а события В- 0,8.

А 1 =АВ , для определенности принять случайные числа: 0,34; 0,41; 0,48; 0,21; 0,57.

Отв. А 1 , А 2 , А 2 , А 1 , А 3 .

5. События А, В, С независимы и совместны. Разыграть 4 испы­тания в каждом из которых вероятности появления событий заданы: Р (А )= 0,4, Р (В )= 0,6, Р (С )= 0,5.

Указание. Составить полную группу событий: для определенности принять, что выбраны случайные числа: 0,075; 0,907; 0,401; 0,344.

Отв.А 1 , А 8 , А 4 , А 4 .

6. События А и В зависимы и совместны. Разыграть 4 испытания, в каждом из которых заданы вероятности: Р (А )=0,7, Р (В )=0,6, Р (АВ )=0,4.

Указание. Составить полную группу событий: А 1 =АВ , для определенности принять случайные числа: 0,28; 0,53; 0,91; 0,89.

Отв. А 1 , А 2 , А 4 , А 3 .

7. Разыграть 3 возможных значения непрерывной случайной величины X, которая распределена по показательному закону и задана функцией распределения F (х )= 1 - е -10 x .

Указание. Для определенности принять, что выбраны слу­чайные числа: 0,67; 0,79; 0,91.

Отв. 0,04; 0,02; 0,009.

8. Разыграть 4 возможных значения непрерывной случайной величины X, распределенной равномерно в интервале (6,14).

Указание. Для определенности принять, что выбраны слу­чайные числа: 0,11: 0,04; 0,61; 0,93.

Отв. 6,88; 6,32; 10,88; 13,44.

9. Найти методом суперпозиции явные формулы для разыгрывания непрерывной случайной величины X, заданной функцией рас­пределения

F (x )=1- (1/3)(2е- 2 x +е -3 x:), 0<х <∞.

Отв. х= - (1/2)1п r 2 , если r 1 < 2/3; х = - (1/3)1п r 2 , если r 1 ≥2/3.

10. Найти явную формулу для разыгрывания непрерывной слу­чайной величины X, заданной плотностью вероятности f (х )=b /(1 +ax ) 2 в интервале 0≤x ≤1/(b-a ); вне этого интервала f(x)=0.

Отв. х i = - r i /(b - ar i ).

11. Разыграть 2 возможных значения нормальной случайной величины с параметрами: а) а =0, σ =1; б) а =2, σ =3.

Указание. Для определенности принять случайные числа (далее указано число сотых долей; например, числу 74 соответствует слу­чайное число r 1 =0,74): 74. 10, 88, 82. 22, 88, 57, 07, 40, 15, 25, 70; 62, 88, 08, 78, 73, 95, 16, 05, 92, 21, 22, 30.

Отв. а) x 1 = - 0,22, x 2 = - 0.10; 6) z 1 =1,34, z 2 =2,70.

Глава двадцать вторая

ВВЕДЕНИЕ

Системой принято называть совокупность элементов, между которыми имеются связи любой природы, и она обладает функцией (назначением), которой нет у составляющих ее элементов. Информационные системы, как правило, представляют собой сложные территориально распределенные системы с большим количеством составляющих элементов, обладающие разветвленной сетевой структурой.

Разработка математических моделей, позволяющих оценить показатели функционирования информационных систем, является сложной и трудоемкой задачей. Для определения характеристик таких систем можно применить метод имитационного моделирования с последующей обработкой результатов эксперимента.

Имитационное моделирование является одной из центральных тем при изучении дисциплин "Моделирование систем" и "Математическое моделирование". Предметом имитационного модели­рования является изучение сложных процессов и систем, подвер­женных, как правило, воздействию случайных факторов, путем проведения экспериментов с их имитационными моделями.

Суть метода проста - имитируется “жизнь” системы при многократном повторении испытаний. При этом моделируются и регистрируются случайно меняющиеся внешние воздействия на систему. Для каждой ситуации по уравнениям модели просчитываются системные показатели. Существующие современные методы математической статистики позволяют ответить на вопрос - а можно ли и, с каким доверием, использовать данные моделирования. Если эти показатели доверия для нас достаточны, мы можем использовать модель для изучения данной системы.

Можно говорить об универсальности имитационного моделирования, поскольку оно применяется для решения теоретических и практических задач анализа больших систем, включая задачи оценки вариантов структуры системы, оценки эффективности различных алгоритмов управления системой, оценки влияния измене­ния различных параметров системы на её поведение. Имитационное моделирование может быть положено также в основу синтеза больших систем, когда требуется создать систему с заданными характеристиками при определённых ограничениях, и которая при этом была бы оп­тимальной согласно выбранным критериям.

Имитационное моделирование является одним из наиболее эффективных средств исследования и проектирования сложных систем, а часто единственным практически реализуемым методом исследования процесса их функционирования.

Целью курсовой работы является изучение студентами методов имитационного моделирования и методов обработки статистических данных на ЭВМ с использованием прикладных программных средств. Приведем возможные темы курсовых работ, позволяющих исследовать сложные системы на основе имитационных моделей.

· Имитационное моделирование в задачах одномерного или плоского раскроя. Сравнение плана раскроя с оптимальным планом, полученным методами линейного целочисленного программирования.

· Транспортные модели и их варианты. Сравнение плана перевозок, полученного методом имитационного моделирования, с оптимальным планом, полученным методом потенциалов.

· Применение метода имитационного моделирования к решению оптимизационных задач на графах.

· Определение объемов производства как задача многокритериальной оптимизации. Использование метода имитационного моделирования для нахождения множества достижимости и множества Парето.

· Метод имитационного моделирования в задачах календарного планирования. Получение рекомендаций по составлению рационального расписания.

· Исследование характеристик информационных систем и каналов связи как систем массового обслуживания методом имитационного моделирования.

· Построение имитационных моделей при организации запросов в базах данных.

· Применение метода имитационного моделирования для решения задачи управления запасами с постоянным, переменным и случайным спросом.

· Исследование работы цеха рубительных машин методом имитационного моделирования.

ЗАДАНИЕ НА КУРСОВУЮ РАБОТУ

Техническая система S состоит из трех элементов, схема соединения которых приведена на рис.1. Времена безотказной работы X 1 , X 2 , X 3 элементов системы являются непрерывными случайными величинами с известными законами распределения вероятностей. Внешняя среда E оказывает воздействие на работу систему в виде случайной величины V с известным дискретным распределением вероятностей.

Требуется оценить надежность системы S методом имитационного моделирования на ЭВМ с последующей обработкой результатов эксперимента. Ниже приводится последовательность выполнения работы.

1. Разработка алгоритмов разыгрывания случайных величин X 1 , X 2 , X 3 и V с использованием генераторов случайных чисел, содержащихся в математических пакетах, например, в Microsoft Excel или в StatGraphics.

2. Определение времени безотказной работы системы Y в зависимости от времен безотказной работы X 1 , X 2 , X 3 элементов на основе структурной схемы расчета надежности.

3. Определение времени безотказной работы системы с учетом влияния внешней среды в соответствии с формулой Z=Y/(1+0,1V).

4. Построение моделирующего алгоритма, имитирующего работу системы S и учитывающего возможность отказа элементов и случайные воздействия внешней среды E. Реализация полученного алгоритма на ЭВМ и создание файла со значениями случайных величин X 1 , X 2 , X 3 , V, Y и Z. Число опытов для машинного эксперимента принять равным 100.

5. Статистическая обработка полученных результатов. С этой целью необходимо

Данные для случайной величины Z разбить на 10 групп и сформировать статистический ряд, содержащий границы и середины частичных интервалов, соответствующие частоты, относительные частоты, накопленные частоты и накопленные относительные частоты;

Для величины Z построить полигон и кумуляту частот, построить гистограмму по плотностям относительных частот;

Для величин X 1 , X 2 , X 3 , V установить их соответствие заданным законам распределения, используя критерий c 2 ;

Для случайной величины Z рассмотреть три непрерывных распределения (равномерное, нормальное, гамма), изобразить на гистограмме для Z плотности этих распределений;

С помощью критерия c 2 выполнить проверку справедливости гипотезы о соответствии статистических данных выбранным распределениям, уровень значимости при подборе подходящего распределения принять равным 0.05.

6. Записать функцию плотности распределения времени безотказной работы Z системы, определить математическое ожидание, дисперсию и среднее квадратическое отклонение случайной величины Z. Определить основные характеристики надежности системы: среднюю наработку до отказа T 1 и вероятность безотказной работы P(t) в течение времени t. Найти вероятность, что система не откажет за время T 1 .

Варианты заданий выдаются из табл.1 индивидуально каждому студенту. Обозначения случайных величин содержатся по тексту в п.2 и 3. Структурные схемы расчета надежности в соответствии с их номерами приведены на рис.1.

Таблица 1

Варианты заданий

Вариант	X 1	X 2	X 3	V	Номер схемы
	LN(1,5;2)	LN(1,5;2)	E(2;0,1)	B(5;0,7)
	U(18;30)	U(18;30)	N(30;5)	G(0,6)
	W(1,5;20)	W(1,5;20)	U(10;20)	П(2)
	Exp(0,1)	Exp(0,1)	W(2;13)	B(4;0,6)
	N(18;2)	N(18;2)	Exp(0,05)	G(0,7)
	E(3;0,2)	E(3;0,2)	LN(2;0,5)	П(0,8)
	W(2,1;24)	W(2,1;24)	E(3;0,25)	B(3;0,5)
	Exp(0,03)	Exp(0,03)	N(30;0,4)	G(0,8)
	U(12;14)	U(12;14)	W(1,8;22)	П(3,1)
	N(13;3)	N(13;3)	W(2;18)	B(4;0,4)
	LN(2;1)	LN(2;1)	Exp(0,04)	G(0,9)
	E(2;0,1)	E(2;0,1)	LN(1;2)	П (4,8)
	W(1,4;20)	W(1,4;20)	U(30;50)	B(3;0,2)
	Exp(0,08)	Exp(0,08)	LN(2;1,5)	G(0,3)
	U(25;30)	U(25;30)	N(30;1,7)	П(2,8)
	N(17;4)	N(17;4)	E(2;0,04)	B(2;0,3)
	LN(3;0,4)	LN(3;0,4)	Exp(0,02)	G(0,4)
	E(2;0,15)	E(2;0,15)	W(2,3;24)	П(1,6)
	W(2,3;25)	W(2,3;25)	U(34;40)	B(4;0,9)
	Exp(0,02)	Exp(0,02)	LN(3,2;1)	G(0,7)
	U(15;22)	U(15;22)	N(19;2,2)	П(0,5)
	N(15;1)	N(15;1)	E(3;0,08)	B(4;0,6)
	LN(2;0,3)	LN(2;0,3)	Exp(0,02)	G(0,5)
	E(3;0,5)	E(3;0,5)	W(3;2)	П(3,6)
	W(1,7;19)	W(1,7;19)	U(15;20)	B(5;0,7)
	Exp(0,06)	Exp(0,06)	LN(2;1,6)	G(0,2)
	U(15;17)	U(15;17)	N(12;4)	П(4,5)
	N(29;2)	N(29;2)	E(2;0,07)	B(2;0,7)
	LN(1,5;1)	LN(1,5;1)	Exp(0,08)	G(0,7)
	E(2;0,09)	E(2;0,09)	W(2,4;25)	П(2,9)

На рис.1 имеется три вида соединения элементов: последовательное, параллельное (постоянно включенный резерв) и резервирование замещением.

Время до отказа системы, состоящей из последовательно соединенных элементов, равно наименьшему из времен до отказа элементов. Время до отказа системы с постоянно включенным резервом равно наибольшему из времен до отказа элементов. Время до отказа системы с резервом замещением, равно сумме времен до отказа элементов.

Схема 1. Схема 2.

Схема 3. Схема 4.

Схема 5. Схема 6.
Схема 7. Схема 8.

5.2.2. Разыгрывание непрерывной случайной величины

Пусть требуется разыграть непрерывную случайную величину Х , т.е. получить последовательность ее возможных значений x i (i = 1,2,...). При этом функция распределения F(X) известна.

Существует следующая теорема .

Если r i - случайное число, то возможное значение x i разыгрываемой непрерывной случайной величины Х с известной функцией распределения F(X) соответствующее r i , является корнем уравнения

Алгоритм разыгрывания непрерывной случайной величины:

1. Необходимо выбрать случайное число r i .

2. Приравнять выбранное случайное число известной функции распределения F(X) и получить уравнение .

3. Решить данное уравнение относительно x i . Полученное значение x i будет соответствовать одновременно и случайному числу r i . и заданному закону распределения F(X).

Пример5.2.

Разыграть 3 возможных значения непрерывной случайной величины Х , распределенной равномерно в интервале (2; 10).

Решение

Функция распределения величины Х имеет следующий вид:

По условию, a = 2, b = 10, следовательно,

В соответствии с алгоритмом разыгрывания непрерывной случайной величины приравняем F(X) выбранному случайному числу r i .. Получим отсюда:

(5.3)

Подставим эти числа в уравнение (5.3).Получим соответствующие возможные значения х :

Пример 5.3

Непрерывная случайная величина Х распределена по показательному закону с известной функцией

(x>0, параметр > 0 известен)

Требуется найти формулу для разыгрывания возможных значений Х .

Решение

В соответствии с алгоритмом разыгрывания непрерывной случайной величины получим уравнение

Решим это уравнение относительно x i . Получим:

Случайное число r i находится в интервале (0, 1). Следовательно число (1- r i ) также случайное и принадлежит интервалу (0, 1). То есть случайные величины R и 1 - R распределены одинаково, т.е. равномерно в одном и том же интервале (0, 1). Поэтому для отыскания значения x i можно воспользоваться более простой формулой:

5.2.3. Разыгрывание случайной величины X, распределенной нормально

Известно, что если случайная величина R распределена равномерно в интервале (0, 1), то ее математическое ожидание М(R) = 1/2, а дисперсия D(R) = 1/12.

Составим сумму n независимых случайных величин R j (j = 1,2,...n), которые распределены равномерно в интервале (0, 1). Получим .

Пронормируем эту сумму. Для этого найдем сначала ее математическое ожидание и дисперсию. Известно, что математическое ожидание суммы случайных величин равно сумме математических ожиданий слагаемых. Сумма R i содержит n слагаемых. Математическое ожидание каждого слагаемого равна 1/2. Следовательно математическое ожидание суммы равно:

;

Аналогично для дисперсии суммы R j получим:

Отсюда среднее квадратическое отклонение суммы R j :

Теперь пронормируем сумму R j .

Для этого вычтем из суммы R j математическое ожидание этой суммы и разделим на среднее квадратическое отклонение суммы R j . Получим

(то есть )

На основании центральной предельной теоремы теории вероятностей при распределение этой нормированной случайной величины стремится к нормальному закону с параметрами a = 0 и = 1.

При конечном n распределение можно рассматривать как приближенно нормальное. Например, при n = 12 получим достаточно точное для практики приближение

Таким образом, получаем, что для того чтобы разыграть возможное значение x i нормальной случайной величины Х с параметрами a = 0 и = 1, нужно сложить 12 независимых случайных чисел и из полученной суммы вычесть 6.

Пример 5.4.

1. Разыграть 100 возможных значений случайной величины Х распределенной нормально с параметрами a = 0 и = 1.

2. Оценить параметры разыгранной случайной величины Х .

Решение

1. Выберем 12 случайных чисел распределенных равномерно в интервале (0, 1) из таблицы случайных чисел, либо из компьютера. Сложим эти числа и из суммы вычтем 6, в итоге получим:

Поступая аналогичным образом найдем остальные возможные значения .

2. Выполнив необходимые расчеты найдем выборочную среднюю, которая является оценкой и выборочное среднее квадратическое отклонение, которое является оценкой . Получим:

Как видим, оценки удовлетворительны, т.е. близко к нулю, а близко к единице.

Если требуется разыграть значения нормальной ненормированной случайной величины с математическим ожиданием отличным от нуля и отличным от единицы, то сначала разыгрывают возможные значения x i нормированной случайной величины, а затем находят искомое значение по формуле

которая получена из соотношения:

Таблица 5.1

Формулы для моделирования случайных величин

Пусть требуется разыграть непрерывную случайную величину X, т.е. получить последовательность ее возможных значений (i=1, 2, ..., n), зная функцию распределения F(x).

Теорема. Если - случайное число, то возможное значение разыгрываемой непрерывной случайной величины X с заданной функцией распределения F (х), соответствующее , является корнем уравнения .

Правило 1. Для того чтобы найти возможное значение , непрерывной случайной величины X, зная ее функцию распределения F (х), надо выбрать случайное число , приравнять его функции распределения и решить относительно полученное уравнение .

Замечание 1. Если решить это уравнение в явном виде не удается, то прибегают к графическим или численным методам.

Пример 1. Разыграть 3 возможных значения непрерывной случайной величины X, распределенной равномерно в интервале (2, 10).

Решение: Напишем функцию распределения величины X, распределенной равномерно в интервале (а, b): .

По условию, а=2, b=10, следовательно, .

Используя правило 1, напишем уравнение для отыскания возможных значений , для чего приравняем функцию распределения случайному числу:

Отсюда .

Выберем 3 случайных числа, например, , , . Подставим эти числа в уравнение, разрешенное относительно ; в итоге получим соответствующие возможные значения X: ; ; .

Пример 2. Непрерывная случайная величина X распределена по показательному закону, заданному функцией распределения (параметр известен) (х >0). Требуется найти явную формулу для разыгрывания возможных значений X.

Решение: Используя правило, напишем уравнение .

Решим это уравнение относительно : , или .

Случайное число заключено в интервале (0, 1); следовательно, число - также случайное и принадлежит интервалу (0,1). Другими словами, величины R и 1-R распределены одинаково. Поэтому для отыскания можно воспользоваться более простой формулой .

Замечание 2. Известно, что .

В частности, .

Отсюда следует, что если известна плотность вероятности , то для разыгрывания X можно вместо уравнений решить относительно уравнение .

Правило 2. Для того чтобы найти возможное значение непрерывной случайной величины X, зная ее плотность вероятности , надо выбрать случайное число и решить относительно уравнение или уравнение , где а - наименьшее конечное возможное значение X.

Пример 3. Задана плотность вероятности непрерывной случайной величины X в интервале ; вне этого интервала . Требуется найти явную формулу для разыгрывания возможных значений X.

Решение: Напишем в соответствии с правилом 2 уравнение .

Выполнив интегрирование и решив полученное квадратное уравнение относительно , окончательно получим .

18.7 Приближённое разыгрывание нормальной случайной величины

Напомним предварительно, что если случайная величина R распределена равномерно в интервале (0, 1), то ее математическое ожидание и дисперсия соответственно равны: М(R)=1/2, D(R)=1/12.

Составим сумму n независимых, распределенных равномерно в интервале (0, 1) случайных величин : .

Для нормирования этой суммы найдем предварительно ее математическое ожидание и дисперсию.

Известно, что математическое ожидание суммы случайных величин равно сумме математических ожиданий слагаемых. Сумма содержит n слагаемых, математическое ожидание каждого из которых в силу М(R)=1/2 равно 1/2; следовательно, математическое ожидание суммы

Известно, что дисперсия суммы независимых случайных величин равна сумме дисперсий слагаемых. Сумма содержит n независимых слагаемых, дисперсия каждого из которых в силу D(R)=1/12 равна 1/12; следовательно, дисперсия суммы

Отсюда среднее квадратическое отклонение суммы

Пронормируем рассматриваемую сумму, для чего вычтем математическое ожидание и разделим результат на среднее квадратическое отклонение: .

В силу центральной предельной теоремы при распределение этой нормированной случайной величины стремится к нормальному с параметрами а=0 и . При конечном n распределение приближенно нормальное. В частности, при n=12 получим достаточно хорошее и удобное для расчета приближение .

Оценки удовлетворительные: близко к нулю, мало отличается от единицы.

Список использованных источников

1. Гмурман В.Е. Теория вероятностей и математическая статистика. – М.:Высшая школа, 2001.

2. Калинина В.Н., Панкин В.Ф. Математическая статистика. – М.: Высшая школа, 2001.

3. Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике. – М.: Высшая школа, 2001.

4. Кочетков Е.С., Смерчинская С.О., Соколов В.В. Теория вероятностей и математическая статистика. – М.:ФОРУМ:ИНФРА-М, 2003.

5. Агапов Г.И. Задачник по теории вероятностей. – М.: Высшая школа, 1994.

6. Колемаев В.А., Калинина В.Н. Теория вероятностей и математическая статистика. – М.: ИНФРА-М, 2001.

7. Вентцель Е.С. Теория вероятностей. – М.: Высшая школа, 2001.