Основные методы, применяемые для решения задач математического моделирования

Создание математической модели, имеющей те же вероятностные характеристики, что и изучаемое случайное явление - одна из основных идей метода статистического моделирования. Специфические особенности закона распределения дискретной случайной величины.

Рубрика Математика
Вид контрольная работа
Язык русский
Дата добавления 12.01.2017
Размер файла 82,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Введение

В настоящее время нельзя назвать область человеческой деятельности, в которой в той или иной степени не использовались бы методы моделирования. Особенно это относится к сфере управления различными системами, где основными являются процессы принятия решений на основе получаемой информации.

Метод моделирования широко применяют в таких областях, как автоматизация проектирования и организации в автоматизированных системах научных исследований, в системах исследования и проектирования, в системах массового обслуживания, анализ различных сторон деятельности человека, автоматизированное управление производственными и другими процессами. Важно подчеркнуть, что моделирование используется при проектировании, создании, внедрении, эксплуатации систем, а также на различных уровнях их изучения, начиная от анализа работы элементов и кончая исследованием системы в целом при их взаимодействии с окружающей средой.

1. Задачи статистического моделирования

Под статистическим моделированием понимается воспроизведение с помощью ЭВМ функционирования вероятностной модели некоторого объекта.

Задачи статистического моделирования состоят в том, чтобы научиться воспроизводить с помощью ЭВМ поведение таких моделей, например:

1) с помощью специальных методов и средств вырабатывать программы реализации случайных чисел;

2) с помощью этих чисел получать реализацию случайных величин или случайных процессов с более сложными законами распределения;

3) с помощью полученных реализации вычислять значения величин, характеризующих модель, и производить обработку результатов экспериментов;

Устанавливать связь алгоритмов моделирования с алгоритмами решения задач вычислительной математики с помощью метода Монте-Карло и строить так называемые “фиктивные” модели, т.е. модели, не имеющие связи с объектом моделирования, но удобные в вычислительном отношении и позволяющие вычислять нужные нам характеристики объекта.

Моделирование случайных процессов строится на основе базовых распределений случайных величин.

2. Метод Монте-Карло. Оценка погрешности метода. Случайные числа

Основной идеей метода статистического моделирования является идея создания математической модели, имеющей те же вероятностные характеристики и подчиняющейся тем же вероятностным законам, что и изучаемое случайное явление (процесс).

Предметом метода статистического моделирования являются численные методы, основанные на моделировании случайных величин и получении статистических оценок для искомых величин.

Методы статистического моделирования основаны на моделировании случайных дискретных величин с заданными законами распределения.

Смоделировать случайную величину - значит получить последовательность её возможных значений (реализаций).

Смоделировать случайное событие - значит, ответить на вопрос произошло оно в результате опыта или нет.

Моделирование случайной величины связано с понятием случайного числа.

Определение 2.1.

Возможные значения (реализации) случайной величины равномерно распределенной на (0; 1) называются случайными числами.

Обозначение случайного числа:

.

Замечание: Так как возможные значения случайной величины R могут иметь бесконечное число десятичных знаков, то в действительности пользуются не равномерно распределенной случайной величиной R, а квазиравномерной случайной величиной R*, её возможные значения имеют конечное число знаков.

Способы получения случайных чисел:

1) моделирование случайной величины R с помощью бросания монеты;

2) физические генераторы. Физическим генератором (датчиком случайного двоичного разряда) называется специальное приспособление, в котором результаты некоторого случайного физического процесса преобразуются в последовательность значений случайной величины X с распределением;

3) таблицы случайных чисел;

4) с помощью ЭВМ (существуют специальные программы).

Общая схема метода Монте-Карло.

Метод Монте-Карло можно определить как метод моделирования случайных величин с целью вычисления характеристик их распределений.

Как правило, предполагается, что моделирование осуществляется с помощью электронных вычислительных машин (ЭВМ), хотя в некоторых случаях можно добиться успеха, используя приспособления типа рулетки, карандаша и бумаги.

Предположим, что нам требуется вычислить некоторую неизвестную величину m, и мы хотим сделать это, рассматривая случайную величину такую, что ее математическое ожидание

Пусть при этом дисперсия данной случайной величины .

Рассмотрим случайных независимых величин распределения которых совпадают с распределением рассматриваемой случайной величины .

Согласно центральной предельной теореме теории вероятностей, распределение суммы:

,

будет приблизительно нормальным со средним, равным:

,

и дисперсией:

Согласно «правилу трех сигма», каковы бы ни были m и

Последнее соотношение можно переписать в виде:

Полученная формула дает метод расчета математического ожидания и оценку погрешности этого метода.

Сущность применения метода Монте-Карло заключается в определении результатов на основании статистики, получаемой к моменту принятия некоторого решения. Поэтому достоверность результатов, получаемых при использовании метода Монте-Карло, решающим образом определяется качеством генератора случайных чисел.

3. Моделирование (разыгрывание) дискретной случайной величины

Чтобы разыграть случайную дискретную величину, заданную законом распределения

Таблица 3.1 - Закон распределения дискретной случайной величины

надо:

1) разбить интервал на частичных интервалов:

математический статистический дискретный

;

;

.

2) выбрать случайное число . Если попало в частичный интервал , то разыгрываемая случайная величина приняла возможное значение .

4. Разыгрывание противоположных событий

Пусть требуется разыграть испытания, в каждом из которых событие появляется с вероятностью и не появляется с вероятностью .

Введем в рассмотрение дискретную случайную величину с законом распределения.

Таблица 4.1 - Закон распределения дискретно случайной величины

0

1

Пусть, если случайная величина приняла значение 1, то событие наступило, если случайная величина приняла значение 0, то событие не наступило.

Таким образом, разыгрывание противоположных событий свелось к моделированию случайных величин.

Заметим, что разбивать интервал на частичные интервалы не требуется, можно сразу выбирать случайные числа.

5. Разыгрывание полной группы событий

Разыгрывание полной группы событий , вероятности которых известны, сводится к разыгрыванию дискретной случайной величины с законом распределения.

Таблица 5.1 - Закон распределения дискретно случайной величины

1

2

Если в испытании случайная величина приняла значение , то наступило событие .

Если события и - зависимы и совместны, то задачу сводят к моделированию полной группы событий.

6. Моделирование непрерывных случайных величин. Метод обратных функций

Метод обратных функций.

Пусть требуется разыграть (смоделировать) непрерывную случайную величину Х. т. е. получить последовательность её возможных значений , зная функцию распределения F(x) (или плотность распределения f(x)).

Теорема 6.1

Если - случайное число, то возможное значение разыгрываемой непрерывной случайной величины Х с заданной функцией распределения , соответствующее , является корнем уравнения .

Доказательство.

1) Докажем, что уравнение:

(1)

имеет единственный корень.

Функция распределения случайной величины Х (непрерывной) - является непрерывной и монотонно возрастающей (неубывающей) со значениями от 0 до 1, то для . А тогда где - функция, обратная к .

2) Докажем, что (корень уравнения (1)) есть возможное значение непрерывной случайно величины Х. Пусть возможное значение некоторой случайно величины Y. Заметим, что если , то и обратно, если , то ( в силу (1)).

Таким образом, если , то случайная величина R и обратно.

Тогда . Так как случайная величина R распределена равномерно, то . Но тогда , следовательно, Y = X, значит, есть возможное значение случайной величины Х с функцией распределения .

Если случайная величина Х (непрерывная) задана плотностью распределения , то (известно) тогда а уравнение (1) соответствует уравнению:

.

Моделирование случайной величины с равномерным распределением на отрезке.

Пусть случайная величина Х имеет равномерное распределение на отрезке . Тогда для

.

Составим уравнение (1). Имеем:

.

Отсюда . Задавая случайные числа находим последовательность значений случайной величины Х, равномерно распределенной на .

Моделирование случайной величины с показательным распределением.

Пусть случайная величина Х имеет показательное распределение с параметром . Тогда функция распределения для .

Составим уравнение (1): . Отсюда . Так как случайная величина R равномерно распределена на , то и случа1йная величина равномерно распределена на . Поэтому использую формулу: .

Задаем - последовательность случайных чисел. Находим значения случайной величины Х, распределенной по показательному значению с параметром .

Моделирование случайной величины с нормальным распределением.

Методом обратных функций.

Функция распределения - нормальная плотность распределения с математическим ожиданием а и средним квадратическим отклонением .

Уравнение (1): , но:

,

.

Используют таблицу для функции Лапласа: по значению функции находят значение аргумента.

При использовании ЭВМ применяют метод, основанный на центральной предельной теореме: если случайные величины независимы, одинаково распределены и их математическое ожидание и дисперсия конечны, то при увеличении n закон распределения приближается к нормальному.

В качестве Хi рассматриваем Ri. Тогда:

при можно считать, что случайная величина Y имеет нормальный закон распределения с .

Перейдем от случайной величины Y к стандартной нормально распределенной случайной величине .

.

От случайной величины Х с , перейдем к стандартному нормальному распределению случайной величины U:

,

при n = 12:

.

Возможные значения:

.

Размещено на Allbest.ru

...

Подобные документы

  • Основные понятия математического моделирования, характеристика этапов создания моделей задач планирования производства и транспортных задач; аналитический и программный подходы к их решению. Симплекс-метод решения задач линейного программирования.

    курсовая работа [2,2 M], добавлен 11.12.2011

  • Распределение дискретной случайной величины по геометрическому закону распределения, проверка теоремы Бернулли на примере моделирования электрической схемы. Математическое моделирование в среде Turbo Pascal. Теоретический расчёт вероятности работы цепи.

    контрольная работа [109,2 K], добавлен 31.05.2010

  • Понятия теории вероятностей и математической статистики, применение их на практике. Определение случайной величины. Виды и примеры случайных величин. Закон распределения дискретной случайной величины. Законы распределения непрерывной случайной величины.

    реферат [174,7 K], добавлен 25.10.2015

  • Определение вероятности определенного события. Вычисление математического ожидания, дисперсии, среднеквадратического отклонения дискретной случайной величины Х по известному закону ее распределения, заданному таблично. Расчет корреляционных признаков.

    контрольная работа [725,5 K], добавлен 12.02.2010

  • Теорема Бернулли на примере моделирования электросхемы. Моделирование случайной величины, имеющей закон распределения модуля случайной величины, распределенной по нормальному закону. Проверка критерием Х2: имеет ли данный массив закон распределения.

    курсовая работа [2,3 M], добавлен 31.05.2010

  • Особенности функции распределения как самой универсальной характеристики случайной величины. Описание ее свойств, их представление с помощью геометрической интерпретации. Закономерности вычисления вероятности распределения дискретной случайной величины.

    презентация [69,1 K], добавлен 01.11.2013

  • Определение вероятностей различных событий по формуле Бернулли. Составление закона распределения дискретной случайной величины, вычисление математического ожидания, дисперсии и среднеквадратического отклонения случайной величины, плотностей вероятности.

    контрольная работа [344,8 K], добавлен 31.10.2013

  • Сущность закона распределения и его практическое применение для решения статистических задач. Определение дисперсии случайной величины, математического ожидания и среднеквадратического отклонения. Особенности однофакторного дисперсионного анализа.

    контрольная работа [328,2 K], добавлен 07.12.2013

  • Вероятность попадания случайной величины Х в заданный интервал. Построение графика функции распределения случайной величины. Определение вероятности того, что наудачу взятое изделие отвечает стандарту. Закон распределения дискретной случайной величины.

    контрольная работа [104,7 K], добавлен 24.01.2013

  • Проверка выполнимости теоремы Бернулли на примере вероятности прохождения тока по цепи. Моделирование дискретной случайной величины, имеющей закон распределения Пуассона. Подтверждение гипотезы данного закона распределения с помощью критерия Колмогорова.

    курсовая работа [134,2 K], добавлен 31.05.2010

  • Применение системы MathCAD при решении прикладных задач технического характера. Основные средства математического моделирования. Решение дифференциальных уравнений. Использование системы MathCad для реализации математических моделей электрических схем.

    курсовая работа [489,1 K], добавлен 17.11.2016

  • Решение задач по определению вероятности событий, ряда и функции распределения с помощью формулы умножения вероятностей. Нахождение константы, математического описания и дисперсии непрерывной случайной величины из функции распределения случайной величины.

    контрольная работа [57,3 K], добавлен 07.09.2010

  • Определение вероятности для двух несовместных и достоверного событий. Закон распределения случайной величины; построение графика функции распределения. Нахождение математического ожидания, дисперсии, среднего квадратичного отклонения случайной величины.

    контрольная работа [97,1 K], добавлен 26.02.2012

  • Случайные величины. Функция и плотность распределения вероятностей дискретной случайной величины. Сингулярные случайные величины. Математическое ожидание случайной величины. Неравенство Чебышева. Моменты, кумулянты и характеристическая функция.

    реферат [244,6 K], добавлен 03.12.2007

  • Использование формулы Бернулли для нахождения вероятности происхождения события. Построение графика дискретной случайной величины. Математическое ожидание и свойства интегральной функции распределения. Функция распределения непрерывной случайной величины.

    контрольная работа [87,2 K], добавлен 29.01.2014

  • Вычисление математического ожидания, дисперсии, функции распределения и среднеквадратического отклонения случайной величины. Закон распределения случайной величины. Классическое определение вероятности события. Нахождение плотности распределения.

    контрольная работа [38,5 K], добавлен 25.03.2015

  • Классическая формула для вероятности события, отношение благоприятного числа исходов опыта к общему числу всех равновозможных несовместных исходов. Понятие непрерывной и дискретной случайной величины, их числовые характеристики и законы распределения.

    презентация [5,5 M], добавлен 19.07.2015

  • Дискретные случайные величины и их распределения. Формула полной вероятности и формула Байеса. Общие свойства математического ожидания. Дисперсия случайной величины. Функция распределения случайной величины. Классическое определение вероятностей.

    контрольная работа [33,8 K], добавлен 13.12.2010

  • Теория вероятностей и закономерности массовых случайных явлений. Неравенство и теорема Чебышева. Числовые характеристики случайной величины. Плотность распределения и преобразование Фурье. Характеристическая функция гауссовской случайной величины.

    реферат [56,1 K], добавлен 24.01.2011

  • Методы составления закона распределения случайной величины. Вычисление средней арифметической и дисперсии распределения. Расчет средней квадратической ошибки бесповторной выборки. Построение эмпирических линий регрессии, поиск уравнения прямых регрессий.

    контрольная работа [77,6 K], добавлен 20.07.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.