LovesTheTeam.com

Instrukcijos

1

Statistinio modeliavimo metodas(statistiniai testai) yra plačiai žinomas kaip Monte Karlo metodas. Šis metodas yra ypatingas matematinio modeliavimo atvejis, paremtas tikimybinių atsitiktinių reiškinių modelių sukūrimu. Bet kurio atsitiktinio reiškinio pagrindas yra atsitiktinis kintamasis arba atsitiktinis procesas. Šiuo atveju atsitiktinis procesas yra apibūdinamas tikimybiniu požiūriu kaip n-dimensional atsitiktinis kintamasis. Visiško atsitiktinio dydžio tikimybės aprašymas pateikia jo tikimybės tankį. Žinios apie šį paskirstymo įstatymą leidžia gauti skaitmeninius atsitiktinių procesų modelius kompiuteriuose, neatliekant jų in-situ eksperimentų. Visa tai įmanoma tik atskirai ir atskirai, į kurią reikia atsižvelgti kuriant statinius modelius.

2

Naudodami statinį modeliavimą, turėtumėte pasitraukti išAtsižvelgiant į konkretų šio reiškinio fizinį pobūdį, sutelkiant dėmesį tik į jo tikimybines charakteristikas. Tai leidžia į modeliavimą įtraukti įvairesnius reiškinius, turinčius tuos pačius tikimybinius rodiklius su imituotu reiškiniu. Pavyzdžiui, bet kuriuos įvykius, kurie atsiranda su 0,5 tikimybe, galima imituoti paprasčiausiai mėtant simetrinę monetą. Kiekvienas atskiras statistinio modeliavimo etapas vadinamas brėžiniu. Taigi, norint nustatyti matematinių lūkesčių prognozę, reikės N atsitiktinio kintamojo (CB) X loterijos.

3

Pagrindinis kompiuterinio modeliavimo įrankisyra atsitiktinių skaičių jutikliai intervale (0, 1). Taigi, "Pascal" aplinkoje, vadiname atsitiktiniu skaičiumi, vadiname atsitiktine tvarka. Šio atvejo skaičiuotuvuose pateikiamas mygtukas RND. Taip pat yra tokių atsitiktinių skaičių lentelių (pagal tūrį iki 1 000 000). Vienodo dydžio vertė (0, 1) CB Z žymima z.

4

Apsvarstykite savavališko modeliavimo technikąatsitiktinis kintamasis, naudojant netiesinę paskirstymo funkcijos transformaciją. Šis metodas neturi metodologinių klaidų. Tegul tęstinio CB X paskirstymo taisyklę turi nurodyti tikimybės tankis W (x). Taigi pradėkite pasiruošimą imitacijai ir jo įgyvendinimui.

5

Raskite paskirstymo funkciją X = F (x). F (x) = ∫ (-∞, x) W (s) ds. Paimkite Z = z ir išspręskite lygtį z = F (x) x atžvilgiu (tai visada įmanoma, nes ir Z, ir F (x) reikšmės yra nuo nulio iki vienos). Parašykite sprendimą x = F ^ (- 1) ( z). Tai yra modeliavimo algoritmas. F ^ (-1) yra atvirkštinis iš F. Iš šio algoritmo iš eilės išlikti tik skaitmeninio modelio X * CD X xi vertės.

6

Pavyzdys. CB apskaičiuojamas pagal tikimybės tankį W (x) = λexp (-λx), x≥0 (eksponentinis paskirstymas). Sprendimas yra 1. F (x) = ∫ (0, x) λ ∙ exp (-λs) ds = 1 exp (-λx) .2. z = 1 exp (-λx), x = (-1 / λ) ∙ ln (1-z). Kadangi z ir 1-z reikšmės yra iš intervalo (0, 1) ir yra vienodos, (1-z) gali būti pakeistos z. 3. Eksponentinio CB modeliavimo procedūra atliekama pagal formulę x = (- 1 / λ) ∙ lnz. Tiksliau tariant, xi = (-1 / λ) ln (zi).