Моделирование - случайная величина
Cтраница 1
Моделирование случайной величины с заданным распределением, которое будет сейчас рассмотрено, является простым применением методов Монте-Карло. [1]
 |
Кривые распределения логарифмически нормального закона. [2] |
Процедура моделирования случайной величины X сводится к розыгрышам нормально распределенной случайной величины V и последующим определениям ее антилогарифмов. [3]
Поэтому при моделировании случайных величин их реальное распределение следует представить либо как определяемое одним из теоретических законов, из числа рассмотренных в следующей главе, либо оно может быть основано на опытных данных, полученных путем постановки специального эксперимента. При таком подходе метод Монте-Карло можно назвать имитационным моделированием. [4]
Поскольку оптимальные алгоритмы моделирования случайных величин, построенные в рамках неограниченной модели в разд. [5]
Основой метода статистического моделирования является моделирование случайных величин с заданными распределениями и событий с заданными вероятностями. [6]
Важным элементом моделирования хода эксперимента является моделирование случайных величин, поскольку результаты первичных измерений являются случайными величинами. [7]
Мы будем изучать класс таких алгоритмов моделирования случайной величины X с этим распределением вероятностей, которые реализуют процесс подбрасывания монеты так, как это обсуждалось в разд. [8]
Применим теперь изложенную идею уточнения к моделированию случайных величин. ПР-деревом называется ( обычно бесконечное) бинарное дерево, содержащее узлы следующих двух типов. [9]
Ниже описываются основные встречающиеся на практике методы моделирования случайных величин. [10]
В сборник включены задачи, связанные с моделированием случайных величин на ЭВМ и получением исходного для статистической обработки материала. Фактически на основе любой теоретической задачи, в которой речь идет о статистическом алгоритме анализа данных, можно поставить, задавая конкретные значения параметров модели ( причем возможно неограниченное число вариантов), соответствующую практическую задачу, формулируя в качестве предварительного этапа задание смоделировать исходные данные, используя или готовые таблицы случайных чисел, или получаемые с помощью специально составленных программ. В дальнейшем, при обработке этих экспериментальных данных с помощью соответствующего теоретического алгоритма, имеется возможность сравнить предсказание теории с известными исходными параметрами, при которых моделировалась выборка. [11]
При анализе процессов функционирования вероятностных технических систем возникает необходимость моделирования случайных величин и случайных процессов с заданными вероятностными характеристиками. Так как анализ функционирования технической системы на ЭВМ осуществляется численными методами на основе дискретных математических моделей, то внешние воздействия на систему необходимо представить в виде некоторой непрерывной последовательности случайных чисел. Рассмотрим способы формирования такой последовательности случайных чисел с заданными вероятностными характеристиками. Наибольшее применение при моделировании технических систем находит алгоритмический способ. [12]
Ниже будет показано, что алгоритм С реализует оптимальный способ моделирования случайной величины X с распределением (1.4), где оптимальность понимается в самом сильном смысле: при любых целых k и m среди всех пригодных для моделирования этого распределения алгоритмов алгоритм С минимизирует вероятность того, что потребуется m или более подбрасываний монеты, прежде чем будет получено k битов результата. [13]
Настоящее приложение посвящено одному из непременных элементов техники моделирования - моделированию случайных величин. Задача такого моделирования - получение квазислучайной последовательности чисел, которая обладает такими же ( или близкими) вероятностными характеристиками, как и имитируемая физическая величина. Точнее, у случайной величины, получаемой методом моделирования, должна быть такая же плотность распределения вероятностей, как и у имитируемой случайной величины. [14]
МОНТЕ-КАРЛО МЕТОД, метод статистических испытаний - численный метод, использующий моделирование случайных величин и построение статистических оценок для искомых величин. [15]
Страницы: 1 2 3