Cтраница 3
Для улучшения метода моделирования этот алгоритм обычно дополняют нелинейными преобразованиями суммируемых равномерно распределенных случайных величин. Одним из наилучших алгоритмов, использующих этот принцип, является алгоритм Мюллера. [31]
Регрессионные программы ( в частности, Econometric Views) позволяют генерировать выборки равномерно распределенной случайной величины, а также величины, распределенной нормально с произвольным математическим ожиданием и дисперсией. Так как основные распределения ( А 2, /, F) определяются через нормальное, то компьютерные программы позволяют генерировать выборки и этих распределений. [32]
Основой практического применения метода Монте-Карло являются датчики случайных величин и в первую очередь датчики равномерно распределенных случайных величин, так как, располагая датчиками равномерно распределенных случайных величин, можно, как будет показано ниже, получать случайные величины любого закона распределения. Эти датчики вводятся в конструкцию цифровой вычислительной машины, что дает возможность запрограммировать на такой машине решение задач по методу Монте-Карло. [33]
Оператор А % подготавливает получение нормально распределенной случайной величины, осуществляя присоединение очередной реализации равномерно распределенной случайной величины к сумме предыдущих. [34]
Современные ЭВМ снабжены датчиками случайных чисел, которые могут присваивать указанной переменной значение, равное реализации равномерно распределенной случайной величины. С помощью известных приемов, описанных в руководствах по статистическому моделированию, по одной или некоторому множеству реализаций равномерно распределенной случайной величины могут быть получены реализации случайной величины или случайного вектора с заданными законами распределения. Все это позволяет строить имитационную модель случайного процесса, протекающего в системах массового обслуживания, наблюдая изменения ее состояний во времени. [35]
Основой практического применения метода Монте-Карло являются датчики случайных величин и, в первую очередь, да1чнки равномерно распределенных случайных величин. [36]
Современные ЭВМ снабжены датчиками случайных чисел, которые могут присваивать указанной переменной значение, равное реализации равномерно распределенной случайной величины. С помощью известных приемов, описанных в руководствах по статистическому моделированию, по одной или некоторому множеству реализаций равномерно распределенной случайной величины могут быть получены реализации случайной величины или случайного вектора с заданными законами распределения. Все это позволяет строить имитационную модель случайного процесса, протекающего в системах массового обслуживания, наблюдая изменения ее состояний во времени. [37]
Таким образом, пуассоновская случайная величина равна 4, так как это на единицу меньше числа равномерно распределенных случайных величин, необходимых для удовлетворения неравенства. [38]
В то же время любая равномерно распределенная случайная величина может быть получена линейным преобразованием некоторой фиксированной равномерно распределенной случайной величины. [39]
Положим X - F-1 ( Fl ( R)); так как F iR) - равномерно распределенная случайная величина, X будет распределена нормально. [40]
Псевдослучайные числа с распределением, отличным от равномерного, легко получить как функцию f () от равномерно распределенных случайных величин. [41]
Как было показано на рис. 2 - 2, а, трапецеидальное распределение образуется как композиция распределений при суммировании двух равномерно распределенных случайных величин. Поэтому равномерное распределение - это предельный случай трапецеидального, когда одна из суммируемых случайных величин исчезающе мала по сравнению с другой. Однако если ширина Ь меньшего из суммируемых распределений ( см. рис. 2 - 2, а) даже в 5 - 10 раз меньше ширины а более широкого распределения и ее вес в дисперсии суммарного распределения пренебрежимо мал ( составляет всего 1 / 25 - 1 / 100), тем не менее влияние на форму и параметры суммарного распределения этой, казалось бы, ничтожной добавки оказывается весьма существенным. [42]
Как было показано иа рис. 2 - 2, а, трапецеидальное распределение образуется как композиция распределений при суммировании двух равномерно распределенных случайных величин. Поэтому равномерное распределение - это предельный случай трапецеидального, когда одна из суммируемых случайных величин исчезающе мала по сравнению с другой. Однако если ширина Ь меньшего из суммируемых распределений ( см. рис. 2 - 2, а) даже в 5 - 10 раз меньше ширины а более широкого распределения и ее вес в дисперсии суммарного распределения пренебрежимо мал ( составляет всего 1 / 25 - 1 / 100), тем не менее влияние на форму и параметры суммарного распределения этой, казалось бы, ничтожной добавки оказывается весьма существенным. [43]
Основой практического применения метода Монте-Карло являются датчики случайных величин и в первую очередь датчики равномерно распределенных случайных величин, так как, располагая датчиками равномерно распределенных случайных величин, можно, как будет показано ниже, получать случайные величины любого закона распределения. Эти датчики вводятся в конструкцию цифровой вычислительной машины, что дает возможность запрограммировать на такой машине решение задач по методу Монте-Карло. [44]
Поучительно рассмотреть процесс построения оптимального ПР-дерева для более сложного распределения Р ( х) хг, 0 х 1, которое соответствует максимальной из трех равномерно распределенных случайных величин. [45]