- •Содержание
- •1. Общие вопросы моделирования
- •1.1. Предмет теории моделирования
- •1.2. Классификация моделей
- •1.3. Классификация объектов моделирования
- •1.4. Основные этапы моделирования
- •2. Технология моделирования
- •2.1. Создание концептуальной модели
- •2.2. Подготовка исходных данных
- •2.3. Разработка математической модели
- •3. Математические схемы моделирования систем.
- •3.1. Основные подходы к построению математических моделей систем
- •3.2. Непрерывно-детерминированные модели (д-схемы)
- •3.3. Дискретно-детерминированные модели (f-схемы)
- •4. Непрерывно-стохастические модели (q-схемы)
- •4.1. Понятие случайного процесса
- •4.1.1. Марковский случайный процесс
- •4.1.2. Потоки событий
- •4.1.3. Уравнения Колмогорова для вероятностей состояний. Финальные вероятности состояний
- •4.2. Задачи теории массового обслуживания
- •4.3. Классификация систем массового обслуживания
- •4.4. Математические модели простейших систем массового обслуживания
- •4.4.1. Одноканальная смо с отказами
- •4.4.2. Одноканальная смо с ожиданием
- •4.4.3. Одноканальная смо с ожиданием без ограничения на длину очереди
- •4.4.4.МногоканальнаяСмо с отказами(задача Эрланга)
- •4.4.5.Многоканальная смо с ожиданием
- •4.4.6. Модель обслуживания машинного парка
- •5. Сетевые модели (n-схемы). Сети Петри
- •5.1. Теоретические основы сетей Петри: принципы построения, алгоритмы поведения
- •5.1.1. Введение в теорию комплектов
- •5.1.2. Структура сети Петри
- •5.1.3. Графы сетей Петри
- •5.1.4. Маркировка сетей Петри
- •5.1.5. Правила выполнения сетей Петри
- •5.2. Сети Петри для моделирования систем: способы реализации
- •5.2.1. События и условия
- •5.2.2. Одновременность и конфликт
- •6. Обощенные модели (a-схемы)
- •6.1. Структура агрегативной системы
- •6.2. Кусочно-линейные агрегаты
- •7. Имитационное моделирование систем
- •7.1. Процедура имитационного моделирования
- •7.2. Обобщённые алгоритмы имитационного моделирования
- •7.2.1. Алгоритм моделирования по принципу особых состояний
- •7.2.2. Алгоритм моделирования по принципуt
- •7.3. Этапы имитационного моделирования
- •8. Статистическое моделирование приборных систем
- •8.1. Теоретические основы метода статистического моделирования
- •8.2. Моделирование случайных величин
- •8.2.1. Табличный способ
- •8.2.2. Аппаратный способ
- •8.2.3. Алгоритмический способ
- •8.3. Моделирование случайных событий с заданным законом распределения
- •8.3.1. Разыгрывание дискретной случайной величины
- •8.3.2. Разыгрывание непрерывной случайной величины
- •8.2.3. Разыгрывание случайной величины, распределенной нормально
- •8.4. Моделирование систем массового обслуживания с использованием метода Монте-Карло
8.3. Моделирование случайных событий с заданным законом распределения
8.3.1. Разыгрывание дискретной случайной величины
Пусть требуется разыграть дискретную случайную величину, т.е. получить последовательность ее возможных значений xi(i= 1, 2, 3, ...,n), зная закон распределенияX:
X |
x1 |
x2 |
x3 |
… | |
P |
p1 |
p2 |
p3 |
… |
Обозначим через Rнепрерывную случайную величину. ВеличинаRраспределена равномерно в интервале (0, 1). Черезrj(j= 1, 2, ...) обозначим возможные значения случайной величиныR. Разобьем интервал 0 < R < 1 на оси 0rточками с координатамиp1, p1 + p2, p1 + p2 + p3, …, p1 + … +pn – 1наn частичных интервалов1, 2, …, n.
Тогда получим:
Длина 1 = p1 – 0 = p1.
Длина 2 = (p1 + p2) – p1 = p2.
…
Длина n = 1 – (p1 + p2 + … +pn – 1) = pn.
Видно, что длина частичного интервала с индексом iравна вероятностиPс тем же индексом:i = pi
Таким образом, при попадании случайного числа riв интервал случайная величинаХпринимает значениеxiс вероятностьюpi.
Существует следующая теорема:
Если каждому случайному числу ri(0 rj < 1), которое попало в интервалj, поставить в соответствие возможное значениеxi, то разыгрываемая величина будет иметь заданный закон распределения.
Алгоритм разыгрывания дискретной случайной величины заданной законом распределения:
Разбить интервал (0, 1) на оси 0rнаn частичных интервалов1– (0;p1),2– (p2;p1 + p2), …,n– (p1 + … +pn – 1; 1).
Выбрать (например, из таблицы случайных чисел, или в компьютере) случайное число rj.
X |
x1 |
x2 |
x3 |
… |
|
P |
p1 |
p2 |
p3 |
… |
Если riпопало в интервалj, то разыгрываемая дискретная случайная величина приняла возможное значениеxi.
8.3.2. Разыгрывание непрерывной случайной величины
Пусть требуется разыграть непрерывную случайную величину Х, т.е. получить последовательность ее возможных значенийxi(i= 1, 2, …). При этом функция распределенияF(X) известна.
Существует следующая теорема.
Если ri– случайное число, то возможное значениеxiразыгрываемой непрерывной случайной величиныХс известной функцией распределенияF(X), соответствующееri, является корнем уравненияF(xi) = ri.
Алгоритм разыгрывания непрерывной случайной величины:
Необходимо выбрать случайное число ri.
Приравнять выбранное случайное число известной функции распределения F(X) и получить уравнениеF(xi) = ri.
Решить данное уравнение относительно xi. Полученное значениеxiбудет соответствовать одновременно и случайному числуri, и заданному закону распределенияF(X).
8.2.3. Разыгрывание случайной величины, распределенной нормально
Известно, что если случайная величина Rраспределена равномерно в интервале (0, 1), то ее математическое ожиданиеМ(R) = 1/2, а дисперсияD(R) =1/12.
Составим сумму nнезависимых случайных величинRj(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 Rjсодержитnслагаемых. Математическое ожидание каждого слагаемого равно 1/2. Следовательно, математическое ожидание суммы равно:
.
Аналогично для дисперсии суммы Rjполучим:
.
Отсюда среднее квадратическое отклонение суммы Rj:
.
Теперь пронормируем сумму Rj.
Для этого вычтем из суммы Rjматематическое ожидание этой суммы и разделим на среднее квадратическое отклонение суммыRj. Получим:
, то есть.
На основании центральной предельной теоремытеории вероятностей приnраспределение этой нормированной случайной величины стремится к нормальному закону с параметрамиa = 0 и = 1.
Если требуется разыграть значения нормальной ненормированной случайной величины с математическим ожиданием aотличным от нуля иотличным от единицы, то сначала разыгрывают возможные значенияxiнормированной случайной величины, а затем находят искомое значение по формуле, которая получена из соотношения.
Таблица 8.1
Формулы для моделирования случайных величин
Закон распределения случайной величины |
Плотность распределения |
Формула для моделирования случайной величины |
Экспоненциальный | ||
Вейбула | ||
Гамма-распределение ( – целые числа) | ||
Нормальное |