Моделирование случайных величин с заданным

законом рас­пределения

 

Реальные случайные величины очень редко описыва­ются равномерным распределением и подчиняются самым разнообразным законам распределения (нормальному, показательному, гамма-распределению и т.д.). В то же время моделирование на ЭВМ всех этих законов распределения, выполняется путем преоб­разования случайной величины, имеющей равномерное распределе­ние на отрезке [0, 1].

 

Рисунок 9.2 - Структурная схема алгоритма моделирования

случайного события

 

Существует два основных пути такого преобразования слу­чайных чисел. Один из них, который может быть назван прямым, состоит в реализации некоторой операции над числом ξ, формирующей число η, имеющее заданный закон распределения. Другой путь основывается на моделировании условий соответст­вующей предельной теоремы теории вероятностей.

В первом случае используется так называемый метод об­ратной функции: если случайная величина Z имеет плотность распределения f(х), то распределение случайной величины

 

(9.1)

 

является равномерным на отрезке [0, 1].

Для моделирования случайных величин с законом распреде­ления f(х) представляет интерес обратная задача: зная за­кон распределения f(х) и имея случайные числа ξ _i, полу­чить случайные числа η _i, имеющие плотность распределения f(х). Это достигается путем разрешения относительно η _i. следующего уравнения

(9.2)

 

Если удается взять интеграл, то соотношение (9.2) может быть непосредственно использовано в моделирующих алгоритмах. Пусть требуется получить случайные числа η _i с показательным законом распределения (см. рисунок 9.1, б)

 

f(х) =λ · е^{-λ κ} _, (х > 0) (9.3)

Тогда по методу обратной функции можно записать

 

. (9.4)

 

После вычисления интеграла имеем

 

(9.5)

 

Разрешая последнее уравнение относительно η _i. можно за­писать следующее соотношение для получения случайных чисел с показательным законом распределения

 

, (9.6)

 

Однако, для большинства законов распределения не удает­ся вычислить интеграл в уравнении (9.2) и, следовательно, вы­разить η _iчерез ξ _i. В этом случае прибегают к приближенным способам преобразования равномерного закона распределения в требуемый, при которых оказываются справедливыми соответст­вующие предельные теоремы.

Пусть требуется получить последовательность случайных чисел η _i, имеющих нормальное распределение (см. рисунок 9.1, в)

, (9.7)

 

где а - математическое ожидание;

σ - среднеквадратическое отклонение.

Здесь можно воспользоваться центральной предельной тео­ремой теории вероятностей и построить случайные числа η _i в виде сумм последовательных случайных чисел, имеющих равно­мерное распределение на отрезке [0, 1].

В частности, случайные числа, имеющие стандартизирован­ное нормальное распределение, у которого а = 0 и σ = 1, могут быть получены, например, по следующей зависимости

. (9.8)

 

Исходя из стандартизированного закона распределения, можно получить нормально распределенные случайные числа с произвольными значениями а и σ по формуле

. (9.9)

 

Алгоритм формирования n случайных чисел, имеющих нор­мальное распределение общего вида, приведен на рисунке 9.3.

 

 

 

Рисунок 9.3 - Структурная схема алгоритма моделирования