随机变量与随机过程模拟探析.ppt

随机变量与随机过程模拟;主要内容;一、统计实验法与伪随机数;一、统计实验法与伪随机数;运用统计分析法对随机模型实施模拟时需要获得具有给定分布随机变量的一列独立样本值，通常称不同分布随机变量的抽样实现值为不同分布的随机数，其中IIDU(0,1)均匀分布随机数是最基本的随机数，通过对它进行适当变换，就可以得到任意分布的其他随机变量。 目前大多数仿真中都是应用计算机程序来产生IIDU(0,1)均匀分布随机数，即采用某种确定的规则，通过递推计算产生随机数序列。虽然它不是真正的随机数，但由于其具有真正随机数的统计性质，因此可以把它当作随机数来使用，这样的数列称为伪随机数。 ;真正意义上的随机数（或者随机事件）在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的，是不可见的。 计算机中的随机函数是按照一定算法模拟产生的???其结果是确定的，是可见的。我们可以这样认为这个可预见的结果其出现的概率是100%。所以用计算机随机函数所产生的“随机数”并不随机，是伪随机数。 ; 产生伪随机数的方法很多，一般来说应满足以下几点要求： 具有较好的随机性与均匀性； 产生伪随机数的速度要快； 占用计算机内存尽可能少； 一批随机数的循环周期尽可能长。; 目前在实际应用中多采用乘法线性同余法，其递推公式为： xi+1 =(a xi +b)mod m 式中a、x0、m分别称为乘子、种子和模，他们的选取是否合适影响到伪随机数序列的均匀、独立性与循环周期。;//rand01.c 　　#include 　　static unsigned int RAND_SEED; 　　unsigned int random(void) 　{ ?? RAND_SEED=(RAND_SEED*123+59)%65536; 　　 return(RAND_SEED); 　　} 　　void random_start(void) 　{ 　　 int temp[2]; 　　 movedata(0x0040,0x006c,FP_SEG(temp),FP_OFF(temp),4); 　　 RAND_SEED=temp[0]; 　　} 　　main() 　{ 　　 unsigned int i,n; 　　 random_start(); 　　 for(i=0;i10;i++) 　　 printf(%u\t,random()); 　　 printf(\n); 　　} ; 一般地，除IIDU(0,1)均匀分布外，伪随机数的生成方法主要有以下3种： （1） 直接法（Direct Method），根据分布函数的物理意义生成。缺点是仅适用于某些具有特殊分布的随机数，如二项式分布、泊松分布。 （2） 逆转法（Inversion Method），假设U服从[0，1]区间上的均匀分布，令X=F-1（U），则X的累计分布函数（CDF）为F。该方法原理简单、编程方便、适用性广。 （3）接受拒绝法（Acceptance-Rejection Method）：假设希望生成的随机数的概率密度函数（PDF）为f，则首先找到一个PDF为g的随机数发生器与常数c，使得（x）≤cg（x），然后根据接收拒绝算法求解。由于算法平均运算c次才能得到一个希望生成的随机数，因此c的取值必须尽可能小。显然，该算法的缺点是较难确定g与c。 因此，伪随机数生成器（PRNG）一般采用逆转法，其基础是均匀分布，均匀分布PRNG的优劣决定了整个随机数体系的优劣。;目前计算机高级语言大多都具有产生伪随机数的标准函数，专用仿真语言均设有伪随机数发生器，适合大多数情况下的仿真需求。 计算机不会产生绝对随机的随机数，计算机只能产生“伪随机数”。其实绝对随机的随机数只是一种理想的随机数，即使计算机怎样发展，它也不会产生一串绝对随机的随机数。计算机只能生成相对的随机数，即伪随机数。 伪随机数并不是假随机数，这里的“伪”是有规律的意思，就是计算机产生的伪随机数既是随机的又是有规律的。怎样理解呢？产生的伪随机数有时遵守一定的规律，有时不遵守任何规律；伪随机数有一部分遵守一定的规律；另一部分不遵守任何规律。 ;运用统计实验法对随机行问题作模拟求解是，其模拟模型的建立一般来说应包含以下要素： （1）模型与原问题应保持相同的概率特性； （2）模型中应明确随机变量与U[0,1]均匀分布随机变量的内在联系； （3）这种内在联系应通过计算机的两大功能——数值计算和逻辑判断来表述。;随机事件的模拟 简单事件模拟 完备事件列模拟 离散型随机变量的模拟 一般方法 二点分布随机变量的模拟 几何分布、二项分布、泊松分布…… ;二、离散型随机变量的模拟;二、离散型