第四章 随机数产生原理[精选].ppt

信息统计分析 第四章 随机数产生原理 Principle of Random Number Generation 数学科学学学院 第四章 随机数的产生原理 以随机数产生为基础的Monte-Carlo方法已成为现代科研的重要手段之一。其意义早以超出了概率论与数理统计的范畴。广泛应用于计算方法、随机数规划、管理科学、物理化学中的高分子结构的研究等领域。我们来看一些例子。 第四章 随机数的产生原理 前面Monte-Carlo方法的例子是以高质量的随机数为基础的。通过完全的随机抽样或调查可以产生随机序列。 第四章 随机数的产生原理 算法要求 产生的数值序列要具有均匀总体简单子样的一些概率统计特性，通常包括分布的均匀性，抽样的随机性，试验的独立性和前后的一致性。 产生的随机数要有足够长的周期。 产生随机数速度快，占用内存小。 第四章 随机数的产生原理 第四章 随机数的产生原理 第四章 随机数的产生原理 第四章 随机数的产生原理 我们已经基本清楚伪随机数的产生原理，由于并不是真正的随机数，很自然的问题是，它们是否具有真正随机数的那些统计性质如参数大小、独立性，均匀性等等。 设：随机数具有连续的分布函数F（X），则随机变量R=（X）是均匀分布（0，1）的随机变量，因此如果R通过统计检验随机变量 X 也可以通过。因此我们以下着重讨论均匀分布R的检验问题，再简单地讨论正态随机数检验问题。 八、案3例 – 随机数检验 用计算机放一组[0，1]均匀分布样本（N = 1000），进行十二类统计检验，共61个统计量。进行以下检验。 1．奇序列的1—4矩检验 2．偶序列的1—4矩验检 3．全序列的1—4矩验检 4．混合矩检验 5．延迟1—7的相关检验 6．分布均匀性检验 7．连检验 8．随机数的函数检验 9．顺序统计量检验 10．组合规律 11．模型计算检验 12．子样间的K—S检验 九、习题 1、编制一个界面，产生（0，1）均匀分布随机数，并检验其61个统计量性质。 2、用同余法产生（0，1）均匀分布随机数发生器，比较系数不同检验随机数升秒度个效果。 3、? 用“菲波那西”数列产生（0，1）均匀分布随机数发生器，并检验。 4、利用中心极限定理产生标准正态分布随机数，并进行检验。 5、Hasiting 有理逼近法，产生正态分布随机数发生器，并进行检验。 % 对偏度进行检验 uu=mean(((R-0.5)/sqrt(1/12)).^4)-1.75 u4=uu*0.204124*sqrt(n); if abs(u4)1.96 s4=pass; else s4=*; end 调用该函数的主程序为： R=rand(1,1000); [s1,s2,s3,s4]=moment_test(R); S1 % 显示对均值的推断，pass为接受，*拒绝 S2 % 显示对方差的推断，pass为接受，*拒绝 S3 % 显示对偏度的推断，pass为接受，*拒绝 S4 % 显示对偏度的推断，pass为接受，*拒绝 计算结果为： s1 = pass s2 = pass s3 = pass s4 = pass 2) 均匀性检验或称分布的拟合优度检验 均匀性检验，又称频率检验，检验它的经验分布频率和理论频率的差异是否显著。把[0，1]区间分为k个等区间，按 ri 取值的大小把（4.6.3）分为 k 组，设有ni个随机数属于i组，即共有个满足不等式（i－1）/k＜r＜i/k。根据均匀性假设，满足在每个小区间的概率为Pi=1/k，mi=N/k由（4.6.2）得统计量 渐近服从 分布，而统计量 (4.6.8) 理论频数ni mi 为累积频率检验，渐近服从柯莫洛戈洛夫—斯米尔诺夫分布 取显著水平 α = 0.05，当DN＞1.35 时拒绝均匀性假设。 （4.6.9) 例4.7.2 对分布的拟合优度进行检验。 （1）渐近服从柯莫洛戈洛夫—斯米尔诺夫检验 R=unifrnd(0,1,1000,1); h=kstest(R, [R unifcdf(R, 0, 1)]) 结果为：h=0， 接受原假设，是来自（0，1）均匀分布随机数 R=unifrnd(0,1,1,1000); % 构造卡方统计量 k=12; n=length(R); n1=hist(R,k); % 计算每个区间的频数 kf_7 = k/n*(sum((n1-n/k).^2)); % 计算分位点即统计量 chi2_p=chi2cdf(k-1,kf_7); % 计算下侧概率 if