系统仿真技术_第12章.pptVIP

第十二章 随机变量的产生 12.1 随机数发生器 12.1 随机数发生器 12.1 随机数发生器 12.1 随机数发生器 12.1 随机数发生器 12.1 随机数发生器 12.1 随机数发生器 12.1 随机数发生器 12.2 随机数发生器的测试 12.2 随机数发生器的测试 12.2 随机数发生器的测试 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 12.5 典型随机变量的产生 1 连续随机变量的产生 1). 正态分布： (分布函数没有直接的封闭形式) ⑴转换法：若将其转换到极坐标系, 则可以得到其封闭形式，再采用反变换法。 ⑵采用反变换法： 离散随机变量的产生 (最基本方法是反变换法) * * 如何根据确定的分布类型及其参数产生随机变量 定义：产生[0, 1]区间上均匀分布的随机变量, 亦称为随机数发生器。 说明： 1）随机数发生器不是在概率论意义下的真正的随机数, 而只能称为伪随机数，因为无论哪一种随机数发生器都采用递推算法 ； 2）如果算法选择得合适, 由这种算法得到的数据统计检验能具有较好的统计特性(如均匀性, 独立性等), 则将这种伪随机数用于仿真仍然是可行的。 1. 线性同余发生器 Lehmer1951年提出： 数。 显然： 循环一次称为发生器的一个周期, 记为 。 如果 则称该发生器具有满周期。 个整数正好出现一次, 从而 保证了均匀性; 如何选择 , 就能保证线性同余发生器具有满周期呢? 不了, 因而不可能得到满周期。是否存在一个大缺口亦难以确定。 周 也很长。两个经过检验的, 性能较好的PMMLCG: 2. 组合发生器 将两个独立的线性同余发生器组合起来, 即用一个发生器控制另一个发生器产生的随机数, 因而称为组合发生器。 随机数发生器是伪随机数发生器,在使用之前必须进行检验 因为相关系数为0是两个随机变量相互独立的必要条件, 其值大小可以评价相关程度。 独立性检验：计算相邻一定间隔的随机数之间的相关系数, 然后判断其相关程度。 12.2 随机数发生器的测试 12.2 随机数发生器的测试 标准正态分布N(0, 1); 12.3 随机变量产生的原理 仿真对产生随机变量的方法的要求： 准确性: 即由这种方法产生的随机变量应准确地具有所要求的分布; 快速性: 离散事件仿真一次运行往往需要产生几万甚至几十万个随机变量。 介绍四类最常用的产生随机变量的方法： 反变换法； 组合法； 卷积法； 舍选法。 12.3 随机变量产生的原理 12.3 随机变量产生的原理 图12.1 连续分布函数的反变换法原理 12.3 随机变量产生的原理 12.3 随机变量产生的原理 图12.2 离散分布的反变换法 （2）离散随机变量的反变换法： 12.3 随机变量产生的原理 ，且 。 12.3 随机变量产生的原理 2 组合法 12.3 随机变量产生的原理 （当一个分布函数可以表示成若干个其它分布函数之和, 而这些分布函数较原来的分布函数更易于取样时, 则宜采用组合法。） 12.3 随机变量产生的原理 分析: 12.3 随机变量产生的原理 3 卷积法 4 舍选法 直接法：直接面向分布函数，以反变换法为基础。 舍选法：当反变换法难于使用时(例如随机变量的分布函数不存在封闭形式)。 若独立地产生两个[0, 1]区间内均匀分布的随机变量 舍选法的解释： 在1×C这块矩形面积上任投一点 的纵坐标为 , 横坐标为 ,若该点位于 曲线下面, 则 认为抽样成功。 下的面积可视为在（0,1