随机数地产生.ppt

7.2 随机数的产生 一．随机数的概念 二.均匀分布随机数的产生 三. 任意分布随机数的模拟 l．离散型随机数的模拟 2．连续型随机数的模拟 3．正态随机数的模拟 * * 对随机系统进行模拟，需要产生服从某种分 布的一系列随机数. ? 定义 设随机变量X（总体）服从某种随机分布，对其进行了n次独立观察,得到一组简单随机样本 X1，X2，…，Xn ,满足 1) X1，X2，…，Xn相互独立； 2) 每一个X1，X2，…，Xn都与总体X 同分布. 利用某种方法得到一串数列r1 , r2 , … , rn 在一定的统计意义下可作为随机样本 X1，X2，…，Xn 的一组样本值，称r1 , r2 , … , rn一组具有与X 相同分布的随机数. 例7.2.1 设随机变量X～B(1, 0.5), 模拟该随机变量X的一组样本值. 一种简单的方法是 抛一枚均匀硬币，观察出现正反面的情况， 出现正面记为数值“1”,否则记为“0”得： 可看成总体X 的一系列样本值,或称产生了 一系列具有两点分布的随机数. 0，0，1，0，1，1，1，0，1，0，0，0， 0，1，1，0，1，0, … 数学软件有产生常用分布随机数的功能 对特殊分布 需要数据量很大时 不太有效 需要寻求一种简便、经济、可靠, 并能 在计算机上实现的产生随机数的方法. 最常用、最基础的随 机数是在（0,1）区间 内均匀分布的随机数 (简记为RND) 理解为：随机变量X～U(0,1)的一组样本值的模拟值 一般采用某种数值计算方法产生随机数序列，在计算机上运算来得到. 通常是利用递推公式： 给定k个初始值ξ1,ξ2,…,ξk , 利用递推公式 递推出一系列随机数ξ1,ξ2,…，ξn,… 乘同余法 混合同余法 常用方法 具有较好的 统计性质 1．乘同余法 递推公式为 用M 除λxn后得到的余数记为xn+1 其中λ是乘因子, M为模数(modulus),第一 式是以M为模数的同余式. 给定初值x0 (称为种子),递推计算出 r1，r2，… 即在(0, 1)上均匀分布的随机数序列. 例7.2.2 取x0=1，λ=7，M=103，有 λx0=7×1=7 , x1=7 , r1=7/1000=0.007 λx1=7×7=49, x2=49 , r2=49/1000=0.049 λx2=7×49=343 , x3=343, r3=343/1000=0.343 λx3=7×343=2401 , x4=401 , r4=401/1000=0.401 λx4=7×401=2807, x5=807 , r5=807/1000=0.807 其余类推. 2．混合同余法 递推公式为 用模 M 去除 λxn+C的余数 其中，C是非负整数. 例7.2.3 选λ=97, C=3, M=1000，得递推公式 取定种子x0=71，得 97x0＋3=6890， x1=890， r1=0.890 97x1＋3=86333， x2=333， r2=0.333 97x2＋3=32304， x3=304， r3=0.304 97x3＋3=29491， x4=491， r4=0.491 97x4＋3=47830， x5=630， r5=0.630 余类推，接下来的随机数是： 0.113，0.964，0.511，0.570，0.293，0.424， 0.131，0.710，0.873，0.684，0.351，0.050， 0.853… 有下述问题： 1.数列{rn}是有周期的，周期L≤M（模数）； 因0≤xn≤M，数列{xn}最多有 M个相异值, 从而{rn}也同样如此. 2. 数列{rn}本质上是实数列, 给定初始值由递 推公式计算出的一串确定的数列. 不能简单等同于真正意义的随机数. 解决方法 与思路： 1. 选择合适模拟参数 2. 对数列进行统计检验 从计算机中直接调用某种分布的随机数同样存在类似问题. 1. 选择模拟参数 1) 周期的长度取决于参数x0, λ, M的选择； 2) 通过适当选取参数可以改善随机数的统计 性质. x0=1，λ=513，M=236 （L=234≈2×1010） 几组供参考的参数值： x0=1，λ=7，M=1010 （L=5×107） 在计算机上编程产生随机数还应注意 浮点运算对周期的影响 x0=1，λ=517，M=212 （L=240≈1012） 2. 对数列进行统计检验 无论用哪一种方法产生的随机数序列 (实 数列) RND, 都存在问题： 将其看着是在(0,1)