生产系统建模与仿真 教学课件 ppt 作者 周泓 第四章.pptxVIP

SC2;第四章 4.1　随机数的生成及其性质4.2　几种常用的随机数发生器4.3　随机数发生器的性能检验4.4　随机变量的生成;4.1　随机数的生成及其性质;4.2　几种常用的随机数发生器;4.2.1　平方取中法;;【例4-1】　取k=1，x0=77(种子值)，则由平方取中法式(4-1)可得到数列xn和un，如表4-1所示。;线性同余法(Linear Congruence Generator)由莱默尔(D.H.Lehmer)于1948年提出，是目前在离散事件系统仿真中应用最为广泛的随机数发生器之一。该方法的递推公式为;【例4-2】　令m=16，a=5，c=3，并取种子值x0=5。则由线性同余法式(4-3)可得到数列xn和un，如表4-2所示。;【例4-3】　令m=8，a=3，c=1，并取初始值x0=7。则由线性同余法式(4-3)可得到数列xn和un如表4-3所示。;【例4-4】　令m=26=64，c=0，a=13，种子值x0分别取为1，3，4，8，则由线性同余法式(4-3)可得到相应的数列xn，如表4-4所示。;4.2.2　线性同余法;4.2.3　组合发生器;4.3　随机数发生器的性能检验;4.3.1　检验方法概述;4.3.2　参数检验;【例4-6】　给定显著性水平α=0.05，对例4-5中得到的随机数序列{un}的前100项数据(见表4-5)进行参数检验。 假定其总体分布为U(0，1)，则总体均值和总体方差分别为1/2和1/12。计算样本均值和样本方差分别为 对给定的显著性水平α=0.05，z0.025=1.96。而由式(4-4)和式(4-5)计算可得;4.3.3　均匀性检验;1.柯尔莫戈罗夫-斯米尔诺夫检验;1.柯尔莫戈罗夫-斯米尔诺夫检验;图4-1　F(x)与(x)的比较;③ 对给定的显著性水平α，查K-S分布表可得临界值 ④ 若Dn≤Dα(n)，则可以认为该随机数序列{un}的经验分布函数与均匀分布的分布函数之间不存在显著的差异；否则，存在显著差异。;;;2. χ2检验;4.3.4　独立性检验;4.4　随机变量的生成;反变换法是最常用且最为直观的一种随机变量生成方法。它基于概率积分变换定理，通过对分布函数进行反变换来实现，因此称为反变换法。;4.4.1　反变换法;【例4-9】　均匀分布随机变量X的生成。 设随机变量X是［a，b］上均匀分布的随机变量，即概率密度函数; 由此，可得到生成指数分布的随机变量的一般步骤如下： ① 生成独立的均匀分布U(0，1)随机数序列{un}。 ② 令xi=-βlnui(i=1，2，…，n)，则数列{xn}即为所求的指数分布的随机变量序列。 当X是离散型的随机变量时，由于离散型随机变量的分布函数也是离散的，因此反变换法的形式也有所不同，不能直接利用反函数来获得X的抽样值。;【例4-10】　指数分布随机变量X的生成。 设X的分布函数为;由于u～U(0，1)，则1-u～U(0，1)，即随机变量u与1-u的分布是相同的，所以式(4-18)可改写为 ① 生成独立的均匀分布U(0，1)随机数序列{un}。② 令xi=-βlnui(i=1，2，…，n)，则数列{xn}即为所求的指数分布的随机变量序列。;;图4-3　反变换法生成离散型随机变量;4.4.1　反变换法; ① 生成独立的均匀分布U(0，1)随机数序列{un}。② 令xi=i=「uin?(i=1，2，…，n)，则数列{xn}即为所求的离散型均匀分布的随机变量序列。;若随机变量X可表示为若干个独立同分布的随机变量Y1，Y2，…，Ym之和，即;4.4.2　卷积法;当某一分布函数可以表示成若干个其他分布函数的凸组合时，即 或者其密度函数可写成;4.4.3　组合法;【例4-13】　双指数分布。 设随机变量X的概率密度函数为;可以将函数f(x)看做是由一个正指数函数和一个负指数函数分段组成的，即有 其中;因此，可用两个密度函数f1(x)和f2(x)的组合来产生服从密度函数f(x)的随机变量X。步骤如下： ① 产生均匀分布U(0，1)的随机数u1及u2。② 如果u1﹤0.5，则生成服从与密度函数f1(x)相应的分布函数的随机变量，根据反变换法，可得X=lnu2。③ 如果u1≥0.5，则生成服从与密度函数f2(x)相应的分布函数的随机变量，同样，有X=lnu2。;设f(x)为所求随机变量的概率密度函数，舍选法要求选定一个覆盖函数t(x)，满足 这一方法的基本思路是：从以覆盖函数t(x)为顶的曲边梯形中随机地抽取一点P(x0， Ut(x0))，若该点P落在以f(x)为顶的曲边梯形内，则选取该点，该点的横坐标即为所求；否则就舍弃该点。相关情况如图4-5所示。;4.4.4　舍选法;;4.4.4　舍选法;【例4-14】　贝塔分布。 设随