生产系统建模与仿真.ppt

随机变量、概率函数、随机数 均匀离散分布的随机数的产生 给定N个连续整数x1，x2，…，xN，我们以相等的概率从中选出一个数，这样重复下去，所产生的数列就是一个离散均匀分布的随机数序列。 每次取样值 ， 式中yk是 (0，1)均匀分布的随机数。 产生（0，1） 均匀分布的随机数 选定产生均匀分布随机数的范围： x1 、xN 随机变量、概率函数、随机数 非均匀离散分布的随机数的产生 给定N个x1，x2，…，xN，我们以相对应的概率P1，P2，…，PN，满足 ，从中选出一个数作为输出，这样重复下去，所产生的数列就是一个离散非均匀分布的随机数序列。 随机变量、概率函数、随机数 非均匀离散分布的随机数的产生方法 设所求非均匀离散分布随机数的累积概率分布函数为F(x)，其中：F(0)=F0=0，Fk= (k=1，2，…，N）。 设yi是一个(0，1)均匀分布随机数。考察yi，如果 ， 则把相应的xk选出作为此次取样的输出值。 生成n个(0，1) 均匀分布的随机数 若随机数yi值∈[Fk-1，Fk），取xk 数xk 服从特定分布 随机变量、概率函数、随机数 例1 贝努利概率模型二项分布的产生 贝努利(Bernouli)概率模型是概率统计中一种最简单而又常用的概率模型，它由一系列试验组成。其中每次试验只有两种结果。我们用事件A和A’来表示这两种实验结果。若A产生的概率为P(A)=P，(0P1)。事件A’发生的概率P(A)=Q=1-P。而且各次试验是相互独立的。我们可以利用(0，1)均匀分布随机数序列产生贝努利概率模型的二项分布。任取(0，1)均匀分布随机数xn，若xn≤P，就认为事件A发生，反之，若向xnP，则认为A’事件发生。 随机变量、概率函数、随机数 例2 二项分布 在由n次独立试验组成的贝努利概率模型中，事件A发生的次数η是一个随机变量。它取值k(k=1，2，…，n)的概率是 当P较大而计算精度又要求较高时，我们可以在计算机上用n次贝努利试验产生二项分布的随机数。 生成n个(0，1) 均匀分布的随机数 统计n个随机数中数值大于某一个概率值P的个数m 数m服从 贝努利分布 随机变量、概率函数、随机数 泊松分布 若进行n次独立试验，在每次试验中事件A发生的概率等于Pn，则在n次试验中事件A发生k次的概率(n→∞，Pn→0，nPn=λ)趋于P(k,λ)： 称为泊松(Poisson)分布。 在泊松分布的试验中，试验的次数n越大，则越接近泊松分布的值。 随机变量、概率函数、随机数 非均匀的连续分布随机数及其产生 对于非均匀的连续分布的随机数，我们同样借助于(0，1)均匀分布随机数进行变换或计算来产生。 一般采用的变化方法为 1 反函数法(逆变法) 2 函数变换法 3 卷积法 随机变量、概率函数、随机数 反函数法(逆变法) 反函数法也称为概率积分变换法，这种方法所基于的原理是概率积分变换定理，可以简述如下： 给定(0，1)均匀分布随机数yn(n=1，2，...)，如果F-1(yn)是随机变量X的反累积分布函数，则由公式 xn= F-1(yn) 所计算的随机数就是随机变量X的取样值。 随机变量、概率函数、随机数 反函数法(逆变法)的步骤 求出y= F(x)的反函数： x= F-1(y)。 利用(0，1)均匀分布随机数产生程序取得yn。 利用x= F-1(y)可得到需要的随机数xn。 随机变量、概率函数、随机数 指数分布 指数分布的概率密度函数是 累积分布函数为 生成随机数的逆函数为 图中取λ =0.5 随机变量、概率函数、随机数 设某分布的累积分布函数由下式给出 且产生的均匀分布随机数为0.1201, 0.2162和0.7621，现将它们转换为上述分布下的随机变量。分布函数如下图所示。 随机变量、概率函数、随机数 求出F(x)的逆函数： 于是有： 即为由F(x)其确定的分布下的随机变量。 随机变量、概率函数、随机数 离散随机变量 x1 F(x) p(x3) x x2 x3 o xn-1 p(x2) p(x1) xn p(xn-1) 离散分布的反函数法 设离散随机变量x分别以概率p(x1)，p(x2)，…，p(xn)取值x1，x2，…，xn，其中0p(xi)1，i=1,2,…,n，则分布函数可以写作： 为了使均匀分布的独立随机数u能够确定其对应的随机变量