计算机仿真讲义.ppt

作假设检验： *中心极限定理 设随机变量x1,x2,…,xn相互独立，服从同一分布，具有有限的数学期望μ和方差σ2，则随机变量 的分布函数概率满足N(0,1)。 由中心极限定理出发做统计量： u1,u2 渐进服从N(0,1)分布。给定显著性水平α，由正态分布表确定临界值(k)，判断能否将x1,x2,…,xn看为是[0，1]均匀分布的随机变量X的N个独立取样值。 N(0,1)： u在此区间合格 面积为1-α 落在该区间表示不合格 面积为：α -k 0 k (2) 分布均匀性检验 将[0，1]区间划分为k等份，以[（i-1）/k, i/k] (i=1,2,..,k) 表示第i个小区间。如xs是[0，1]上均匀分布随机变量的一个取样值，xs落在任一小区间的概率pi均应等于这些小区间的长度：1/k。故N个xs值落在任一小区间的平均数mi=N*pi=N/k。设ni为第i个小区间的实测落入数，则统计量： x2渐近服从自由度为k-1的x2分布。 (3)独立性检验 一个随机序列可以是均匀分布，但却不一定是独立的。两个随机变量的相关系数反映了它们之间的线性相关程度。其相关程度可以用下述方法检验：给定N个随机数x1,x2,…,xn，计算前后距离为k的样本相关系数rk： 在N-k50时，设统计量： U渐近服从正态分布N(0,1)。 2.4 其它分布随机数产生方法 2.4.1 各种离散分布随机数的产生 (1)均匀的离散分布 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。 每次的取样值： 式中yk（1）是在[0，1 ]上均匀分布的随机数，N=xn-x1+1。 (2)非均匀的离散分布 给定N个整数x1,x2,…,xn，我们以相应的概率（经验分布） p1,p2,…,pn ，从中选出一个数进行输出，这样重复下去，便产生了一个非均匀分布的的离散随机数序列。 xi x1 x2 … xn pi p1 p2 … pn 方法如下： 计算（累积）分布函数： yi是一个[0, 1 ]均匀分布随机数。（0≤yi1） 如果Fk-1≤ykFk，则把相应的xk选出，作为这次取样的输出值。 例：产生具有参数λ的泊松分布的随机数： 该分布可描述：事件相继出现的时间间隔服从副指数分布（完全随机）条件下，在时间长度为t，平均到达率为λ=1/T时，发生k个事件的概率。 由P(k, λt)的定义出发，计算在给定时间t中发生了k 个事件的步骤如下（已知t和λ）： 产生[0, 1 ]上均匀分布的随机数xi， 计算指数分布的随机数 如果tti则k=0；否则如： ，则k=n。 2.4.2 非均匀的连续分布随机数的产生 (1)反函数法（概率积分变换法，反变换法） 求具有指定分布规律的随机数xi与在[0，1]上均匀分布随机数yi之间的关系式。 基本定理：如果随机变量X的分布函数F(x)连续，则随机变量 是[0，1]上均匀分布的随机变量。 具体操作： 求出y=F(x)的反函数，x=F-1(y)。 利用[0，1]均匀分布的随机数产生算法计算yk 计算xk=F-1(yk) 为所需要的随机数。 例：产生[a,b]上均匀分布的随机变量X。[a,b]上均匀分布的密度函数： 由上式可计算其分布函数： 指数分布 概率函数是： 产生算法： 产生[0，1) 均匀分布的随机数x 计算输出y是指数分布的随机数 正态分布 概率函数： 对此式无法直接求反函数F-1(X)。 坐标变换法 在[0，1]均匀分布的随机数发生器中取两个相独立的随机数u1,u2。 x1和x2是一对符合正态分布的随机数 近似抽样法 产生n个相互独立的[0，1]均匀分布的随机数序列：x1,x2,…,xn 在取n=12时，简化为 u=σy+μ u为正态分布的随机数 (2)舍选法 可以用于产生任意有界量的随机变量。若随机变量X的密度函数f(x)中X的取值的下限和上限为a和b（x∈[a,b]），f(x)的上确界为c（f(x)≤c），运算步骤为： ①计算两个独立的[0，1]均匀分布随机数u1，u2 ②计算 x0=a+u1*(b-a) y0=c*u2 ③如果 y0≤f (x0)，则接受x0作为抽样输出；否则重复①~③。 1