仿真用概率概念.pptVIP

2001.9.10 随机数的统计检验 独立性检验 一个随机数序列可以是均匀分布，但却不一定是独立的，也就是说有可能是互相关联的。两个随机变量得相关系数反映了它们之间的线性相关程度。如果它们相互独立，那么它们的相关系数应为0（反之不一定）。所以其值大小可以衡量相关程度。这里对独立性检验主要是对随机数序列中相隔一定间隔的数之间的相关系数进行检验。 2001.9.10 随机数的统计检验 独立性检验 设给定N个随机数x1，x2，…，xN，我们计算前后距离为K的样本相关系数rK： ， k=1，2，… 式中 为随机数的方差， 为随机数的平均值， 。 2001.9.10 随机数的统计检验 独立性检验 如果各xi相互独立，则相关系数rK应为0。在原假设rK=0之下，当N充分大(例如N-K50)时，统计量 渐近地服从正态分布N(0，1)。同时选定α=0.05，则根据概率统计理论，当|U|196时(称为差异显著)，拒绝假设 rK=0；反之，则接受。 2001.9.10 各种离散分布随机数的产生 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 2001.9.10 各种离散分布随机数的产生 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。 2001.9.10 非均匀连续分布随机数的产生 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 2001.9.10 非均匀连续分布随机数的产生 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： 1 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 2 xn= F-1(yn) 所计算的随机数就是随机变量X的取样值。 2001.9.10 非均匀连续分布随机数的产生 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。 2001.9.10 非均匀连续分布随机数的产生 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 练习： 请符合Weibull分布的随机变量。 离散随机变量 练习 函数变换法 2001.9.10 非均匀连续分布随机数的产生 正态分布 正态分布的概率密度函数为 对于此式要直接求F-1(y)是很困难的，可利用坐标变换等方法。令x=σx1+μ就可以将上式化成标准正态分布N(0，1)。设u1和u2是两个独立的(0，1)均匀分布随机数，利用坐标变换及积分变换可得 均值：2；方差：0.3。 卷积法（convolution) For some intractable distributions, we can express the random variate as the sum of two or more random variates. 2001.9.10 非均匀连续分布随机数的产生 爱尔朗分布 概率密度函数为 对于这种分布，不能直接利用反函数法，而是利用其一个特性，即一个平均值为T的k级爱尔朗分布的随机数等价于k个独立的并且具有平均值为T/k的指数分布随机数之和。所以 k=0.9 图中取λ =0.5 k=1.5 k=3 计算Erlang分布： Ex: m = 2; β = 1Select two random numbers: u1 = .2; u2 = .4 请符合该分布的随机变量x. X = - 1