生产系统建模与仿真.pptVIP

随机变量、概率函数、随机数(0，1)均匀分布随机数的产生当给定了一个初始值X0之后，就可以利用上式计算出序列X1，X2，…，Xn，…，再取于是y1，y2，…，yn就是所需要的(0，1)均匀分布得随机序列。随机变量、概率函数、随机数同余法产生（0，1）均匀分布的随机数

例题设a=5，c=3，M=8，取X0=1，则循环叠代式：利用上述叠代式，可以计算得到：X1=0，X2=3，X3=2，X4=5，X5=4，X6=7，X7=6，X8=1，X9=0，…y1=0.000，y2=0.375，y3=0.250，y4=0.625，y5=0.500，y6=0.875，y7=0.750，y8=0.125，X9=0.000，…我们可以看到此例中，这个随机数序列的周期长度为8，即Xn+8=Xn。很明显：利用同余法产生随机数序列的周期不可能超过所取的模数M值、适当的a、c和X0的值，就可以使随机数序列的周期充分地长、以满足实际的需要。若利用组合的同余法产生随机数序列，则可获得大于模数的周期。随机变量、概率函数、随机数同余法产生（0，1）均匀分布的随机数

产生的基本条件c和M互质，即没有大于1的公因子。M的每个质数因子也是a-1的因子。若4是M的因子，则4也是a-1的因子。上述基本条件满足后，混合同余法所产生的随机数序列的周期达到最大值M。随机变量、概率函数、随机数各种离散分布随机数的产生在生产系统离散仿真时，我们常常使用离散分布的随机变量来描述实际系统中的某些量。例如在企业原材料管理系统中，在一定时间内，到达仓库的物料数就是一个离散随机变量。该随机变量的到达时间是一个随机数，此随机数满足一定的概率分布。我们可以利用（0，1）均匀分布随机数来产生各种离散分布的随机数。离散分布的随机数可以分为：均匀分布的离散随机数、非均匀分布的离散随机数随机变量、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