Содержание
- 2. Суть методу полягає в тому, що замість опису випадкових явищ аналітичними залежностями проводиться розіграш випадкового явища
- 4. Вирішимо цю задачу методом статистичних випробувань. Процедуру розіграшу реалізуємо підкиданням одночасно чотирьох монет. Якщо монета падає
- 5. Приклад 2. Нехай є деяка ціль, на яку бомбардувальники скидають n бомб. Кожна бомба вражає область
- 6. Накладемо координатну сітку на всю можливу область попадання бомб. Розіграємо n точок - координат попадання бомб.
- 8. Алгоритм методу статистичних випробувань такий: 1. Визначити, що собою являтиме випробування або розіграш. 2. Визначити, яке
- 9. До недоліків методу можна віднести необхідність проведення великої кількості випробувань, щоб отримати результат з заданою точністю.
- 10. Для ефективного розіграшу випадкових величин використовують генератори випадкових чисел. Такі генератори будуються апаратними та програмними методами.
- 11. Один з найбільш поширених способів - використання шумів електронних пристроїв. Якщо на підсилювач не подавати ніякий
- 12. Найбільш поширеними на практиці є програмні генератори. Вони повинні відповідати таким вимогам: генерувати статистично незалежні випадкові
- 13. Лінійні конгруентні генератори. У більшості сучасних програмних генераторів використовується властивість конгруентності, яке полягає в тому, що
- 14. Зазвичай використовується лінійний мультиплікативний конгруентний метод, рекурентне співвідношення для якого має вигляд де a та m
- 15. Одержані за формулою значення Хi належать діапазону 0≤ Хi ≤ m-1 і мають рівномірний дискретний розподіл.
- 16. У мові GPSS World використовується мультиплікативний конгруентний алгоритм Лемера з максимальним періодом, який генерує 2147483647 унікальних
- 17. Перевірка послідовностей випадкових чисел. Статистичні властивості всіх послідовностей випадкових чисел потрібно перевіряти. Для цього використовують критерії.
- 18. Моделювання дискретних випадкових величин. Моделювання подій. Нехай необхідно змоделювати появу деякої події А, ймовірність настання якої
- 19. Дійсно, якщо f(r) – функція густини рівномірно розподіленої випадкової величини r, то Даний метод використовується в
- 20. Моделювання групи несумісних подій. Нехай є група несумісних подій, А1, А2, ..,. Аk. Відомі ймовірності настання
- 21. Якщо одержане число потрапило в інтервал від до , то відбулася подія Аi. Таку процедуру називають
- 22. Моделювання умовної події. Моделювання умовної події А, яке відбувається за умови, що настає подія В з
- 23. Моделювання випадкової дискретної величини. Моделювання випадкової дискретної величини виконується аналогічно моделюванню групи несумісних подій. Дискретна випадкова
- 24. Геометричний розподіл. Для моделювання випадкової величини Х з геометричним розподілом необхідно задати таблицю її значень та
- 27. Моделювання неперервних випадкових величин. В даному випадку використовується метод зворотної функції. Випадкова величина має функцію густини
- 30. 0, x F(x) = { (x-a) / (b-a), a ≤ x ≤ b 1, x >
- 32. У мові GPSS такий розподіл часто використовується в блоках Advance для моделювання затримки проходження інформації або
- 35. Пуассонівський потік. Розглянемо моделювання пуассонівского потоку з інтенсивністю λ, основна властивість якого полягає в тому, що
- 36. Для пуассонівского потоку інтервали часу між надходженнями двох сусідніх вимог мають експонентний закон розподілу. Тому для
- 37. де tj – j-й проміжок часу між надходженнями двох сусідніх вимог, - середнє значення проміжку часу
- 38. Нормальний розподіл. Випадкова величина Х має нормальний розподіл (розподіл Гауса), якщо її густина розподілу ймовірностей описується
- 39. Графіки функцій густини ймовірностей f(x) і розподілу F(x) зображені на рис. F(x)
- 40. Збір статистичних даних для отримання оцінок характеристик випадкових величин. Основними елементами, з сукупності яких складається імовірнісна
- 41. - ймовірності настання деякої події; - математичного очікування випадкової величини; - дисперсії випадкової величини; - коефіцієнтів
- 42. Для оцінки математичного очікування випадкової величини використовується середнє значення де хi – i-а реалізація випадкової величини.
- 43. Безпосередньо використовувати ці формули для обчислення дисперсії складно, оскільки середнє значення змінюється в міру накопичення хi,
- 44. Для випадкових величин ξ та η з можливими значеннями хk, yk оцінка корреляційного момента визначається так:
- 45. Визначення кількості реалізацій Точність оцінювання параметрів системи, які отримують під час обробки результатів моделювання, залежить від
- 46. Статистична оцінка також є випадковою величиной, тому вона буде відрізнятися від а, тобто |a - |
- 47. Оцінка ймовірності. Припустимо, що метою моделювання є оцінка ймовірності настання деякої події А, яка визначає стан
- 48. Xi – настання події А в реалізації i. Визначимо вибіркове математичне очікування M[m/N] = p і
- 49. Якщо α = 0.95, то tα = 1.96, а якщо α = 0.003, то tα =
- 50. З останньої формули видно, що при p = 1 або p = 0, кількість реалізацій, які
- 51. Кількість реалізацій Ймовірність
- 53. Скачать презентацию