Папиллярные узоры пальцев рук - маркер спортивных способностей: дерматоглифические признаки формируются на 3-5 месяце беременности, не изменяются в течение жизни...
История развития хранилищ для нефти: Первые склады нефти появились в XVII веке. Они представляли собой землянные ямы-амбара глубиной 4…5 м...
Топ:
Комплексной системы оценки состояния охраны труда на производственном объекте (КСОТ-П): Цели и задачи Комплексной системы оценки состояния охраны труда и определению факторов рисков по охране труда...
Когда производится ограждение поезда, остановившегося на перегоне: Во всех случаях немедленно должно быть ограждено место препятствия для движения поездов на смежном пути двухпутного...
Методика измерений сопротивления растеканию тока анодного заземления: Анодный заземлитель (анод) – проводник, погруженный в электролитическую среду (грунт, раствор электролита) и подключенный к положительному...
Интересное:
Наиболее распространенные виды рака: Раковая опухоль — это самостоятельное новообразование, которое может возникнуть и от повышенного давления...
Национальное богатство страны и его составляющие: для оценки элементов национального богатства используются...
Подходы к решению темы фильма: Существует три основных типа исторического фильма, имеющих между собой много общего...
Дисциплины:
2017-10-11 | 526 |
5.00
из
|
Заказать работу |
|
|
Описание законов распределения вероятностей случайных величин осуществляется при помощи функции распределения (интегральной функции распределения) или плотности распределения вероятностей , которые связаны между собой соотношениями:
; .
Напомним, что функция распределения вероятностей в точке рана вероятности наступления события: «Значение в результате реализации случайной величины оказалось строго меньше значения »[1]:
.
Плотность распределения вероятностей характеризует вероятность попадания значения случайной величины в ту или иную область оси абсцисс. Вероятность попадания реализации аналоговой случайной величины в точку, очевидно, равна нулю, вероятность же попадания в интервал [ a,b ] (пусть сколь угодно малый), имеет определенную величину[2]. С учетом определения плотности распределения вероятностей запишем:
.
Включение или не включение конечных точек в интервал интегрирования несущественно в силу сказанного ранее.
Датчики (генераторы) случайных (псевдослучайных) чисел с заданным законом распределения вероятностей, т. е. с заданной функцией плотности распределения вероятностей W (x) либо интегральной функцией распределения применяются исключительно широко в криптографии, стеганографии, при математическом (имитационном) моделировании сложных технических систем, при реализации компьютерных игр и т.д. Особенно часто необходимость в подобных датчиках возникает при исследовании или проектировании информационных систем, систем массового обслуживания.
Существует три способа получения реализаций последовательностей случайных чисел:
· выбор из таблиц случайных чисел (неудобство этого метода достаточно очевидно);
|
· использование физических датчиков (что также является сложной задачей, поскольку для каждого закона распределения потребуется изготовление собственного физического датчика; кроме того, в задачах защиты информации часто требуются псевдослучайные числа, а физические датчики обычно являются генераторами случайных чисел);
· генерирование псевдослучайных последовательностей чисел на ЭВМ.
Специфика всякой решаемой задачи защиты информации или моделирования требует своего закона распределения случайной величины, т.е. своей функции W (x) либо F (х). Разрабатывать датчики случайных чисел "на все случаи жизни" нерационально и практически невозможно. Отсюда необходимость создания некоторого универсального, простого в реализации генератора случайных чисел с достаточно простым законом распределения, используя который можно было бы получать случайные числа с законом распределения вероятностей, соответствующим решаемой задаче. В качестве такого генератора чаще всего используется датчик псевдослучайных чисел, равномерно распределенных в диапазоне (0, 1), реализуемый программно на ЭВМ.
Существуют три группы методов генерации случайных чисел с заданным законом распределения с использованием последовательности случайных чисел, равномерно распределенных в диапазоне (0,1):
1) точные — методы нелинейного преобразования и метод Неймана;
2) приближенные — метод кусочной аппроксимации, метод замены непрерывных распределений соответствующими дискретностями, метод численного решения уравнения при нелинейном преобразовании;
3) специальные — методы, основанные на свойствах преобразований случайных величин.
2.1. Моделирование случайной величины с произвольно заданным законом распределения посредством нелинейного преобразования случайной величины с равномерным законом распределения
Имеется датчик случайной (псевдослучайной) величины Y с функцией распределения вероятностей, равномерной в диапазоне [0,1],
|
(2.1)
Требуется получить датчик случайных чисел х с иным законом распределения вероятностей. Предполагается, что необходимый закон распределения известен точно, т.е. аналитическое выражение требуемой плотности распределения вероятностей W (х) либо функции распределения F (х) задано.
Рис. 2.1. Преобразование равномерно распределенной в диапазоне (0,1) случайной величины y в случайную величину x с интегральной функцией распределения F(x)
Решение поставленной задачи сводится к определению вида нелинейного преобразования x=g (y) (рис.2.1) случайной величины Y с равномерным на интервале (0,1) законом распределения, в результате которого получается случайная величина X с заданной плотностью распределения вероятностей W (x). Вероятность того, что реализация случайной величины y попадет в интервал dy, равна вероятности того, что значение x=g (y) попадет в соответствующий интервал dx:
W(y)dy=W(x)dx.
Поскольку случайная величина y имеет равномерный закон распределения, то W(y)= 1 во всей области определения [0,1]. Поэтому dy=W(x)dx. Интегрируя это дифференциальное уравнение, получим
. (2.2)
Графическая иллюстрация проделанных преобразований приведена на рис.2.1.
В результате решения уравнения (2.2) относительно переменной х можно определить вид функции g (y), которая совпадает с функцией, обратной к интегральной функции распределения F (х): .
Пример. Пусть требуется получить случайную величину с релеевским законом распределения, у которой
F (х) = 1 - exp(- x 2/2σ2), W (x) = (x / σ2) exp(- x 2/2 σ2).
Тогда, решая уравнение у= 1-ехр(- х 2/2σ2), получим х= σ .
Известно, что если случайная величина у распределена равномерно в диапазоне [0,1], то случайная величина 1- у имеет такой же закон распределения, поэтому последнее равенство целесообразно заменить статистически эквивалентным: x=g(у)= σ . Таким образом, если датчик генерирует последовательность случайных чисел уi, i = 1, 2..., с равномерным законом распределения, то последовательность чисел xi= σ i =1, 2... будет иметь закон распределения Релея.
Метод Неймана
Случайную величину с заданной плотностью распределения вероятностей W (x) можно получить из базовой последовательности случайных (псевдослучайных) чисел имеющих равномерную плотность распределения вероятностей на интервале [0,1] следующим образом.
|
Пусть имеются две случайные величины X, и Y, с равномерными законами распределения, которые образуют двумерное пространство элементарных событий (рис.2.2).
Рис.2.2 Двумерное пространство элементарных событий:
B – область в пространстве элементарных событий между осью абсцисс и кривой, воспроизводящей в некотором масштабе плотность распределения вероятностей W(x); a - область прямоугольника с размерами: dx – по оси абсцисс, b - по оси ординат
Случайные величины X и Y можно получить в результате умножения чисел базовой последовательности соответственно на a и b. Функция f (x) изображает в общем случае в произвольном масштабе заданную плотность распределения вероятностей W (x). Буквой a будем обозначать область прямоугольника с размерами: по оси абсцисс – dx, по оси ординат – b; B – область в пространстве элементарных событий между осью абсцисс и кривой f (x).
Алгоритм
1. На первом шаге вырабатываются реализации x 1 и y 1 случайных величин X и Y (точка в пространстве элементарных событий).
2. Если точка с координатами (x 1, y 1)попала в область B под функцией f (x), то y 1 отбрасывается, а x 1 используется в качестве выходного значения случайной величины. В противном случае отбрасываются оба значения x 1 и y 1 (холостой прогон).
3. Переход к пункту 1.
Таким образом, случайная величина с плотностью распределения W (x)формируется посредством прореживания базовой последовательности.
Докажем, что получаемая таким образом случайная величина описывается плотностью распределения вероятностей W (x),которая совпадает в определенном масштабе с функцией f (x). В данном случае вероятность W (x) dx попадания реализации выходной случайной величины в интервал dx равна условной вероятности P (A/B) =P (AB) /P (B) =W (x) dx, где события A и B определены как подмножества в пространстве элементарных событий. Поскольку плотность распределения вероятностей постоянна в пространстве элементарных событий, то применим геометрический метод вычисления вероятностей, т.е. условная вероятность P (A/B) равна отношению площади пересечения событий A и B к площади S (B) события B: W (x) dx= P (A/B) =f (x) dx / S (B).
|
Отсюда следует, что W (x) = f (x) / S (B).
2.3. Моделирование случайной величины в случае приближенного задания ее закона распределения
Если аналитическое выражение нелинейного преобразования x=q (y) не удается получить, или оно имеет сложный, "громоздкий" вид, а также, если распределение случайной величины X точно не известно, в задачах моделирования применяют аппроксимацию. Пусть требуется получить случайную величину X с плотностью распределения вероятностей W (x).
Аппроксимацию можно реализовать с помощью конечного ряда
W (x) ≈ P 1. w 1(x) +P.iwi (x) +Pnwn (x) =Ŵ (x), (2.3)
где wi (x), i= 1… n – законы распределения вероятностей n независимых случайных величин; Pi. – коэффициенты разложения; Ŵ (x) – результат аппроксимации требуемой плотности распределения вероятностей. Точность аппроксимации обычно выбирается экспериментально, хотя можно использовать и теорию разложения функции в ряды. Проектируемый программный модуль (генератор) должен вырабатывать псевдослучайную величину с плотностью распределения Ŵ (x).
Блок-схема алгоритма генерации случайной величины с плотностью распределения Ŵ (x)представлена на рис.2.3.
Рис.2.3 Блок-схема алгоритма генерирования случайной величины
с плотностью распределения Ŵ(x)
На первом шаге с вероятностью Pi выбирается один из генераторов случайных величин с плотностью распределения вероятностей .wi(x), i=1…n.
На втором шаге выбранный генератор вырабатывает реализацию x случайной величины X, которая используется как выходная.
Докажем, что на выходе получаем случайную величину с законом распределения вероятностей, равной Ŵ (x). Вероятность Ŵ (x) dx вычисляется по формуле полной вероятности Ŵ (x) dx = P 1. w 1(x) ,dx+ …+Pi.wi (x) dx +…+ Pnwn (x) dx, где .wi (x) dx – интерпретируется как условная вероятность попадания реализации случайной величины X в интервал dx при условии, что выбран генератор с плотностью распределения вероятностей wi (x).
Обычно плотности wi (x)принадлежат одному типу и различаются только средними значениями и (при необходимости) – дисперсией.
|
|
Типы оградительных сооружений в морском порту: По расположению оградительных сооружений в плане различают волноломы, обе оконечности...
Наброски и зарисовки растений, плодов, цветов: Освоить конструктивное построение структуры дерева через зарисовки отдельных деревьев, группы деревьев...
Поперечные профили набережных и береговой полосы: На городских территориях берегоукрепление проектируют с учетом технических и экономических требований, но особое значение придают эстетическим...
Кормораздатчик мобильный электрифицированный: схема и процесс работы устройства...
© cyberpedia.su 2017-2024 - Не является автором материалов. Исключительное право сохранено за автором текста.
Если вы не хотите, чтобы данный материал был у нас на сайте, перейдите по ссылке: Нарушение авторских прав. Мы поможем в написании вашей работы!