3.25.
Моделирование случайных процессов в СМО
Моделирование случайных процессов, в
том числе и систем массового обслуживания, осуществляется с помощью
моделирования случайных величин, подчиняющихся различным распределениям:
равномерному, показательному, нормальному и др. Для получения таких случайных
величин используется случайная величина X, равномерно распределенная на отрезке
[0,1], из которой различными преобразованиями получают случайную величину,
подчиняющуюся требуемому закону распределения.
Случайная величина X называется
равномерно распределенной на отрезке [0,1], если ее плотность f(c) на этом отрезке постоянна и равна единице:
Функция распределения такой случайной
величины X имеет значения
Случайные величины X, равномерно
распределенные на отрезке [0,1], можно получить тремя способами: 1) используя
таблицы случайных чисел; 2) с помощью генераторов (датчиков) случайных чисел;
3) программным путем с помощью ЭВМ (псевдослучайные числа). Псевдослучайные числа
(точнее, псевдослучайная последовательность чисел) вырабатываются рекуррентным
способом по специальным алгоритмам, в которых каждое последующее число
получается из предыдущих в результате применения некоторых арифметических и
логических операций. Эти числа называются псевдослучайными,
а не случайными, так как последовательности чисел, получаемых с помощью
рекуррентных соотношений, являются периодическими. Однако
период может быть выбран столь большим, что практически этот недостаток можно
не учитывать.
Возможность моделирования
случайной величины X, равномерно распределенной на
отрезке [0,1], позволяет моделировать и непрерывную случайную величину, распределенную
по любому закону F(x)=p(E<x). Функция распределения случайной величины E монотонно возрастает от 0 до 1.
Значения случайной
величины E, распределенной по любому закону
в интервале [а, b) с плотностью f(x), определяется из уравнения
Для каждой реализации величины X
решается последнее уравнение относительно x, т. е.
определяется реализация величины Е.
Принцип
моделирования случайной величины Е, равномерно распределенной в интервале [а, b), и случайной величины Е, распределенной
по показательному закону.
Равномерно
распределенная в интервале [а, b) случайная
величина Е имеет в этом интервале постоянную плотность, равную
, откуда (1)
Используя в
процессе моделирования каждую реализацию случайной величины X и преобразование
(1), получаем последовательность случайных величин x, равномерно распределенных в интервале [а, b).
Случайная величина
Е, распределенная в интервале [0, ¥) по
показательному закону с параметром l, имеет плотность
распределения
,
откуда ,
Величина (1-c) так же, как и c, является равномерно распределенной на отрезке [0,1],
поэтому . Таким образом, в процессе моделирования на основе
многократной реализации случайной величины X и преобразования (1) получаем
последовательность случайных величин x распределенных по
показательному закону с заданным параметром l.
Есть также специальные методы
моделирования для показательного распределения, g-распределения, и нормального распределения.
Пример специального метода для
показательного распределения (экономичный метод). Пусть … … независимые случайные величины, равномерно
распределенные в интервале [0,1]. … - расставленные в
порядке возрастания величины … .
, .
Тогда случайные величины , k=1,2,…n. Вычисление логарифма занимает
около 30 элементарных операций. Данный метод экономичный, потому что логарифм
надо вычислить один раз.