Концепция имитационного моделирования требует предварительного знакомства читателя с методом Монте-Карло, с методологией проведения проверок статистических гипотез, с устройством программных датчиков случайных (псевдослучайных) величин и с особенностями законов распределения случайных величин при моделировании экономических процессов, которые не рассматриваются в типовых программах дисциплины Теория вероятностей . [c.17]
Метод статистических испытаний (Монте-Карло), основанный на использовании датчиков псевдослучайных величин при многочисленных реализациях вариантов поведения сложной экономиче- [c.55]
Другими словами, полет, длительность которого равна полета. подвержен возможному прерыванию, а обследование больного (время р5) - это непрерываемое нахождение в конкретной точке на координатной сетке. Значения р5 и р6 в данном случае - конкретные числа. Поэтому, если необходимо все-таки подставить случайные значения, можно использовать датчики псевдослучайных величин, работа с которыми рассматривается в разд. 4.1. [c.114]
Метод Монте-Карло - метод статистических испытаний, проводимых с помощью ЭВМ и программ - датчиков псевдослучайных величин. Иногда название этого метода ошибочно применяется в качестве синонима имитационного моделирования. [c.352]
В подавляющем большинстве случаев в основе процесса имитации лежит некоторый статистический эксперимент, в ходе которого применяются некоторые генераторы псевдослучайных величин. Погрешности, объективно присущие таким генераторам, могут вносить значительные искажения в результаты, получаемые в ходе проигрывания моделей. [c.215]
Статистический анализ качества псевдослучайных величин. ..................................... 24 [c.18]
Определение периодом называется повторяющийся цикл получаемых псевдослучайных величин. [c.19]
Статистический анализ качества псевдослучайных величин [c.24]
Разработать программу, реализующую указанную схему моделирования равномерно распределённых псевдослучайных чисел на отрезке [О, 1]. Получить последовательность псевдослучайных величин. Провести статистические анализ качества этой последовательности. [c.33]
Встроенный в компьютер генератор псевдослучайных чисел выдает числа, равномерно распределенные в интервале от 0 до 1. Так как любая интегральная функция распределения F(x) имеет область значений от 0 до 1, то с помощью равномерного распределения можно получить случайное число с произвольным законом распределения путем решения обратной задачи, то есть восстанавливая по известному значению F(x) значение х. В качестве примера будем моделировать случайную величину, подчиняющуюся обобщенному экспоненциальному [c.48]
Датчик случайных величин - специальная программа, позволяющая получать псевдослучайные наборы чисел, распределенных по заданному закону. В современных компьютерах, если в качестве начальных кодов использовать коды таймера, реально получается последовательность случайных величин. [c.350]
Моделирование имитационное — воспроизведение процессов, которые происходят в системе и зависят от основных случайных величин, которые имитируются посредством датчика случайных чисел или псевдослучайных чисел. Алгоритм моделирования той или [c.381]
Получение псевдослучайных чисел с равномерным законом распределения заключается в выработке псевдослучайных чисел. Псевдослучайные числа - это числа, полученные по какой-либо формуле и имитирующие значения случайной величины. Под словом имитирующие подразумевается, что эти числа удовлетворяют ряду тестов так, как если бы они были значениями этой случайной величины. [c.122]
Несколько сложнее выглядит процедура назначения номеров, отбираемых в выборочную совокупность, для случая произвольного объема генеральной. Теперь из случайных чисел таблиц формируется последовательность случайных величин, равномерно распределенных в интервале от 0 до 1. Могут использоваться и так называемые псевдослучайные числа, т. е. полученные по определенному алгоритму вручную или с помощью ПЭВМ. В нашем примере такими числами можно было бы считать [c.20]
ПСЕВДОСЛУЧАЙНЫЕ ЧИСЛА [pseudorandom numbers], псевдослучайные величины — вырабатываемая алгоритмически последовательность чисел, обладающих свойствами случайных чисел и используемых взамен последних при решении на ЭВМ ряда классов задач (см., напр., Метод Монте-Карло). [c.295]
Рассмотрим текст функции на языке ++, реализующей этот генератор и возвращающей величину, равномерно распределенную на интервале (0,1). Данная функция реализует одну из разновидностей мультипликативного конгруентного метода. Генератор предназначен для применения в системе имитационного моделирования, позволяющей параллельное моделирование сложной сети взаимодействующих процессов, причем каждый процесс может иметь свой датчик псевдослучайных величин. Поэтому в качестве глобальной переменной рассматривается указатель k - адрес управляющей структуры такого процесса, имеющего номер next. Ниже следует текст программы [c.24]
Все математические приемы и программные датчики псевдослучайных величин, рассмотренные в данном разделе, имеются в составе системы Pilgrim. [c.24]
Для реализации имитационных моделей экономических процессов необходимы датчики псевдослучайных величин и соответствующие моделирующие функции. Обобщенное распределение Эр-ланга и треугольное распределение дают возможность проведения экспресс-оценок причин и следствий возникновения групповых потоков, резких увеличений случайных задержек в очередях, при получении ресурсов, при осуществлении денежных операций (платежей). [c.56]
Часто необходимо получить случайную величину в формате float, распределенную по какому-то закону. В системе Pilgrim есть стандартные 32-разрядные датчики псевдослучайных величин. В каждом узле имеется свой датчик, независимый от датчиков других узлов. [c.131]
В Приложении 3 дано краткое описание бейсик-программы для имитации ряда обобщенного броуновского движения с помощью ряда гауссовского. Этот метод помогает понять, кроме того, что представляет собой обобщенное броуновское движение. Каждое приращение во временном ряду обобщенного броуновского движения вычисляется как скользящее среднее, со степенной весовой функцией, от гауссова процесса с п независимыми случайными числами. С каждым шагом веса предшествующих N наблюдений уменьшаются N олицетворяет собой эффект долговременной памяти системы теоретически она бесконечна. Для целей имитации мы должны ограничить ее произвольно выбранным большим числом. В демонстрационном примере ряд из 8000 псевдослучайных чисел преобразован в 1400 смещенных случайных чисел описанным выше методом. Каждое смещенное приращение состоит из 5 случайных чисел и памяти о 200 смещенных числах. Проверка показала, что программа обладает достаточным быстродействием. Для каждого смещенного приращения (которое состоит из 5 гауссовских чигрИ пл должны оценить 200 предшествующих смещенных чисел (5 200 = 1000 гауссовских чисел). Эффект памяти порождается включением в расчет текущего числа, предшествующих чисел. Если рынок обладает подобного Рода эффектом памяти, то тогда каждая прибыль соотносится с величинами предшествующих М прибылей. В лю-оом случае измерение Н далее ведет к описанной выше несложной, хотя и довольно громоздкой вычислительной процедуре. [c.95]