3.5.3. Генерация случайных чисел с заданным законом распределения

Определения и обозначения

Функция распределения вероятностей (ФРВ) – это функция, которая определяет вероятность того, что случайная величина примет значение, меньшее или равное заданному. Она описывает распределение вероятностей для непрерывных или дискретных случайных величин. Без знания ФРВ невозможно корректно генерировать случайные числа с нужным распределением.

Метод обратной функции – это способ генерации случайных чисел, основанный на использовании обратной функции ФРВ. Суть метода заключается в том, что сначала генерируется случайное число с равномерным распределением, а затем оно преобразуется с помощью обратной функции ФРВ в число с нужным распределением. Этот метод эффективен, когда обратная функция ФРВ существует и легко вычисляется.

Равномерное распределение – это распределение, при котором все значения из заданного интервала равновероятны. Это базовое распределение, используемое в качестве основы для генерации случайных чисел с другими распределениями, например, методом обратной функции или метода принятия-отклонения.

Псевдослучайные числа – это последовательность чисел, генерируемая алгоритмом, предназначенная для моделирования случайных чисел. Важно понимать, что такие числа не являются истинно случайными, так как они определяются начальным значением (зерном) и алгоритмом генерации. Однако, для многих практических целей их достаточно.

Как это устроено

Необходимость генерации случайных чисел с заданным распределением возникает в самых разных задачах. Например, в статистическом моделировании необходимо имитировать реальные процессы, характеризующиеся определённым распределением вероятностей (например, время обслуживания клиентов в очереди или рост населения). В имитационном моделировании случайные числа используются для внесения неопределенности и реалистичности в модель. В криптографии случайные числа критически важны для генерации ключей и обеспечения безопасности.

Генерация псевдослучайных чисел с равномерным распределением является базовой задачей, которая решается встроенными функциями большинства языков программирования. Однако, часто требуется получать числа с распределением, отличным от равномерного. В этом случае используют методы преобразования равномерного распределения в нужное. Так, например, метод обратной функции позволяет преобразовывать равномерно распределенные числа в числа с экспоненциальным, нормальным и другими распределениями.

Метод обратной функции является основным способом генерации чисел с заданным распределением, но он требует знания аналитического выражения ФРВ и возможности её обращения. Если ФРВ задана в виде сложной интегральной функции, её обращение может быть затруднительным или невозможным. В таких случаях применяются численные методы для приближённого вычисления обратной функции.

Ограничения метода обратной функции делают его неприменимым для многих сложных распределений. В таких случаях на помощь приходит метод принятия-отклонения. Он позволяет генерировать числа с заданным распределением, даже если обратную функцию ФРВ получить не удаётся или её вычисление слишком затратно. Суть метода заключается в том, что генерируется число из простого распределения (например, равномерного) и оно принимается или отклоняется в зависимости от определённого условия, связанного с ФРВ целевого распределения.

Применение метода принятия-отклонения требует знания верхней границы ФРВ, чтобы обеспечить корректную нормализацию вероятностей. Нормализация гарантирует, что сумма всех вероятностей равна единице, что является необходимым условием для корректного распределения.

Сравнение методов генерации случайных чисел с заданным распределением

Эта таблица помогает выбрать наиболее подходящий метод в зависимости от конкретной задачи и свойств ФРВ. Выбор также может зависеть от требований к производительности и точности.

Разбор задач

Задача 1: Сгенерировать 1000 случайных чисел, подчиняющихся экспоненциальному распределению с параметром λ = 2.

1. Так как экспоненциальное распределение имеет известную обратную функцию ФРВ, применим метод обратной функции.
2. Обратная функция ФРВ экспоненциального распределения имеет вид x = -ln(1-U) / λ, где U – равномерно распределенное случайное число.
3. Сгенерируем 1000 случайных чисел U с равномерным распределением на интервале (0, 1).
4. Для каждого U вычислим x = -ln(1-U) / 2.
5. Полученные значения x и будут случайными числами, подчиняющимися экспоненциальному распределению с параметром λ = 2.

Ответ: Сгенерированная последовательность чисел x представляет собой выборку из экспоненциального распределения с параметром λ = 2.

Задача 2: Сгенерировать 1000 случайных чисел из нормального распределения с математическим ожиданием 0 и стандартным отклонением 1 (стандартное нормальное распределение).

1. Используем метод Бокса-Мюллера, который преобразует две равномерно распределенные случайные величины в две независимые нормально распределенные.
2. Сгенерируем две случайные величины U1 и U2 с равномерным распределением на интервале (0, 1).
3. Вычислим Z1 = sqrt(-2 * ln(U1)) * cos(2 * π * U2) и Z2 = sqrt(-2 * ln(U1)) * sin(2 * π * U2).
4. Z1 и Z2 – две независимые случайные величины, подчиняющиеся стандартному нормальному распределению.

Ответ: Z1 и Z2 представляют собой выборку из стандартного нормального распределения.

Задача 3: Сгенерировать 1000 случайных чисел, соответствующие распределению Пуассона с λ = 3.

1. Используем алгоритм, основанный на последовательном суммировании экспоненциально распределенных случайных величин до достижения заданного значения.
2. Генерируем экспоненциально распределенные случайные величины с параметром 1.
3. Суммируем их до тех пор, пока сумма не превысит λ = 3.
4. Количество слагаемых в сумме соответствует случайному числу, имеющему распределение Пуассона с параметром 3.

Ответ: Полученное количество слагаемых представляет собой выборку из распределения Пуассона с параметром λ = 3.

Типичные ошибки

Неправильное применение метода обратной функции может произойти из-за ошибки в вычислении обратной функции ФРВ. Например, неправильный выбор знака или неверная формула могут привести к некорректному распределению генерируемых чисел. Перепроверяйте формулу обратной функции и убедитесь, что она соответствует ФРВ.

Некорректная нормализация при использовании метода принятия-отклонения может привести к смещению распределения. Если функция отклонения неверно масштабирована, то распределение генерируемых чисел будет отличаться от целевого. Всегда проверяйте, что сумма вероятностей равна единице.

Использование некачественного генератора псевдослучайных чисел (с малым периодом или плохими статистическими свойствами) может привести к предсказуемым или некорректным результатам. Используйте генераторы псевдослучайных чисел, прошедшие тщательное тестирование и обладающие хорошими статистическими свойствами.

Неправильная интерпретация параметров распределения может привести к генерации чисел с неверным распределением. Например, перепутать параметры λ и μ может привести к совершенно другому распределению, чем ожидалось. Всегда внимательно проверяйте параметры, используемые при генерации.

Связь с другими темами

Основы теории вероятностей и математической статистики: понимание случайной величины, ФРВ, плотности вероятности необходимо для понимания принципов генерации случайных чисел с заданным распределением.

Методы численного решения уравнений: в некоторых случаях для реализации метода принятия-отклонения может потребоваться численный поиск значения ФРВ или обратной функции ФРВ.

Что запомнить

• Генерация случайных чисел с заданным распределением основана на преобразовании равномерно распределенных случайных чисел.
• Метод обратной функции – простой и эффективный способ генерации для распределений с аналитически выраженной обратной функцией ФРВ.
• Метод принятия-отклонения позволяет генерировать числа для сложных распределений, для которых метод обратной функции неприменим.
• Выбор метода генерации зависит от свойств ФРВ и требований к точности и производительности.
• Качество генератора псевдослучайных чисел существенно влияет на качество генерируемых случайных чисел.
• В большинстве случаев генерируются псевдослучайные числа, а не истинно случайные.