Київський національний університет імені Тараса Шевченка 

факультет інформаційних технологій 

Кафедра інформаційних систем та технологій 
 

Звіт 
з практичної роботи 12 
«Дослідження методів моделювання випадкових
величин» 
 
з дисципліни Теорія автоматичного управління
 

 
Виконав студент 2 курсу IP-21 групи  
Андрій ЧЕРЕВАТОВ
Дата захисту роботи_____________  
Підпис студента ________________  
Викладач: Михайло СТЕПАНОВ
Оцінка__________  
Підпис викладача_______________  
 
 
 
 
 
 
 
 
 
 
 
 
Київ -2021
 Лабораторна робота №12
Мета: вивчення способів генерації випадкових чисел із заданим законом
розподілу. Програмування найпростіших алгоритмів моделювання
випадкових чисел із заданим законом розподілу. Закріплення навичок
статистичного опрацювання даних на ПК.

Хід роботи
Виконати генерацію випадкових чисел з розподілом Вейбулла для значень
масштабу b = 1 і параметра форми c 1,0 і c 3,0.

Для С = 1
function [] = lab12weibl()
subplot(121)
i = 1:9;
a(i) = wblrnd(1,1,8,1);
fprintf('c = 1: \n');
disp(a);
m = mean(a);
fprintf('expected value: \n');
disp(m);
d = var(a);
fprintf('dispersion: \n');
disp(d);
histfit(a,9,'wbl')
title('c = 1')

Для С = 3
function [] = lab12weibl()
subplot(121)
i = 1:9;
a(i) = wblrnd(1,3,8,1);
fprintf('c = 3: \n');
disp(a);
m = mean(a);
fprintf('expected value: \n');
disp(m);
d = var(a);
fprintf('dispersion: \n');
disp(d);
histfit(a,9,'wbl')
title('c = 3')

4. На основі отриманих вибірок побудувати гістограми і отримати оцінки

математичного сподівання та дисперсії.
Для С = 1

Для С = 3
5. Виконати генерацію випадкових чисел з показниковим розподілом
параметра лямбда = 0.5
function [] = expr()
N = 8; %вибірка
L = 0.5; % параметр розподілу
X = random('exp',1/L,1,N);
[n x] = hist(X,30);
yn = n/(N*(x(2)-x(1))); % вираховування щільності по
гістограмі

m = mean(X);
fprintf('Математичне сподівання: \n');
disp(m);
d = var(X);
fprintf('Дисперсія: \n');
disp(d);

y = pdf('exp',x,1/L); % теоретична щільність ймовірності

bar(x,yn,1,'c'), hold on
plot(x,y,'-r','linew',2)
title(['Експоненціальне розподілення при
\lambda=',num2str(L)])
legend('Експериментально','Теоретично')
end
6. На основі отриманої вибірки побудувати гістограму і отримати оцінки
математичного сподівання та дисперсії.

7. Виконати генерацію випадкових чисел з релєївським розподілом для

значень параметра = 0,5.
function [] = rel()
X = rand(1,8);
i = 1:9;
a(i) = raylcdf(X,0.5);
disp(a);
m = mean(a);
fprintf('Математичне сподівання: \n');
disp(m);
d = var(a);
fprintf('Дисперсія: \n');
disp(d);
histfit(a,50,'ray')
title('Релей')
end

8. На основі отриманої вибірки побудувати гістограму і отримати оцінки

математичного сподівання та дисперсії.

9. Виконати генерацію випадкових чисел з розподілом Мізеса для значень

параметра mu = 1, k = 3.
function f= lab12mizes()
% х – вектор значень фазових зсувів (кутів)
% mu – круговий середній напрям
% k – параметр концентрації ВК в околі mu
% f – вектор значень щільності розподілу
k = 3;
mu = 1;
x = randi(100,1,9);
f=1./(2.*pi.*besseli(0,k)).*exp(k.*cos(x-mu));

fprintf('Математичне сподівання: \n');

disp(mean(f));

fprintf('Дисперсія: \n');
disp(var(f));
histfit(f,30)
end
10. На основі отриманої вибірки побудувати гістограму і отримати оцінки
математичного сподівання та дисперсії.

Контрольні запитання

1. Що служить вихідним матеріалом для формування на ПК випадкових

чисел із заданим законом розподілу.
Вихідним матеріалом для формування на ПК випадкових величин із заданим
законом розподілу є рівномірно розподілені в інтервалі [0, 1] випадкові
числа, що генеруються або в ПК програмним способом, або фізичним
давачем у вигляді вибірки випадкового процесу.

2. Які методи перетворення рівномірно розподілених випадкових чисел у

випадкові числа з заданим законом розподілу Ви знаєте.

Існують різні прийоми перетворення випадкових чисел із рівномірним

розподілом у випадкові числа з заданим законом розподілу
Наприклад метод нелінійного функціонального перетворення, що є
оберненим до заданої функції розподілу (іноді він так і називається – метод
оберненої функції).

3. У чому полягає сутність методу нелінійного перетворення за

оберненою функцією розподілу.

Припустимо, що є неперервна випадкова величину із щільністю розподілу p

(x) . Інша випадкова величина пов'язана з нею функціональною залежністю
y = u (x) (4.1)
Потрібно знайти щільність розподілу p (y) величини . Запишемо обернену до
функції (4.1) залежність змінної x від y , а саме .
x = q(y) (4.2)
Тоді, враховуючи позначення (4.2), щільність розподілу ймовірностей
випадкової величини

де модуль береться тому, що похідна може набувати як додатніх, так і

від`ємних значень в залежності від того, чи є функція q(y) зростаючою, чи
спадаючою. А щільність розподілу є функція невід’ємна.
У тому випадку, коли – це рівномірно розподілена випадкова величина із
щільністю розподілу ймовірностей тоді із (4.3) маємо
(4.4)
Отже, якщо випадкова величина має рівномірну щільність ймовірностей, то
можна вважати, що
(4.5)
і результат диференціювання правої частини залежності (4.5) виявиться
рівним щільності розподілу p(y) випадкової величини . Розв`язуючи (4.5)
відносно y , одержуємо аналітичний вираз для функціонального
перетворення – функція, обернена функції F (x) . Перетворення F -1( x) слід
застосувати до випадкової величини з рівномірним розподілом для
отримання випадкової величини із заданою щільністю розподілу p(y) .
Оскільки у формулі (4.3) якобіан береться за модулем, то його значення не
зміниться, якщо у формулі (4.5) запишемо праву частину у вигляді

На практиці функціональне перетворення змінної x в y , яке одержуємо з

виразу (4.6) потребує меншої кількості операцій, а отже, і менших витрат
машинного часу, ніж для перетворення за виразом (4.5). До прикладу
розглянемо випадкову величину з розподілом Вейбулла:

де b 0 – параметр масштабу; c > 0 – параметр форми.

Підставивши (4.7) у (4.6), отримаємо

а після логарифмування обох частин -

Розв`язуючи останнє рівняння відносно y , знаходимо

4. Охарактеризуйте переваги і недолики аналітичного і наближеного

методів перетворення випадкових чисел.

Переваги аналітичних методів полягають в тому, що отримана аналітична

формула навіть для спрощеної моделі задовільно характеризує суть явищ.
Аналітичні рішення дозволяють зрозуміти і наочно представити основні
закономірності особливо при вивченні нового явища або процесу. Тому при
математичному моделюванні явищ на першому етапі використовують
аналітичний спосіб первинного аналізу математичної моделі. Дослідження
об'єкта або явища зазвичай починається з пошуку можливих аналітичних
рішень спрощеної математичної моделі. Отримані аналітичні рішення часто
використовуються як тестові моделі для порівняння результатів рішення
математичної моделі, отриманих за допомогою чисельного методу і
математичних пакетів.
Використання чисельних моделей дозволяє виправити частину недоліків
аналітичного методу, зокрема:
1) Чисельне моделювання дозволяє іноді вирішувати математичні моделі
реального процесу зі складною геометрією.
2) Є можливість вирішення більш реальних математичних моделей, що
моделюють явище або процес, тобто рішення нелінійних диференціальних,
систем диференціальних рівнянь в приватних похідних, інтегральних
рівнянь.
Чисельний метод - це наближений метод рішення, тому одним із суттєвих
недоліків даного методу є оцінка похибки. Аналітична оцінка похибки є
найчастіше більш складною процедурою, ніж сам процес вирішення, в
деяких випадках вона просто неможлива. У цих випадках для оцінки похибки
використовують обчислювальний експеримент або порівняння з
аналітичними рішеннями і реальним натурних експериментом.

Висновок: під час виконання даної лабораторної роботи, я отримав

практичні навички та теоретичні знання з різних методів генерації
випадкових чисел із заданими законами розподілу, вивчив різницю між ними
та побачив її на практиці.