Professional Documents
Culture Documents
Chapter 8
Chapter 8
دﯾﺪﯾﻢ ﮐﻪ ﺗﺌﻮری اﺣﺘﻤﺎل ﯾﮏ ﺗﺌﻮری ﮐﺎﻣﻼً رﯾﺎﺿﯽ ﺑﻮد ﮐﻪ ﺑﺮ اﺳﺎس ﯾﮏ اﺻﻮل اوﻟﯿﻪ و اﺳﺘﻨﺘﺎﺟﺎت رﯾﺎﺿﯽ از ﯾﮏ ﻣﺪل ﻣﻔﺮوض )اﺣﺘﻤﺎل
ﯾﮏ ﺳﺮی وﻗﺎﯾﻊ( ،اﺣﺘﻤﺎل وﻗﺎﯾﻊ دﯾﮕﺮی را ﺑﻪ دﺳﺖ ﻣﯽآوردﯾﻢ .ﻣﺪﻟﻬﺎ ﻓﺮض ﺷﺪهاﻧﺪ و ﮐﺎری ﺑﻪ اﯾﻨﮑﻪ ﺑﺎ واﻗﻌﯿﺖ ﺗﻄﺎﺑﻖ داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﯾﺎ ﻧﻪ،
ﻧﺪارﯾﻢ .آﻣﺎر در ﻣﻮرد ﮐﺎرﺑﺮد ﺗﺌﻮری اﺣﺘﻤﺎل در ﻣﺴﺎﺋﻞ واﻗﻌﯽ ﺑﺤﺚ ﻣﯽﮐﻨﺪ و ﮐﻤﮏ ﻣﯽﮐﻨﺪ ﮐﻪ ﺑﻪ وﺳﯿﻠﮥ ﻧﺘﺎﯾﺞ ﻣﺸﺎﻫﺪات واﻗﻌﯽ
)ﻧﻤﻮﻧﻪﻫﺎﯾﯽ از ﺟﺎﻣﻌﻪ( ﺑﺘﻮاﻧﯿﻢ اﺳﺘﻨﺘﺎﺟﺎﺗﯽ )ﮐﻪ ﺑﻪ اﺣﺘﻤﺎل ﻧﺰدﯾﮏ ﯾﮏ درﺳﺖ ﻫﺴﺘﻨﺪ( اﻧﺠﺎم دﻫﯿﻢ .اﻟﺒﺘﻪ اﯾﻦ آﻣﺎر اﺳﺘﻨﺘﺎﺟﯽ اﺳﺖ ﮐﻪ
ﺑﺤﺚ ﻣﺎ در ﻣﻮرد آن ﺧﻮاﻫﺪ ﺑﻮد .ﺷﺎﺧﮥ دﯾﮕﺮ آﻣﺎر ،آﻣﺎر ﺗﻮﺻﯿﻔﯽ اﺳﺖ ﮐﻪ در ﻣﻮرد ﻧﺤﻮۀ دﺳﺘﻪﺑﻨﺪی و اراﺋﮥ اﻃﻼﻋﺎت آﻣﺎری ﺑﺤﺚ ﻣﯽﮐﻨﺪ
)رﺟﻮع ﮐﻨﯿﺪ ﺑﻪ ﮐﺘﺎب ،Kreyszigﺻﻔﺤﺎت 838ﺗﺎ .(849
ﻣﺒﺤﺚ ﻋﻤﺪۀ آﻣﺎر اﺳﺘﻨﺘﺎﺟﯽ ،ﺗﺨﻤﯿﻦ و آزﻣﻮن ﻓﺮﺿﯿﻪ اﺳﺖ ﮐﻪ ﻫﺮ دو ﮐﺎرﺑﺮد زﯾﺎدی در ﻣﻬﻨﺪﺳﯽ ﺑﺮق دارﻧﺪ .ﻣﺎﻧﻨﺪ ﺳﯿﺴﺘﻢ ﻫﺪاﯾﺖ و
ﮐﻨﺘﺮل ﻣﻮﺷﮏ ،آﺷﮑﺎرﺳﺎزی ﻫﺪف در رادار ،ﺗﻌﻘﯿﺐ اﻫﺪاف راداری و ...
ﺗﻮﺻﯿﻔﯽ
ﺗﺨﻤﯿﻦ آﻣﺎر
اﺳﺘﻨﺘﺎﺟﯽ
آزﻣﻮن ﻓﺮﺿﯿﻪ
ﻓﺼﻞ :8
ﺗﻮﻟﯿﺪ اﻋﺪاد ﺗﺼﺎدﻓﯽ و ﺷﺒﯿﻪﺳﺎزی ﮐﺎﻣﭙﯿﻮﺗﺮی
.4ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ
1
ﺗﻌﺮﯾﻒ دﻧﺒﺎﻟﮥ اﻋﺪاد ﺗﺼﺎدﻓﯽ:
ﺑﻪ ﺟﺎی اﯾﻨﮑﻪ ﺳﯿﺴﺘﻢ ﻓﯿﺰﯾﮑﯽ را ﮐﻪ دارای ورودیﻫﺎی ﺗﺼﺎدﻓﯽ ﯾﺎ رﻓﺘﺎر ﺗﺼﺎدﻓﯽ اﺳﺖ ﻋﯿﻨﺎً ﻣﺸﺎﻫﺪه ﮐﻨﯿﻢ و اﺛﺮات ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺨﺘﻠﻒ را
ﺑﺒﯿﻨﯿﻢ ﯾﺎ ﺑﺎ ﺗﺤﻤﻞ ﻫﺰﯾﻨﮥ ﻓﺮاوان ﺑﺴﺎزﯾﻢ )و ﺑﻌﺪ ﺑﻔﻬﻤﯿﻢ آن ﻃﻮر ﮐﻪ ﻣﻄﻠﻮب اﺳﺖ ﮐﺎر ﻧﻤﯽﮐﻨﺪ!( ،ﻣﯽﺗﻮاﻧﯿﻢ از ﺷﺒﯿﻪﺳﺎزی ﮐﺎﻣﭙﯿﻮﺗﺮی
اﺳﺘﻔﺎده ﮐﻨﯿﻢ )ﻣﺎﻧﻨﺪ ﻣﺮاﺣﻞ ﮔﯿﺮﻧﺪۀ ﻣﺨﺎﺑﺮاﺗﯽ ،آﺷﮑﺎرﺳﺎز رادار و .(...اﻣﺮوزه ﺷﺒﯿﻪﺳﺎزی در ﺳﺮاﺳﺮ دﻧﯿﺎ و در رﺷﺘﻪﻫﺎی ﻣﺨﺘﻠﻒ ﻣﻬﻨﺪﺳﯽ
ﮐﺎرﺑﺮد ﻓﺮاوان دارد .ﻣﺜﻼً ﻃﺮح اﺗﻮﻣﺒﯿﻞ اﺑﺘﺪا در ﮐﺎﻣﭙﯿﻮﺗﺮ ،ﺗﻌﯿﯿﻦ ﻣﺤﻞ ﻗﺮاردادن دﮐﻠﻬﺎی ﻣﺨﺎﺑﺮات ﺳﯿﺎر ﺑﺎ ﺷﺒﯿﻪﺳﺎزی اﻣﻮاج و . ...
ﺧﺼﻮﺻ ًﺎ در ﻣﻮاردی ﮐﻪ ﻣﺤﺎﺳﺒﮥ ﻣﺴﺘﻘﯿﻢ ﻣﺸﮑﻞ اﺳﺖ ﯾﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺘﻌﺪدی در ﻣﺴﺄﻟﻪ دﺧﯿﻞ ﻫﺴﺘﻨﺪ ﯾﺎ ﺑﻪ ﻋﻨﻮان ﻣﺆﯾﺪی ﺑﺮای
ﻣﺤﺎﺳﺒﺎت.
ﺑﻪ ﻣﻨﻈﻮر ﺷﺒﯿﻪﺳﺎزی اﺣﺘﯿﺎج ﺑﻪ ﻣﻮﻟﺪ اﻋﺪاد ﺗﺼﺎدﻓﯽ دارﯾﻢ .ﻫﻤﭽﻨﯿﻦ ﺑﺮای ﻧﻤﻮﻧﻪﺑﺮداری ﺗﺼﺎدﻓﯽ از ﯾﮏ ﺟﺎﻣﻌﻪ از اﻋﺪاد ﺗﺼﺎدﻓﯽ اﺳﺘﻔﺎده
ﻣﯽﺷﻮد .ﺑﻌﻀﺎً ﺑﺮای ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدی ﻣﺸﮑﻞ از اﻋﺪاد ﺗﺼﺎدﻓﯽ )ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ( اﺳﺘﻔﺎده ﻣﯽﺷﻮد .ﺗﻮﻟﯿﺪ اﻋﺪاد ﺗﺼﺎدﻓﯽ ﮐﺎرﺑﺮد
ﺑﺴﯿﺎر ﻣﻬﻤﯽ در اﯾﻤﻦ ﺳﺎﺧﺘﻦ ﻣﺨﺎﺑﺮات )رﻣﺰﻧﮕﺎری( دارد.
2
ﻃﺒﯿﻌﺘﺎً ﺗﻮﻟﯿﺪ اﻋﺪاد ﺗﺼﺎدﻓﯽ ﻓﻘﻂ ﺗﻮﺳﻂ ﯾﮏ ﭘﺪﯾﺪۀ ﻓﯿﺰﯾﮑﯽ ﺗﺼﺎدﻓﯽ اﻣﮑﺎنﭘﺬﯾﺮ اﺳﺖ .آﻧﭽﻪ ﺑﻪ وﺳﯿﻠﮥ ﮐﺎﻣﭙﯿﻮﺗﺮ ﻣﯽﺗﻮان ﺗﻮﻟﯿﺪ ﮐﺮد،
دﻧﺒﺎﻟﮥ اﻋﺪاد ﺷﺒﻪ ﺗﺼﺎدﻓﯽ ) (Pseudo Randomاﺳﺖ ،ﯾﻌﻨﯽ ﺗﻮﺳﻂ اﻟﮕﻮرﯾﺘﻤﯽ ﺑﻪ ﻃﻮر Deterministicﺗﻮﻟﯿﺪ ﻣﯽﺷﻮﻧﺪ ،وﻟﯽ
ﺧﻮاص دﻧﺒﺎﻟﮥ اﻋﺪاد ﺗﺼﺎدﻓﯽ را دارا ﻫﺴﺘﻨﺪ و ﻟﺬا ﺗﺼﺎدﻓﯽ ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﻨﺪ .آزﻣﻮﻧﻬﺎﯾﯽ وﺟﻮد دارد ﮐﻪ ﺗﺼﺎدﻓﯽ ﺑﻮدن دﻧﺒﺎﻟﻪ را ﺑﺮرﺳﯽ
ﻣﯽﮐﻨﻨﺪ و در ﻓﺼﻞ 8ﮐﺘﺎب آﻣﺪهاﻧﺪ.
ﺑﺮای اﯾﻨﮑﻪ دﻧﺒﺎﻟﮥ اﻋﺪاد ﺷﺒﻪ ﺗﺼﺎدﻓﯽ )از اﯾﻦ ﺑﻪ ﺑﻌﺪ ﺗﺴﺎﻣﺤﺎً ﻣﯽﮔﻮﯾﯿﻢ ﺗﺼﺎدﻓﯽ( ﺑﺎ ﺗﻮزﯾﻊ fxداده ﺷﺪه را ﺗﻮﻟﯿﺪ ﮐﻨﯿﻢ ،اﺑﺘﺪا ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ
اﻋﺪاد ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﻮزﯾﻊ ﯾﮑﻨﻮاﺧﺖ را ﺑﺮرﺳﯽ ﻣﯽﮐﻨﯿﻢ.
3
ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ اﻋﺪاد ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﻮزﯾﻊ ﯾﮑﻨﻮاﺧﺖ:
ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ اﻋﺪاد ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﻮزﯾﻊ ﯾﮑﻨﻮاﺧﺖ روﺷﻬﺎی ﮔﻮﻧﺎﮔﻮﻧﯽ دارد و در اﯾﻦ زﻣﯿﻨﻪ ﺑﺴﯿﺎر ﮐﺎر ﺷﺪه اﺳﺖ .ﯾﮏ روش ﮐﻪ در ﻋﯿﻦ
ﺳﺎده ﺑﻮدن ،دﻧﺒﺎﻟﮥ ﺣﺎﺻﻞ از آن از ﻧﻈﺮ ﺗﺼﺎدﻓﯽ ﺑﻮدن ﺧﯿﻠﯽ ﻣﻄﻠﻮب اﺳﺖ ،اﻟﮕﻮرﯾﺘﻢ Lehmerﻣﯽﺑﺎﺷﺪ.
ﯾﺎدآوری :ﮔﻮﯾﯿﻢ aﻫﻤﻨﻬﺸﺖ ) b (Conquenceاﺳﺖ در ﻫﻨﮓ ،nﻫﺮﮔﺎه a − b = knﺑﺎﺷﺪ .در اﯾﻦ ﺻﻮرت ﻣﯽﻧﻮﯾﺴﯿﻢ:
4
اﻟﮕﻮرﯾﺘﻢ :Lehmer
z n = az n −1 mod m
ﯾﻌﻨﯽ:
z n = a n z0 mod m
ﻓﺮض ﻣﯽﮐﻨﯿﻢ mﯾﮏ ﻋﺪد اول ﺑﺴﯿﺎر ﺑﺰرگ ﺑﻮده و z0ﻋﺪدی دﻟﺨﻮاه و ﮐﻮﭼﮑﺘﺮ از mﺑﺎﺷﺪ .ﻋﺪد a < mﻃﻮری اﻧﺘﺨﺎب ﻣﯽﺷﻮد
ﮐﻪ) ∀n < m − 1 : a n ≠ 1 mod m :در اﯾﻦ ﺻﻮرت am −1 = 1 mod m :ﺧﻮاﻫﺪ ﺑﻮد( .ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ ﭘﺮﯾﻮد ﺗﮑﺮار دﻧﺒﺎﻟﻪ ﻣﺎﮐﺰﯾﻤﻢ
ﻣﯽﺷﻮد )) (m − 1و ﮐﻠﯿﮥ اﻋﺪاد 1ﺗﺎ m − 1ﯾﮏ و ﻓﻘﻂ ﯾﮏ ﺑﺎر ﻇﺎﻫﺮ ﻣﯽﺷﻮﻧﺪ(.
ﻣﺜﻼً ﻣﯽﺗﻮان m = 2 31 − 1و a = 27 − 1را در ﻧﻈﺮ ﮔﺮﻓﺖ.
zi
= ، u iﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺑﺰرﮔﯽ ui ،mدﻧﺒﺎﻟﻪای ﭘﯿﻮﺳﺘﻪ ﺑﺎ ﺗﻮزﯾﻊ ﯾﮑﻨﻮاﺧﺖ ) u(0,1ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﺪ .ﯾﻌﻨﯽ ﻣﯽﺗﻮان ﻓﺮض اﮔﺮ ﺑﮕﯿﺮﯾﻢ:
m
ﮐﺰد ﮐﻪ. u ∼ u(0,1) :
5
ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ اﻋﺪاد ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﻮزﯾﻊ دﻟﺨﻮاه:
.1روش ﺗﺒﺪﯾﻞ ﻣﻌﮑﻮس
.2روش رد ﮐﺮدن
.3روشﻫﺎی ﺧﺎص
ﯾﮑﻨﻮاﺧﺖ
)) y = G −1 (F( x
دارای ﺗﻮزﯾﻊ اﻧﺒﺎﺷﺘﮥ G
6
ﻣﺜﺎل :1ﺗﻮﻟﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﯽ )از روی ﯾﮑﻨﻮاﺧﺖ(:
F(x) = 1 − e −λx
) x = F −1 ( u
1
) u = F( x ) = 1 − e −λx ⇒ −λx = ln(1 − u ) ⇒ x = − ln(1 − u
λ
)u ∼ u(0,1) ⇒ 1 − u ∼ u(0,1
ﭘﺲ:
1
xi = − ln u i
λ
7
ﻣﺜﺎل :2ﺗﻮﻟﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ راﯾﻠﯽ:
y2 y2
y − 2 − 2
= )f(y 2
e 2σ , F(y) = 1 − e 2σ
σ
y2
− 2
u = F( y ) = 1 − e 2σ ) ⇒ y 2 = −2σ 2 ln(1 − u
ﭘﺲ:
1
= σ 2ﺧﻮاﻫﺪ ﺑﻮد. ﺿﻤﻨﺎً اﮔﺮ xiدارای ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ λﺑﺎﺷﺪ y i = xi ،دارای ﺗﻮزﯾﻊ راﯾﻠﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ
2λ
8
.2روش رد ﮐﺮدن ):(Rejection Method
اﮐﻨﻮن ﻣﯽﺧﻮاﻫﯿﻢ دﻧﺒﺎﻟﮥ ﺗﺼﺎدﻓﯽ y iﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ) gﺗﻮزﯾﻊ اﻧﺒﺎﺷﺘﮥ (Gرا ﺗﻮﻟﯿﺪ ﮐﻨﯿﻢ.
ﻓﺮض :دﻧﺒﺎﻟﮥ xiﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ) fﺗﻮزﯾﻊ اﻧﺒﺎﺷﺘﮥ (Fﻗﺎﺑﻞ ﺗﻮﻟﯿﺪ اﺳﺖ و :
)g(x
∀x : ≤ α , f(x) = 0 ⇒ g(x) = 0
)f(x
)ﭼﻮن xدر ﻣﻨﻄﻘﮥ f(x) = 0ﻇﺎﻫﺮ ﻧﻤﯽﺷﻮد y ،ﻧﯿﺰ در آن ﻣﻨﻄﻘﻪ ﻇﺎﻫﺮ ﻧﺨﻮاﻫﺪ ﺷﺪ(.
9
? ?
؛Fy (y) = G(y) ⇔ fy (y) = g(y) :اﺛﺒﺎت
:دارﯾﻢ
g( x )
P{ x ≤ y, u ≤ }
g( x ) α f( x )
Fy (y) = P{ y ≤ y} = P{ x ≤ y|u ≤ }=
α f( x ) g( x )
P{ u ≤ }
α f( x )
f(x) 0 < u < 1
→ fxu (x, u) = fx (x)fu (u) =
0 otherwise
g( x)
g( x ) y
∫−∞ ∫0
α f( x )
⇒ P{ x ≤ y, u ≤ }= fxu (x, u)dudx
α f( x )
0 < u < 1 ﺑﺮایf(x)
g(x)
:اﺳﺖ ≤ 1 ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ
α f(x)
y g(x) G(y)
= ∫−∞ f(x)
α f(x)
dx =
α
G(y) :ﻟﺬا
g( x ) g( x ) G( +∞ ) 1
P{ u ≤ } = P{ x ≤ +∞ , u ≤ }= = ⇒ Fy (y) = α = G(y)
α f( x ) α f( x ) α α 1
α
10
ﺗﻌﺪاد ﺗﮑﺮار ﺣﻠﻘﻪ ﺑﺮای ﯾﮏ ﺑﺎر ﺗﻮﻟﯿﺪ اﻋﺪاد ﺗﺼﺎدﻓﯽ yﺗﻮزﯾﻊ ﻫﻨﺪﺳﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ 1
p = αاﺳﺖ ،ﻟﺬا: j
q 1− α1
= ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﺷﮑﺴﺘﻬﺎ )ﺑﺮای ﯾﮏ ﺑﺎر ﭘﯿﺮوزی( = = α − 1
p 1
α
ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﮐﻞ )ﺑﺮای ﯾﮏ ﺑﺎر ﭘﯿﺮوزی( = ⇒ α
ﻣﺜﺎل :ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ ﺗﺼﺎدﻓﯽ ﻧﺮﻣﺎل )از روی ﻧﻤﺎﯾﯽ( ﺑﻪ روش رد ﮐﺮدن و ﻣﺨﻠﻮط ﮐﺮدن:
x2
1 −
= )f(x) = e − x : x > 0 → h(x e 2
2π
وﻟﯽ:
⇒ f(x) = 0
/ h(x) = 0
ﭘﺲ اﺑﺘﺪا دﻧﺒﺎﻟﻪ ﺑﺎ ﺗﻮزﯾﻊ ) gﻧﺮﻣﺎل ﯾﮑﻄﺮﻓﻪ( را ﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﯿﻢ:
x2
2 −
= )g(x e 2 :x>0
2π
11
x2
2 −
e 2 −
x 2 −2x 1
−
x 2 − 2x + 1
−
(x −1)2
)g(x 2π 2 2 2e
= = e 2 = e2 e 2 = e 2
)f(x e−x 2π π π
)g(x 2e 4
⇒ ≤ = α = 1.32
)f(x π 3
ﯾﻌﻨﯽ ﺗﻘﺮﯾﺒﺎً در ﻫﺮ 4ﺑﺎر 3 ،ﺑﺎر ﻣﻮﻓﻘﯿﺖ.
12
ﺣﺎل ﺑﺮای اﯾﻨﮑﻪ از روی yﮐﻪ ﻧﺮﻣﺎل ﯾﮑﻄﺮﻓﻪ اﺳﺖ ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ zﻧﺮﻣﺎل )اﺳﺘﺎﻧﺪارد( ﺑﺴﺎزﯾﻢ ،ﺗﻮﺟﻪ ﻣﯽﮐﻨﯿﻢ ﮐﻪ:
1 1
)h(z) = g(z) + g( −z
2 2
13
.3روشﻫﺎی ﺧﺎص:
ﻣﺘﻐﯿﺮﻫﺎی ﺗﺼﺎدﻓﯽ ﻣﺨﺘﻠﻒ را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﻮاص وﯾﮋۀ ﻫﺮ ﯾﮏ ﺑﻪ روﺷﻬﺎﯾﯽ ﺧﺎص ﻣﯽﺗﻮان ﺗﻮﻟﯿﺪ ﮐﺮد.
ﻣﺜﺎل :1ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ ﻧﺮﻣﺎل :ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻀﯿﮥ ﺣﺪ ﻣﺮﮐﺰی ،ﻣﺠﻤﻮع ﺗﻌﺪاد زﯾﺎدی ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﯾﮑﻨﻮاﺧﺖ ،ﻧﺮﻣﺎل ﻣﯽﺷﻮد .ﭘﺲ:
z1 = u1 + + un , z 2 = u n +1 + + u 2n ,
ﯾﻌﻨﯽ:
n
= zi ∑ u(n−1)i+ j
j =1
ﻣﻘﺪار 10ﺗﺎ 15ﺑﺮای nﮐﺎﻓﯽ اﺳﺖ.
14
ﻣﺜﺎل :2روش دﯾﮕﺮی ﺑﺮای ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ ﻧﺮﻣﺎل؛ ﺗﻮﻟﯿﺪ دو دﻧﺒﺎﻟﮥ ﻧﺮﻣﺎل اﺳﺘﺎﻧﺪارد و ﻣﺴﺘﻘﻞ از ﻫﻢ:
ﯾﺎدآوری :اﮔﺮ ﻣﺘﻐﯿﺮﻫﺎی ﺗﺼﺎدﻓﯽ xو yﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ ،دارﯾﻢ:
)R = x 2 + y 2 ∼ Rayleigh(1
x ∼ )N(0,1
⇔
y ∼ )N(0,1 −1 y
Φ = tan )∼ u(0, 2 π
x
اﮔﺮ uiو viدﻧﺒﺎﻟﻪﻫﺎی ﺗﺼﺎدﻓﯽ ﯾﮑﻨﻮاﺧﺖ و ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ ،آﻧﮕﺎه ri = −2 ln u iدارای ﺗﻮزﯾﻊ راﯾﻠﯽ و 2 π viدارای ﺗﻮزﯾﻊ
ﯾﮑﻨﻮاﺧﺖ ) (0, 2 πاﺳﺖ .ﭘﺲ دﻧﺒﺎﻟﻪﻫﺎی زﯾﺮ:
) xi = −2 ln u i cos(2 π vi
) y i = −2 ln u i sin(2 π vi
ﻧﺮﻣﺎل و ﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ.
15
ﻣﺜﺎل :3ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ ﺗﺼﺎدﻓﯽ ارﻻﻧﮓ:
ﻣﯽداﻧﯿﻢ ﮐﻪ ﻣﺠﻤﻮع nﺗﺎ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﯽ ﻣﺴﺘﻘﻞ ﺑﺎ ﭘﺎراﻣﺘﺮ λدارای ﺗﻮزﯾﻊ ارﻻﻧﮓ ﺑﺎ ﭘﺎراﻣﺘﺮ nو λاﺳﺖ .ﭘﺲ xiﻧﻤﺎﯾﯽ ﺑﺎ
ﭘﺎراﻣﺘﺮ λﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﯿﻢ و ﺳﭙﺲ ﻗﺮار ﻣﯽدﻫﯿﻢ:
n
= yi ∑ x(n−1)i+ j
j =1
) x ∼ exp(λ ) ⇒ y ∼ Erlang(n, λ
16
ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ ):(Monte Carlo Simulation
ﺑﻪ دﺳﺖ آوردن ﯾﮏ ﮐﻤﯿﺖ ﻏﯿﺮﺗﺼﺎدﻓﯽ ﺗﻮﺳﻂ روش آﻣﺎری )ﺑﺎ ﺗﻮﻟﯿﺪ دﻧﺒﺎﻟﮥ ﺗﺼﺎدﻓﯽ( را ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ ﮔﻮﯾﻨﺪ.
اﮔﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ uرا در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ﮐﻪ u ∼ u(0,1) :و ﻓﺮض ﮐﻨﯿﻢ x = g( u ) :ﺑﺎﺷﺪ ،آﻧﮕﺎه:
∞+ 1
∫ = )) ηx = E(g( u = g(u)f(u)du ∫0 g(u)du = I
∞−
در ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ ،دﻧﺒﺎﻟﮥ ﺗﺼﺎدﻓﯽ ﯾﮑﻨﻮاﺧﺖ uiرا ﺗﻮﻟﯿﺪ ﮐﺮده و ﺳﭙﺲ ) xi = g(u iرا ﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﯿﻢ .آﻧﮕﺎه ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ
n
1
n
،ηxدارﯾﻢ: ∑
n i =1
اﯾﻨﮑﻪxi :
1
I ∑
n i =1
) g(u i
17
ﻣﺜﺎل :2ﻣﯽﺧﻮاﻫﯿﻢ }) F(y) = P{ y ≤ yﮐﻤﯿﺘﯽ ﻏﯿﺮﺗﺼﺎدﻓﯽ( را ﺗﺨﻤﯿﻦ ﺑﺰﻧﯿﻢ .ﻣﺜﻼً:
اﺻﻮﻻً روش ﺗﺤﻠﯿﻠﯽ ﻣﯽﺗﻮاﻧﺪ دﺷﻮار ﯾﺎ ﺑﻌﻀﺎً ﺑﺪون ﺟﻮاب ﺑﺴﺘﻪ ﺑﺎﺷﺪ.
دﻧﺒﺎﻟﮥ y iرا ﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﯿﻢ )ﺑﺎ ﺗﻮﻟﯿﺪ xiو ﻃﯽ ﻣﺮاﺣﻞ ﺳﯿﺴﺘﻢ( .اﮔﺮ ﺗﻌﺪاد y iﻫﺎﯾﯽ ﮐﻪ ﮐﻮﭼﮑﺘﺮ از yﻫﺴﺘﻨﺪ را n yﺑﻨﺎﻣﯿﻢ و ﺗﻌﺪاد
ﮐﻞ y iﻫﺎی ﺗﻮﻟﯿﺪ ﺷﺪه ﺑﺮاﺑﺮ nﺑﺎﺷﺪ ،دارﯾﻢ:
ny
)F(y
n
18