Курсовая работа: Сущность метода Монте-Карло и моделирование случайных величин

итак

,

а это и означает, что случайная величина , являющаяся корнем уравнения (1.10), имеет плотность вероятностей .

Может оказаться, что разрешить уравнение (1.10) относительно трудно, например, в случаях, когда интеграл от не выражается через элементарные функции или когда плотность задана графически. Предположим, что случайная величина определена на конечном интервале и плотность её ограничена .

Разыгрывать значение можно следующим образом:

1) выбираются два значения и случайной величины и строится случайная точка с координатами

2) если точка лежит под кривой , то полагаем , если же точка лежит над кривой , то пара отбрасывается и выбирается новое значение.

1.2 Вычисление интегралов

Рассмотрим функцию , заданную на интервале , требуется приближенно вычислить интеграл

(2.1)

Этот интеграл может быть несобственным, но абсолютно сходящимся.

Выберем произвольную плотность распределения , определённую на интервале . Наряду со случайной величиной , определённой в интервале с плотностью , необходимо определить случайную величину

Согласно соотношению получим

Рассмотрим теперь одинаковых независимых случайных величин и применим к их сумме центральную предельную теорему. Формула (1.7) в этом случае запишется так:

Последнее соотношение означает, что если выбирать значений , то при достаточно большом

(2.2)

Оно показывает также, что с очень большой вероятностью погрешность приближения (2.2) не превосходит .

Для расчёта интеграла (2.1) можно использовать любую случайную величину . Определённую в интервале с плотностью . В любом случае . Однако дисперсия , а с ней и оценка погрешности формулы (2.2) зависят от того, какая величина используется, так как

(2.3)

Докажем, что это выражение будет минимальным тогда, когда пропорциональна .

Для этого воспользуемся неравенством

, в которым положим , . Получим неравенство

(2.4)

Из (2.3), (2.4) следует, что

(2.5)