Процесс называется марковским, если для любых моментов времени условная вероятность значения зависит от и не зависит от того, в каком состоянии процесс находился в предыдущие моменты времени. При построении марковского процесса с параметрами , , поступают таким образом.
1) За начальный член ряда можно взять любое значение случайного процесса, например, или .
2) По формуле (1) вычислить при значении без учета возмущения и моделируем значения нормально распределенной случайной величины с математическим ожиданием, равным нулю, и дисперсией .
3) Полученное значение прибавляем к и таким образом получаем новое значение реализации случайного процесса.
4) Повторяем процедуру для вычисления других значений по формуле (1), задавая как начальное значение , т.е. моделируем ,…, .
Такая методика даёт возможность моделировать случайные стационарные процессы с любыми автокорреляционными и многомерными функциями распределений.
Моделирование случайных векторов
При моделировании систем руководства многих типов возникает необходимость генерировать многомерные случайные векторы, которые имеют заданное совместное распределение или многомерное распределение. В этом случае отдельные компоненты вектора могут быть независимыми.
|
|
Пусть случайные величины описываются совместной функцией плотности . Тогда находим по формуле . Имея функцию плотности , можно найти случайное значение , а потом если , найдем условное распределение случайной величины У:
Из этого выражения для функции плотности можно определить случайную величину . Тогда пара чисел будет реализацией непрерывного случайного вектора . Такой способ реализации двумерных векторов можно обобщить и для моделирования многомерных случайных величин. Однако при этом сложность вычислений резко возрастает.