Está en la página 1de 8

1 LIETUVOS JAUNJ MATEMATIK MOKYKLA VIII tema.

Monte Karlo metodas (20112013)


Teorin mediag pareng bei atuntj uduot sudar Vilniaus universiteto profesorius Gediminas Stepanauskas

VADAS
Pirmas etapas tyrinjant reikin yra modelio krimas. A.Rozenblatas (Arturo Rosenblueth meksikiei tyrjas, fizikas ir psichologas, 1900-1970) ir N.Vineris (Norbert Wiener amerikiei matematikas, 1894-1964) ra:
Jokia svarbi pasaulio sritis, dalis ar dalel nra tokia paprasta, kad galt bti suprasta ir kontroliuojama be abstrakcijos. Abstrakcija pakeiia j panaios, bet paprastesns struktros modeliu, kur galima tyrinti.

Taigi modeliai yra mokslini procedr btinyb. Mokslinis modelis gali bti apibrtas kaip kakokios realios sistemos abstrakcija, kuri gali bti panaudota sistemos prognozei ir kontrolei. Mokslinio modelio tikslas yra atsakyti klausim, kaip modeliuojamos sistemos element pokyiai vairiais aspektais veikia kit sistemos dali pasikeitimus ar vis sistem. Matematiniai modeliai gali bti vairiai klasifikuojami. Vieni modeliai yra statiniai, kiti dinaminiai. Statiniai modeliai tiesiogiai nepriklauso nuo laiko, tuo tarpu dinaminiai tiesiogiai priklauso nuo laiko. Pavyzdiui, Omo dsnis yra statinio modelio pavyzdys, o Niutono judjimo dsnis yra dinaminis dsnis. Kita modeli klasifikacija bt: deterministiniai ir stochastiniai modeliai. Deterministiniame modelyje matematiniai ir loginiai element ryiai nekinta, yra fiksuoti. I i ryi kaip ivada iplaukia modelio sprendiniai. Stochastiniame modelyje bent vienas kintamasis yra atsitiktinis. Stochastinis modeliavimas dar vadinamas ir Monte Karlo modeliavimu arba modeliavimu Monte Karlo metodu. Bet Monte Karlo modeliavimas ir stochastinis modeliavimas suprantami iek tiek skirtingai. Stochastinis modeliavimas yra bendresn svoka. Taigi Monte Karlo metodas tai priemons, kai naudojami atsitiktiniai ar pseudoatsitiktiniai skaiiai. Jie gali bti naudojami modeliuojant sistem ar iekant sistemos modelio sprendinio, ar dar kaip nors kitaip. Visas procesas susideda i trij dali: pirma, atsitiktinio dydio su duotu skirstiniu modeliavimas; antra, realios sistemos tikimybinio modelio sudarymas; treia, statistins vertinimo teorijos udaviniai, leidiantys vertinti sudaryt udavin vairiais aspektais, atlikti modelio statistin analiz. Atsitiktini proces modeliavimo idja labai sena ir, kai kuri autori, pavyzdiui, Haltono (J.H.Halton, A retrospective and prospective survey of the Monte Carlo method, SIAM Rev.(1970) 12, No 1, 1-63) nuomone, siekia net Senovs Babilono ir Senojo Testamento laikus. Toliau mums reiks kai kuri tikimybi teorijos svok. Atsitiktinis dydis (ar tiesiog atsitiktinis skaiius) yra pasiskirsts tolygiai intervale [0; 1] , jei tikimyb, kad dydis paklius interval [a; b] [0; 1] , yra lygi io intervalo ilgiui, t.y. . Kadangi i intervale [0;1] tolygiai pasiskirsiusi nepriklausom atsitiktini skaii galima sukonstruoti kitokius atsitiktinius skaiius, tai intervale [0;1] tolygiai pasiskirsiusi skaii gavimo algoritmai (generatoriai) ypa svarbs. Sukurta daug toki generatori. Generatoriais gautos atsitiktini skaii sekos testuojamos, lyginamos j statistins savybs su tikrj atsitiktini skaii statistinmis savybmis. Labiausiai itirtos ir daniausiai naudojamos atsitiktini skaii sekos gaunamos tiesiniu kongruentiniu metodu. Monte Karlo metodas naudojamas ne tik stochastiniams, bet ir deterministiniams udaviniams sprsti. Deterministinis udavinys gali bti sprendiamas Monte Karlo metodu, jei jo formali iraika yra tokia pati kaip kokio nors stochastinio proceso arba dirbtinai padaroma tokia. Naudojant Monte Karlo metod skaiiuojami daugialypiai integralai, masinio aptarnavimo udavini parametrai, sprendiamos diferencialins lygtys tai, inoma, jau ne mokyklins matematikos udaviniai. Monte Karlo metodas naudojamas 3D modeliuose, videoaidimuose,

2
architektroje, projektuojant, kuriant specialij efekt filmus ir kitose srityse. Monte Karlo metodu galima sprsti sudtingus udavinius su didiuliais duomen masyvais. Stochastinis reikinio (sistemos) modelis danai yra vienintelis manomas modeliuojant fizin sistem, nes realus modelis yra per brangus arba jo negalima sumodeliuoti realiame laike. Monte Karlo algoritmai danai yra iteraciniai, juos lengva programuoti. Monte Karlo metodas plaiai pradtas taikyti XX a. viduryje, nors atsitiktini proces idja ir taikymo uuomazgos (kaip jau minta) yra labai senos. iuolaikini galing kompiuteri galimybs labai iplt Monte Karlo metodo taikymo sritis. Metodo populiarintojai ir pradininkai yra S. M. Ulamas (Stanislaw Marcin Ulam lenk-amerikiei matematikas, 1909-1984), E. Fermi (Enrico Fermi ital fizikas, 1901-1954), J. Noimanas (John von Neumann amerikiei matematikas, gims Vengrijoje, 1903-1957), N. Metropolis (Nicholas Constantine Metropolis graik-amerikiei fizikas, 1915-1999). Pats Monte Karlo pavadinimas vestas J. Noimano ir S. M. Ulamo Antrojo pasaulinio karo metu. Buvo kuriama atomin bomba, sprendiami atomins fizikos udaviniai. Juose buvo naudojamas stochastinis modeliavimas. Uslaptinti darbai buvo pavadinti Monte Karlo (Monako Kunigaiktysts miestas, garsus savo loimo namais) vardu, ir tas vardas prigijo.

ATSITIKTINIAI SKAIIAI
Monte Karlo metodas naudoja atsitiktinius skaiius (toliau naudosime trumpin a.s.), tiksliau atsitiktinius dydius, kurie pasiskirst pagal reikiam pasiskirstymo dsn. Kadangi i nepriklausom, tolygiai pasiskirsiusi intervale [0; 1] a.s. galima sukonstruoti kitokius a.s., tai kalbsime apie a.s. i intervalo [0; 1]. Yra trij tip a.s.: tikrieji atsitiktiniai skaiiai, pseudoatsitiktiniai skaiiai ir kvaziatsitiktiniai skaiiai.

Tikrieji atsitiktiniai skaiiai


Tikrieji a.s. yra atsitiktiniai statistine prasme. Jokia a.s. serija nepriklauso nuo anksiau gaut a.s. Tikrj a.s. serijos nepasikartoja antr kart. Jie negali bti atspjami. Tikrieji a.s. gali bti generuoti atsitiktinio fizinio proceso metu, pavyzdiui, rulete. Tarkime, rulets rodykl gali parodyti skaitmenis 0,1,2,3,4,5,6,7,8,9 su vienodomis tikimybmis, lygiomis 1/10. Norimo tikslumo a.s. i intervalo [0;1] gausime taip: pirmas skaitmuo po kablelio pirmas rulets nurodytas skaiius, antrasis skaitmuo skaiius po antro rulets pasukimo ir t.t. Tikruosius a.s. galima generuoti ir mtant monet. iuo atveju bt patogu naudoti skaiiaus dvejetain ura. A.s. generavimui galima panaudoti ir radioaktyvij mediag skilimo proces, skaiiuojant skilim skaii per laiko vienet. Anksiau mokslininkai, kuriems reikjo a.s., konstruodavo juos maiydami kortas, mesdami loimo kauliuk arba traukdami i ds rutulius, prie tai juos gerai sumai. Vliau a.s generavimui buvo sukonstruotos specialios mainos. Pirm toki main 1939 m. panaudojo Kendalas (Sir Maurice George Kendall brit statistikas, 1907-1983) ir Babingtonas-Smitas (Bernard Babington-Smith brit psichologas, 1905-1993). Jie sudar 100000 a.s. Dar vliau buvo sugalvota vairi a.s. gavimo mechanizm, ir gana greit. Sukurti elektroniniai a.s. generatoriai (pavyzdiui, ERNIE) buvo net tiesiogiai prijungiami prie kompiuterio. Tikrj a.s. trkumai: J generavimas reikalauja speciali priemoni. Juos generuoti reikia daug laiko. J negalima pakartoti. O modeliavime kartais prireikia pakartoti eksperiment su ta paia a.s. seka. Generatoriai gali turti sistemini (konstravimo ir pan.) klaid. Gali pasirodyti, kad generuoti skaiiai jau ne visai atsitiktiniai, t.y. nra tikrieji a.s. Sakome, kad deimtainiai skaitmenys 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 yra tolygiai pasiskirst deimtaini atsitiktini skaii sekoje, jeigu vis skaitmen pasirodymo sekoje tikimybs vienodos ir lygios 1/10. Tikrj deimtaini a.s. seka tokia ir turt bti. Atlikite 1 ir 2 uduotis.

3 Kvaziatsitiktiniai skaiiai
Tai visikai neatsitiktiniai skaiiai. Ilgos toki skaii sekos kai kuriems udaviniams sprsti yra geresns u tikruosius a.s. Kvaziatsitiktiniai skaiiai svarbs apskaiiuojant integralus Monte Karlo metodu. Jame naudojant a.s., kurie yra atsitiktiniai statistine prasme, 1 rezultato paklaida yra proporcinga . Naudojant kvaziatsitiktinius skaiius, gaunamas N 1 tikslesnis rezultatas, kurio paklaida proporcinga . ia N atsitiktini skaii skaiius. N

Pseudoatsitiktiniai skaiiai
Pseudoatsitiktiniai skaiiai (naudosime trumpin p.a.s.) yra generuojami kokiu nors algoritmu. Taigi kiekvienas paskesnis skaiius priklauso nuo ankstesni skaii. Bet i priklausomyb tokia, kad p.a.s. turi tas paias svarbias statistines savybes kaip ir tikrieji a.s. Aiku, tos savybs negali bti visikai tos paios. Taiau bet kurios neilgos p.a.s. sekos statistins savybs daugeliu aspekt turi bti labai panaios tikrj a.s. savybes. Taikymuose paprastai to ir pakanka, jei skaiiai pakankamai sujaukiami. Reikalavimai, keliami a.s. generatoriams: Generuoti skaiiai turi bti tolygiai pasiskirst intervale [0;1], nes taip pasiskirst yra tikrieji a.s. Kitaip pasiskirst a.s. gali bti gauti i pastarj. Generuoti skaiiai turi bti statistikai nepriklausomi, kadangi atsitiktinje sekoje vieno skaiiaus reikm neturi turti takos kito skaiiaus reikmei. Generuojam skaii seka turi bti atstatoma. Tai leidia kartoti eksperimentus. Bet kokio norimo ilgio seka neturi kartotis. Tai teorikai nemanoma, bet praktinms reikmms utenka ilg besikartojani cikl. Skaii generavimas turi bti greitas. Modeliavimo procese paprastai reikia daug p.a.s. Jei generatorius ltas, tai modeliavimo procesui gali prireikti labai daug laiko, ir todl pats modeliavimas pasidarys brangus. P.a.s. generatoriaus naudojamas metodas turi naudoti kiek galima maiau atminties. Pats modeliavimas paprastai reikalauja daug atminties, o atminties resursai daniausiai yra riboti. Kompiuterio atmintyje laikyti generuot p.a.s. sek nra tikslo, nes reikt sugaiti daug laiko nuskaitant p.a.s., o ir pati seka uimt daug atminties resurs. Be to, priklausomai nuo sprendiam udavini, reikt daug p.a.s. pavyzdi. Geriausia kompiuteryje turti program, kuri, naudodama tam tikrus algoritmus, generuot p.a.s. tada, kai j prireikia paiame modeliavimo procese. Kai naudojami p.a.s., kurie labai svarbs modeliavime, reikia ypa bti sitikinusiam, kad p.a.s. seka sprendiamam udaviniui yra tikrai tinkama: yra pakankamai atsitiktin, yra pakankamo ilgio nepasikartojantis ciklas ir kt. Taigi paprastai tenka dti daug darbo testuojant p.a.s. algoritmus.

PSEUDOATSITIKTINI SKAII GENERAVIMAS


P.a.s. gaunami skaitini algoritm pagalba. Bendriausias p.a.s. generavimo algoritmas gali bti uraytas taip: ( ) ia f ( x1 , x2 , , xn ) yra kokia nors n kintamj funkcija. Naudojant itok algoritm, atmintyje reikt laikyti visus generuotus skaiius, pradedant pirmuoju. Tokia procedra uimt per daug kompiuterio atminties. Praktinms reikmms paprastai utenka paprastesni algoritm. Dauguma j turi toki form: ( ) Funkcija f ( x1 , x2 , , xn ) turi bti labai atidiai parinkta. Kalbant vaizdiau, takai, kuri koordinats yra gretimi skaiiai ( )( )( ) turi padengti vienetin kvadrat kiek galima tolygiau.

Kvadrato vidurio metodas


Kvadrato vidurio metodas tai Noimano pasilytas ir pirmas plaiai naudotas algoritminis metodas p.a.s. generuoti. Metodo idja tokia: n-asis p.a.s. yra gaunamas pamus vidurinius (n1)-ojo p.a.s. kvadrato skaitmenis. Tarkime,

a0=0,1234, a02=0,01522756. Tuomet a1=0,5227, a12=0,27321529, a2=0,3215, a22=0,10336225, a3=0,3362, a32=0,11303044, a4=0,3030, a42=0,09180900, a5=0,1809, a52=0,03272481, ..
Kvadrato vidurio metodas nra geras: yra skaii, kurie usiciklina, jis nepatogus statistinei analizei atlikti; seka labai priklauso nuo pirmojo skaiiaus parinkimo; jei sekoje pasitaiko nulis, tai visi tolimesni sekos nariai irgi bus lygs nuliui; skaiiai generuojami ne pakankamai greitai. Atsiradus geresniems generatoriams, o ypa pradjus naudoti tiesin kongruentin metod, kvadrato vidurio metodas nebenaudojamas. Jis liko istorijoje kaip pirmasis algoritminis p.a.s. generatorius. Atlikite 3 uduot.

Tiesinis kongruentinis metodas


iandien p.a.s. daniausiai gaunami taikant D. H. Lemerio (Derrick Henry Lehmer amerikiei matematikas, 1905-1991) 1948 m. pasilytos schemos dalinius atvejus. Metodas vadinamas tiesiniu kongruentiniu metodu. iame skyrelyje j ir panagrinsime. P.a.s. seka apibriama lyginiu: ( ) (1) ia: X0 pradin reikm, X0 0, a daugiklis, a 0, c pokytis, c 0, m modulis, m > X0, m > a, m > c, yra parenkami. Uraas A B mod m reikia, kad skaiiai A ir B vienas nuo kito skiriasi tik skaiiaus m kartotiniu, t.y. j skirtumas dalijasi i m. Todl visi sekos nariai gali bti paimti tokie, kad ( ) Tarkime, X0 = a = c = 7, m = 10. Tada nariai gaunami analogikai. Gausime skaii sek 7, 6, 9, 0, 7, 6, 9, 0, Atlikite 4 uduot. Toliau panagrinsime principus, kaip gauti kuo ilgesnio ciklo (geras) atsitiktines sekas priklausomai nuo pradini parametr. Pasikartojanti p.a.s. sekos dalis vadinama jos periodu. Tikslas gauti kuo ilgesnio periodo sekas. Atvej, kai a = 0 ir a = 1, nenagrinsime, nes sekos gaunasi labai skurdios ir, aiku, maai atsitiktins. Teisinga tokia teorema. 1 teorema. Tiesins kongruentins sekos periodo ilgis lygus m tada ir tik tada, kai skaiiai c ir m yra tarpusavyje pirminiai, t.y. (c,m)=1; jei m dalijasi i kokio nors pirminio skaiiaus p, tai ir a-1 turi dalytis i p, t.y. p|m p|(a-1); jei m dalijasi i 4, tai ir a-1 turi dalytis i 4, t.y. 4|m 4|(a-1). ia uraas A|B reikia, kad skaiius B dalijasi i skaiiaus A. Skaiiai A ir B vadinami tarpusavyje pirminiais, jei jie neturi joki bendr dalikli, iskyrus 1. Kiti sekos

5
Pateiksime tiesins kongruentins sekos su maksimaliai galimu periodu, lygiu 48, pavyzd. Kadangi m = 48 = 24 3, tai i 1 teoremos iplaukia, kad a ir c gali bti parinkti taip: a = 13, c = 23. Taigi c ir m yra tarpusavyje pirminiai, o a 1 = 12 dalijasi i 2, 3 ir 4, nes turi dalytis i pirmini skaii, i kuri dalijasi m, ir i 4, jei i 4 dalijasi m. Tegul X0 = 0. Visas atsitiktins sekos periodas atrodo taip:

0, 23, 34, 33, 20, 43, 6, 5, 40, 15, 26, 25, 12, 35, 46, 45, 32, 7, 18, 17, 4, 27, 38, 37, 24, 47, 10, 9, 44, 19, 30, 29, 16, 39, 2, 1, 36, 11, 22, 21, 8, 31, 42, 41, 28, 3, 14, 13.

(2)

Pateiktas pavyzdys irgi nra geras: maas atsitiktinumo laipsnis, kai kurie sekos dsningumai lengvai pastebimi. Parinkti ger atsitiktin sek nra paprasta. O ir parinkus j, reikia naudoti vairius testus, ir sitikinti, kad seka tinka modeliavimui. Atlikite 5 uduot. I generuotos atsitiktins natralij skaii sekos lengvai galima sudaryti tolygiai intervale [0;1] pasiskirsiusi pseudoatsitiktin skaii sek. Tai galima padaryti, pavyzdiui, naudojantis formule Dydiai Un bus pasiskirst tolygiai intervale [0;1]. Tolygiai pasiskirsiusios intervale [0;1] sekos naudojamos kitaip pasiskirsiusioms sekoms sudaryti. I natralij atsitiktini skaii sekos Xn, gautos pateiktame pavyzdyje su m = 48, sukonstruokime atsitiktini skaii, tolygiai pasiskirsiusi intervale [0;1], sek Un. Naudodamiesi pateikta formule, gauname toki tolygiai intervale [0;1] pasiskirsiusi sek (apvaliname 4 enkl po kablelio tikslumu):

0 0,4792 0,7083 0,6877 0,125 0,1042 0,8333 0,3125 0,25 0,7292 0,9583 0,9375 0,375 0,3542 0,0833 0,5625 0,5 0,9792 0,2083 0,1875 0,625 0,6042 0,3333 0,8125 0,75 0,2292 0,4583 0,4375 0,875 0,8542 0,5833 0,0625

0,4167 0,5417 0,6667 0,7917 0,9167 0,0417 0,1667 0,2917

0,8958 0,5208 0,1458 0,7708 0,3958 0,0208 0,6458 0,2708.

ios sekos statistins savybs, kaip ir (2) natralij skaii sekos, nra geros per maas atsitiktinumo laipsnis. Atlikite 6 uduot. Kai (1) formulje c = 0, tiesins sekos gavimo metodas vadinamas multiplikatyviuoju. Multiplikatyviuoju atveju p.a.s. generavimo procesas vyksta greiiau. Apribojimas c = 0 sumaina sekos periodo ilg, bet ir iuo atveju galima gauti gana ilgo periodo sekas. Jau inome, kad maksimalus tiesins kongruentins sekos periodas gaunamas, kai skaiius a1 yra vis pirmini m dalikli kartotinis ir 4 kartotinis, jei m dalijasi i 4 (r. 1 teorem). Tiesins kongruentins sekos su maksimaliu periodu galingumu vadinsime maiausi natralj skaii s, su kuriuo ( ) Toks skaiius s visuomet egzistuoja, kai a tenkina 1 teoremos reikalavimus. Jeigu a = 1, galingumas s = 1, Xn cn mod m, kai X0 = 0. Seka, aiku, neatsitiktin. Jeigu sekos galingumas didesnis u 1, seka yra labiau atsitiktin. Ir kuo didesnis galingumas, tuo sekos

6
statistins savybs geresns, ji labiau panai atsitiktin. Galingumas yra vienas i kriterij parenkant daugikl a. Atlikite 7 uduot.

STATISTINIAI TESTAI
Labai svarbu, kad kokiu nors bdu gauta p.a.s. seka bt panai atsitiktin. Jau inome kaip gauti ilgo periodo sekas, kad praktiniuose udaviniuose nebt sekos pasikartojimo. Bet ilgas periodas dar nereikia, kad seka pasiymi atsitiktins sekos savybmis. Ry su sekos atsitiktinumu turi anksiau aptartas sekos galingumas. Bet pats galingumas apibriamas ne statistiniais terminais. Galingumas apsprendia gretim tiesins kongruentins sekos nari susijimo laipsn. Didelis galingumas gerai, bet vis tiek seka gali nebti panai atsitiktin. Tai kaipgi nusprsti, ar seka pakankamai atsitiktin? I dalies atsakyti ikelt klausim leidia statistin teorija. Tam yra daugyb statistini test. Jeigu p.a.s. seka skmingai prajo test T1,T2, ,Tn patikrinim, tai dar negalima daryti ivados, kad ji bus gerai vertinta ir testu Tn+1, ir juo labiau, kad ji pasiymi visomis atsitiktins sekos savybmis. Taiau kiekvienas testas mus vis labiau tikina, kad seka atsitiktin. Paprastai p.a.s. sekos tikrinamos daugybe test (priklausomai nuo sprendiam udavini svarbumo, nuo sekos taikymo intensyvumo ir t.t.). Jeigu test rezultatai teigiami, sek laikome atsitiktine (atsitiktine ji laikoma tol, kol kokiu nors testu rodomas jos kaltumas). Daugumai test suprasti reikalingos gilios inios i tikimybi teorijos ir statistikos, todl mes j nenagrinsime. Pakalbsime tik apie gretim sekos nari koreliacij, ireikt koreliacijos koeficientu r, kuris rodo gretim sekos nari priklausomumo laipsn. Kuo koreliacijos koeficientas maesnis, tuo sekos nariai yra maiau tarpusavyje statistikai priklausomi taigi jie labiau tinka modeliavimui. 2 teorema. Tiesins kongruentins sekos su maksimaliu periodu gretim nari koreliacijos koeficientas ( ( ) ) (3) ios apytiksls formuls paklaida yra nedidesn u (a+6)/m. I pateiktos formuls galima padaryti kelet svarbi ivad. Pirma, reikia vengti ma a reikmi. Antra, didels a reikms negarantuoja, kad bus maa gretim nari koreliacija, nes pateiktos formuls paklaida gali iaugti iki a/m. Iki iol mes nieko nekalbjome apie c parinkim, iskyrus tai (r. 1 teorem), kad c ir m turi bti tarpusavyje pirminiai. Pateikta (3) apytiksl lygyb padeda pasirinkti tinkamas koeficiento c reikmes. Lygties sprendiniai yra Todl pasirink c taip, kad galiot apytiksl lygyb

gausime ma koreliacijos koeficient. Atlikite 8 uduot.

VAIRI ATSITIKTINI DYDI GAVIMAS


Jau mokame gauti tolygiai pasiskirsiusius intervale [0;1] atsitiktinius dydius U0 , U1 , ... Tarkime, kad jie elgiasi taip tarsi jie bt atsitiktiniai ir nepriklausomi. Praktiniams

7
taikymams danai reikia kitaip pasiskirsiusi atsitiktini dydi rinkini. Parodysime kaip galima gauti kai kuriuos i j. Tolygiai intervale [a; b] pasiskirsiusi atsitiktin seka gaunama pasinaudojus formule

Atlikite 9 uduot. Atsitiktin dyd W tok, kad W=x1 su tikimybe p1, W=x2 su tikimybe p2, W=xk su tikimybe pk ( p1 + + pk=1), gausime pritaik formul W={

Atlikite 10 uduot. I tikrj Monte Karlo metodu sprendiami udaviniai yra labai sudtingi, reikalauja gili matematikos ini. ia pateikme jums tik trump vad teorij. sigilinti ir geriau suprasti Monte Karlo metodus galima tik pastudijavus tokias matematikos sritis kaip tikimybi teorija, statistika, skaii teorija, kombinatorika ir kt. ATUNTOS TEMOS UDUOTYS 1. Jums reikia gauti tikrj atsitiktin deimtain skaitmen, t.y. 0,1,2,3,4,5,6,7,8 arba 9. Kur i metod ir kodl Js pasirinktumte? 1. Papraysite draugo, kad jis sugalvot vien i deimties skaitmen. 2. Pavelgsite mechanin laikrod, rodant sekundes. Jei sekundi rodykl yra tarp 6n ir 6(n+1) sekundi (priklauso intervalui [6n,6(n+1)) ), pasirinksite skaitmen n. 2. Jums reikia gauti atsitiktin skaitmen i keturi skaitmen 0, 1, 2 arba 3. Sugalvokite metod kaip reikt gauti tok skaitmen mtant monet. 3. Sugeneruokite 10 pirmj pseudoatsitiktini skaii kvadrato vidurio metodu, jei a0 0,328711. 4. Uraykite tiesins kongruentins sekos pirmuosius deimt nari, kai X 0 1 , a =3, c = 4, m = 15. 5. Tiesiniu kongruentiniu metodu sugeneruokite pseudoatsitiktini skaii sek, turini maksimal period, t.y. lyg 45. Imkite modul m = 45, X 0 0 . Skaii a pasirinkite nelyg vienetui, maiausi i vis, tenkinani 1 teoremos slygas, skaii c pasirinkite i intervalo [9;12], taip pat tenkinant 1 teoremos slygas. 6. I 5-oje uduotyje gautos sekos sukonstruokite tolygiai intervale [0;1] pasiskirsiusi sek. Apvalinkite keturi enkl po kablelio tikslumu. 7. Kokius skaiius a galima bt parinkti generuojant tiesin kongruentin sek su maksimaliu periodu, kai m = 405, kad sekos galingumas bt didiausias?

8. Kokius skaiius c galima bt parinkti generuojant tiesin kongruentin sek su maksimaliu periodu, kai m = 405, kad sekos gretim nari koreliacijos koeficientas bt maiausias? 9. I 6-oje uduotyje gautos tolygiai pasiskirsiusios intervale [0;1] sekos gaukite tolygiai pasiskirsiusi sek intervale [3; 1] . 10. I 6-oje uduotyje gautos tolygiai pasiskirsiusios intervale [0;1] sekos gaukite atsitiktin 1 1 1 sek, kurios nariai yra skaiiai 1, 2 ir 3 atitinkamai su tikimybmis , ir . 4 4 2 Uduoties sprendimus praome isisti iki 2013 m. kovo 20 d. mokyklos adresu: Lietuvos jaunj matematik mokykla, Matematikos ir informatikos metodikos katedra, VU Matematikos ir informatikos fakultetas, Naugarduko g. 24, LT-03225 Vilnius. Ms mokyklos interneto svetains adresas: www.mif.vu.lt/ljmm/ LIETUVOS JAUNJ MATEMATIK MOKYKLOS TARYBA