84 Энциклопедия финансового риск-менеджмента Значения этой случайной величины, приписываемые случайным числом из последовательности (1.59), приведены ниже: j 0,86 0.51 0,59 O,Q7 0,95 0,66 0,15 0,56 0,64 0,34 [ 2 1 1 1 2 2 1 1 2 1 j 0.45 0,65 0,58 0,12 0,33 0,26 0,91 0,86 0,03 0,39 [ 1 2 1 1 1 1 2 2 1 1 13 7 Частоты появления 1 и 2 соответственно равны - = О, 65; - = О, 35и 20 20 близки к их вероятностям. Чтобы получить лучшую модель, необходимо рас смотреть большее количество случайных чисел. Предположим, что даны две случайные величины gи ТJ, совместное рас пределение которых имеет вид: 1~ У, ... yi ... у n х р" ... р ... р ... ... ... ... ... Х, pil ... Р; ... P,n ... ... : ~ pmL ... pmj ~ Для моделирования пары случайных величин (g, 71) промежуток [О, 1) раз делим на части д;j так, чтобы длина полуинтервала д;j равнялась Pij' i = 1, 2, ... , т; j = 1, 2, ... , n. В этом случае пара случайных величин ( ~. ~J, где (1.61) имеет такое же распределение, что и пара (g, 7J). Равенство (1.61) позволяет каждому случайному числу приписать опреде ленную пару значений случайных величин g и 71· Такой процесс приписыва ния значений паре случайных величин (g, 71) называют разыгрыванием этой пары. Если случайные величины g и 7J независимы, то для разыгрывания пары (g, 71) достаточно разыграть каждую случайную величину в отдельности. Для разыгрывания непрерывной случайной величины можно вначале найти диск ретную случайную величину, близкую к данной случайной величине, а затем разыграть эту дискретную случайную величину. Метод Монте-Карла позволяет численно находить различные вероятност ные характеристики случайной величины 7J, зависящей от большого числа
RkJQdWJsaXNoZXIy NzQwMjQ=