本文主要是对次线性期望框架下的G-正态分布及G-布朗运动进行数值模拟并对所用方法进行数值误差分析。　　在金融中的风险度量以及波动率不确定性的研究中，次线性期望的概念是一个基本工具.在这个框架下，已经建立了与经典概率论中的正态分布相对应的G-正态分布，并以此为基础定义了G-布朗运动，对于这几个基本概念的性质以及对应于G-布朗运动的随机分析也进行了深入的理论研究。可见，G-布朗运动在理论及实际中都具有重要意义。　　本文主要是从数值模拟的角度研究G-正态分布和G-布朗运动.G-正态分布N（0;[(σ)2，(σ)2]）可由它的生成热方程(e)u/(e)t-G（(e)2u/(e)x2）=0，u(0，x)=ψ(x)唯一定义，其中G(a):=1/2(E)[X2a]=1/2((σ)2a+-(σ)2a-)，a∈R，a+=max{0，a}，a-=（-a）+.鉴于此，本文从用数值方法解这个热方程入手，首先采用四种差分格式:显式差分格式，半隐差分格式，隐式差分格式和Crank-Nicolson格式来解G-正态分布的热方程，然后给出模拟G-正态分布的方法，最后根据其与G-布朗运动的关系，得到G-布朗运动的数值模拟方法，并对G-布朗运动进行数值模拟，以图片形式展示模拟结果，分析了G-布朗运动的模拟样本路径与(σ)2，(σ)2的关系.文中我们还通过两个实例分析了四种格式的效率和精度.通过数值模拟，可以加深对G-正态分布和G-布朗运动的理解，对它们在实际中的应用以及理论上更进一步的研究都会产生一定的推动作用。