- •Понятие системы. Эффективность систем
- •Параметры и характеристики систем
- •Модель. Классификация моделей
- •Методы моделирования
- •Метод статистических испытаний
- •Составляющие имитационной модели
- •События в имитационной модели
- •Основные характеристики простейшей смо
- •Компоненты дискретно-событийной имитационной модели и их организация
- •Определение событий и переменных в имитационной модели
- •Smpl: список событий
- •Smpl: список средств
- •Smpl: список очередей
- •Операции инициализации языка smpl
- •Операции над списком событий языка smpl
- •Операции над средствами языка smpl
- •Операции над очередями языка smpl
- •Моделирование простейшей смо на smpl
- •Генераторы случайныхчисел
- •Метод обратной функции и его использование для гененрирования непрерывных случайных величин
- •Метод обратной функции и его использование для гененрирования дискретных случайных величин
- •Выходные данные и стохастические процессы моделирования
- •Характеристики случайного процесса
- •Статистический анализ выходных данных автономной системы. Типы имитационного моделирования.
- •Переходное и установившееся поведение стохастического процесса
- •Оценка средних значений при переходном режиме моделирования
- •Получение заданной точности при переходном режиме моделирования
- •Проблема начального переходного процесса
- •Процедура Велча
- •Общие принципы построения факторных планов
- •Полный факторный эксперимент 2k, построение планов
- •Оценка главных эффектов и эффектов взаимодействия
- •Поверхности отклика и метамодели. Методы поиска оптимума
- •Имитационная модель системы управления запасами
- •Логика программы
- •Общие принципы оценки адекватности моделей
- •Особенности оценки адекватности им
- •Методы верификации моделирующих компьютерных программ
- •Этапы имитационного моделирования
-
Метод обратной функции и его использование для гененрирования непрерывных случайных величин
Предположим, нам необходимо генерировать случайную величину Х, являющуюся непрерывной и имеющую функцию распределения F – непрерывную строго возрастающую, когда 0 < F(x) < 1, из этого следует, что если x1 < x2 и 0 < F(x1) < F(x2) < 1, то F(x1) < F(x2).
Примем, что F-1 – это обратная функция F. Две функции y = f(x) и y = phi(x) называются взаимно обратными, если для каждой пары значений a,b, удовлетворяющих условию b = f(a), удовлетворяется также условие a = phi(b), а для каждой пары , удовлетворяющих условию a = phi(b), удовлетворяется также условие b = f(a).
Одна из двух взаимно обратных функций может быть названа прямой (безразлично какая), тогда другая функция называется обратной.
Пример: y = x2 и y = +-sqrt(x)
y = ex и y = ln x
На первом шаге строится интегральная функция распределения F(x).
Т.к. F(x) изменяется в интервале от 0 до 1, полагают F(x) = R,
где R – случайная величина, равномерно распределенная в интервале (0,1).
Тогда: x = F-1(R)
где x – случайная величина с функцией плотности распределения f(x),
F-1‑ - функция, обратная по отношению к F.
-
Метод обратной функции и его использование для гененрирования дискретных случайных величин
Для дискретной величины X является функция распределения F(X) = P(X<=x) = ∑p(xi) (если xi<=x)
где pi(x) является вероятностной мерой p(xi) = P(X = xi)
Допускается, что величина X может иметь только значения x1,x2,… для которых x1<x2<…
Тогда алгоритм будет иметь следующий вид:
1. Генерируем U ~ U(0,1)
2. Определяем положительное наименьшее число I, для которого U <= F(xI) и возвращаем X = xI .
-
Выходные данные и стохастические процессы моделирования
В большинстве имитационных моделей в качестве входных данных используются случайные величины, поэтому выходные данные моделирования также носят случайный характер.
Имитационная модель воспроизводит динамику функционирования системы, поэтому в результате моделирования мы получаем наблюдение за изменением случайных величин в течение некоторого периода моделирования, т.е. наблюдается некоторый стохастический процесс.
Стохастическим (случайным) процессом X(t) называется процесс, значение которого при любом значений аргумента t является случайной величиной.
При фиксированном t = t0, X(t0) представляет собой обычную случайную величину, т.е сечение случайного процесса в момент времени t0.
Реализация случайного процесса – это конкретный вид, принимаемый случайным процессом X(t), его траектория.
Если совокупность величин представлена как X1,X2,…, то речь идет о дискретном стохастическим процессе, если же как {X(t), t>0}, то о непрерывном.
Случайный процесс X(t) при данном t определяется плотностью вероятности Fi(x,t).
Эта плотность не является исчерпывающим описанием процесса X(t), поскольку она не выражает зависимости между его сечениями в разные моменты времени.
Случайный процесс X(t) представляет собой совокупность всех сечений при всевозможных значениях t. Поэтому для его описания необходимо рассматривать многомерную случайную величину (X(t1),X(t2),…,X(tn))