- •1. Моделирование. Основные понятия .Классификация методов моделирования.
- •1) По характеру изучаемых процессов
- •2) По признаку развития во времени
- •3) По представлению информации в модели
- •4) По форме представления объекта моделирования
- •2. Математические модели. Непрерывно-детерминированные модели (d-схемы).
- •3. Математические модели. Дискретно-детерминированные модели (f-схемы).
- •4. Математические модели. Дискретно-стохастические модели (р-схемы).
- •5. Дискретная марковская цепь. Геометрическое распределение.
- •6. Модель "Память-алу". Кодирование состояний. Построение графа состояний
- •8. Системы массового обслуживания (смо). Марковский случайный процесс. Потоки заявок (событий). Нотация Кендала.
- •9. Простейший поток, его свойства и значение при исследовании смо.
- •11 Одноканальная смо с блокировкой. Система m /m/ 1/n
- •12Диаграммы интенсивностей переходов (дип). Закон сохранения потоков вероятностей.
- •15Исследование многоканальной смо (м/м/п/0) с отказами с помощью дип.. Формулы Эрланга.
- •16.Формула Литтла.
- •Аналогично выводится соотношение
- •17.Одноканальная смо с неограниченной очередью (м/м/1/со).
- •18.Многоканальная смо с неограниченной очередью (м/м/п/оо).
- •19. Метод этапов. Распределение Эрланга.
- •Метод этапов
- •20. Система м/Еr/1
- •21. Система Еr/м/1/∞
- •22. Немарковская смо м/g/n. M/g/1/∞
- •23. Немарковская смо. G/g/1/∞ g/g/n/∞
- •24. Имитационное моделирование. Математические основы. Последовательность построения и исследования модели.
- •Основные этапы разработки и исследования имит модели.
- •25. Управление модельным временем. При создании имитационной модели различают три представления времени
- •26. Метод композиции (суперпозиции).
- •28. Способы формирования случайных величин.
- •29. Равномерно-распределённые случайные числа.
- •Способы формирования ррсч.
- •30) Равномерность
- •41. Обработка экспериментальных данных.
- •42. Доверительные интервал и вероятность.
- •Точность. Определение числа реализаций.
Способы формирования ррсч.
Метод средних квадратов.
Пусть есть
Получим
и возьмём
Мультипликативный способ.
В качестве а – берут число близкое к
x0 – любое нечётное число < m
// в коспекте дримика есть фраза « m влияет на период » но ее не было в элетронном варианте//
с подбирают экспериментально, оно влияет на корреляцию.
// в конспекте дримика этой фразы нету - (при с=0 - линейный мультиплексированный метод (Лемера)).
30) Равномерность
Проверка по гистограмме с использованием косвенных признаков.
Оценка равномерности м.б. осуществимо либо по гистограмме, либо по
Косвенным критериям.
По гистограмме: определяют диапазон варьирования, который разбивают на N участков, для каждого определяют вероятность и част-ть (хз чо, не осилил смысл слова)
Проверка по косвенным признакам
При косвенном вся последовательность разбивается на пары чисел,
Если интрепритировать как координаты точек, то выполняется условие – точка попадает в круг радиусом 1 вписаного в единичный квадрат.
Геометрически это означает, что точка
Расположена внутри четверти круга
Если числа распределены равномерно, то они должны заполнить квадрат.
Важными характеристиками ПСРРЧ (псевдо-случайные) является длина периода Р и длина отрезка апериодичности L
ВпределахL числа не повторяются.
Запускается датчик(ГСЧ) с x0 и генерируются числа до числа xr ( xr попадает на период)
Запуск датчика(ГСЧ) с x0 и фиксируется i1 и i2 таких, что xi=xr и xj=xr. Период Р=j-i
Запуск ГСЧ с x0 и фиксируется xi = xi + p
Отрезак апериодичности
Методы увеличения длинны периода:
1.) увеличение глубины рекурсии
Естественно, это ведёт к увеличению затрат машинного времени.
2.)Можно использовать метод возмущений
т.е. если i не кратно М, то Ф, если кратно, ψ.
3.) Макларен-Марсалия.
Основан на использовании 2 датчиков (ГСЧ). Создается вспомогательный массив длинной k (массив V)
D1 дает последовательность {a}; D2 ---//--- {b}; выходная последовательность {c}
Vi = ai (i=1-k)
Обращение ко 2-му датчику. Получаем b1. С помощью b1 определяется номер S в массиве [b1 k].
C1 = Vs
Vs = и т.д.
Оценка стохастичности и независимости последовательности РРСЧ.
2) Стахостичность
а) метод комбинаций
Вероятность появления j единиц в l разрядах двоичного числа xi определяется биноминальным законом:
где: - вероятность 1 или 0 в разряде;
Тогда теоретически число чисел с j единицами в l разрядах из N чисел:
Собрав данные по различным по критериям согласия делается вывод о стохастичности.
б) метод серий
Разбивается вся последовательность на элементы 1-го и 2-го рода.
В результате получаем последовательность: а а b b a b b b b a a …
серия
Теоретическая вероятность серии длиной j в последовательности длиной l определяется формулой Бернули:
Получают теоретические и экспериментальные и по критериям согласия делают вывод. (имеет смысл проводить исследование при разных p и l).
3) Независимость – на основе вычисления корреляционного момента.
В общем случае корреляционный момент случайных величин ξ и η с значениями xi и yj
где Рij – вероятность того, что (ξ, η) принимает значение (xi, yj)
При независимости
Коэфициент корреляции
Вводим в рассмотрение 2 последовательности {xi} и {yi}={xi+τ}
Если есть последовательность длиной N, то с вероятностью β можно утверждать, что числа некоррелярны, если выполнить это условие:
Метод обратной функции для моделирования последовательности чисел с заданной функцией распределения.
1. Метод обратной функции.
Если случайная величина ξ имеет функцию распределения F(x), то распределение случайной величины y=Fξ(ξ) равномерно в интервале от 0 до 1.
Пусть η – равномерно распределена от о до 1. Введём случайное число [1], где φ – монотонна. Тогда .
Функция распределения для ξ :
[2]
Из [1]:
Отсюда: т.к. η- равномерна от 0 до 1
[3]
Получим
Отсюда:
Вывод: функция φ, связывающая равномерно распределённую величину η с величиной ξ, имеющую функцию распределения Fξ есть функция , т.е. обратная по отношению к Fξ.
Универсальный метод моделирования последовательности чисел с заданной функцией распределения.
Разобъём [c,d] на n интервалов
Интервалы выбираются так, чтобы вероятность попадания в любой из них была постоянной:
1) Генерируется РРСЧ из диапазона (0,1) η1 и выбирается номер диапазона k из условия:
k < n∙η1 ≤ k+1, k=0…n-1.
2) Генерируется РРСЧ η2 (от 0 до 1). Формируется случайная величина
= ak + (ak+1- ak) η2
Моделирование последовательности чисел с заданной функцией распределения по гистограмме.
f(x) задана в виде гистограммы
Р – частота
Построим шкалу:
где
Алгоритм:
1) Генерация (РРСЧ из диапазона от 0 до 1).
2) Определяем интервал , на который попала .
3) Генерируем (РРСЧ из диапазона от 0 до 1).
4) Формируем .
Нормальное распределение. Формирование случайных чисел с использованием предельных теорем.
Нормальный закон.
Сумма случайных чисел, имеющих один и тот же закон распределения, матожидание m, дисперсию D, среднеквадратичное отклонение σ, подчиняется нормальному закону распределения с матожиданием Nm, с D = ND, и σ = σ, где N – кол-во слагаемых в сумме.
Если в качестве базовой последовательности используют РРСЧ из интервала (0,1), то можно воспользоваться соотношением:
Если в=1, а=0, то
- РРСЧ
Для заданных m и σ.
Формирование случайных чисел с использованием теоремы Пуассона. Метод Кана.
Распределение Пуассона.
- вероятность того, что случайная величина примет
значение m (n=0,1)
a) Теорема Пуассона:
Если производится N независимых испытаний и вероятность события А в каждом опыте равна р, то частота появления m событий в N испытаниях при сходится по вероятности к Рm. При этом Np=λ .
Алгоритм:
Выбираем достаточно большое N , чтобы .
Производятся серии по N испытаний, в каждом из которых проверяют условие:
( -РРСЧ из (0,1))
Подсчитывают количество yi наступления такого события.
Значения yi будут распределены по закону Пуассона.
На практике N берут таким, чтобы .
б) Метод Кана
Образуется произведение РРСЧ до выполнения условия:
числа xj=Nj-1 будут распределены по закону Пуассона.
Метод исключения (отбраковки) для моделирования последовательности чисел c заданной функцией распределения.
Метод исключений (отбраковки, режекции, Неймана)
1) Если множество случайных точек (x,y) – реализация случайного вектора , равномерно распределенного в области, ограниченной осью Y и кривой f(x), такой, что
,
то одномерная плотность распределения величины ξ равна
Отсюда следует, что, если f(x) – искомая функция плотности распределения (т.е. ), то, реализовав процедуру построения множества случайных векторов, равномерно распределенных под графиком f(x), мы, тем самым, получим множество значений абсцисс {xi}, распределённых в соответствии с законом, определяем f(x).
Вместе с тем, процедура генерирования случайных векторов может оказаться достаточно сложной в вычислительном плане (надо использовать условные ф.п.в.). Для упрощения процедуры формирования случайных чисел воспользуемся следующим достаточно очевидным утверждением.
Если мн-во точек (x,y) равномерно распределено под графиком функции g(x) то та часть, что окажется в области под графиком f(x), такой что f(x) <= g(x), тоже будет расп. в области f(x).
Ф-я g(x) называется мажорирующей по отношению к f(х).
g(x)- мажорирующая функция
Можно выбрать функцию g(x) такой, что вектора, равномерно распределенные в области G, будет просто генирировать. Удобно выбирать функцию, имеющую постоянное значение на всей области определения f(x) (как правило, равное) или ступенчатую.
Отсюда вытекает процедура метода:
1) если функция g(x) не ограничена, то, учитывая допустимую погрешность, область ее определения ограничивают интервалом (a,b);
генерируется число РРСЧ из диапазона (0, 1) – η1 и преобразуем его в диапазоне (а,b)
η1* = a+(b-a) η1 .
генерируется число η2 и преобразовывается
η2* = fmax η2
производим проверку
η2* < f(η1*)
Если условие выполняется, то в выходную последовательность записывается число η1*
хi= η1*
Если нет, то процедура повторится.
.
Моделирование случайных векторов.
Формирование случайных векторов
с заданными вероятностными характеристиками
Случайный вектор можно задать проекциями на оси координат. Эти проекции являются случайными величинами, описываемыми совместным законом распределения.
В простейшем случае вектор двумерный и может быть задан совместным законом распределения его проекций ξ и η на оси OX и OY.
Рассмотрим способы формирования случайных векторов для моделирования
дискретных и непрерывных случайных процессов
1. Дискретный случайный процесс.
Составляющая ξ принимает значения x1, x2, … , xm, а составляющая η – значения y1, y2, … , yn и каждой паре (xi yj) соответствует вероятность Pij. Совместную функцию распределения вероятностей зададим в виде матрицы
P = .
Тогда каждому возможному значению xi случайной величины ξ будут соответствовать
В соответствии с этим распределением вероятностей можно определить конкретное значение ξ и из всех значений Pij можно выбрать последовательность
Pi1, Pi2, … , Pi3, Преобразуем её
.
Эта последовательность списывает условное распределение величины η при условии, что ξ = xi.
Используя известные нам методы (например, универсальный), определяем конкретное значение yi1 случайной величины η. Получена первая реализация (xi1 yi1)
Вектора. Процедуру повторяем циклически.
2. Непрерывный случайный процесс.
В этом случае двумерная случайная величина (ξ,η) описывается совместной функцией плотности распределения fξη (x,y). Напомним,
.
Зная закон распределения системы двух случайных величин, можно определить закон распределения одной из них
.
Имея этот закон, можно сформировать случайное число xi, а затем при условии, что ξ = xi определить условное распределение случайной величины η:
.
В соответствии с этой плотностью, можно определить случайное число yi и получить реализацию вектора (xi,yi).
Аналогичным образом можно моделировать случайные вектора и большей размерности. Например, если вектор трехмерный и задан совместной функцией плотности fξηζ (x,y,z), то последовательность такова:
,
,
Моделирование случайных событий.
Определим наступление события Ri как выполнение условия
Пусть надо реализовать случайное событие А, наступающее с вероятностью р. Будем определять его как выполнение условия
Сложные события - события зависящие от нескольких простых.
Простые А и В и вероятности РА, РВ.
Варианты:
1) А и В независимы
группа исходов:
Моделирование их осуществляется либо с помощью 1 случ числа, либо с двумя.
(ниже в лелином конспе не было)
Реализация – либо с последовательными проверками одного числа (СРРЧ)
Либо с двумя случайными числами
Второй вариант с точки зрения удобства построения модели алгоритма, экономия памяти и быстродействие предпочтительнее.
2) А и В зависимы. Должны быть заданы РА, РВ и Р(В/А)
< PA а) да
б) нет
(етого не было) вычислим