- •Міністерство освіти і науки україни
- •Практичне заняття № 1 статистичні дослідження вхідних випадкових параметрів системи
- •1.1 Методика попередньої обробки статичної інформації
- •1.1.1 Визначення основних статистичних характеристик
- •1.1.2 Виключення грубих аномальних спостережень
- •1.1.3 Перевірка статистичної однорідності сукупності
- •1.1.4 Визначення мінімальної кількості спостережень
- •1.2 Встановлення емпіричного закону розподілу досліджуваних параметрів
- •1.3 Приклад статистичного аналізу випадкової величини
- •Література
- •Практичне заняття №2 систематизація статистичної інформації для кореляційно–регресійного аналізу процесів функціонування системи
- •2.1 Загальні положення
- •2.2 Рекомендації щодо відбору факторів
- •2.3 Методика комплексної систематизації статистичної інформації
- •2.4 Приклад повного статистичного аналізу вихідної інформації
- •Розрахунковий аналіз
- •Література
- •Практичне заняття № 3 аналіз процесу функціонування систем
- •3.1 Основні теоретичні положення
- •3.1.1 Основні поняття
- •3.1.2 Формалізація марківського випадкового процесу з дискретним часом
- •3.1.3 Формалізація марківського процесу з неперервним часом
- •3.2 Приклади побудови формалізованих моделей функціонування системи
- •3.2.1 Система з дискретним станом і дискретним часом
- •3.2.2 Системи з дискретним станом і неперервним часом
- •Література
- •Практичне заняття № 4 статистичні моделі процесів функціонування систем
- •4.1 Основні принципи і поняття імітаційного моделювання
- •4.2 Основи моделювання методом статистичних випробувань
- •4.3 Приклад побудови статистичної моделі
- •Практичне заняття № 5 статистичне моделювання випадкових подій
- •5.1 Основні процедури моделювання подій.
- •Використовуючи таблицю або генератор випадкових чисел рвп [0, 1] процедуру моделювання випробувань за “жеребкуванням” виконують в такій послідовності:
- •5.2 Моделювання незалежних подій
- •5.3 Моделювання залежних подій.
- •Практичне заняття № 6 статистичне моделювання дискретних випадкових величин
- •6.1 Імітація на основі емпіричного розподілу дискретної величини
- •6.2 Імітація на основі теоретичних законів розподілу
- •Практичне заняття № 7 статистичне моделювання неперервних випадкових величин.
- •7.1 Загальні принципи моделювання
- •7.2 Імітація за відомим теоретичним законом розподілу
- •7.3 Наближені способи імітації
- •7.3.1 Імітація методом кускової апроксимації
- •7.3.2 Імітація на основі несистематизованої статистичної таблиці
- •7.3.3 Графоаналітичний спосіб імітації
- •Література.
6.2 Імітація на основі теоретичних законів розподілу
Дискретні випадкові величини найчастіше описуються такими теоретичними законами розподілу: біномним,Пуассона,геометричним.
Біномний розподіл.Для біноміального розподілу (розподілу Бернуллі) з параметрамиріnімовірність появи події Х вnвипробуваннях дорівнює
, (6.4)
де р– ймовірність появи події в кожному незалежному випробуванні.
Процедуру імітації покажемо на конкретному прикладі.
Приклад 1.На складі щоденно завантажують чотири (n = 4 ) вагони. Ймовірність повного використання вантажопідйомності кожного із нихр = 0.5. Повністю використана вантажопідйомність може бути або у одного, двох, трьох, чотирьох вагонів, або всі вагони відправляються недовантаженими.
На основі імітації провести аналіз використання вантажопідйомності вагонів.
Порядок імітації.
За формулою (6.4) імовірність появи подій:
і |
1 |
2 |
3 |
4 |
5 |
хі |
0 |
1 |
2 |
3 |
4 |
рі |
0.0625 |
0.250 |
0.375 |
0.250 |
0.0625 |
0.0625 |
0.3125 |
0.6875 |
0.9375 |
1.0000 |
Змоделюємо завантаження вагонів протягом п’яти днів. Із таблиці випадкових чисел вибираємо п’ять чисел ξ1 = 0.5489,ξ2 = 0.3522,ξ3 = 0.7555,ξ4 = 0.5759,ξ5 = 0.6303.
Провівши порівняння згідно з алгоритмом (6.3) знайдемо такі результати завантаження вагонів:
День |
1 |
2 |
3 |
4 |
5 |
Кількість повністю завантажених вагонів |
2 |
2 |
3 |
2 |
2 |
Розподіл Пуассона.
Якщо випадкова величина Хрозподіляється за законом Пуассона, то ряд розподілу задається виразом
, m = 0, 1, 2, …, (6.5)
де р (х =m) – імовірність того, що випадкова величинахприйме значенняm ;
а– математичне очікування випадкової величини.
Для моделювання випадкової величини х визначають випадкове числоξ ірівномірно розподілене в діапазоні [0, 1], і фіксують такі значенняхі, для якого виконується нерівність
. (6.6)
Геометричний розподіл.Ймовірність появи випадкової величини визначається залежністю
. (6.7)
Імітація виконується згідно з алгоритмом (6.3) аналогічно вище викладеному.
Геометричний розподіл можна імітувати з допомогою перетворення.
, (6.8)
де […] – ціла частина числа.
Практичне заняття № 7 статистичне моделювання неперервних випадкових величин.
Мета занять: вивчення основних методів моделювання, придбання навичок в побудові моделей для машинної імітації розподілу випадкових величин.
7.1 Загальні принципи моделювання
Неперервна випадкова величина Xмає розподіл
, (7.1)
де (х) – щільність ймовірностей.
Для отримання неперервних випадкових величин з заданим законом розподілу можна скористуватись методом оберненої функції. Взаємно одиночна монотонна функція (рисунок 7.1), отримана розв’язком відносноХрівнянняFx(x)=ξ, перетворює рівномірно розподілену на інтервалі [0,1] величинуξ вХ з потрібною щільністюх(х).
ξ1
ξ2
ξ |
Рисунок 7.1 – Графік інтегральної функції розподілу F(x) |
Дійсно, якщо випадкова величина Хмає щільність розподілух(х), то розподіл випадкової величини
(7.2)
є рівномірним в інтервалі [0,1].
Це ствердження дає смогу сформувати правило імітації випадкових чисел {хі}, котрі мають функцію щільностіf (x):
1) генерується випадкове число ξіРВП[0,1];
2) випадкове число хіз розподіломf (x) є розв’язком рівняння
(7.3)
Таким чином, послідовність ξ1,ξ2,ξ3, … , що належить до РВП [0,1], перетворюється на послідовністьх1,х2,х3, … , яка має щільність розподілуf (x).
Розглянемо основні способи імітації методом оберненої функції випадкових величин за загальним законом розподілу на основі випадкових чисел, рівномірно розподілених на інтервалі [0, 1].