
- •1 Основи поняття загальної теорії систем
- •1.1 Основні означення теорії систем, поняття системи
- •1.2 Еталонна семирівнева модель взаємодії відкритих телекомунікаційних систем
- •1.3 Поняття зв'язку і стану
- •1.4 Кібернетичні системи
- •1.5 Етапи дослідження систем
- •1.6 Теоретико-множинне визначення системи. Модель «чорної скриньки»
- •1.7 Часові системи
- •1.8 Поняття глобальних станів і глобальних реакцій системи
- •1.9 Контрольні запитання
- •2 Основні види і властивості систем
- •2.1 Види систем
- •2.1.1 Статичні системи
- •2.1.2 Динамічні системи
- •2.2 Властивості систем
- •2.2.2 Причинність
- •2.2.3 Керованість та спостережність
- •2.2.5 Складність
- •2.3 Контрольні запитання
- •3 Декомпозиція і синтез систем
- •3.1 Операції з’єднання
- •3.2 Декомпозиція систем. Підсистеми. Елементи системи
- •3.3 Приклад застосування методів загальної теорії систем для проектування комутаційних систем зв’язку
- •3.4 Контрольні запитання
- •4 Нечіткі системи
- •4.1 Нечіткі множини
- •4.2 Операції над нечіткими множинами
- •4.3 Нечіткі відношення
- •4.4 Нечіткий логічний вивід
- •4.5 Контрольні запитання
- •5 Поняття математичної моделі. Приклади математичних моделей систем
- •5.1 Етапи математичного моделювання
- •5.2 Моделі стохастичних систем
- •5.2.1 Метод статистичних іспитів
- •5.3 Стохастичне моделювання процесів в інфокомунікаційних мережах
- •Додаток 1 основи теорії множин
- •Д.1.1 Підмножини
- •Д.1.2. Операції над множинами
- •Д.1.3 Універсальна множина. Доповнення множини. Декартів добуток множин
- •Д.1.4 Розбиття множини на систему підмножин
- •Д.1.5 Відношення
- •Д.1.6 Способи завдання бінарних відношень
- •Д.1.7 Відношення еквівалентності, порядку й домінування
- •Д.1.8 Відображення. Функції
5.2.1 Метод статистичних іспитів
Метод статистичних іспитів (метод Монте-Карло) полягає в побудові чисельної моделі випадкового процесу за відомими вхідними параметрами.
Розглянемо
найпростіший приклад моделювання
стохастичної системи. Нехай необхідно
визначити імовірність
того, що при стрілянині у мішень в серії
з десяти пострілів сумарна кількість
влучень у «десятку» – парне число.
Будемо
вважати, що відома імовірність
влучення в «десятку» при одному пострілі.
Тоді ймовірність
визначається з біноміального закону
розподілу ймовірностей
.
Тут
дорівнює числу сполучень з
по
.
З
іншого боку, можна було б експериментально
виконати
серій по 10 пострілів і підрахувати
кількість серій
,
у яких число влучень у «десятку» –
парне. Тоді при досить великому
одержимо, що
.
Більш простіший спосіб в розробці моделі даного стохастичного процесу.
Щільність
рівномірного розподілу імовірностей
випадкових чисел на проміжку
дорівнює
.
Звідси,
для випадкових чисел із проміжку [0,1]
.
При цьому імовірність настання деякої
події
визначається за допомогою функції
розподілу ймовірностей
.
Очевидно,
що для випадкових чисел із проміжку
останнє співвідношення буде мати вигляд
.
Практично
у всіх мовах програмування в склад
стандартних функцій входить, так званий,
генератор випадкових чисел, що формує
послідовність чисел, рівномірно
розподілених на проміжку [0,1]. Для того
щоб за допомогою генератора випадкових
чисел змоделювати настання події
– «влучення в десятку» із заданою
ймовірністю
згенеруємо випадкове число
.
Якщо
,
то відбулася подія «влучення в десятку».
Для того щоб визначити імовірність
парної кількості влучень у «десятку»
у серії з десяти пострілів необхідно
згенерувати
серій з десяти випадкових чисел. У кожній
з цих серій підраховується
– кількість чисел, що задовольняють
нерівності
.
Заодно підраховується кількість серій
для яких
–парне. Тоді ймовірність події
буде визначається зі співвідношення
,
яке
забезпечує прийнятну точність для
.
Найбільш
важливою у практиці застосування методу
Монте-Карло є задача моделювання
незалежних випадкових подій. У випадку
однієї події
,
що настає з імовірністю
,
її настання здійснюється тоді, коли
псевдовипадкове число
належить проміжкові [0,1], тобто
.
Виходячи з цього, можна визначити умови
настання деякої події
де
– множина подій, що спостерігаються з
ймовірностями
відповідно. При цьому повинна виконуватися
рівність
.
Для визначення умов настання події
скористаємося інтегральною функцією
розподілу для псевдовипадкових чисел,
тоді відповідна йому імовірність
буде визначатися зі співвідношення
.
Звідси
випливає, що подія
відбудеться, якщо псевдовипадкове число
задовольняє нерівності
.
Процедура
моделювання настання деякої події, що
належить множині
полягає в наступному:
– генеруємо
випадкове число
;
– якщо
для якогось
,
то відбулася подія
.
Розглянемо
тепер, як здійснюється моделювання
випадкових подій із заданим законом
розподілу імовірностей. У цьому випадку
задача полягає в тому, щоб установити
зв'язок між псевдовипадковими числами
і відомою щільністю розподілу імовірностей
стохастичної системи. За визначенням
функція розподілу
(інтегральна функція розподілу)
імовірностей виражається через функцію
щільності розподілу імовірностей за
допомогою рівності
,
причому,
якщо
змінюється від
до
функція розподілу приймає значення від
0 до 1, тобто
.
Звідси випливає, що випадкове число
з заданою щільністю розподілу
і псевдовипадкові числа
з рівномірною щільністю розподілу,
зв'язані співвідношенням
.
Нехай, наприклад, потрібно одержати випадкові числа з експоненційним законом розподілу
.
Дані випадкові числа зв'язані з псевдовипадковими числами співвідношенням
.
Обчисливши визначений інтеграл, одержимо
.
Розв'яжемо
це рівняння відносно
.
Генеруючи
псевдовипадкові числа
і підставляючи їх в наведене вище
рівняння, одержимо послідовність
випадкових чисел
з експоненційним законом розподілу
ймовірностей.
У випадках, коли щільність розподілу ймовірностей задана таблично або графічно для моделювання таких випадкових величин можна скористатися методом Неймана. Даний метод застосовується при дотриманні наступних умов:
–
випадкова величина
,
що моделюється , визначена на проміжку
;
– функція
щільності ймовірності
обмежена на цьому проміжку, тобто
.
Процедура
моделювання у цьому випадку полягає в
наступному. За допомогою датчика
псевдовипадкових чисел генеруємо два
числа
та
.
Обчислимо
і
.
Якщо
виконується нерівність
(
– табличне значення) , то значення
– це випадкова величина, що підкоряється
заданому законові розподілу ймовірностей.
Інакше, якщо
, вибираємо нову пару псевдовипадкових
чисел.
За допомогою такої процедури можна формувати послідовності випадкових чисел, із заданим законом розподілу, довільної довжини.
Особливим випадком є моделювання випадкових величин, що підкоряються нормальному законові розподілу. Співвідношення, що встановлює зв'язок такої випадкової величини з псевдовипадковими числами має вигляд:
.
Тут
– середнє значення, а
– дисперсія. Це рівняння не можна
розв’язати в явному вигляді відносно
.
Відомо, що сума
взаємно незалежних випадкових величин
з середніми значеннями
і дисперсіями
навіть при невеликих
досить добре апроксимує нормальний
розподіл або, іншими словами, при
асимптотично наближається до нормального
розподілу. Причому, для суми
середнє значення і дисперсія визначаються
зі співвідношень:
і
.
Нехай
– псевдовипадкові числа з рівномірним
законом розподілу. Оскільки, для них
і
,
то
сума
з
псевдовипадкових чисел буде підкорятися
нормальному розподілові з середнім
та дисперсією
.
Таким
чином, для того щоб змоделювати випадкову
величину
,
що підкоряється нормальному законові
розподілу з заданими середнім
та середньоквадратичним відхиленням
,
необхідно скористатися співвідношенням:
.