- •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:
.