- •1. Случайные величины
- •2. Законы распределения и числовые характеристики дискретных случайных величин
- •1. Дискретная случайная величина, закон и функция распределения
- •2. Числовые характеристики дискретных случайных величин
- •3. Законы распределения и числовые характеристики непрерывных случайных величин Числовые характеристики непрерывных св
- •4. Случайные события. Потоки событий.
- •5. Центральная предельная теорема теории вероятностей.
- •6. Статистические оценки параметров распределения.
- •7. Определение требуемого объема выборки.
- •8. Понятие модели.
- •10. Общая характеристика и этапы имитационного моделирования.
- •11. Имитационные модели экономических систем.
- •13. Основные понятия теории массового обслуживания.
- •14. Система обозначения смо.
- •15. Основные характеристики эффективности смо. Показатели эффективности работы смо.
- •16. Общая характеристика метода статистического моделирования.
- •17. Датчики случайных чисел с равномерным распределением.
- •18. Моделирование простого события.
- •19. Моделирование полной группы несовместных событий и дискретной случайной величины.
- •20. Моделирование непрерывных случайных величин. Метод обратной функции. Моделирование случайных величин с показательным и равномерным распределением. Метод обратной функции.
- •8.2. Моделирование св с показательным распределением.
- •8.3. Моделирование св с равномерным распределением.
- •21. Моделирование случайных величин с нормальным распределением.
- •22. Моделирование случайных величин с произвольным распределением.
- •23. Общие сведения о gpss.
- •24. Работа в системе gpss (текстовый файл, трансляция, запуск процесса моделирования, работа с «окнами», вывод графика).
- •25. Типы операторов в gpss.
- •26. Блоки, связанные с транзактами (generate, terminate). Сегмент модели. Продолжительность прогона. Сегмент таймера.
- •27. Блоки, связанные с транзактами (assign, mark, priority, advance).
- •Assign (присвоить)
- •Mark (отметить)
- •Priority (назначить приоритет)
- •Advance (задержать)
- •28. Блоки и команды, связанные с аппаратными объектами (seize, release, enter, leave, storage, logic). Seize (занять устройство)
- •Release (освободить устройство)
- •Enter (войти в память)
- •Leave (выйти из памяти)
- •Storage (память)
- •Logic (установить логический ключ)
- •29. Блоки и команды для сбора статистических данных (queue, depart, qtable, table, tabulate).
- •Queue (встать в очередь)
- •Depart (покинуть очередь)
- •Qtable (q-таблица)
- •Table (таблица)
- •Tabulate (занести в таблицу)
- •30. Блоки, изменяющие маршруты транзактов (transfer, test, gate). Transfer (передать)
- •Test (проверить)
- •Gate (впустить)
- •31. Блоки и команды для хранения величин (savevalue, initial, msavevalue, matrix). Ячейки (ячейки сохраняемых величин).
- •Матрицы.
- •Savevalue (сохранить величину)
- •Msavevalue(сохранить значение элемента матрицы)
- •32. Блоки формирования и обработки семейств транзактов (split, assemble, gather). Split (расщепить)
- •Assemble (соединить)
- •Gather (собирать)
- •33. Переменные в gpss.
- •Арифметические, условные и логические операторы.
- •Переменные пользователя.
- •Генераторы случайных чисел.
- •Встроенные вероятностные распределения.
- •34. Функции в gpss
- •35. Интерпретация стандартного отчета.
- •1. Заголовок.
- •2. Общая информация о результатах моделирования.
- •3. Информация об именах.
- •4. Информация о блоках.
- •5. Информация об устройствах.
- •6. Информация об очередях.
- •7. Информация о памятях (многоканальных устройствах).
- •8. Информация о таблицах.
- •9. Информация о сохраняемых величинах (ячейках).
- •10. Информация о матрицах.
16. Общая характеристика метода статистического моделирования.
17. Датчики случайных чисел с равномерным распределением.
Каждый раз, когда на ход моделируемого процесса оказывает влияние случайный фактор, его действия имитируются с помощью специально организованного розыгрыша (жребия). Т.о. строится одна случайная реализация моделируемого явления, представляющая собой как бы один результат опыта. По одному опыту конечно нельзя судить о закономерностях изучаемого процесса, но при большом числе реализаций средние характеристики, вырабатываемые моделью, приобретают свойства устойчивости, которые усиливаются с ростом числа реализаций.
Бросание жребия можно осуществить в ручную (выбором из таблицы случайных чисел), однако, удобнее это делать с помощью специальных программ, входящих в состав ПО ЭВМ. Такие программы называют датчиками или генераторами случайных чисел. В трансляторах всех алгоритмических языков имеются стандартные процедуры, которые генерируют случайные стандартные процедуры (псевдослучайные) величины с равномерным распределением.
18. Моделирование простого события.
Пусть имеется событие А, вероятность наступления которого равна РА. Требуется выработать правила, при многократном использовании которого частота появления событий стремилась бы к его вероятности. Выберем с помощью ДСЧ равномерно распределённых в интервале (0;1) некоторое число z и определим вероятность того, что .
Для случайных величин zравномерно распределённых в интервале (0;1) справедлива следующая зависимость:
т.о. вероятность того, что , поэтому, если при розыгрыше число попало в этот интервал, то следует считать, что событие А произошло.
Противоположное событие произойдет с вероятностью в том случае, если .
19. Моделирование полной группы несовместных событий и дискретной случайной величины.
Моделирование полной группы несовместных событий.
Пусть имеется полная группа несовместных событий с вероятностями . При этомвыполняется условие:
Разделим интервал (0;1) на отрезков, длины которых составляют .
Если случайное число Z генерированное датчиком случайных чисел с равномерным распределением в интервале (0;1) попала, например, на участок , то это должно означать, что произошло событий . Действительно, если обозначить:
то окажется справедливым выражение:
Следовательно, произойдет событие, которое имеет вероятность .
Процедура моделирования полной группы несовместных событий описывается алгоритмом, блок-схема которого имеет вид:
Оператор 1 обращается к ДСЧ с равномерным распределением в интервале (0;1). Условный оператор 2 проверяет условия попадания случайной величины Z в интервал (0; ). Если это условие выполняется, то считается что произошло событие . Если условия в операторе 2 не выполняются, то алгоритм осуществляет проверку условия попадания СВ в другие интервалы. Одно из событий обязательно произойдет.
Моделирование дискретной СВ.
Дискретная СВ может быть задана табличной зависимостью:
X |
|
|
… |
|
… |
|
P |
|
|
… |
|
… |
|
Здесь вероятность того, что СВ Х принадлежит знач. .
при этом по прежнему .
Разделим интервал (0;1) на отрезков, длины которых равны заданным вероятностям. Если случайное число Z, вырабатываемое ДСЧ попадет в интервал , то СВX примет значение . Т.о. моделирование дискретных СВ фактически использует ту же процедуру, что и моделирование полной группы несовместных событий.