- •Моделирование дискретных систем
- •13022012 Лекция 2
- •Модель.
- •20022012 Лекция 3 Математическое моделирование дискретных систем
- •Функция распределения f(X) сама является случайной величиной, распределенной равномерно на отрезке [0,1].
- •27022012 Лекция 4
- •Законы распределения
- •05032012 Лекция 5
- •Числовые характеристики случайных величин
- •12032012 Лекция 6 Системы массового обслуживания
- •Параметры
- •19032012 Лекция 7
- •3) Дисциплина обслуживания (до fifo).
- •Многоканальные смо
- •26032012 Лекция 8
- •2. Характеристики функционирования смо
- •2.1.Характеристики одноканальных смо (ок смо) с однородной нагрузкой
- •Формулы Литлла: Число время
- •02042012 Лекция 9
- •2.1.Характеристики одноканальной смо с неоднородной нагрузкой
- •2.3.Характеристики многоканальной смо с однородной нагрузкой
- •09042012 Лекция 10 Имитационное моделирование смо
05032012 Лекция 5
Гиперэкспоненциальное распределение
ГЭР порядка k называется распределение, описывающее случайную величину, которая с вероятностью p1 будет распределена по экспоненциальному закону с параметром λ1, с вероятностью p2 будет распределена по экспоненциальному закону с параметром λ2, с вероятность pk с параметром λk. При этом параметр k принимает только целочисленные значения, а вероятности p1, p2, …, pk удовлетворяют условию .
Функция и плотность распределения гиперэкспоненциального распределения порядка k имеют вид:
F
(1.10)
k(t)=1- , t 0;(1.11)
fk(t)= , t 0.
Гиперэрланговское распределение
Генератор запускается трижды (по ветвям, по количеству элементов в ветви, случайная величина для расчёта). В общем виде формул нет. Для каждого случая пишем отдельно. Условие должно выполняться.
Равномерное распределение
Равномерное распределение – это распределение, описывающее непрерывную случайную величину, равномерно распределённую на отрезке [a,b], если её функция распределения имеет следующий вид:
0 при x<a;
F
(1.12)
(x)= , если a x b;1 при x>b.
При этом плотность распределения определяется выражением:
Числовые характеристики случайных величин
Моменты – это самые яркие характеристики в теории вероятности, способны заменить функции распределения и плотности. Они бывают 1-го и n-го порядка; начальными и центральными.
2 подхода, чтобы выявить моменты.
Числовые характеристики позволяют в сжатой форме выразить наиболее существенные особенности распределения случайной величины.
Начальный момент n-го порядка:
Математическое ожидание (среднее значение) – первый начальный момент, n=1:
Начальный момент n-го порядка случайной величины - это математическое ожидание ее n-ой степени.
Свойство:
1.Математическое ожидание суммы случайных величин равно сумме математических ожиданий слагаемых, то есть M[X1+X2+…+Xm]=M[X1]+M[X2]+…+M[Xm] и здесь неважно, зависимы или независимы случайные величины X1 , X2 , ... , Xm..
2.Математическое ожидание произведения случайных величин равно произведению математических ожиданий, то есть M[X1X2…Xm]=M[X1]M[X2]…M[Xm] только в том случае, когда случайные величины независимы.
3.Рассмотрим теперь непрерывную случайную величину Y, которая является функцией другой случайной величины Х, то есть Y=g(X). Тогда математическое ожидание случайной величины Y определяется через плотность распределения ее аргумента X равенством:
M[Y]=M[g(X)]= .
Этот результат известен как основная теорема о математических ожиданиях.
–разность между случайной величиной и её средним значением (мат.ожиданием) – это центрированная случайная величина.
M[( n] – центральный момент n-го порядка – есть мат.ожидание n-степени соответствующей центрированной случайной величине:
Центральный момент первого порядка не имеет смысла.
Центральный момент 2-го порядка – дисперсия – отклонение случайной величины от её среднего значения.
Дисперсия случайной величины характеризует рассеивание, то есть разброс случайной величины относительно ее математического ожидания, и имеет размерность квадрата случайной величины. Однако удобнее пользоваться характеристикой рассеивания, размерность которой совпадает с размерностью случайной величины. Среднее квадратическое отклонение - обозначаемое как [X] или x и определяемое как квадратный корень из дисперсии:
(1.19)
[X]=x= .
Коэффициент вариации характеризует отклонение (дисперсионный поток разбросности) случайной величины от её среднего значения:
(1.20)
x= .
*Итого пять характеристик: мат ожидание (1 начальный момент), 2 начальный момент, дисперсия (2 центральный момент), среднее квадратическое отклонение, коэффициент вариации.