- •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.
5.3 Моделювання залежних подій.
Розглянемо дві залежні події А і В, Для яких відомі такі значення ймовірностей: Р(А) = рА , Р(В) = рВ , Р(АВ) = рАВ. Позначимо через Р(В/А) умову і ймовірність настання події В при умові, що подія А відбулася.
Перший спосіб побудови моделі.
Згідно з цим способом випробувань за “жеребкуванням” необхідно знайти умовні ймовірності:
; (5.3)
. (5.4)
Імітація випробувань полягає у наступному.
1. За формулою (5.3) визначається ймовірність P(B/A)
2. Із послідовності випадкових чисел [0,1] вибирають наступне випадкове число ξ1 < рА. Якщо умови виконуються, то насталася А.
Для випробування, пов’язаного з подією В, використовується імовірність Р(В/А), для цього із сукупності РВП [0,1] береться наступне число ξ2 і перевіряється умова . У разі – настає подія В; у разі – подія В не настала.
Якщо 1 > pА, то подія А не настала (настала протилежна подія ). У цьому випадку для випробування, пов’язаного з подією В, необхідною визначити за формулою (5.4) імовірність
Вибираємо із РВП [0, 1] число ξ2 і перевіряємо справедливість нерівності . Якщо , то подія В настала, у разі подія В не настала.
Другий спосіб випробувань за “жеребкуванням”.
Утворюють повну групу подій:
Знаходять ймовірність:
P(D1) = PAB;
P(D2) = PB – PAB;
P(D3) = PA – PAB;
P(D4) = 1 – PA – PB + PAB;
Після цього виконується звичайна процедура моделювання подій, котрі утворюють повну групу.
Практичне заняття № 6 статистичне моделювання дискретних випадкових величин
Мета занять: вивчення основних методів моделювання, придбання навичок в побудові моделей для машинної імітації розподілу випадкових величин.
6.1 Імітація на основі емпіричного розподілу дискретної величини
Моделювання дискретної випадкової величини з заданим законом розподілу зводиться до схеми моделювання випадкових подій, так як кожному із можливих значень х ставиться у відповідність певні значення ймовірності Р( x = m ).
Дискретна випадкова величина х приймає значення
з ймовірностями р1, р2, … рі, … котрі складають диференційний розподіл ймовірностей.
Можливі Значення х |
х1 |
х2 |
… |
хІ |
… |
хm |
Імовірності Р(x = х) |
р1 |
р2 |
… |
рІ |
… |
Рm |
При цьому інтегральна функція розподілу
; ; m=1,2, …, ; (6.1)
Імітація дискретної випадкової величини методом оберненої функції полягає у наступному. Якщо ξ – рівномірно розподілена на інтервалі [0,1] випадкова величина, то шукана випадкова величина Х визначається з допомогою перетворення
(6.2)
де - функція, обернена FX.
Алгоритм розрахунків за (6.1) та (6.2) зводиться до використання наступних дій:
1. Визначається за таблицею або генерується випадкове число ξ1.
2 . Проводиться порівняльний аналіз:
Якщо ξ1< p1, то Х = х1,
генерується наступне ξ 2, інакше,
Якщо ξ1< p1 + р2, то Х = х2,
генерується наступне ξ 2, інакше,
Якщо ξ1< p1 + р2 + р3, то Х = х3,
г
(6.3)
……………………………………
Якщо , то Х=хm,
генерується наступне ξ i+1, інакше...
...…………………………………