اصول شبیه سازی
DESCRIPTION
اصول شبیه سازی. هفته سوم. فهرست مطالب. هفته سوم. مروری بر واژه ها و مفاهیم متغیرهای تصادفی انواع متغیر های تصادفی تابع توزیع تجمعی گشتاور، امید ریاضی، واریانس مد و میانه مدلهای آماری سودمند سیستمهای صف مدلهای موجودی پایایی و نگهداری پذیری داده های محدود سایر توزیعها توزیعهای گسسته - PowerPoint PPT PresentationTRANSCRIPT
اصول شبیه سازی
هفته سوم
2
مروری بر واژه ها و مفاهیم•متغیرهای تصادفی–انواع متغیر های تصادفی–تابع توزیع تجمعی–گشتاور، امید ریاضی، واریانس–مد و میانه–
مدلهای آماری سودمند•سیستمهای صف–مدلهای موجودی–پایایی و نگهداری پذیری–داده های محدود–سایر توزیعها–
توزیعهای گسسته•توزیع یکنواخت گسسته–آزمایش برنویی و توزیع برنویی–توزیع دوجمله ای–توزیع هندسی–توزیع پواسون–
فهرست مطالب
هفته سوم
3
توزیعهای پیوسته•توزیع یکنواخت–توزیع نمایی–توزیع گاما–توزیع مربع کای–توزیع ارلنگ–توزیع نرمال–توزیع لوگنرمال–توزیع بتا–توزیع ویبول–توزیع تی استیودنت–توزیع فیشر–توزیع مثلثی–
فرآیند پوآسون•توزیعهای تجربی•
فهرست مطالب
هفته سوم
4
متغیر های تصادفی•متغیر تصادفی تابعی حقیقی است از فضای –
نمونه به مجموعۀJ اعداد حقیقی که به هر پیشامد فضای نمونه عددی حقیقی نسبت می
دهد.
مروری بر واژه ها و مفاهیم
هفته سوم
RS :)(
5
انواع متغیر تصادفی•متغیر تصادفی گسسته –
«X هNک مقNادیری اگNر می نامنNد، تصNادفی گسسNته متغNیر می گNیرد Xرا متناهی یا نامتناهی شمارا باشد.
تعداد سفارش هایی که به کارگاه می رسد–
انداختن یک تاس و آمدن یک عدد خاص–
تاس ناسالم که احتمال آمدن هر وجه آن با عدد هر وجه متناسب است.–
متغیر تصادفی پیوسته–«X را کNه مقNادیری اگNر می نامنNد، پیوسNته تصNادفی می گNیرد XمتغNیر
فاصله ای از مجموعه فواصل باشد.عمر یک المپ–
مروری بر واژه ها و مفاهیم
هفته سوم
ixi
i
xp
xp
1
10
0
1
0
0
0
x
x
x
x
R
dxf
dxf
xf
X
6
تابع توزیع تجمعی•
مروری بر واژه ها و مفاهیم
هفته سوم
baaFbFbxap
xF
xF
dttf
xp
xXpxF
x
x
x
xxi
i
;
0
1
lim
lim
b
a
dxxfaFF(b)bxapbxapbxapbxap )(
then variablestochastic Continuse wasX If
7
گشتاور، امید ریاضی، واریانس•
مروری بر واژه ها و مفاهیم
هفته سوم
dxxfx
xpx
xEn
ii
ni
nn)(
dxxfx
xpx
xEn
ii
n
nn
)(
)(
)()(
dxxxf
xpx
xEix
ii
2)2(
2222222
2222
22
)(2var
xExExExExExxEExEExE
xxExExExExEx
8
گشتاور، امید ریاضی، واریانس•مثال–
تاس غیر منصف»
عمر المپ»
مروری بر واژه ها و مفاهیم
هفته سوم
Xi 1 2 3 4 5 6P(xi) 1/21 2/21 3/21 4/21 5/21 6/21F(X) 1/21 3/21 6/21 10/21 15/21 1
24428)(821,2
2
1
121
21,145.032,
0
2
0
22
0
0
21
22
222
2
xVardxexxExVarxexE
edtedtexFxpo
xexf
xx
xttx xx
22.278.182133.4var
33.421
66.....
21
22
21
11
2222
xExExEx
xE
9
مد و میانه•مد–
مد در متغیر گسسته مقداری از متغیر تصادفی است »که بیشتر از همه روی می دهد.
مد در متغیر پیوسته مقدار ماکسیمم تابع توزیع است»میانه–
میانه در متغیر تصادفی پیوسته مقداری از متغیر »تصادفی است که:
ی است کهxمیانه در متغیر تصادفی گسسته اولین »
مروری بر واژه ها و مفاهیم
هفته سوم
2
1)( xXp
2
1)( xXp
10
مد و میانه•مثال–
تاس غیر منصف»
عمر المپ»
مروری بر واژه ها و مفاهیم
هفته سوم
3865.12
1ln
22
1
2
11
2
12
1
2
1
222
2
0
0
xx
eedte
dte
xxt
t
x
x
521
2115 xxXp
11
سیستمهای صف• توزیع نمایی باشد اغلب دارایمدت خدمت دهی کامال تصادفی اگر –
است.تحت تاثیر تغییرات تصادفی باشد ولی مدت خدمت دهی ثابتاگر –
استفاده می گردد.توزیع نرمال نوسان نماید از پیروی می کند توزیع نرمال مورد نظر از پدیدهاگر به نظر برسد که –
از مقدار متغیر تصادفی مقید به بزرگتر بودن یا کوچکتر بودنولی استفاده می گردد.توزیع نرمال بریده خاصی باشد از
توزیع های از خدمت دهی و مدتهای بین دو ورود به منظور مدلسازی –نیز استفاده می گردد)توزیع نمایی حالت خاصی از این دو وایبل و گاما توزیع است(
آنهاست مد توزیع نمایی در صفر است مد بین این سه توزیع در تفاوت–ولی دو توزیع دیگر دارای مد بزرگتر از صفرند.
وایبل توزیع کران است ولی کشیده نمایی توزیع مانند گاما توزیع کران– کند.نزول از توزیع نمایی کندتر یا تندترممکن است
بتواند نمایی توزیع از آن باشد که بیش دهی خدمت بزرگ مدتهایاگر – استفاده خواهد شد.وایبل توزیعپاسخگوی آن شود از
مدلهای آماری سودمند
هفته سوم
12
مدلهای موجودی•ست.گاما توزیعاغلب مهلت تحویل توزیع –، طیفی از شکلهای منفی ای دوجمله و پواسون، هندسیتوزیع –
مطابقت دارد.تقاضا الگویتوزیع را در بر می گیرند که با انواع مد توزیع هندسی که نوع خاصی از توزیع دوجمله ای منفی –
است به شرط اینکه دست کم یک تقاضا رخ داده باشد یک خواهد بود.
داشته باشند کشیده کرانی تقاضااگر داده های مربوط به –مناسب باشد.دوجمله ای منفی ممکن است توزیع
منفی ای دوجمله کران از تر کوتاه به طور کلی پواسون کران–است.
دوجمله توزیع به کار رود نسبت به زمانی که پواسون مدلاگر – رخ کمتر زیاد تقاضاهای مورد استفاده قرار می گیرد ای منفیمی دهد.
مدلهای آماری سودمند
هفته سوم
13
پایایی و نگهداری پذیری•رخ دهد می توان از بازمانی های تصادفی اگر فقط –
استفاده نمود.توزیع نمایی توزیع مدت از مدلسازی مکانیزمی که توزیع گاما –
به وجود می آید.بازمانی هر جزء آن نمایی استبازمانی ناشی در سیستم باشد و جزء تعدادیهرگاه –
از جدیدترین نقص از میان همه نقص های ممکن عملکرد خوبی دارد.توزیع وایبول باشد
بازمانی ها ناشی از فرسودگی در وضعیتهایی که –مناسب است.توزیع نرمال باشد
مدت برای برخی از قطعات توزیع لوگنرمال و در – مناسب تشخیص داده شده است.زمان تا بازمانی
مدلهای آماری سودمند
هفته سوم
14
داده های محدود• باشد و مدت بین دو ورود یا خدمت دهی تصادفیاگر –
استفاده می شود.یکنواخت توزیع باشد از ناقص ما اطالعات استفاده کرد که در مورد مثلثی توزیعزمانی می توان از –
صورت گرفته فرضهایی متغیر تصادفی مد و ماکسیمم، مینمیمباشد.
را فراهم واحد فاصله در توزیع شکلهای گونه هایی از بتا توزیع– فاصله هر می توان آن را به مناسب تغییراتمی آورد که با
دلخواهی انتقال داد..بتاست توزیع از خاصی نوع یکنواخت توزیع–
سایر توزیعها•در توزیع های گسسته و توزیع دوجمله ای و برنوییتوزیع های –
در توزیع های پیوسته نیز در شبیه سازی نمایی فوقکاربردهایی دارند.
مدلهای آماری سودمند
هفته سوم
15
توزیع یکنواخت گسسته•
توزیعهای گسسته
هفته سوم
,...,k,,xk
xp 321; 1
)(
12
1
4
)1(
6
)12)(1(*
1
)2
1(
1)()()(
2
1
2
)1(*
111)(
2
2
2
1
222
11
k
kkkk
k
k
kxxExExVar
kkk
kx
kkxxE
k
x
k
x
k
x
16
آزمایش برنویی و توزیع برنویی•(دارای دو نتیجه Xمتغیر تصادفی برنولی )–
پیروزی و شکست می باشد. بنابراین فضای در نظر S={0,1}نمونه را می توان به شکل
نشان 1 نشانگر شکست و 0گرفت که در آن دهنده پیروزی است. توزیع برنولی به صورت
Ber(p) نشان داده می شود که در آن p احتمال احتمال شکست می p-1موفقیت و در نتیجه
باشد. نکات زیر در مورد این متغیر تصادفی قابل استخراج است.
توزیعهای گسسته
هفته سوم
pqpppqpxExExVar
pqpxE
xqpxpxp
xpxp xx
)1()01()()(
01
1,0 ; 0 1
1
22222
1
17
توزیع دوجمله ای• متغیر تصادفی برنولی با هم جمع nفرض کنید –
شوند. حاصل متغیر تصادفی است که می توان آزمایش nآن را با عنوان تعداد پیروزی ها در
برنولی تعبیر نمود. تابع توزیع این متغیر تصادفی را می توان به صورت زیر بدست آورد:
با توجه به تعریف متغیر تصادفی دو جمله ای –داریم:
توزیعهای گسسته
هفته سوم
otherwise 0
n,...0x qpx
n
xpxnx
11
1
1
1
1
1
1
0
0
1
1
1
10
nnn
x
xnx
n
x
xnxn
x
xnxn
x
xnxn
x
xnx
qpqpx
nنکتهnpqp
x
nnppqp
x
nnqp
x
nnqp
x
nxxE
18
توزیع دوجمله ای•
توزیعهای گسسته
هفته سوم
npqpnppnnpnppnxExExxExVar
nppnpnn
qpx
nnnqp
x
nxnqp
x
nxxxxE
n
x
xnxn
x
xnxn
x
xnx
11)(
1
2
21
1
1111
222222
2222
000
npqxnxx
npxExE
XXXX
i
n
ii
n
ii
n
varvarvar
...
1
1
21
19
توزیع دوجمله ای•در یک فرایندساخت، چیپ های نیمه رسانایی با مثال:–
% معیوب تولید می شوند. در این سیستم 2نسبت تایی گرفته شده و اگر در 50تولیدی هر روز یک نمونه
قطعه معیوب باشد فرایند متوقف 2نمونه بیشتر از می شود. احتمال توقف فرایند را در هر روز بیابید.
حل: ابتNدا بایسNتی متغNیر تصNادفی در این سNوال تعریNف شNود.
X تعداد واحدهای ناقص
توزیعهای گسسته
هفته سوم
98.098.002.050var
102.050
08.092.012101212
98.002.050
x
xE
xpxpxpXpxp
xxp xnx
20
توزیع هندسی•آزمNایش هNای برنNولی مسNتقل از هم را در نظNر بگیریNد. متغNیر تصNادفی هندسNی –
(X عNیNتوزN د. اینNباش NمیN وفقیتNن مNیNاول NهNن بNدNیNرس NاNلی تNوNبرن NیNاNیش هNاNمNآز NدادNتعN )
اNحتمNال NشکسNت p-1 اNحتمNاNل مNوNفقیت و( p نNشNانN داNده مNی شNود.Ge(p)بNه NشNکل
مNی NباشNد(. از NآنجNا کNهN تNعNداد NآزمNایNش هNا نNامNحNدوNد میN NباشNدN فNضNاNی حNالNت بNه شNکل
S={1,2,…,k,...} ال متغیر تصادفیNحتمNابع اNت. تNاس x:اشد و داریمNزیر می بN شکلN به • P(x) =q x-1p; x=1, 2, …
– E(x) =1/p– var(x) =q/p2
توزیع هندسی به طور گسترده در مدل های ریاضی به –علت خاصیت بی حافظگی این توزیع استفاده می
شود. بی حافظگی یعنی:
توزیعهای گسسته
هفته سوم
1n ; )( | nxpkxnkxp
21
توزیع هندسی•مثال:در مثال قبل احتمال اینکه سومین نمونه، –
اولین معیوب باشد را بیابید.
پیروزی: یافتن معیوبP(x=3) =0.982 *0.02
توزیعهای گسسته
هفته سوم
22
توزیع پواسون•
تمام خصوصیات تابع احتمال را xدر نتیجه متغیر تصادفی دارد و تابع توزیع آن تقریبی از تابع توزیع متغیر تصادفی دو
جمله ای است.
توزیعهای گسسته
هفته سوم
npn
qpx
nxp xnx
,
x
nnxn
xnn
n
xnx
n
n
x
nnx
xnnnxp
11!
1...111
1!
1....1)(
121
lim
lim
exf xf
xf
)(1
1(lim0)(
exxp x
!1)(
nnpqx
npxE
n
1var lim
eek
ek
ex
ex
exxE
k
k
k
k
x
x
x
x
00
1
10 !!!1!
23
توزیع پواسون•اگر تقاضا در مهلت تحویل برای محصولی دارای –
داشته باشد، با 10توزیع پواسون با میانگین % در برابر کمبود نقطه 95فاصله اطمینان
سفارش مجدد را مشخص نمایید.
توزیعهای گسسته
هفته سوم
!
10
!
10
x
e
x
exp
xx
15,....2,1
95.0!
10
0
10
xxx
i
ex
i
i
24
توزیع یکنواخت• S=[a,b],b>a در بازه Xمتغیر تصادفی یکنواخت –
مقادیری را اختیار می کند که دارای احتمال یکسان می باشند. توزیع یکنواخت به صورت
Unif(a,b) نشان داده می شود. تابع چگالی به شکل زیر می باشد:
توزیعهای پیوسته
هفته سوم
otherwise
bxaabxf
0
1
bx
bxaab
ax
ax
xF
1
0
ab
xxxXxp
1221
12
var
22ab
x
baxE
25
توزیع نمایی•
خاصیت بی حافظگی توزیع نمایی–
توزیعهای پیوسته
هفته سوم
otherwise
xexf
x
0
0 01 xexF x
21var
1
x
xE
)(~ Expx
txpe
e
e
sxp
tsxp
txpsxtsxp
ts
ts
|
26
توزیع گاما•تابع گاما–
تابع توزیع گاما–
توزیعهای پیوسته
هفته سوم
! 1
110
1
dxex x
12
1
11
1
)(*)(
)(*)(
ion distributa , has ion then distributa )( has If
iii
ii
ii
ii
i
iii
XVarXVarXVarxVar
XEXEXExE
GammaXXExpX
27
توزیع گاما•تابع توزیع گاما–
توزیعهای پیوسته
هفته سوم
otherwise
xexxf
Gammax
x
0
0
),(~
1
xx eexxf
11
11
28
توزیع مربع کای•
توزیعهای پیوسته
هفته سوم
otherwise
xexvxf
vGammax
xv
v
0
0
2
)21
(
)2
1,
2(~
21
2
2
otherwise
xexvxf
xx
xv
v
0
0
2
)21
(
)square(-Chi~
21
2
2
29
توزیع ارلنگ•همان تابع توزیع گاما در حالتی است که –
است. در این حالت داریم
توزیعهای پیوسته
هفته سوم
N
1
0
1
!1
!1
i
ixx
i
xexFexxf
),(~ Erlangx
30
توزیع ارلنگ• ساعت با 1000مثال:دو المپ با عمر متوسط –
توزیع نمایی به گونه ای بسته شده اند که در صورت خارج شدن یکی المپ دیگر روشن
ساعت 2160می شود. احتمال اینکه بعد از المپی روشن باشد، چقدر است.
• X=X1+X2
– X1 ~EXP (1/1000)
– X2~EXP (1/1000)
توزیعهای پیوسته
هفته سوم
36.064.01
64.0636.0!
16.21
!1
!1
1
0
160.2
1
0
100011
0
10001
i
i
i
ix
i
ix
iexF
i
xe
i
xexF
31
توزیع ارلنگ•
یNک معاینNه پزشNک سNه مرحلNه دارد کNه هNر کNدام دارای توزیNع مثNال:–
دقیقNه اسNت. بNا این فرضNیات احتمNال مNدت معاینNه 20نمNایی بNا میNانگین
دقیقه باشد را بیابید.50کمتر از
X=X1+X2+X3
– X1 ~EXP (1/20)
– X2~EXP (1/20)
– X3~EXP (1/20)
توزیعهای پیوسته
هفته سوم
457.0543.01
!
5.21
!
50150
2
0
5.22
0
201
50201
i
i
i
i
ie
ieF
603
201
k
xE 402131ˆ20
120
1
k
M
32
توزیع نرمال•
توزیعهای پیوسته
هفته سوم
1,0~;2
1 5)
2
1
2
1 4)
])(Arg[ 3)
2)
01)
2
1
,~
2
22
21
2
21
2
1
2
1
)(
2
limlim
Nzzezf
xdzedtexXpxF
xfMax
xfxf
xfxf
xexf
NX
z
x
zx x
xx
x
33
توزیع نرمال•
توزیعهای پیوسته
هفته سوم
222222
2
)()()()()(
2
1)(
,~2
21
xExExVar
dexdxxfxE
NX
x
x
x
34
توزیع نرمال•مثال–
توزیعهای پیوسته
هفته سوم
9772.0223
5056
3
5056
zpX
pxp
3413.0084134.015.0115.0
110220
2
1210
2
121210121210
1587.012
121010
FFXp
F
56)p( Calculate 9,50~ If xNX
)12p(10 and )01p( Calculate 4,12~ If xxNX
35
توزیع نرمال•مثال:اگر تقاضا برای محصولی دارای توزیع نرمال –
باشد، نقطه سفارش 9 و واریانس 25با میانگین % 5مجدد را به گونه ای بیابید که کمبود فقط در
مواقع رخ دهد.
واحد سفارش 30اگر به هنگام رسیدن تقاضا به –% مواقع کمبود داریم.5خرید صادر شود فقط در
توزیعهای پیوسته
هفته سوم
30935.2965.13
2595.0
3
25
05.03
251
05.0
00
0
0
xx
x
xxp
36
توزیع لوگنرمال•متغیر تصادفی لوگنرمال همواره مثبت می باشد –
و اغلب برای مدلسازی فرآیندهای تصادفی مالی به کار می رود.
توزیعهای پیوسته
onDistributi Normal has Xهفته سوم
then eY andon Distributi Lognormal has Y If
Note
)1(ee)(,e)(
0 , e2
1)(
X
22
2
)-(lnx
22
2
2
xVarxE
xxf
2,~ LognX
37
توزیع بتا•
توزیعهای پیوسته
هفته سوم
)1()()(,)(
1 0 , ),(
)1()(:onDistributiBETA
)(
)()()1(),( :FunctionBETA
2
11
0
11
xVarxE
XB
xxxf
dxxxB
38
توزیع ویبول•متغیرهای تصادفی وایبول اغلب در مدلسازی –
فرآیند فرسودگی اجزا در تحلیل قابلیت اطمینان استفاده می شوند.
توزیعهای پیوسته
هفته سوم
)11
()12
()(
)11
()(
0 , e)(
22
)(-1
xVar
xE
Xxxf
,~ WeibullX
39
توزیع تی استیودنت•
توزیعهای پیوسته
هفته سوم
nStudentTX ~
Where Z is a standard normal random variable, Y is a chi-square random variable with n
degrees of freedom, and Z and Y are independent. X has T-Student distribution
2)( , 0)(
n
nxVarxE
nY
ZX
xn
x
nn
nxf n
X ,)1()2/(
)2/)1(()( 2/)1(
2
40
توزیع فیشر•
توزیعهای پیوسته
هفته سوم
21,~ nnFX
where V and W are independent chi-square random variables with the corresponding degrees of
freedom n1,n2 X has F distribution with n1,n2 degrees of freedom.
xx
x
nn
nnxf
nnnn
nn
nn
X 0,]1[
][)2/()2/(
)2/)(()(
2/)(
1)2/(2/
21
21
21
2
1
1
1
2
1
)4()2)(4(
)2(2)(
)2(2
)(
2221
212
2
22
2
fornnnn
nnnXVar
fornn
nXE
2
1
/
/
nW
nVX
41
توزیع مثلثی•مقادیر موجود در X متغیر تصادفی توزیع مثلثی –
را اختیار می کند. احتمال در زیربازه S=[a,c]بازه [a,b ] به صورت خطی افزایش می یابد و در
به صورت خطی کاهش می یابد. [ b,c]زیربازه بنابراین تابع چگالی این متغیر دارای شکل
Tria(a,b,c)مثلثی می باشد. توزیع مثلثی با نماد نشان می دهند و تابع چگالی آن به صورت زیر
به دست می آید:
توزیعهای پیوسته
هفته سوم
axcx
cxbacbc
xc
bxaacab
ax
xf
, 0
))((
)(2
))((
)(2
18)(
3)(
222 bcacabcbaxVar
cbaxE
42
تعريف: يك فرآيند پواسون داراي ويژگي هاي زير است:–پيشامدها به صورت تصادفي در نقاط خاصي از زمان/مكان رخ مي »
دهند.احتمال اينكه دقيقا يك نتيجه از پيشامد مورد نظر در فاصله »
زماني/مكاني به طول به دست آيد برابر است كه در آن چنان است كه
)متوسط تعداد نتايج بدست آمده در واحد زمان ثابت است(احتمال اينكه پيشامد مورد نظر بيشتر از يك نتيجه در فاصله اي به »
)احتمال به دست طول داشته باشد برابر است. آوردن بيش از يك نتيجه در يك فاصله زماني كوچك قابل اغماض
است( و به ازاي هر مجموعه از nبه ازاي هر يك از اعداد صحيح مانند »
ji پيشامدي باشد كه دقيقا Ei اگر jn،... و j1،j2زيرفاصله هاي ناسازگار امين زيرفاصله قرار مي گيرند، آنگاه iعدد از پيشامد موردنظر در
Ei .تعداد نتايج حاصله در زمان معيني مستقل ها مستقل از يكديگرند(از تعداد نتايج حاصله در دوره زماني ناسازگار با دوره قبلي است(
فرآیند پوآسون
هفته سوم
t)( tOt )( tO
0)(
0
t
tOLim t
t)( tO
,...1,0 ;
!
nn
tensNstNp
nt
43
نکاتی در توزیع پواسون•
فرآیند پوآسون
هفته سوم
p
1-p
ورود دارای توزیع λ پواسون با نرخ
است
ورود به این صف دارای توزیع پواسون
است λp با نرخ
ورود به این صف دارای توزیع پواسون با نرخ
λ(1-p)است
44
نکاتی در توزیع پواسون•
فرآیند پوآسون
هفته سوم
ورود دارای
توزیع پواسون
استλp با نرخ
ورود دارای توزیع
پواسون با نرخ
λ(1-p)استت
ورود به این فرآیند دارای توزیع پواسون با نرخ
λاست
45
رابطه میان فرآیند پواسون و توزیع نمایی• t تا 0اگر تعداد پیروزی ها در فاصله زمانی –
دارای توزیع پواسون باشد، می توان نشان داد که زمان رسیدن به اولین پیروزی دارای توزیع
نمایی است.اثبات: –
فرآیند پوآسون
هفته سوم
)(~
)1()(1!0
)(1
) (1)(1)(
,...1,0 ; !
)()(
)(~
0
Expt
eet
tfete
ptTptTp
nn
tentNp
tPoissonX
tttt
nt
tصفر پیروزی در فاصله زمانی صفر تا
46
اینکه یک متغیر تصادفی دارای تعیینهرگاه •ناممکن یا معلوم خاصی است توزیع
استفاده توزیع تجربی باشد از غیرضروری می شود.
امکان در شبیه سازی توزیع معلوم امتیاز •تحلیل به منظور انجام اصالح پارامترها
است.حساسیت
توزیعهای تجربی
هفته سوم