Modelare si simulare Seminar 2

SEMINAR NR. 2
1. Variabile aleatorii. Notaii, definiii, concepte de baz
Variabila aleatoare X este o funcie fix i determinist care aloc (repartizeaz, distribuie) un
numr real X(

) fiecrei realizri

din spaiul de eantionare S al unui experiment aleatoriu, E.

Spaiul de eantionare ale varialiei aleatoare X se noteaz cu
X
S
.
1.1 Funcia de distribuie
Funcia de distribuie
( )
X
F x
a variabilei aleatoare X este probabilitatea apariiei evenimentului {
X x }:
( ) [{ }]
X
F x P X x
pentru
x < < (2.1)
Proprietile funciei de distribuie (rezultate din axiomele probabilitilor) sunt:
i)
0 ( ) 1
X
F x
ii)
lim ( ) 1
X
x
F x

iii)
lim ( ) 0
X
x
F x

iv)
( ) ( ),
X X
F a F b a b < <
(monoton cresctoare)
v).
0
0
( ) lim ( ) ( )
not
X X X
h
h
F b F b h F b
+

>
+
(continuitate la dreapta)
vi)
[ ] ( ) ( )
X X
P a X b F b F a <
vii) [ ] ( ) ( )
X X
P X b F b F b

,
[ ] P X b
=0 dac X este continu n b;
viii) [ ] ( ) ( )
X X
P a X b F b F a

ix) [ ] ( ) ( )
X X
P a X b F b F a

< <
O variabil aleatoare X este variabil aleatoare continu dac funcia sa de distribuie
( )
X
F x
este
continu peste tot i dac poate fi scris ca o integral dintr-o funcie pozitiv ( ) f x
:
( ) ( )
x
X
F x f t dt

(2.2)
O variabil aleatoare X este o variabil aleatoare discret dac funcia sa de distribuie
( )
X
F x

este sub form de scar, continu la dreapta, avnd o mulime msurabil (finit sau infinit) de
puncte de salt
0 1 2
, , ,.... x x x
aceste puncte reprezentnd spaiul de eantionare
X
S
.
Funcia de distribuie a unei variabile aleatoare discrete se poate exprima ca o sum ponderat de
funcii treapt unitate.
1
Modelare si simulare Seminar 2
( ) ( ) ( )
X X k k
k
F x p x u x x

(2.3)
unde:
( ) [ ]
X k k
p x P X x
este probabilitatea elementar de apariie a evenimentului {
k
X x
}.
O variabil aleatoare X este variabil aleatoare mixt dac funcia sa de distribuie
( )
X
F x
are, pe
lng o mulime de salturi n punctele
0 1 2
, , ,.... x x x
, cel puin un interval pe care evolueaz continuu.
Astfel de variabile aleatorii se pot genera n cadrul unor experimente secveniale dependente, n 2
trepte: o ncercare Bernoulli este urmat de generarea variabileilor aleatorii conform distribuiei
ales n sub-xperimentul precedent.
1.2 Funcia densitate de probabilitate
Funcia de densitate de probabilitate
( )
X
f x
a variabilei aleatoare X, dac exist, este derivata
funciei
( )
X
F x
:
( )
( )
X
X
dF x
f x
dx
(2.4)

Funcia
( )
X
f x
reprezint o densitate de proabbilitate ntruct probabilitatea ca variabila aleatoare
X sa apar n vecintatea
( , ) x x dx +
a unui punct x, este dat de relaia:
[ ] ( )
X
p x X x dx f x dx + (2.5)
(vezi figura 2.1):
Fig. 2.1 Specificarea probabilitatii unui interval infinitezimal prin intermediul functiei
densitate de probabilitate
n cazul variabilei aleatoare discrete, cu funcii de distribuii discontinue n punctele
0 1 2
, , ,.... x x x
,
funcia de densitate de probabilitate va conine funcii delta corespunztoare punctelor de
x
( )
X
f x


2
Modelare si simulare Seminar 2
discontinuitate:
( ) ( ) ( )
X X k k
k
f x p x x x

, unde:
( ) [ ]
X k k
p x P X x
. Funcia de distribuie
corespunztoare are expresia:
( ) ( ) ( ) ( ) ( ) ( )
x t
X X X k k X k k
k k
F x f t dt p x x x dt p x u x x




(2.6)
Pentru variabile aleatoare mixte, funcia densitate de probabilitate va conine att funcii delta, ct i
funcii continue corespunztoare.
Principalele proprieti ale funciei densitate de probabilitate sunt:
i)
( ) 0
X
f x
ii)
[ ] ( )
b
X
a
P a X b f x dx

iii)
( ) ( )
x
x X
F x f t dt

iv)
( ) 1
X
f x dx

(condiia de normare)
Aplicaia 1
Timpul de transmisie X al unui mesaj ntr-un sistem de comutaie urmeaz o lege de probabilitate
exponenial de parametru , de forma:
[ ] , 0
x
P X x e x

> >

S se determine:
i) funcia de distribuie i funcia de densitate de probabilitate
ii)
[ 2 ], P T X T <
unde
1
T

.
Rezolvare :
i)
( ) [ ] 1 [ ]
X
F x P X x P X x >
, deci:
0, 0
( )
1 , 0
X
x
pentru x
F x
e pentru x

<

'

( )
X
F x
fiind o funcie continu

0, . 0
( )
( )
, . 0
X
X
x
pt x
dF x
f x
dx e pt x

<

'

ii) Rezolvarea prin mai multe abordri:

M1.
1 2
1 2
[ 2 ] [ ] [2 ] 0, 233 P T X T P T X P T X e e e e


< < <


M2.
2 1 1 2
[ 2 ] (2 ) ( ) 1 1 0, 233
X X
P T X T F T F T e e e e

< +
M3.
2
2 1 2
[ 2 ] ( ) 0, 233
T
x T
X T
T
P T X T f x dx e e e

<

3
Modelare si simulare Seminar 2
Aplicaia 2
Timpul de ateptare W al unui client ntr-un sistem este zero dac gsete sistemul liber i distribuit
exponenial dac gsete sistemul ocupat. Probabilitile de a gsi sistemul liber sau ocupat sunt
p

i respectiv
1 p
. Gsii:
i) Funcia de distribuie a variabilei aleatoare W
ii) Funcia densitate de probabilitate
Rezolvare:
( ) [ ] [ | _ ] [ | _ _ ] (1 )
W
F x P W x P W x sistemul liber p P W x sistemul este ocupat p +
(s-a
utilizat teorema probabilitii totale)
Deoarece :
0, _ 0 ( _ _ _ _ _ _ )
[ | _ _ ]
1, _ 0 ( 0 )
pentru x nu poate exista timp de asteptare negativ
P W x sistemul e liber
pentru x W x
<

'

i:
[ | _ _ ] 1
x
P W x sistemul e ocupat e

rezult:
0, _ 0
( )
(1 )(1 ), _ 0
W
x
pentru x
F x
p p e pentru x

<

'
+

Funcia de distribuie condiionat de un eveniment A, a variabilei aleatoare X este:
( )
[{ }& ]
, _ [ ] 0
[ ]
X
P X x A
F x A daca P A
P A

>
(2.7)
Funcia de densitate de probabilitate condiionat de un eveniment A, a variabilei aleatoare X
este (dac derivatele exist !) :
( )
( )
X
X
dF x A
f x A
dx

(2.8)
Aplicaia 3
Timpul de servire X, al unui client urmeaz o funcie de distribuie continu
( )
X
F x
. Determinai
funcia de distribuie condiionat i funcia de densitate de probabilitate condiionat relativ la
evenimentul A {clientul este nc n servire la momentul t}. Particularizai n cazul unei distribuii
exponeniale a lui X.
4
Modelare si simulare Seminar 2
Rezolvare:
Evenimentul A={clientul este nc n servire la momentul t} =
{ } X t >
. n consecin avem:
( )
0, _
[{ }&{ }]
[ | ] [ ]
, _ [{ }]
1 [ ]
X
pentru x t
P X x X t
F x A P X x X t P t X x
pentru x t P X t
P X t
<
>
> <
'
>

( )
0
X
F x A
pentru
x t <
deoarece clientul nu mai poate fi n servire la momentul t dac pn la
momentul x s-a ncheiat servirea lui. nlocuind probabilitatile cu expresii ce conin funcia de
distribuie, obinem:
( )
0, _
( ) ( )
, _
1 ( )
X X X
X
pentru x t
F x A F x F t
pentru x t
F t
<

'

( )
( )
0, _
( )
, _
1 ( )
X
X X
X
pentru x t
dF x A
f x A f x
pentru x t
dx
F t
<

'

Aplicaia 4
S se demonstreze c pentru
n
suficient de mare i pentru
p
suficient de mic, distribuia Poisson
aproximeaz distribuia binomial.
Rezolvare
Notnd
n p
(media numrului de succese). Probabilitile generate de distribuia binominl au
expresia:
(1 ) , 1, 2,....., ;
k n k k
k n
n n
p p p k n C
k k

_ _


, ,
, cu
!
!( )!
k
n
n
C
k n k

Relaia de recuren care leag aceste probabiliti este:

1 1
1
(1 )
(1 )
1
....
( 1) (1 )
(1 )
k n k
k
k n k k
n
k
p p
k p
n
n p
k
p p
n
k

+
+
_

+
,

_
+

,
Cnd
n
:
5
Modelare si simulare Seminar 2
1
1
k
k
n
p
p k
+

, deci
1 1
, 0,1, 2......
1
k k k
p p p k
k
+ +

+

Pentru a putea folosi aceasta relaie de recuren trebuie s determinm una din probabilitile
k
p .
n cazul de fa: (1 ) (1 )
n n
o
n
p p e
n

Cu ajutorul relaiei de recuren obinem:

1
1
p e

,
2
2
2!
p e

,..,
!
k
k
p e
k

ceea ce corespunde unei distribuii Poisson.
Interpretare: O secven de n ncercri Bernoulli se poate desfura n spaiu sau timp. n ultimul
caz ea poate fi reprezentat conform figurii de mai jos:
* * * * ... * * *
Fig.2.2 desfurarea n timp a unei secvene de n ncercri Bernoulli
unde:
[0,T] este intervalul n care au loc cele n ncercri (durata dintre dou ncercri succesive se
presupune constant)
* este un simbol ce marcheaz apariia succesului ncercrii
Distribuia binomial ce descrie acest experiment ofer media numrului de succese
n p
n
intervaul T. n acest caz, raportul
n p
T

poate fi interpretat ca o rat medie de apariie (sosire) a

proceselor:
n p
T T

Variabila aleatoare, N, ce reprezint numrul de succese obinute n n ncercri Bernoulli

desfurate n intervalul [0,T] urmeaz o distribuie binomial de parametrii n i p. Atunci cnd
n
i
0 p
, N devine o variabil aleatoare Poisson de parametru
T

.
Aplicaia 5
Fie X numrul de surse active dintr-un numr de N surse independente ce genereaz blocuri
informaionale. Sistemul de transmisii accept maximum M transferuri simultane de blocuri
informaionale pe unitatea de timp. Dac limita e depit, un numr Y X M de blocuri
informaionale (alese aleatoriu) sunt eliminate. S se determine modelul probabilistic ce descrie
variabila aleatoare Y.
Rezolvare:
{0,1, 2,....., }
y
S N M
6
t
0
T
T/n
Modelare si simulare Seminar 2
0
[ 0] [{ 0} { 1},..... { }]
[ ] [ ] , 0
M
j
j
M k
P Y P X sau X sau X M p
P Y k P X M k p k N M

+

'

+ <

unde:
[ ] ... (1 )
j N j
j
N
p p X j p p
j

_


,
2. Distribuiile uzuale de variabile aleatorii
2. 1 Distribuia Bernoulli
Se presupune c: variabila aleatoare X este funcie indicator (
A
I
) pentru un eveniment A:
1_ _ _ _
0 _ _ _
daca evenimentul A apare
X
in caz contrar

'

Parametrii: p - probabilitatea de apariie a evenimentului A, (

0 1 p
);
Probabiliti elementare:
1
[ 1] ; p P X p

0
[ 0] 1 ; p p X p
Media:
[ ] E X p
;
Variana:
[ ] (1 ) VAR X p p
.
Aplicaie: modelarea mecanismului fundamental de generare a aleatorului.
2.2 Distribuia binomial
Se presupune c variabila aleatoare X reprezint numrul succeselor unui eveniment nregistrate n
n subexperimente (repetri) independente (este o sum de n variabile aleatorii independente, identic
distribuite dup legea Bernoulli). Probabilitatea succesului n cadrul unei repetri este p:
Spaiile realizrilor:
{0,1, 2,.... }
X
S n
Parametrii: n (n > 0), p (
0 1 p
).
Probabiliti elementare:
( ) [ ] (1 ) , 0,
k n k
X
n
p k P X k p p k n
k

_


,
;
!
!( )!
k
n
n
n
C
k k n k
_

,
(combinri de n luate cte k)
Media :
[ ] X X n p
;
Variana:
[ ] (1 ) VAR X n p p
.
Obs O variabil aleatoare binomial de parametrii 1 i p reprezint o variabil Bernoulli.
Variabilele aleatoare de tip Bernoulli i binomial au numeroase aplicaii practice. n particular, pot
modela att surse de voce ct i surse de date. Asfel de surse alternez ntre dou stri: activ, on
i pasiv, off. Pe durata strii active sursa transmite la o rat egal cu cea a echipamentului
propriu (de expl. un modem). Dac p reprezint proporia de timp in care sursa e activ i dac
considerm superpoziia a n surse independente i identic distribuite atunci distribuia binomial ne
d probabilitatea numrului de surse simultan active.
Aplicaii: numrul de bii eronai ntr-un bloc de n bii transmii printr-un canal fr zgomot,
numrul de surse active dintr-un numr de n surse n servire, etc.
7
Modelare si simulare Seminar 2
2.3 Distribuia geometric
Versiunea I :
Variabila aleatoare X reprezint numrul eecurilor unui eveniment nregistrat pe parcursul unei
secvene de subexperimente independente, tip Bernoulli, pn la apariia primului succes.
Probabilitatea succesului n cazul unei repetri este p.
Spaiul realizrilor:
{0,1, 2,....}
X
S
;
Parametrii: p (
0 1 p
);
Probabiliti elementare: ( ) [ ] (1 ) , 0,1, 2,
k
X
p k P X k p p k K ;
Media :
1
[ ]
p
E X
p

;
Variana:
2
1
[ ]
p
VAR X
p

.
Versiunea II:
Se presupune ca variabila aleatoare
' X
este numrul de repetri pn ce apare primul succes ntr-o
secven de subexperimente independente tip Bernoulli.
Spaiul realizrilor:
'
{1, 2,....}
X
S
;
Probabiliti elementare:
1
'
( ) (1 ) , 1, 2,....
k
X
p k p p k

;
Media :
2
1
[ '] E X
p

;
Variana:
2
1
[ ']
p
VAR X
p

;
Observaii:
' 1 X X +
Este singura variabil aleatoare discret ce deine proprietatea de lips de memorie.
Aplicaii: numrul de apeluri repetate pn la ocuparea unei surse; numrul de retransmisii ntr-un
canal cu zgomot pn la prima recepionare corect ; etc.
2.4 Distribuia Poisson
Se presupune c :
i) Variabila aleatoare X este numrul de apariii ale unei anumite realizri pe parcursul unui interval
de timp T ;
ii) Momentele apariiilor sunt distincte ;
iii) Oricare interval finit conine un numr finit de apariii;
iv) Oricare interval infinit conine un numr infinit de apariii;
v) Evenimentele nu apar la momente predeterminate ;
vi) Numrul apariiilor dintr-un interval este independent de numrul apariiilor dintr-un alt interval
disjunct.
Spaiile realizrilor:
{0,1, 2,....}
X
S
;
Parametrii: 0 > (numrul mediu de evenimente ce apar n intervalul dat) ;
8
Modelare si simulare Seminar 2
Probabiliti elementare: ( )
!
k
X
p k e
k

;
Media :
[ ] E X
;
0 0 0 0
0
[ ] ( ) [ ]
! ( 1)!
!
k k
X
k k k k
j
j
E X kp k kP X k e k e
k k
e e e
j

Variana:
[ ] VAR X
;
2 2 2
0 0 0
2
0 0 0
2 2 2 2
[ ] ( )
! ( 1)!
( 1)
! ! !
[ ] [ ] ( [ ])
k k
X
k k k
j j j
j j j
E X k p k e k e k
k k
e j e j e
j j j
VAR X E X E X

+ + +
+


Observaii:
- aproximeaz distribuia binomial pentru p mic i n mare, astfel:
constant p n

reprezint parametrul distribuiei Poisson.
- timpii ntre dou apariii succesive sunt variabile aleatorii independente, identic distribuite dup o
lege exponenial de parametru:
T

.
Variabilele aleatoare de tip Poisson aproximeaz cu acuratee numrul de apeluri ce sosesc ntr-o
central telefonic sau la un Internet service provider ntr+un interval de timp foarte scurt: cteva
secunde pn la un minut. n acest caz numrul n al clienilor (apeluri sau pachetelor) este mare. n
schimb, probabilitatea p ca un client s fac un apel n acest interval de timp mic este mic.
Deasemenea, apelurile sunt independente. Toate acestea justific utilizarea modelelor bazate pe
variabilele poisson n proiectarea i dimensionarea sistemelor i reelelor de telecomunicaii.
Aplicaii: - numrul mesajelor sosite ntr-un sistem de comunicaii, numrul cererilor de conexiuni
ntr-o reea de comunicaie, numrul defectelor dintr-un dispozitiv electronic, etc.
2.5 Distribuia uniform discret
Se presupune c variabila aleatoare X ia valori ntr-un interval finit {1,2,....n} de numere naturale.
Toate valorile sunt echiprobabile.
Spaiul realizrilor:
{0,1, 2,.... }
X
S n
;
Parametrii: n;
Probabiliti elementare:
1
( ) [ ] , 1, 2,.....
X
p k P X k k n
n
;
Media :
1
[ ]
2
n
E X
+
;
Variana:
2
1
[ ]
12
n
VAR X

;
Aplicaii: Evaluarea raportului semnal-zgomot introdus de procesul de cuantizare.
9
Modelare si simulare Seminar 2
2.6 Distribuia uniform continu
Se presupune c variabila aleatoare X ia valori reale n intervalul [a,b]. Probabilitatea ca variabila
aleatoare s ia o valoare ntr-un subinterval este proporional cu lungimea intervalului.
Spaiul realizrilor:
[ , ]
X
S a b
;
Parametrii:
a si b
cu ( a b < ) ;
Funcia de distribuie:
0,
( ) ,
1,
X
pentru x a
x a
F x pentru a x b
b a
pentru x b
<

'

>

Funcia densitatea de probabilitate:

1
,
( )
, _
X
a x b
f x
b a
o in rest

'

Media : [ ]
2
a b
E X
+
;
Variaia:
2
( )
[ ]
12
b a
VAR X

;
Aplicaii: Valori distribuite uniform n [0,1] sunt utilizate pentru a genera numere ce corespund
altor distribuii.
2.7 Distribuia exponenial
Nu se fac presupuneri
Spaiul realizrilor:
[0, )
;
Parametrii: 0 > ;
Funcia densitate de probabilitate: ( )
x
X
f x e

;
Funcia de distribuie: ( ) 1
x
X
F x e

Media :
1
[ ] E X

;
0
0 0 0
1
[ ] ( )
x x x
X
E X xf x dx x e dx xe e dx

+

Variana:
2
1
[ ] VAR X

;
2 2 2 2
0 2
0 0 0
2 2
2 2
[ ] ( ) 2 [ ]
[ ] [ ] ( [ ])
x x x
X
E X x f x dx x e dx x e xe dx E X
VAR X E X E X

+


Observaii:
reprezint forma limit a distribuiei geometrice;
este unica distribuie continu ce deine proprietatea de lips memorie:
( ) ( ) P X x t X t P X x > + > >
Demonstraie:
10
Modelare si simulare Seminar 2
( )
( & ) ( )
( )
( ) ( )
( )
x t
x
t
P X x t X t P X x t
P X x t X t
P X t P X t
e
e P X x
e

> + > > +

> + >
> >
>
Aplicaii: o important aplicaie o reprezint modelarea timpului ntre dou apariii succesive de
evenimente (cereri de serviciu) n sistemele de comunicaii. Acest timp nu depinde de intervalul de
timp scurs de la apariia ultimului apel. Aceast proprietate de a fi fr memorie se reflect asupra
variabilei aleatoare ce modelez aceste intervale ntre dou apeluri succesive.
2.8 Distribuia Gamma
Nu se fac presupuneri
Spaiul realizrilor:
(0, )
;
Parametrii:
0 0 > >
;
Densitatea de probabilitate:
1
( )
( )
( )
x
X
x e
f x

unde:
1
0
( )
y
y e dy

cu proprietile i)
1
2

_


,
ii) ( ) 1 ( ) +
iii)
( ) ( 1)!
, pt. N
Media : [ ] E X

;
Variana:
2
[ ] VAR X

;
Aplicaii: Distribuia gamma, prin intermediul parametrilor

i poate genera o varietate de

curbe prin care se pot modela diverse experimente.
O serie de distribuii sunt cazuri particulare ale distribuiei gama.
Astfel:
- pentru 1 se obtine distribuia exponenial;
- pentru 1/ 2 si / 2 k cu k N

se obine distribuia
2
;
- pentru
m
, m N se obine distribuia m- Erlang.
2.9 Distribuia m -ERLANG
Spaiul realizrilor:
(0, )
X
S
;
Parametrii:
*
m i 0 > ;
Funcia densitatede probabilitate:
1
( )
( )
( 1)!
x m
X
e x
f x
m

;
Funcia de distribuie:
1
0
( )
( ) 1
!
k m
x
X
k
x
F x e
k

;
Media : [ ]
m
E X

;
Variana:
2
[ ]
m
VAR X

;
11
Modelare si simulare Seminar 2
Aplicaii: O variabil aleatoare m-ERLANG se obine adunnd m variabile aleatorii exponeniale
independente, identic distribuite, de parametru . De aceea, ea este un model general a timpilor
de ateptare n sistemele cu ateptare, a timpilor de via n studiile de fiabilitate, etc.
Teme
1) Fie X i Y dou variabile aleatoare discrete independente. Se definete variabila aleatoare Z
conform relaiei: Z aX bY + cu
, 0 a b
.
(a) Determinai media i variana variabilei aleatoare Z.
(b) Calculaia media
[ ] E Z
i probabilitatea [ ]
0 P Z
presupunnd c cele dou variabile
aleatoare respect legile:
(3.0) X Poisson :
,
(1.75) Y Poisson :
i 10 a b .
(c) Calculaia media
[ ] E Z
i probabilitatea [ ]
0 P Z
presupunnd c cele dou variabile
aleatoare respect legile:
(3.0) X Poisson :
,
(1.75) Y Poisson :
i 100 a b .
2) Fie X i Y dou variabile aleatoare discrete astfel nct
min( , ) Y X n
, unde n este o
constant dat. Se definete variabila aleatoare Z aX bY + cu
, 0 a b
.
(a) Determinai media variabilei aleatoare Z.
(b) Calculaia media
[ ] E Z
i probabilitatea [ ]
0 P Z
presupunnd c
(3.0) X Poisson :
,
10 a b i 2 n .
3) Fie X o variabila aleatoare ce respect o lege de tip exponenial
( ) X Exp :
i s
presupunem c [ ]
10 0,8 P X
(a) Determinai parametrul
(b) Determinai media
[ ] E X
(c) Determinai t astfel nct [ ]
1/ 2 P X t
(d) Determinai coeficientul de varian
[ ] C X
4) Cererile de servire sosesc la un server potrivit unui process Poisson. Pentru a preveni
blocarea serverului n cazul unui numr prea mare de cereri este implementat o shem de
control potrivit creia, dup acceptarea unei cereri, serverul refuz noile cereri ce vin ntr-un
interval de timp de lungime T. Se presupune c cererile refuzate pe durata intervalului T nu
sunt renoite.
a) Cte cereri sunt acceptate n unitatea de timp, n medie?
b) Determinai rata cererilor acceptate n cazurile extreme: T foarte mare, respectiv foarte
mic.
5) Un sistem este pus n funcinune la momentul 0 t . Timpul su de defectare este modelat
de o variabil aleatoare X, avnd funcia de repartiie
( )
X
F x
i densitatea de probabilitate
( )
X
f x
. Fie
( ) t dt
probabilitatea ca sistemul s se defecteze n intervalul
( , ) t t dt +
stiut fiind
c el nu s+a defectat pn la momentul t.
a) Determinai
( )
X
f x
dac se cunoate c
( ) t kt
.
b) Dac X este uniform distribuit n intervalul (0, T) determinai
( ) t
n acest interval.
12