Modelarea si evaluarea performantelor

in sistemele
sistemele de calcul
Curs, anul I Master Calculatoare
Prof.dr.ing. Mihai Mocanu
E-mail: mocanu@software.ucv.ro
Ore curs: Joi 16:00-18:00
Ore consultatie: Joi 12:00-14:00
Pagina curs: http://software.ucv.ro/~mocanu_mihai/

(pe intrarea corespunztoare cursului, introducei user/pasw)

Obiective
nelegerea principiilor teoretice de baz ale evalurii
performanelor sistemelor de calcul
Introducerea tehnicilor analitice de modelare i analiza
performanelor pentru sisteme discrete complexe
Studiul modelelor si incadrarea lor in clase de modele
Identificarea posibilitilor i limitrilor modelelor
matematice, extinderea lor prin simulare
Utilizarea unor pachete i biblioteci de programe
specializate pentru modelare i simulare
Dezvoltarea competentelor practice pentru construirea
unor modele analitice specifice unui sistem
Dezvoltarea abilitilor practice de concepere si utilizare
a instrumentelor de simulare

Referine bibliografice
Banks J., Carson J.S., Nelson A., Nicol D., Discrete-Event
System Simulation, 3rd Ed., Prentice-Hall, 2000
Cassandras C.G., Discrete Event Systems: Modeling and
Performance Analysis, Irwin & Aksen, Boston, 1993
Lazowska E.D., Zahorjan J., Scott-Graham G., Sevcik K.
C.: Quantitative System Performance - Computer System
Analysis Using Queueing Network Models, 1984
Sadiku M., Ilyas M.: Simulation of Local Area Networks,
CRC Press, 1995
Mocanu M., Principii, concepte i instrumente de
modelare i simulare in studiul sistemelor dinamice
discrete, Ed. Sitech, 2004

Structura cursului (1)

Sisteme discrete (SED, SDED)
n

Tipuri de modele

Fundamente matematice ale modelarii

n
n

Elemente de probabiliti
Statistic matematic

Modelarea analitic a sistemelor discrete

n
n
n

Categorii de modele i nivele de studiu

Modele algebrice i logice
Modele dinamice i temporale: : reele Petri, reele Petri
temporizate

Modelarea operaional a sistemelor discrete

n
n
n

Lanuri i procese Markov i semi-Markov generalizate

Formalismul GSMP ca baz a modelelor de simulare
Sisteme cu cozi de ateptare i reele de cozi

Structura cursului (2)

Modele de performan
n
n
n
n

Date i ncrcri (Workloads)

Benchmark-uri (metrici i procese)
Proiectarea experimentelor de simulare
Analiza cozilor

Reprezentri vizuale de date

n

Tipuri de grafuri

Modele de simulare pentru SED

n
n
n

Construcia i verificarea modelului de simulare

Execuia secveniala i analiza simulrilor (ieirilor)
Validarea simulrilor. Estimatori i inferena statistica

Limbaje i medii de simulare

n
n

Limbaje de simulare
Construcia unui simulator. Biblioteci de componente

Structura cursului (3)

Aplicaii ale modelarii i simulrii pentru:
n
n
n

Sisteme cu cozi de ateptare i reele de cozi

Sisteme de calcul i reele de calculatoare
Sisteme i reele de comunicaii

Accelerarea execuiei simulrilor

n
n

Simularea paralel si distribuit

Analiza perturbaiilor

Baza teoretic de studiu:

Modelele pentru SED

Sisteme cu evenimente discrete
Exemple:
liniile de fabricaie/de asamblare
reelele de calculatoare i de comunicaii
sistemele de dirijare a traficului aerian
procesele de business (supermarket) etc.

Locul SED n clasificarea sistemelor

SISTEME

STATICE

DINAMICE

VARIANTE IN
TIMP

INVARIANTE
IN TIMP
LINIARE

NELINIARE

CU STARI
DISCRETE

CU STARI
CONTINUE

CONDUSE DE
TIMP

CONDUSE DE
EVENIMENTE

DETERMINISTE

STOCHASTICE

Sisteme dinamice cu evenimente discrete

Elemente distinctive ale SED

Sisteme artificiale - create de noile tehnologii
Sisteme dinamice - prin natura evoluiei interne
Starea lor se schimba la momente discrete de
timp i nu continuu ca n cazul sistemelor fizice
Evoluia n timp - depinde de interaciunea
complexa a momentelor de apariie a diferitelor
tipuri de evenimente
Nu pot fi descrise prin ecuaii difereniale, cu
derivate pariale sau cu diferene finite

Definiii
SED sunt sisteme dinamice al cror spaiu de
stri este discret i ale cror traiectorii de stare
sunt constante pe poriuni
Momentele de timp la care tranziiile survin, ca i
tranziiile n sine sunt n general impredictibile
Tranziiile de stare se numesc evenimente
Acestea dirijeaz mecanismul tranziiilor de stare
SED se deosebesc profund de sistemele cu
eantionare, obinute prin discretizarea timpului

SDED - proprieti
discrete - privind timpul de referina i spaiul
strilor
natura lor discontinu nu mpiedica analiza prin

aproximare continua (ex. prin modele de difuzie)

asincrone - raportate la evenimente, nu la timp
nedeterministe - generative i capabile de alegeri
interne
dei perturbri neplanificate, defectri i cderi
sunt inerente, modelarea determinista este
posibila (prin algebra min-max sau reelele Petri)

SDED proprieti (cont.)

gradul de complexitate i dimensiunile lor sunt mari:
numrul de stri ale unui SDED explodeaz
combinatorial
enumerarea strilor duce la sarcini computaionale
inadecvate

sunt modulare - compuse din componente cvasiindependente

pot fi aplicate metode de decompoziie i agregare

pot fi echipate cu mijloace de control i comunicare

Metodologii de studiu:

Modelarea analitica
Simularea

DE CE recurgem la modele?
Este necesar ca orice experiment s
aib o baz
Studiul sistemului real prezint avantajul
exactitii obiectului de studiu
n

dar uneori realitatea nu este construit

(absena sistemului real)
alteori realitatea nu este disponibil
(lipsa accesului la sistemul real)

Studiul modelelor
De obicei uor, rapid, ieftin, sigur fa de
studiul sistemului real
Permite ncercarea unor idei i ipoteze
Simpla construcie a unui model este instructiv
indiferent de utilizarea sa
Validitatea unui model are in vedere:
n
n

similaritatea cu sistemul real

nivelul de detaliu

Numai ea poate garanta concluzii corecte prin

studiul modelului in locul sistemului real

Definiii: modelare i model

Un proces de modelare este o etapa preliminara
necesara in studiul oricrui sistem, pentru:
n
n

calcul analitic
simulare

Un model:
n
n

este o reprezentare abstracta a unui sistem

nu doar o reprezentare a unui sistem - ci i o
simplificare a sa
totui suficient de detaliata, ca sa permit, prin
studiul sau, concluzii valide asupra sistemului

Modelarea in studiul sistemelor

Tipuri de modele
Modele fizice (iconice)
n
n
n

Planuri, scheme, schie necesare in multe domenii

De tip manechin (phantom) in medicina
De tip virtual reality sau augmented reality in
domenii de nalta tehnologie (simulatoare de zbor)

Modele matematice (logice)

n
n
n

Aproximeaz modul de operare al unui sistem

Deseori reprezentate printr-un software adecvat
Execuia programului permite ncercri, obinerea de
rezultate, studiul comportamentului modelului

Modelarea predictiv
Este o modelare in absenta realitii
Exemple:
a) Construcia unei caroserii care trebuie sa
satisfac anumite criterii de greutate,
rezistenta, geometrice, tehnologice

b) Studiul performantei unui algoritm in ipoteza

implementrii pe o arhitectura inc inexistenta

(dar posibila)

c) Experimentarea unor medicamente ce trebuie

sa aib unele proprieti speciale

Modelarea restrictiv
Este modelarea in condiiile restriciilor
de acces la un sistem real existent
Exemple:

a)

Nu putem opri o reea de calculatoare ce monitorizeaz

o centrala nucleara in scopul efecturii de experimente

b)

Nu putem opri procese de fabricaie ritmice pentru a

experimenta noi metode de management

c)

Nu putem perturba circulaia pe o artera aglomerata

pentru a decide in ce msura, de exemplu, schimbarea
unor reguli de trafic (viteza, prioritatea) este benefica

Studiul modelelor logice

Daca un sistem este destul de simplu, i modelul este
simplu, pot fi aplicate metode matematice tradiionale
Permit obinerea de rezultate exacte:
n
n
n

Aparatul matematic integro-diferenial

Teoria ateptrii (cozi i reele de cozi)
Programare liniara

Sistemele complexe pot fi uneori reprezentate de

modele analitice simple, valide
Presupunerile simplificatoare pstreaz validitatea?
Cel mai adesea, un sistem complex necesit un model
complex, metodele analitice nu se aplic ce facem?
n

Simularea pe calculator
In sens larg, se refera la metode de studiu ce pp.
n
n

evaluare numerica a unor modele de sistem

utilizarea unui model software pentru a mima operaii/
caracteristici sistem, in timp

Poate fi validata de studiul modelelor simple,

pentru care este disponibila i o soluie analitica
Potenial ridicat in studiul modelelor complexe
Simularea este foarte utila in studiul unor sisteme
complexe, unde nu se ntrevede soluia analitica
Fundamente teoretice ale modelelor de simulare:
n
n

automatele de stare (stohastice)

procesele semi-Markov generalizate (GSMP)

Acurateea simulrilor
Prin simulare nu se obin rspunsuri exacte, doar
aproximaii, estimri; totui:
n

n
n

Aceasta nu este o problema specifica, ci una generala

pentru multe alte metode de studiu
Erorile pot fi limitate, prin verificare si validare (V&V)
Verificarea si validarea sunt compuse din proceduri
integrate in dezvoltarea modelului (de simulare)

Ceea ce trebuie evitat este obinerea ieirilor

aleatoare (RIRO) din simulri stochastice, prin:
n

Proiectarea i analiza statistic a experimentelor de

simulare
Controlul zgomotului, replicabilitii, eantionrii
secveniale, tehnicilor de reducere a variantei

Verificarea i validarea simulrilor

Verificarea simulrii consta in principal in compararea
modelului conceptual cu codul programat
Metode de verificare a unei simulri:
n

Compararea modelului implementat cu alte modele, att la nivel

de structura interna cat si de intrare/ ieire
Testarea la nivel de sistem, subsistem sau componente pentru
ndeplinirea cerinelor sau specificaiilor documentate

Validarea unei simulri consta in analiza corespondentei

intre model si sistemul real
Metode de validare a unei simulri:
n

Examinarea atenta a ieirilor modelului in condiiile variabilitii

cat mai mari a intrrilor, si compararea cu datele de observaie
Execuia repetata a modelului programat

Diversitatea metodelor de simulare

Cel mai adesea, simularea are loc pentru starea
stabila, dupa eliminarea regimurilor tranzitorii
Metode statice vs. dinamice
n

Ce rol joaca timpul in model?

Metode continue vs. discrete

n

starea se poate schimba continuu, sau tranziiile de

stare apar doar la momente discrete in timp?

Metode deterministe vs. stochastice

n

este evoluia sistemului sigura sau exista elemente

de incertitudine?

Majoritatea modelelor operaionale sunt:

dinamice, discrete i stochastice

Fundamente matematice ale modelarii.

Elemente de probabiliti i statistic
matematic

Probabiliti

Definiii nonformale i exemple

Def: Spaiu de eantionare (eng. sample space) , notat
S: o mulime in care fiecare element reprezint
rezultatele unui experiment
Exemple:
n
n

S = {Ban, Marca} in aruncarea unei monede

S = {1, 2, , 6} in aruncarea unui zar

Def.: Eveniment: un subset al spaiului S

Exemple:
n

Obinerea unei valori dintr-o submulime a spaiului S

({Ban}, {1,2,3}) in cadrul unei aruncri

Relaii n mulimea evenimentelor

Implicaia evenimentelor: evenimentul A implica
evenimentul B (notam A B sau A B) daca atunci
cnd se produce A se produce in mod necesar i B
Reuniunea evenimentelor A, B (notata A B): este
evenimentul care se produce atunci cnd se produce cel
puin unul dintre evenimentele A, B
Intersecia evenimentelor A, B (notata A B): este
evenimentul care se produce doar atunci cnd se produc
ambele evenimente A, B
Evenimente incompatibile: evenimentele care nu se
pot produce simultan
Evenimente contrare: producerea unuia nseamn
nerealizarea celorlalte

Evenimente elementare
Def.: Evenimentul elementar este un element din mulimea S
Evenimentele elementare se mai definesc ca rezultate cu
valori booleene ale unor probe (experimente)
Un experiment poate aduce:
n
n

fie realizarea unui anumit eveniment

fie nerealizarea sa

Exist 2 evenimente speciale n mulimea de evenimente

asociate unui experiment :
evenimentul sigur S = A
evenimentul imposibil = A
n

Evenimentele A i B sunt mutual exclusive daca A B =

Distribuia de probabilitate
Def.: Distribuia de probabilitate Pr{} este o funcie
definit pe evenimentele din S cu valori in R
Proprieti:
1.

Pr{A} 0 pentru orice eveniment A

2.

Pr{S} = 1

3.

If A B = then Pr{AB} = Pr{A} + Pr{B}

else Pr{AB} = Pr{A} + Pr{B} Pr{A B}

Exemplul 1
Aruncarea a doua monede:
n

Spaiu de eantionare: S = {BB, BM, MB, MM}

(mulime a valorilor elementare)

Oricare eveniment elementar se produce cu

aceeai probabilitate: (ev. echiprobabile)

Probabilitatea de a obine cel puin o data B:

Pr{BB, BM, MB} = Pr{HH} + Pr{HT} + Pr{TH} =

Exemplul 2
Aruncarea a dou zaruri:
n
n

n
n
n

Calculam probabilitatea de a da 4 sau duble

Spaiul de eantionare S conine 36 de evenimente
elementare posibile, echiprobabile (probabilitatea
fiecruia fiind 1/36)
Eveniment A: sa obinem 4 (3 evenimente elementare)
Eveniment B: sa dam duble (6 evenimente elementare)
A B: roll (2, 2)

Pr{4 ori duble} =

= Pr{4} + Pr{duble} Pr{(2, 2)}
= 3/36 + 6/36 1/36
= 8/36

Definiii formalizate
Sunt necesare operaii ca:
n

implicaia & echivalenta evenimentelor

reuniunea evenimentelor,

intersecia evenimentelor,

complementaritatea evenimentelor,

incompatibilitatea evenimentelor

Mulimea evenimentelor ataate unui experiment

formeaz o algebr Boole n raport cu operaiile
definite (, i )

Algebra Boole
Este o algebr (structura de calcul ce foloseste
valori literale) format din:
n
n

Valorile elementelor {0,1}

2 operaii binare numite SAU i SI, notate simbolic cu
+ sau i sau
1 operatie unar numit NU (negaie), notat simbolic
sau O

Operatiile sunt definite, asociative, comutative,

admit element neutru si inversabile i n plus exis
t proprietatea de distributivitate a operaiei
fa de

Cmp de evenimente
Fie S o mulime de evenimente elementare, iar
B P(S) un sistem de submulimi ale lui S
Dac:
1. S B;
2. E1, E2 B E1 E2 B; E1 E2 B; 1 B; 2 B
3. E1, E2,..., En,... B E1 E2 ... En ... B;
E1 E2 ... En ... B,

atunci B se numete cmp Borel de evenimente

Msura de probabilitate
Definirea se face intr-un cmp borelian de evenimente i
are la baz sistemul de axiome al lui Kolmogorov:
Axioma 1: Fiecrui eveniment elementar E din cmpul
de evenimente i este ataat un numr real nenegativ
numit probabilitatea lui E, notat P(E)
Axioma 2: Probabilitatea evenimentului sigur S este
1, P(S)=1
Axioma 3: Dac evenimentele E1, E2,..., En sunt
incompatibile 2 cte 2, atunci P(E1 E2 ... En) =
P(E1)+P(E2)+...+P(En).
Axioma de adunare extins: Dac apariia unui
eveniment E e echivalent cu apariia evenimentelor
E1, E2,..., En,... incompatibile 2 cte 2, P(E) = P(E1) +
P(E2) + ... + P(En) + ...

Distribuie de probabilitate discret

Def.: O distribuie de probabilitate este discret daca e definita
pe un spaiu de eantionare finit sau infinit numrabil
n

Pentru orice eveniment A:

Pr{A} = Pr{s1} + Pr{s2} + Pr{sn} = sAPr{s}, i A

Def.: O distribuie de probabilitate este uniform pe un spaiu

finit S dac atunci cnd
n

|S| = n

Pr{s} = 1/|S| pentru orice eveniment elementar s S

Ex: Aruncarea unui zar netrucat:

n

Fiecare fa are probabilitatea de apariie 1/6

Variabile aleatoare discrete

Def.: O variabila aleatoare (discreta) X e o functie definita pe un
spaiu de eantionare finit/ infinit numrabil cu valori reale
n

Ea asociaz un numr real cu orice rezultat posibil al unui

experiment

Pentru o v.a. X i un numr real x:

Def.: Evenimentul X = x = {s S: X(s) = x}
Def.: f(x) = Pr{X=x} = {sS: X(s) = x}Pr{s} se numete funcia
densitii de probabilitate a v.a. X

Exemplu
Aruncarea unei perechi de zaruri:
Spaiul de eantionare S are 36 evenimente elementare
posibile
Fiecare eveniment elementar sS este echiprobabil:
Pr{s} = 1/36
V.a. X = maximul dintre cele doua valori
Probabilitatea ca maximul celor doua valori sa fie 3:
n

X asigneaz valoarea 3 pentru 5 din cele 36 evenimente posibile:

(1, 3), (2, 3), (3, 3), (3, 2), (3, 1)
Deci: Pr{X = 3} = 5/36

V.a. i eantion (discret)

Este o funcie X : (, B, P) R, ce ia valori diferite n
cazul unor experimente efectuate n condiii identice,
apariia fiecrei valori fiind un eveniment incontrolabil
X() e valoarea real a variabilei aleatoare, ca funcie de
experimentul sau eantionul considerat, unde este
eantionul (engl."sample").
O v.a. X=X() determin o desfacere a evenimentului
total n evenimente incompatibile: intuitiv, pentru cazul
discretizrii luand k valori posibile ale variabilei X(),
notate x1, x2,..., xk, cu probabilitile ataate p1, p2,..., pk
(p1+p2+...+pk =1), variabila aleatoare e dat sub forma:
x1 x2 ... xk
X=
p1 p2 ... pk

Variabile aleatoare continue

Prin analogie valorile sunt funcii continue, de ex. peste R
Probabilitile apariiei acestor valori sunt definite (daca
exista) de o funcie f(x) definita pe ntreaga dreapta reala

P ( x1 X x 2 )= f ( x )dx , f ( x ) 0 pt .x
x2

x1

Pentru orice x1, x2 a.i. x1x2, X este o v.a. continua iar

f(x) se numete funcia densitii de probabilitate
Att v.a.discrete cat i v.a.continue pot fi dependente sau
independente
n

In cazul a 2 v.a. independente, X i Y, definite ca mai sus:

P(Xi Yj) = P(Xi)P(Yj)

Statistic

De ce avem nevoie de statistic?

445 446 397 226
388 3445 188 1002
47762 432 54 12
98 345 2245 8839
77492 472 565 999
1 34 882 545 4022
827 572 597 364

Pentru agregarea datelor

extinse n informaii cu
sens

x = ...

Ce este statistica?
Lucrurile imposibile de obicei nu au loc.
- Sam Treiman, Princeton University

Statistica ne ajut s cuantificm acest de

obicei
Statistica este o cantitate (valoare) care
este calculat dintr-un eantion (mulime
extins) de date
Un singur numr folosit pentru a rezuma o
colecie mare de valori

Media, deviaia standard

Un eantion de date poate fi caracterizat de:
Funcia densitii de probabilitate :
n

Fx(a) = P(x<=a)

Media (sau valoarea ateptat):

n

= E(x) = (pixi) pentru i = 1..n

Variana:
n

Se ia ptratul distanei ntre x i medie, (x- )2

Var(x) = E[(x- )2] = pi (xi- )2 = 2

, rdcina ptrat a varianei, s.n.deviaia standard

Corelaii ntre valori

Coeficientul de variaie este raportul ntre
deviaia standard i medie:
n

C.O.V. = /

Covariana este gradul n care 2 v.a. difer

una de alta:
n
n

Cov = 2xy = E[(x- x)(y- y)]

2 v.a. independente au Cov = 0

Corelaia este covariana normalizat ntre

1 i 1, sau gradul de corelare liniar:
n

xy = 2xy / xy

Distribuii (repartiii) continue

Avnd in vedere aspectul v.a., se definesc:
Funcia de distribuie sau repartiie (c.d.f) a unei
v.a. X:
F(x)=P(|X()<x)
Densitatea de probabilitate (p.d.f.), pentru orice
A R, prin:
P(xA)=A f(x)dx, sau f(x)=dF(x)/dx

dac F este difereniabil n x

Media, dispersia, alte momente

Media sau valoarea ateptat a unei v.a. este:
= E[X] = - xdF(x) = - xf(x)dx;
Momentul de ordinul k al v.a.:
E[Xk] = - xkdF(x) = - xkf(x)dx;
Dispersia (variabilitatea) v.a.:
2 = var(X) = E[(X-E[X])2] = E[X2]-(E[X])2.
Numita i abatere medie ptratic, pentru un ir
xi cu n (nr. mare) valori, ea se calculeaz astfel :
1
1
2
xi

n i =1
n i =1
n

2
n
n

1
1

2
xi
x i x i
n 1 i =1
n i =1

Exemplu
Pentru 2 v.a. distribuite uniform:
1. Discreta pe intervalul [1,6] (aruncarea

zarului)
2. Continua in intervalul [a,b]
se cere:
I. Calculul mediilor i dispersiilor
II. Reprezentarea grafica a pdf i cdf
Rspunsuri
I. 1. = 7/2; 2 = 35/12

2. = (a+b)/2; 2 = (b-a)2/12 ...

Teoreme importante:
Inegalitatea lui Cebev
Putem avea o imagine asupra repartiiei prin
cunoaterea mediei i dispersiei
Inegalitatea lui Cebev arata cat de mari sunt
probabilitile abaterilor de la medie:

P (| x | ) 2

Se poate aplica att v.a. discrete cat i continue

Teoreme importante:
Legea numerelor mari
Bernoulli: Probabilitatea ca modulul diferenei intre frecventa
relativa de aparitie a unui eveniment E i probabilitatea p a
lui E sa fie mai mic dect un pozitiv, arbitrar de mic, este
1 pentru un nr. de experimente n suficient de mare

n1
1
P (| p |< ) 1 2
n
4 n
Cebev: Probabilitatea ca modulul diferenei intre media
aritmetica A a valorilor medii a n v.a. independente i media
aritmetica a v.a. sa fie mai mica dect un pozitiv, arbitrar
de mic, este 1 pentru n suficient de mare

1 n
b2
P (| X i A |< ) 1 2
n i =1
n

Distribuia binomiala (Bernoulli)

Succes/Esec (1/0)

P ( X = 1) = p

0.7
0.6
0.5
P (X = x)

Se definete printrun experiment

Bernoulli, ce are
doar doua valori:

0.4
0.3
0.2
0.1
0
0

P ( X = 0) = 1 p

1
X

E[ X ] = p

Var ( X ) = p (1 p )

Distribuia binomiala
0.2
P(X=x)

Definita de numrul
de ncercri reuite
dintr-un total de n
experimente Bernoulli
Sau ca suma a n
variabile aleatoare de
tip Bernoulli

0.3

0.1

0
0

f ( x) = P( X = x) = Cnx p x (1 p) n x

E[ X ] = np

Var( X ) = np(1 p)

10

Distribuia binomiala negativa

Definita de numrul necesar de repetri ale unui
experiment Bernoulli pana la obinerea de m ori
a unui eveniment legat de el (m reuite)
Sau ca o suma infinita de variabile aleatoare de
tip Bernoulli, cu valori ce ncep cu m, m+1, ...

f ( x ) = P ( X = x ) = C mm+1x 1 p m (1 p ) x

E[ X ] = m(1 p) / p

Var( X ) = m(1 p) / p 2

Distribuia geometrica
0.6
0.5
P(X=x)

Definita de numrul
de experimente
Bernoulli necesar
pentru a obine
primul succes

0.7

0.4
0.3
0.2
0.1

x1

f (x) = p (1 p)

F(x) =1(1 p)

0
0

10

1
E[ X ] =
p

(1 p)
Var( X ) =
p2

Distribuia Poisson
Definita de nr. de
evenimente aleatoare
ce au loc intr-un
interval de timp de
mrime fixa
Sau ca o limita a
distribuiei binomiale
cnd n i p0

0.3

P(X=x)

0.2

0.1

0
0

10

x
f ( x) = P ( X = x) =
e
x!

F ( x) = 1 e

E[ X ] =

Var ( X ) =

Procese Poisson omogene

Daca numrul de evenimente aprute pana la
momentul t este distribuit Poisson cu rata t
n
n
n

Numrul de evenimente aprute in intervale de timp

disjuncte este independent
Timpii intre evenimente sunt independeni i identic
distribuii ca v.a. exponeniale cu media 1/
Un proces Poisson omogen este staionar (distribuia
nr. de evenimente depinde doar de lungimea
intervalului, nu i de punctul sau de nceput)

Alte proprieti:
n

Combinarea a 2 procese Poisson cu ratele i da

un alt proces Poisson cu rata +
Alegerea evenimentelor dintr-un proces Poisson cu
probabilitatea p da un proces Poisson cu rata p

Procese de natere i moarte

Daca timpii intre evenimente sunt i.i.d. atunci
numrul de evenimente ce apar in timp
formeaz un proces de natere i moarte
n

Un proces Poisson omogen este un proces de natere

i moarte cu timpii intre sosiri exponeniali
Majoritatea proceselor de sosire pot fi modelate
folosind procese de natere i moarte
Uor de utilizat deoarece timpii intre sosiri pot fi
obinui prin eantionare dintr-o distribuie data
Un proces de natere i moarte este staionar

Procese de sosire nestaionare

Evenimentele externe (inclusiv sosirile in sistem)
pot avea rate variabile in timp, de ex.
n
n
n

Sosirile la un restaurant fast-food in jurul prnzului

Traficul in rush-hour in orae sau pe autostrzi
Cererile sezoniere pentru un produs

Caracterul de nestaionaritate al sosirii trebuie

pstrat in model acest lucru este critic pentru
validitatea modelului
Modelul adecvat este cel al unui proces Poisson
neomogen
59

Distribuia exponeniala
Modeleaz:

Timpii intre sosiri,

cnd sosirile sunt
complet aleatoare
Timpii de servire ce
prezint o mare
variabilitate

Este o distribuie
fr memorie:
f ( x + y | X > y ) = f ( x)

0.4

0.3
f(x)

0.5

0.2

0.1

0
0

10

1 x /
f (x) =
e

E[ X ] =

Var ( X ) = 2

Distribuia normala
Descrisa de urmtoarele
proprieti:

Limitele pdf la - i +
sunt 0
Valoarea maxima a pdf
este atinsa cnd X=
Graficul pdf este simetric
dup

0.3

f(x)

0.45

0.15

0
0

10

1
Distribuia mediei unui sir
2 ( x )2
1
2
f
(
x
)
=
e
de v.a. i.i.d. este normala
2 2
Pentru =0: distribuia
2
E[ X ] =
Var
(
X
)
=

normala standard

Distribuia log-normala

E[ X ] = e

0.4

0.3

f(x)

V.a. ln(X) este

distribuita normal
Se utilizeaz in
modelarea mrimilor
ce reprezint
produse ale unui
numr mare de
mrimi aleatoare

0.2

0.1

0
0

f ( x) =
+ 2 / 2

1
x 2

(ln( x ) ) 2 / 2 2

Var ( X ) = e

2 + 2

(e

1)

Distribuia uniforma
Utilizata in situaii cu
date echiprobabile pe
un interval
1

f ( x) = b a
0

E [ X ] = ( a + b) / 2

axb
altfel

Var ( X ) = (b a )2 / 12

Distribuia triangulara
Utilizata in situaii cu
date puine sau lipsa

Se obine pe baza a 2
distribuii uniforme
Sunt necesare doar
minimul, maximul i
c.m.probabil valoare

2( x a )
f ( x) =
, ax<m
( m a )(b a )
2 (b x )
=
, m x<b
(b m )(b a )
= 0, altfel

0.2

f(x)

0.3

0.1

0
0

E [ X ] = ( a + b) / 2

Var ( X ) = (b a )2 / 12

10