Documente Academic
Documente Profesional
Documente Cultură
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/
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
Tipuri de modele
Elemente de probabiliti
Statistic matematic
Tipuri de grafuri
Limbaje de simulare
Construcia unui simulator. Biblioteci de componente
STATICE
DINAMICE
VARIANTE IN
TIMP
INVARIANTE
IN TIMP
LINIARE
NELINIARE
CU STARI
DISCRETE
CU STARI
CONTINUE
CONDUSE DE
TIMP
CONDUSE DE
EVENIMENTE
DETERMINISTE
STOCHASTICE
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
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
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
calcul analitic
simulare
Un model:
n
n
Tipuri de modele
Modele fizice (iconice)
n
n
n
Modelarea predictiv
Este o modelare in absenta realitii
Exemple:
a) Construcia unei caroserii care trebuie sa
satisfac anumite criterii de greutate,
rezistenta, geometrice, tehnologice
Modelarea restrictiv
Este modelarea in condiiile restriciilor
de acces la un sistem real existent
Exemple:
a)
b)
c)
Simularea pe calculator
In sens larg, se refera la metode de studiu ce pp.
n
n
Acurateea simulrilor
Prin simulare nu se obin rspunsuri exacte, doar
aproximaii, estimri; totui:
n
n
n
Probabiliti
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
Distribuia de probabilitate
Def.: Distribuia de probabilitate Pr{} este o funcie
definit pe evenimentele din S cu valori in R
Proprieti:
1.
2.
Pr{S} = 1
3.
Exemplul 1
Aruncarea a doua monede:
n
Exemplul 2
Aruncarea a dou zaruri:
n
n
n
n
n
Definiii formalizate
Sunt necesare operaii ca:
n
reuniunea evenimentelor,
intersecia evenimentelor,
complementaritatea evenimentelor,
incompatibilitatea evenimentelor
Algebra Boole
Este o algebr (structura de calcul ce foloseste
valori literale) format din:
n
n
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,
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) + ...
|S| = n
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
P ( x1 X x 2 )= f ( x )dx , f ( x ) 0 pt .x
x2
x1
Statistic
x = ...
Ce este statistica?
Lucrurile imposibile de obicei nu au loc.
- Sam Treiman, Princeton University
Fx(a) = P(x<=a)
Variana:
n
C.O.V. = /
xy = 2xy / xy
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
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
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
Succes/Esec (1/0)
P ( X = 1) = p
0.7
0.6
0.5
P (X = x)
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
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 ) =
Alte proprieti:
n
Distribuia exponeniala
Modeleaz:
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)
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