Documente Academic
Documente Profesional
Documente Cultură
Ep I
Ep I
Introducere tendinĠa actuală fiind convergenĠa, implementarea unor reĠele unice, care să
îmbine úi să se adapteze în mod eficient metodele folosite în cadrul celor două
tipuri de reĠele, precum ingineria traficului din reĠelele cu comutaĠie de circuite úi
multiplexarea statistică, proprie reĠelelor cu comutaĠie de pachete, úi să adopte
noi tehnologii, astfel încât să fie capabilă să asigure servicii de orice gen, de
date, audio úi video. Desigur, o astfel de reĠea, bazată, în consecinĠă, pe
Proiectarea reĠelelor de comunicaĠii are ca obiective principale stabilirea comutaĠia de pachete, nu se mai poate rezuma doar pe principiul "best effort",
configuraĠiei, fixarea capacităĠii legăturilor de comunicaĠie úi identificarea unui insuficient pentru a satisface diverse cerinĠe, deseori conflictuale, caracteristice
mod optim prin care acestea sunt partajate între fluxurile informaĠionale active la tipurilor diferite de informaĠii transferate printr-o astfel de reĠea (vezi tabelul 1.1).
un moment dat. Toate aceste obiective trebuie raportate deopotrivă úi la Dimpotrivă, asigurarea calităĠii în condiĠiile unei diversităĠi de servicii presupune
operatorii de reĠea úi la utilizatorii de servicii. Punctul de vedere al operatorilor se ca reĠeaua în cauză să dispună de mecanisme (tehnologii) capabile să
referă cu precădere la asigurarea unei utilizări cât mai eficiente a resurselor úi la diferenĠieze traficul în clase úi să prelucreze în mod specific membrii fiecărei
satisfacerea unui număr cât mai mare de transferuri informaĠionale, scopul final clase, dar luând în considerare úi ansamblul.
fiind obĠinerea unor câútiguri maxime cu cheltuieli minime. PretenĠiile utilizatorilor Tabelul 1.1: Exemple de servicii úi nivelurile cerinĠelor asociate
sunt în principal în domeniul calităĠii serviciilor úi ele se exprimă prin aceea că nu
Application Reliability Delay Jitter Bandwidth
trebuie să fie confruntaĠi în timpul folosirii reĠelei cu situaĠii precum aúteptarea
unei căi libere până la destinaĠie, pierderea sau alterarea informaĠiei úi transferul E-mail High Low Low Low
File Transfer High Low Low Medium
cu întârzieri variabile care, peste un anumit prag, devin inacceptabile. Pentru
Web access High Medium Low Medium
toate aceste aspecte sunt definite două categorii de indicatori, ce caracterizează
Remote login High Medium Medium Low
serviciile de comunicaĠii:
Audio on Demand Low Low High Medium
x gradul de servire, GoS (Grade of Service), care se referă la Video on Demand Low Low High High
posibilităĠile de a beneficia de un anumit serviciu; Telephony Low High High Low
x calitatea servirii, QoS (Quality of Service), care precizează posibilităĠile Videoconferencing Low High High High
pe care le oferă un anumit serviciu pe durata utilizării acestuia.
În cazul reĠelelor cu comutaĠie de circuite, destinate, cu precădere, traficului Indicatorii utilizaĠi pentru exprimarea calităĠii servirii în reĠelele cu
telefonic, obiectivele majore care au guvernat implementarea lor au fost comutaĠie de pachete se împart în două categorii: categoria indicatorilor
menĠinerea în limite rezonabile a probabilităĠii de blocare/respingere a asociaĠi serviciilor cu sau fără conexiune úi categoria indicatorilor proprii
cererilor de serviciu úi a disponibilităĠii serviciilor în cauză (ca indicatori ai serviciilor cu conexiune. În prima categorie se află indicatorii legaĠi de
gradului de servire) úi optimizarea planului de transmisie a semnalului vocal, transmiterea unei singure unităĠi informaĠionale (pachet, celulă, cadru), precum:
care a vizat o serie de indicatorii de calitate a servirii, legaĠi de pierderi, x întârzierea măsurată prin medie, deviaĠie standard etc.,
zgomot, ecou. x probabilitatea coruperii,
Spre deosebire de reĠelele cu comutaĠie de circuite, reĠelele cu comutaĠie
x probabilitatea pierderii,
de pachete au avut în vedere, iniĠial, transmisia de date care, fiind un serviciu
fără restricĠii temporale, în comparaĠie cu serviciile în timp real, de tip voce sau x probabilitatea duplicării,
video, s-a putut implementa adoptând principiul înmagazinării úi înaintării x probabilitatea livrării greúite,
(stored and forward) cu posibilitatea retransmisiei în caz de eroare. Mai mult, în x protecĠia faĠă de accesul neautorizat,
cazul reĠelelor IP, luarea în considerare doar a echipamentelor terminale x prioritatea în livrare.
inteligente (host computers) a permis ca, prin degrevarea de o serie de sarcini, dar úi parametri care iau în considerare fluxurile informaĠionale în ansamblu, ca
acestea să fie implementate iniĠial cât mai simplu (spre deosebire de reĠelele de de exemplu:
telefonie care concentrau inteligenĠa în interiorul lor, de unde úi conceptul de x eficienĠa transferului, măsurată prin medie, deviaĠie standard etc.,
3
Un model matematic este un ansamblu de relaĠii matematice ce leagă anumit aspect al fenomenului studiat. Experimentul se desfăúoară în anumite
principalii parametrii úi variabile ce caracterizează fenomenul studiat. SoluĠia condiĠii úi efectele sale sunt observate úi măsurate. Modelul corespunzător oferă
acestor relaĠii reprezintă previziunea măsurătorilor care ar fi obĠinute dacă previziuni legate de rezultatele experimentului. Dacă apar discrepanĠe
experimentul ar avea loc. CondiĠia necesară (nu úi suficientă) de dezvoltare a semnificative, modelul úi, eventual, ipotezele se revizuiesc (modifică).
unui model matematic este ca fenomenul studiat să prezinte însuúiri măsurabile. Procesul de modelare continuă până când evoluĠia tuturor aspectelor
Atunci când nu se poate dezvolta un model matematic, se poate recurge importante ale fenomenului poate fi prezisă de model cu o precizie dorită.
la modele de simulare computerizate. Un model de simulare computerizat este Alegerea aspectelor importante depinde de obiectivele urmărite de investigator.
un program a cărui execuĠie "imită", la un nivel de detaliu limitat de performanĠele Din acest motiv, pentru acelaúi fenomen se pot construi modele distincte care
maúinilor utilizate, evoluĠia (dinamica) fenomenului studiat. Cu ajutorul unor oferă previziuni pentru mărimi diferite úi sunt valabile în anumite condiĠii de
instrucĠiuni ce înregistrează valorile variabilelor caracteristice fenomenului, desfăúurare a fenomenului.
execuĠia modelului de simulare computerizat generează un set de date primare. A treia ramură a procesului de modelare, simularea, este necesară
Aceste date sunt supuse unei analize statistice ce oferă previziuni relative la atunci când construirea unui model matematic este dificilă sau când realitatea,
fenomenul studiat. (produsul, sistemul) se află încă în faza de proiectare (nu există încă!). Astfel,
În general, simulările sunt capabile să descrie realitatea mult mai precis simularea oferă niúte estimări de previziuni care pot fi interpretate ca atare sau
decât modelele matematice. În schimb, simulările sunt mult mai puĠin flexibile úi pot controla procesul de elaborare a unui model matematic al unei aplicaĠii
timpii de execuĠie sunt de obicei mai mari decât în cazul modelelor matematice. ipotetice, fiind, până în momentul materializării acesteia, unicul său mijloc de
Corectitudinea úi precizia cu care un model aproximează o situaĠie dată validare.
se controlează printr-un proces de modelare (investigaĠie, descriere, Un model matematic este determinist atunci când condiĠiile de
specificare, validare úi dezvoltare). Acest proces constă într-o serie de efectuare a experimentului vizat determină exact mărimile (variabilele) urmărite.
experimente úi modificări ale modelului, urmărind algoritmul prezentat în Teoria circuitelor electrice este un astfel de model. Ea presupune că
figura 1. Un experiment definit cu scopul verificării ipotezelor investighează un interacĠiunea dintre componentele idealizate (discrete, cu caracteristici
tensiune/curent ideale) ale unui circuit este complet descrisă de legile lui
Dezvoltări Formularea Modificări Kirchhoff (ale tensiunilor úi curenĠilor). În practică, există variaĠii între mărimile
ipotezelor aúteptate (prezise) úi cele observate (măsurate). Aceste diferenĠe se datorează
erorilor de măsurare úi factorilor neluaĠi în considerare de model (variaĠia
temperaturii, îmbătrânirea componentelor etc.). Totuúi, atât timp cât aceste
Specificarea experimentului deviaĠii sunt nesemnificative, acest tip de model este cel mai adecvat (prin
pentru verificarea ipotezelor simplitatea úi intuitivitatea sa) în analiza úi sinteza circuitelor.
dezvoltarea unei teorii abstracte a probabilităĠilor, plecând de la premisele: A ^s A,1, s A,2 ,..., s A, j `, să se arate că relaĠia P>A@ j / n , unde j este numărul de
I. Un experiment aleator a fost definit prin procedura de desfăúurare úi realizări ce îndeplinesc evenimentul A, reprezintă o lege de probabilitate.
prin măsurătorile úi observaĠiile ce se efectuează, iar spaĠiul de ***
eúantionare S a fost identificat. AplicaĠia 1.2.2
II. S-a specificat (stabilit) o familie de evenimente A , astfel încât: Durata de prelucrare a unui apel telefonic variază între 0 úi 1 secunde,
[Nic95]. Considerând că toate realizările sunt echiprobabile, să se stabilească:
S A úi A ;
i) o lege de probabilitate potrivită aplicaĠiei analizate;
A A úi AC A ; (1.2.1) ii) probabilitatea ca durata să se depărteze cu cel puĠin 0,3 secunde de
AnN A * An A centrul intervalului.
nȃ Rezolvare:
( A este un tribut pe S, iar cuplul S, A se numeúte spaĠiu măsurabil), [Ciuc83]. i) În acest caz, alocarea de probabilităĠi unei realizări c, 0 d c d 1 nu are
sens, întrucât spaĠiul realizărilor S >0,1@ este infinit nenumărabil úi deci:
III. Fiecărui eveniment, A, îi este alocat (ataúat) un număr numit
P>^c`@ 0 .
probabilitate úi notat P >A @ , astfel încât următoarele axiome sunt
Fie următoarea afirmaĠie: "Probabilitatea ca o realizare să aparĠină unui
satisfăcute:
subinterval al mulĠimii S este egală cu lungimea intervalului", adică:
Axioma 1: 0 d P >A@ ;
P > >a, b @ @ b a pentru 0 d a d b d 1
Axioma 2: P >S @ 1 ;
Axioma 3: Fie A úi B două evenimente astfel încât A B , atunci: Aceasta este o lege de probabilitate, deoarece satisface axiomele (de verificat!).
ii) Evenimentul în discuĠie are următoarea formă analitică:
P >A B @ P >A@ P >B @ (1.2.2)
A >0; 0,2 @ >0,8;1@ .
Axioma 3'. Fie A1, A2 ,... o secvenĠă de evenimente, astfel încât: Intervalele fiind disjuncte putem aplica axioma 3, deci:
ªf º f P >A @ P >0; 0,2@ P >0,8; 1@ 0,4
Ai A j , i z j , atunci P « * Ak » ¦ P >Ak @ (1.2.3) ***
¬«k 1 ¼» k 1
AplicaĠia 1.2.3
(ca măsură a probabilităĠii, P >...@ este o aplicaĠie a lui A în \ , iar tripletul În urma măsurării timpilor de funcĠionare ai unor componente electronice
se numeúte spaĠiu probabilizat >Ciuc83@ ). de acelaúi tip s-a ajuns la concluzia că: "proporĠia componentelor a căror timp
S, A ,P de funcĠionare depăúeúte durata t scade exponenĠial cu rata D ". Să se
Un model matematic este probabilistic atunci când condiĠiile de determine legea de probabilitate care satisface acest rezultat.
efectuare a experimentului vizat (ce prezintă regularitate statistică) determină Rezolvare: SpaĠiul de eúantionare este: S 0, f . Evenimentul conĠinut
exact probabilităĠile de apariĠie a realizărilor sale. Construirea unui model
probabilistic constă în particularizarea premiselor I, II úi III la cazul studiat în enunĠ, A = ^timpul de funcĠionare depăúeúte durata t` se exprimă analitic în
(situaĠia reală). Domeniile de aplicabilitate sunt: sistemele de transmisiuni, forma A ^x : x ! t ` t , f . Acestui eveniment i se alocă, conform afirmaĠiei,
comunicaĠii prin medii zgomotoase, prelucrarea semnalelor, sisteme cu resurse următoarea valoare:
partajate, sisteme de servire, fiabilitatea úi disponibilitatea sistemelor etc.
P >A@ P >t , f @ e Dt , pentru t ! 0 úi D ! 0
Ca orice modelare, calculul probabilităĠilor este o tehnică matematică de
descriere a fenomenelor aleatorii. Validitatea sa într-o aplicaĠie concretă nu poate Verificăm dacă această alocare corespunde unei legi probabilistice:
fi înfăptuită decât cu ajutorul metodelor statistice de interpretare a observaĠiilor. i) se verifică Axioma 1: 0 d P >t , f @ e Dt pentru t ! 0 úi D ! 0 ;
Regula prin care unui eveniment A al unui experiment E i se alocă ii) se verifică Axioma 2: P >S @ P >0, f @ 1 ;
(ataúează) o probabilitate P >A@ se numeúte lege de probabilitate. În cazul unui
iii) fie evenimentele: B r , s @ úi C s, f .
spaĠiu de eúantionare discret, legea poate fi specificată alocând probabilităĠi
Conform Axiomei 3: P >r , f @ P >r , s @@ P >s, f @ , deci:
evenimentelor elementare, iar în cazul continuu dând probabilităĠi intervalelor.
AplicaĠia 1.2.1 P >r , s @@ P >r , f @ P >s, f @ e Dr e Ds
Fie un experiment aleatoriu E, cu spaĠiul de eúantionare discret ***
S E ^s1, s 2 , s 3 ,..., s n `. Considerând evenimentele de forma Deoarece orice alocare ce respectă axiomele este posibilă, rămâne în
11 12 EVALUĂRI DE PERFORMANğĂ
sarcina utilizatorului teoriei de a determina legea de probabilitate, precum úi dacă evenimentul B a avut loc este definită de relaĠia:
modul de interpretare a probabilităĠilor. Rezultatele teoretice corespunzătoare P >A B @
modelului adoptat, trebuie să poată fi interpretate, în cazul aplicaĠiilor reale, ca > @
P AB
P >B @
(1.3.1)
rapoarte pe termen lung al unor mărimi de interes (de exemplu: frecvenĠa
relativă, media). Cu alte cuvinte, conform figurii 1.3.1, dacă o realizare ] a experimentului
Legătura dintre această mărime abstractă, probabilitatea, úi mărimea satisface evenimentul B, spaĠiul realizărilor, în care se urmăreúte dacă a fost
intuitivă frecvenĠa relativă este oferită de două teoreme importante: legea (slabă îndeplinit úi evenimentul A, se reduce la mulĠimea B. În această situaĠie,
a) numerelor mari úi teorema limită centrală (tratate în detaliu în capitolul evenimentul A are loc dacă úi numai dacă ] A B .
3.3.5-7).
Legea numerelor mari arată că probabilitatea ca raportul N A (n ) / n să se S
apropie cât dorim de mult de p A , tinde către 1 când n o f . Ne este permis, B A B
astfel, să interpretăm p A ca o frecvenĠă relativă. A
Teorema limită centrală "măsoară" abaterea dintre modelul ales (în cazul
de faĠă, valoarea p A ) úi frecvenĠa relativă f A (n ) obĠinută în urma unui număr finit
de încercări. Figura 1.3.1: Diagrama Venn a intersecĠiei mulĠimilor A úi B
În calculul probabilităĠilor sunt utile următoarele relaĠii (proprietăĠi):
AplicaĠia 1.3.1
> @
1. P A C
1 P >A@ , unde C
A este evenimentul complementar Considerând experimentul aruncarea cu zarul, să se determine
probabilitatea evenimentelor: A {faĠa 2} , B {faĠa 1 sau faĠa 2} ,
evenimentului A;
C {o faĠa impară } , precum úi probabilităĠile condiĠionate: P [ A C ] úi P [B C ] .
2. P >A@ d 1 - utilă în verificarea corectitudinii calculelor (vezi úi axioma 1);
***
3. P >@ 0 ; AplicaĠia 1.3.2
4. Dacă A1, A2 ,", An sunt evenimente disjuncte atunci: La un nod de comutaĠie, [Bor94], se recepĠionează mesaje ce sunt
n n distribuite echiprobabil
ª º
P « * Ak » ¦ P >Ak @ , n t 2 (utilă în calculul probabilităĠilor unor La un nod de comutaĠie, [Bor94], se recepĠionează mesaje ce sunt
«¬k 1 »¼ k 1 distribuite echiprobabil la un număr de N terminale identificate prin adresele
evenimente complexe); 0,1, 2,", N . Considerând următoarele evenimente:
A ^mesajul recepĠionat se transmite unui terminal de adresă pară`
5. P >A B @ P >A@ P >B @ P >A B @ úi P >A B @ P >A@ P >B @ ;
B ^mesajul recepĠionat se transmite unui terminal de adresă impară`
ªn º n
C ^mesajul recepĠionat se transmite unui terminal de adresă d M ,
6. P « * Ak » ¦ P >A j @ ¦ ¦ P >A j Ak @ ... ( 1)n 1P >A1 A2 ... An @ ; unde M N `
«¬k 1 »¼ j 1 j zk j zk
ª n º n
> @
i) Să se precizeze semnificaĠiile probabilităĠilor: P B A úi P C A ;> @
7. P « * Ak » d ¦ P >Ak @ (utilă în obĠinerea de margini superioare pentru ii) Să se determine expresiile lor. Caz particular: N = 25; M = 16.
«¬k 1 »¼ k 1
IndicaĠie: Fără a restrânge generalitatea, considerăm N úi M numere pare.
probabilităĠile de interes) ;
Varianta intuitivă: Înaintea efectuării experimentului, spaĠiul realizărilor
8. Dacă A B atunci: P >A@ d P >B @ (utilă în obĠinerea de margini
este: S ^0,1,", N ` . După efectuarea experimentului se útie că
superioare pentru probabilităĠile de interes).
evenimentul A s-a îndeplinit, deci spaĠiul redus al realizărilor pe
care se pot înfăptui evenimentele C sau B este:
1.3. ProbabilităĠi condiĠionate Sr A ^0,2,4,..., N 4, N 2` . Deoarece evenimentul B conĠine
doar realizări impare rezultă că P B A> @ 0.
Probabilitatea condiĠionată ca evenimentul A să se îndeplinească
În privinĠa evenimentului C, spaĠiul redus conĠine următoarele realizări ce
13 14 EVALUĂRI DE PERFORMANğĂ
îl satisfac: ^ 0, 2, 4, ..., M `. Conform ipotezei, realizările sunt echiprobabile, deci se deci: S A B unde A B .
> @
calculează că probabilitatea P C A ca raport dintre (numărul realizărilor din Sr Aplicând teorema probabilităĠii totale obĠinem:
- P >C A @ este egală cu raportul dintre (numărul realizărilor pare din ùtiind din datele aplicaĠiei că: P C A > @ > @
e 1000Pt úi P C B e Pt , atunci
S r mai mici sau egale cu M) úi (numărul realizărilor din S r ), adică: rezultă: P >C @ 4 / 5 e 1000Pt 1 / 5 e Pt ...
M / 2 1 ***
P >C A @ ,
N
Regula Bayes: Fie B1 , B2 , ... , Bn o partiĠie a lui S úi A un eveniment.
- P >A @ este egală cu raportul dintre (numărul realizărilor pare din Sr ) úi
Probabilitatea realizării evenimentului B j când a avut loc evenimentul A este:
N/2
(numărul realizărilor din S r ), adică: P >A @ ,
N
P >C A@ M / 2 1 N M 2 >
P Bj A @ >
P A Bj @ > @ > @
P A Bj P Bj
(1.3.3)
- atunci rezultă că: P >C A@ . P >A@ n
P >A@ N N 2 N >
¦ P A Bk P >Bk @ @
*** k 1
Teorema probabilităĠii totale: Fie B1 , B2 , ... , Bn o partiĠie a spaĠiului Această regulă este utilă când evenimentele B j sunt caracterizate
de eúantionare S úi A un eveniment oarecare. Probabilitatea de apariĠie a
evenimentului A este dată de relaĠia:
> @
"apriori" prin probabilităĠi P B j , adică înainte ca experimentul să aibă loc, úi prin
> @
P B1 A1 P >A1 @
evenimentului P A B > @ P >A@ úi viceversa.
P >A1 & B1 @
>
P A1 B1 @ xP
>A
C@ z P
N >A@ PN
>C @ adică evenimentele nu sunt independente;
P >B1 @ P >B1 @ 0 1/ 2 1/ 2
Considerând partiĠia A0 , A1 a spaĠiului de eúantionare, probabilitatea de la realizarea evenimentului C face certă nerealizarea evenimentului A
numitor se găseúte conform teoremei probabilităĠii totale: > @
( P A C 0 ) úi viceversa.
> @ > @
P >B1 @ P B1 A0 P >A0 @ P B1 A1 P >A1 @ H (1 p ) (1 H ) p p 0,5 0,5 xP >B
C@ P >B@ PN
>C @ , adică evenimentele sunt independente: realizarea
N
H 0,5 (1 H ) 0,5 1/ 4 1/ 2 1/ 2
>
Deci: P A0 B1 @
0,5
H úi P A1 B1
0,5
> 1 H . @ evenimentului C nu modifică probabilitatea evenimentului B ( P B C > @ P >B @ )
Interpretarea rezultatului: úi viceversa.
- pentru H ! 0,5 este mai probabil să fi fost emis simbolul "0"; ***
- pentru H 0,5 este mai probabil să fi fost emis simbolul "1" (cazul real); În general, evenimentele A1 , A2 , ... , An sunt independente dacă pentru
- pentru H 0,5 simbolurile emise sunt "la fel de probabile". orice combinaĠie de elemente úi oricâte dintre ele există relaĠia:
> @ > @
P Ai & " & A j & " & Ak P >Ai @" P A j " P >Ak @ (1.4.3)
1.4. IndependenĠa evenimentelor
AplicaĠia 1.4.2
Două evenimente A úi B sunt independente dacă: AflaĠi numărul de relaĠii ce definesc independenĠa unui număr de n
evenimente.
P >A B @ P >A@ P >B @ (1.4.1)
Răspuns: 2 n n 1
Rezultă deci că:
> @
P AB P >A@ úi P B A > @ P >B @ (1.4.2) 1.5. Experimente secvenĠiale
AplicaĠia 1.4.1
Fie un concentrator cu o singură linie de ieúire, LI, la care sunt conectaĠi 4 O succesiune de experimente elementare E1 , E 2 , ... , E n numite
abonaĠi identificaĠi prin perechile (1,1), (2,1), (3,2) úi (4,2). Primul element din subexperimente, constituie un experiment secvenĠial. Realizarea s a unui
pereche reprezintă adresa, iar al doilea categoria abonatului. VerificaĠi astfel de experiment este un vector ale cărui elemente sk sunt realizările sub-
independenĠa următoarelor evenimente luate două câte două:
experimentelor implicate 1, 2, ..., k, ..., n : s s1, s2 , ", sk ,", s n
A ^ un abonat din prima categorie are acces la LI ` ;
SpaĠiul de eúantionare S este produsul cartezian al spaĠiilor individuale:
B ^ un abonat de adresă pară are acces la linia de LI ` ;
S S1 u S2 u ... u Sn
17 18 EVALUĂRI DE PERFORMANğĂ
IndependenĠa evenimentelor A1 , A2 , ... , An ce apar într-un experiment perioadelor de tăcere din convorbiri, conduce la ideea că numărul maxim, M , de
secvenĠial este indusă de independenĠa subexperimentelor sale, dacă fiecare pachete transmise de sistem pe durata W poate fi mai mic decât cel al
eveniment Ak depinde doar de realizările subexperimentului k. În acest caz: convorbirilor simultane, M N . Considerând că clienĠii acceptă pierderea pentru
q % pachete active, să se construiască un model probabilistic pe baza căruia să
P >A1 & A2 & ... & An @ P >A1@ P >A2 @ ...P >An @ .
se proiecteze un astfel de sistem. Caz particular: N 48 , q 1 úi s 66 .
Pe baza acestui raĠionament, calculele laborioase, impuse de verificarea
Rezolvare: Specificarea experimentului: la fiecare W msec se obĠin N pachete
relaĠiilor ce definesc independenĠa evenimentelor, sunt evitate.
active úi inactive. Putem considera realizare a experimentului evenimentul
SecvenĠele de subexperimente independente în care se urmăreúte
elementar A, ce reprezintă numărul pachetelor active, produse într-un interval. În
numărul apariĠiilor (succeselor) unui anumit eveniment (de exemplu: recepĠia
acest caz, spaĠiul realizărilor este: S ^0,1,..N ` .
simbolului "1" dintr-o secvenĠă binară) se numesc încercări Bernoulli
independente. Ele sunt modelate cu ajutorul legii de probabilitate binomială, ce Evenimente de interes sunt:
are următorul enunĠ: - ^A d M ` - toate pachetele active sunt transmise;
Fie k numărul de succese obĠinute în n încercări Bernoulli independente. - ^A ! M ` - un număr de A M pachete active sunt pierdute.
atunci probabilitatea lui k este dată de legea de probabilitate binomială: ProbabilităĠile ataúate evenimentelor elementare sunt generate de legea
§n· §N ·
pn (k ) ¨¨ ¸¸ p k (1 p )n k pentru k 0, n (1.5.1) de probabilitate binomială: pk ¨ ¸ p k (1 p )N k , unde p 0,01 este raport pe
©k ¹ ©k¹
unde: - p n (k ) este probabilitatea apariĠiei a k succese în n încercări, termen lung al pachetelor active din totalul de pachetelor generate de o sursă .
Mărimea pk este valoarea către care converge frecvenĠa relativă a
§n· n!
- ¨¨ ¸¸ este coeficientul binomial, úi evenimentului ^A k ` după o lungă secvenĠă de repetări:
k
© ¹ k ! n k !
N n
- p este probabilitatea apariĠiei succesului într-o încercare. lim fk n lim k pk , 0 d k d N ,
n of n of n
În general, pentru evitarea dificultăĠilor generate de termenii factoriali, în calculele
computerizate se utilizează formula recursivă: unde N k (n ) este numărul de realizări ale evenimentului ^A k ` în cele n
(n k ) p repetări. Procentul de pachete active pierdute este dat de raportul dintre media
pn (k 1) pn ( k ) (1.5.2) numărului de pachete pierdute úi media pachetelor generate:
(k 1) (1 p ) 1
N § N
AplicaĠia 1.5.1 q ·
Un nod de comutaĠie deserveúte N terminale. Să se determine 100
¦ (k M ) pk ¨¨ ¦ k pk ¸¸
k M 1 ©k 0 ¹
probabilitatea ca numărul de terminale active să fie mai mare ca M, probabilitatea
El reprezintă valoarea către care tinde raportul dintre numărul de pachete
ca un terminal să fie activ fiind p. Caz particular: N 8 ; M 6 ; p 0,3 .
active pierdute úi numărul de pachete active generate de-a lungul a n repetări.
Rezolvare: Fie evenimentele: Ak ^k terminale sunt active `, k 0, N . Atunci: Expresia acestui raport este:
N 1
N § N ·
P >^numar de terminale active ! M `@ ¦ P >^k terminale sunt active`@ ¦ (k M ) Nk (n ) ¨¨ ¦ k Nk (n ) ¸¸
k M 1 k M 1 ©k 0 ¹
N
§N · k Considerând cazul particular, se obĠine curba din figura 1.5.1. din care se
¦ ¨¨ ¸¸ p (1 p)N k 0,00259
k
k
M 1 © ¹
extrage valoarea 20 pentru parametrul M.
AplicaĠia 1.5.2 ***
Fie un sistem de telecomunicaĠii care permite realizarea unui număr de N SecvenĠele de subexperimente independente de tip Bernoulli în care se
convorbiri simultane între două localităĠi prin multiplexarea în timp pe un canal de urmăreúte numărul de repetări până la apariĠia primului succes sunt modelate cu
comunicaĠie. Semnalele vocale sunt eúantionate cu perioada T [ P sec ] úi ajutorul legii geometrice de probabilitate :
cuantizate pe Q [biĠi]. SecvenĠele binare, obĠinute sunt încapsulate în pachete de
lungime constantă, ce corespunde la W [msec] de segment de semnal audio. p( m ) >
P A1C & A2C & ... & Am
C
1 & Am @ (1 p )m 1 p , cu m t 1 (1.5.3)
Pentru o corectă redistribuire la recepĠie, fiecărui pachet i se ataúează adresele unde: - m este numărul de repetări până la apariĠia succesului;
sursei úi destinaĠiei. Faptul că, în medie, s % din pachetele obĠinute corespund - A1C , A2C ,..., Am
C
1 este secvenĠa de insuccese obĠinute în primele m
19 20 EVALUĂRI DE PERFORMANğĂ
q AplicaĠia 1.5.4
Semnalul codat numeric, obĠinut de la o sursă este fragmentat în
segmente vocale care sunt încapsulate în pachete de lungime constantă. Se
consideră că pachetele sunt doar de două tipuri: 0, ce corespunzător perioadelor
de tăcere din convorbire, úi 1, ce corespunzător activităĠii sonore.
Pachetele tind să se succedă în salve de tip 0 cu probabilitatea p (după
un simbol de tip 0 urmează tot un simbol de tip 0), sau de tip 1 cu probabilitatea q
(după un simbol de tip 1 urmează tot un simbol de tip 1). Se cere:
i) ImaginaĠi un model capabil să descrie această situaĠie.
ii) DeterminaĠi probabilitatea secvenĠei iniĠiale 001111110.
Caz particular: p 2 / 3 , q 1 / 4 .
M W Rezolvare:
[pachete/msec] i) Este vorba de un lanĠ Markov, realizările unui subexperiment depinzând
strict de realizările subexperimentului precedent. Modelul propus are diagrama
din figura 1.5.2. Nodurile (stările) 0 úi 1 reprezintă o realizare posibilă a unui
Figura 1.5.1: VariaĠia cu rata de transmisie a procentului de pachete pierdute subexperiment, iar arcele conduc, cu probabilităĠile menĠionate, către o realizare
posibilă din următorul subexperiment. "Start" reprezintă nodul de plecare al
încercări; experimentul, iniĠial sursa putându-se găsi, cu aceeaúi úansă, în starea de
- Am este succesul evenimentului în încercarea m ; tăcere sau activitate sonoră.
- p este probabilitatea apariĠiei succesului într-o încercare.
Probabilitatea ca numărul necesar de încercări, m , pentru obĠinerea p 1 p q
c a p ito lu l 2
x of
lim FX ( x ) 0;
x o f
FX (a ) FX (b ) pentru orice a b a (monoton crescătoare);
not
FX ( b ) lim F (b h ) FX (b*) (continuitatea la dreapta);
h o0 X
h !0
P >a X d b @ FX (b ) FX (a ) ;
aleatorie X se notează cu S X ; X ( ] ) este o aplicaĠie (măsurabilă) a spaĠiului O variabilă aleatorie X este variabilă aleatorie discretă dacă funcĠia sa
S, A pe mulĠimea înzestrată cu tributul lui Borel, B [Ciuc83]. de distribuĠie FX ( x ) este sub formă de scară, continuă la dreapta, având o
Fie A un eveniment în spaĠiul S úi B un eveniment în spaĠiul S X . Ele sunt mulĠime măsurabilă (finită sau infinită) de puncte de salt x0 , x1, x 2 ," Aceste
evenimente echivalente dacă A ^ ] : X (] ) B` . În acest caz: puncte reprezintă spaĠiul de eúantionare S X .
FuncĠia de distribuĠie a unei variabile aleatorie discrete se poate exprima
P >B @ P >A@ P >^] : X (] ) B` @ (2.1)
ca o sumă ponderată de funcĠii treaptă unitate:
NotaĠia P >
@ din în relaĠia anterioară nu reprezintă în toĠi termenii acelaúi lucru, ci FX ( x ) ¦ p X ( x k ) u( x x k ) (2.1.3)
în ultimii doi este vorba de aplicaĠia lui A pe , iar în primul termen semnifică k
aplicaĠia lui B pe , ceea ce este de fapt o lege de probabilitate. unde: p X ( x k ) P >X x k @ este probabilitatea elementară de apariĠie a
Comportamentul unei variabile aleatorie X este descris complet de funcĠia evenimentului elementar ^X xk ` .
de distribuĠie sau funcĠia densitate de probabilitate.
O variabilă aleatorie X este variabilă aleatorie mixtă dacă funcĠia sa de
distribuĠie FX ( x ) are, pe lângă o mulĠime de salturi în punctele x0 , x1, x 2 ," , cel
2.1. FuncĠia de distribuĠie puĠin un interval pe care evoluează continuu.
Astfel de variabile aleatorii se pot genera în cadrul unor experimente
FuncĠia de distribuĠie, FX ( x ) , a variabilei aleatorie X este probabilitatea secvenĠiale dependente, în 2 trepte: o încercare Bernoulli este urmată de
apariĠiei evenimentului ^X d x` : generarea variabilei aleatorie conform distribuĠiei aleasă în subexperimentul
precedent.
FX ( x ) P ª¬^X d x`º¼ , pentru f x f (2.1.1)
23 24 EVALUĂRI DE PERFORMANğĂ
f X (x )
x FX ( x ) ³ f X ( t ) dt ;
f
f
x ³ f X ( x ) dx 1 (condiĠia de normare).
f
AplicaĠia 2.2.1
Timpul de transmisie X a unui mesaj într-un sistem de comutaĠie urmează
x o lege de probabilitate exponenĠială, de parametru O úi de forma
x x dx P >X ! x @ e O x , cu x ! 0 . Să se determine:
Figura 2.2.1: Specificarea probabilităĠii unui interval infinitezimal prin intermediul i) funcĠia de distribuĠie úi funcĠia densitate de probabilitate;
funcĠiei densitate de probabilitate ii) P >T X d 2T @ , cu T 1/ O .
Rezolvare: i) FX ( x ) P >X d x @ 1 P >X ! x @ , deci
Orice funcĠie g(x) , pozitivă, continuă pe subintervale, care respectă
condiĠia: 0 , pentru x 0
FX ( x )
® Ox
f
¯1 e , pentru x t 0
³ g ( x ) dx Cf
FX (x ) fiind o funcĠie continuă, rezultă că:
f
poate fi utilizată în construirea unei funcĠii densitate de probabilitate, f X (x ) pe dFX ( x ) °0 , pentru x 0
fX (x) ® x
g( x ) dx O
°̄O e , pentru x t 0
baza relaĠiei: f X ( x ) .
C Graficele celor două funcĠii sunt prezentate în figura 2.2.2.
Deoarece f X (x ) trebuie definită pe întreaga mulĠime a numerelor reale,
FX (x )
este necesar ca, pe eventualele intervale în care funcĠia g(x) nu ia valori,
expresia densităĠii de probabilitate să fie:
fX (x) 0
x
În cazul variabilelor aleatorii discrete, cu funcĠii de distribuĠie discontinue
în punctele x0 , x1, x 2 ," , funcĠia densitate de probabilitate va conĠine funcĠii delta f X (x )
corespunzătoare punctelor de discontinuitate:
fX (x) ¦ p X ( x k ) G( x xk ) (2.2.2) x
k
Figura 2.2.2: FuncĠia de distribuĠie úi funcĠia densitate de probabilitate
unde: pX ( xk ) P >X xk @ . în cazul legii exponenĠiale
25 26 EVALUĂRI DE PERFORMANğĂ
ii) metoda 1: P >T X d 2T @ P >T X @ P >2T X @ e 1 e 2 | 0,233 ; FuncĠia de distribuĠie condiĠionată de un eveniment A, a variabilei
aleatorie X este:
metoda 2 : P >T X d 2T @ FX (2T ) FX (T ) 1 e 2 1 e 1 | 0,233 ;
P >^X d x` & A@
2T
2T FX ( x A) , dacă P >A@ ! 0 (2.2.3)
metoda 3 : P >T X d 2T @ e Ox e 1 e 2 | 0,233 . P >A@
³ f X ( X) dx T
T FuncĠia de densitate de probabilitate condiĠionată de un eveniment A,
*** a variabilei aleatorie X este (dacă derivata există!):
AplicaĠia 2.2.2 dFX ( x A)
Timpul de aúteptare într-un sistem, W, este zero pentru un client dacă el f X ( x A) (2.2.4)
dx
găseúte sistemul liber, iar în rest, adică dacă el găseúte sistemul ocupat, este
distribuit exponenĠial. Probabilitatea de a găsi sistemul liber este p. GăsiĠi: AplicaĠia 2.2.3
i) funcĠia de distribuĠie a variabilei aleatorie W ; Timpul de servire, X, al unui client urmează o funcĠie de distribuĠie
ii) funcĠia densitate de probabilitate. continuă FX (x ) . DeterminaĠi funcĠia de distribuĠie condiĠionată úi funcĠia densitate
Rezolvare: Dacă se utilizează teorema probabilităĠii totale, se scrie că: de probabilitate condiĠionată relativ la evenimentul A ^clientul este încă în
FW ( x ) P >W d x @ > @
P W d x sistemul este liber p servire la momentul t ` . ParticularizaĠi în cazul unei distribuĠii exponenĠiale a lui X
P >W d x sistemul este ocupat @ (1 p ) .
Rezolvare: Evenimentul A ^clientul este încă în servire la momentul t ` ^X ! t `.
Deoarece:
Deci:
0 pentru x 0 (nu poate exista timp de asteptare negativ)
>
P W d x sistem liber @ ® P >^X d x` &^X ! t `@ °
0 pentru x t
¯1 pentru x t 0 (W 0 d x ) >
FX ( x A) P X d x X ! t @ ® P >t X d x @ pentru x t t
P >^X ! t `@
0 pentru x 0 ° 1 P >X d t @
úi P >W d x sistem ocupat @ ® - Ox , ¯
¯1 e pentru x t 0 ( FX ( x A) 0 pentru x t , deoarece este imposibil ca timpul de servire să fie sub
rezultă deci că: x atunci când se útie că el a depăúit valoarea t).
0 pentru x 0 Înlocuind probabilităĠile cu expresii ce conĠin funcĠia de distribuĠie, obĠinem:
FW ( x ) ® Ox
¯ p (1 p )(1 e ) pentru x t 0 0 pentru x t
Graficele celor două funcĠii sunt prezentate în figura 2.2.3. °
FX ( x A) ® FX ( x ) FX (t ) pentru x t t (2.2.5)
° 1 F (t )
FW (x ) ¯ X
0 pentru x t
dFX ( x A) °
p
f X ( x A) ® fX (x) pentru x t t
(2.2.6)
dx °1 F ( t )
¯ X
x
***
fW (x ) În procesul de modelare se poate recurge la o serie de distribuĠii de
variabile aleatorii. Descrierea completă, dar compactă, a celor mai uzuale
1 p O e -Ox distribuĠii este prezentată în paragraful 2.6.
p x
AplicaĠia 2.2.4
Să se demonstreze că pentru n suficient de mari úi pentru p suficient de
mici, distribuĠia Poisson aproximează distribuĠia binomială.
Figura 2.2.3: FuncĠia de distribuĠie úi funcĠia densitate de probabilitate în cazul
DemonstraĠie:
variabilei aleatorie mixte din aplicaĠia 2.2.2.
Facem notaĠia D n p (media numărului de succese). ProbabilităĠile
*** generate de distribuĠia binomială au expresia:
27 28 EVALUĂRI DE PERFORMANğĂ
¬¯
de succese, n p în intervalul T. În acest caz, raportul np / T poate fi interpretat
ca o rată medie de apariĠie (sosire) a succeselor: O np / T D / T . La limită, când n o f , rezultă că: P >X ! t @ e Dt / T , úi deci:
Deci, variabila aleatorie, N, ce reprezintă numărul de succese obĠinute în P > X d t @ 1 e Dt / T 1 e Ot
n încercări Bernoulli desfăúurate în intervalul >0,T @ urmează o distribuĠie care este o distribuĠie exponenĠială de parametru O (rata medie a apariĠiilor).
binomială de parametri n úi p. Atunci când n o f úi p o 0 , N devine o variabilă ***
aleatorie Poisson de parametru O D / T . AplicaĠia 2.2.7
*** (lipsa memoriei variabilelor exponenĠiale) Să se arate că pentru o
> @
variabilă exponenĠială este adevărată relaĠia P X ! t h X ! t P >X ! h @ úi să
AplicaĠia 2.2.5
29 30 EVALUĂRI DE PERFORMANğĂ
evenimente din spaĠiul S X pot fi: În calcule, deseori sunt utile următoarele expresii valabile pentru o
variabilă aleatorie X pozitivă:
x ^g ( X ) y k ` , pentru a determina amplitudinea salturilor în acele puncte f
( y k ,..) atunci când este cunoscut că funcĠia de distribuĠie a lui Y are - continuă: E >X @ ³ 1 FX (t )dt (2.4.3)
discontinuităĠi; 0
ª n º n AplicaĠia 2.4.1
x E >Y @ E « ¦ g k ( X )» ¦ E >g k ( X )@ DeterminaĠi mărimile caracteristice ale variabilei X ce a fost considerată în
¬k 1 ¼ k 1 aplicaĠia 2.3.1.
DeviaĠia, D, a variabilei aleatorie X faĠă de medie este: ***
D X E >X @ (2.4.6) AplicaĠia 2.4.2
Fie N numărul de cereri de mesaj generate de o unitate centrală úi
VarianĠa (dispersia), V2 , a variabilei aleatorie X , notată úi VAR>X @ , transmise către un terminal până când acesta are un mesaj gata de transmis.
este: Dacă presupunem că terminalul produce mesaje conform unei secvenĠe de
V2 VAR>X @ E D 2 > @ E >X E>X @ @ 2
(2.4.7)
încercări Bernoulli independente, să se determine media variabilei aleatorie N.
Rezolvare: Conform ipotezei, variabila aleatorie N urmează o distribuĠie
Cele mai utile proprietăĠi ale varianĠei sunt următoarele: geometrică de lege: P >N k @ q k 1 p ; q 1 p
x VAR >C @ 0 , unde C este o constantă oarecare; f
x VAR >X C @ VAR >X @ ; - varianta 1: E>N @ ¦ k p q k 1
k 1
x VAR >C X @ C 2 VAR >X @ ; f f
1 1 p 1
> @
x VAR >X @ E X 2 E >X @ .
2 Deoarece ¦ xk
k 0 1 x
úi ¦ k x k 1
k 0 (1 x ) 2
, rezultă că: E>N @
(1 q ) 2 p
DeviaĠia standard (abaterea medie pătratică) a variabilei aleatorie X f
este: - varianta 2: E >N @ ¦ k 0
P >N ! k @
not
f
V STD >X @ VAR >X @ (2.4.8) 1
Cum P >N ! k @ 1 P >N d k @ 1 (1 q k ) q k , rezultă că: E>N @ ¦qk p
.
Coeficientul de variaĠie (factorul de iregularitate) este deviaĠia k 0
standard raportată la medie, adică: ***
STD > X @
CX (2.4.9)
E> X @ 2.5. Transformatele unei variabile aleatorie
Momentul de ordinul n al variabilei aleatorie X este:
- pentru un spaĠiu S X continuu: Cele trei metode de transformare, care urmează a fi prezentate în
f continuare, constituie un mijloc eficient de calcul al soluĠiilor ecuaĠiilor de tip
E ª¬ X n º¼ n integro-diferenĠial, iar operaĠia de înmulĠire este mult mai rapidă (chiar úi pentru
³x f X ( x )dx (2.4.10)
calculatoare) úi mai puĠin predispusă erorilor decât operaĠia de convoluĠie.
f
- pentru un spaĠiu S X discret: ¾ FuncĠia caracteristică a unei variabile aleatorie X este:
- când spaĠiul de eúantionare este continuu:
E ª¬ X n º¼ ¦ ( x k )n pX ( x k ) (2.4.11)
f
k
funcĠia fiind periodică, de perioadă 2S . dacă toate momentele variabilei aleatorie sunt finite úi cunoscute.
j ZX
FuncĠia caracteristică, ca medie a funcĠiei de o variabilă aleatorie e , AplicaĠia 2.5.2
este practic transformata (seria) Fourier (excepĠie făcând semnul exponenĠialei) a Să se determine funcĠia densitate de probabilitate a variabilei aleatorie ale
funcĠiei de densitate spectrală (a probabilităĠilor evenimentelor elementare).
Cunoscând expresia ei, putem aplica transformata Fourier inversă pentru a
cărei momente respectă următoarea relaĠie: E X n p . > @
determina: Rezolvare: Conform relaĠiei (2.5.7), funcĠia caracteristică a acestei
f variabile aleatorie este dată de expresia:
1
fX (x) ) X (Z) e j Zx dZ (2.5.4) ( jZ)2
2S ³f )X 1 jZ p p ... 1 p p e jZ
2!
respectiv, când spaĠiul de eúantionare este mulĠimea ] : Aplicând relaĠia (2.5.3), obĠinem:
2S
1 j Zk f X ( x ) (1 p ) G( x ) p G( x 1)
p X (k ) ³ ) X (Z) e dZ (2.5.5)
2S 0 adică, funcĠia densitate de probabilitate a unei variabile aleatorie de tip Bernoulli.
Teorema momentelor: ObservaĠie: expresia (2.5.7) se poate folosi úi atunci când se cunoaúte un
număr finit de momente, caz în care relaĠia (2.5.3) oferă o aproximare a funcĠiei
1 dn
E Xn> @
j n dZn
) X ( Z)
Z 0
(2.5.6) densitate de probabilitate.
***
f ½°2 ¾ FuncĠia generatoare de probabilităĠi, GN ( z ) , a unei variabile aleatorie
jZX ( jZX )
DemonstraĠie: ) X ( Z) >
E e j ZX @ °
³ ®°̄1 1!
2!
!¾ f X ( x) dx
°¿
N cu spaĠiul de eúantionare în mulĠimea numerelor naturale este:
f f
úi, considerând că toate momentele lui X sunt finite, seria poate fi integrată GN ( z ) > @
E zN ¦ pN (k ) z k (2.5.8)
termen cu termen. Se obĠine relaĠia: k 0
Al doilea termen reprezintă media unei funcĠii de o variabilă aleatorie N, iar
( jZ)2 ( jZ)n
) X ( Z) 1 jZ E >X @
2!
E X 2 !
n!
> @
E X n ! (2.5.7) > @ ultimul termen corespunde (cu excepĠia semnului) unei transformate 2 .
Numele acestei funcĠii provine din faptul că, derivând-o succesiv, se obĠin
care, prin diferenĠiere succesivă úi evaluare în Z 0 , conduce la următoarele probabilităĠile tuturor evenimentelor elementare:
d d n 1 dk
rezultate:
dZ
) X ( Z)
Z 0
E >X @ , ...
dZ n
) X ( Z)
Z 0
> @
j n E X n , q.e.d. pN ( k )
k ! dz k
GN ( z )
z 0
(2.5.9)
Rezolvare: d § O · O 1
f f E >X @ ( 1) ¨ ¸ 2
relaĠia (2.5.10): E>N @ ¦ k pN (k ) ¦ k pN (k ) , dar: ds © O s ¹ s 0 O s s 0 O
k 0 k 1
d2 § O · 2O 2
d f
k 1
f > @
E X2 ( 1)2 ¨ ¸
ds 2 © O s ¹ s 0 O s 3 s 0 O2
GN ( z ) ¦ k pN (k ) z ¦ k pN (k ) E >N @
dz z
1 k 1 z 1 k 1 2
2 § 1· 1
relaĠia (2.5.11) conduce la: Deci: > @
VAR >X @ E X 2 E >X @
2
2
¨ ¸
O ©O¹ O2
f
> @
VAR >N @ E N 2 E >N @2 , cu: E N 2 > @ ¦ k 2 pN (k ) ***
k 1
d2 f f f
G (z )
2 N ¦ k (k 1) pN (k ) z k 2 ¦ k 2 pN (k ) ¦ k pN (k ) 2.6. DistribuĠii uzuale de variabile aleatorii
dz z 1 k 2
z 1 k 2 k 2
f f Căutarea unor modele probabilistice care să aproximeze satisfăcător
¦ k 2 pN (k ) ¦ k pN (k ) diverse fenomene cu caracter aleatoriu a condus la identificarea a diverse
k 1 k 1 distribuĠii. Cele mai uzuale distribuĠii folosite în domeniul telecomunicaĠiilor sunt
2 prezentate în continuare. Descrierea lor se referă la:
d2 d § d ·
Deci: VAR>N @ G (z)
2 N
GN ( z ) ¨¨ GN ( z ) ¸ - condiĠiile de valabilitate,
dz z 1 dz z 1 © dz z 1¸¹ - spaĠiul de eúantionare,
În cazul distribuĠiei Poisson: - funcĠia densitate de probabilitate / funcĠia de distribuĠie,
f
Dk f
( D z )k - curbe reprezentative,
GN ( z ) ¦ k ! eD z k eD ¦ k!
e D e Dz eD ( z 1) - valori aúteptate (media, varianĠa),
k 0 k 0 - funcĠia caracteristică,
d d2 - exemple de aplicabilitate.
cu: GN (z) D eD( z 1) D úi GN (z) D2 eD( z 1) D2
dz z 1 z 1 dz 2 z 1 z 1 2.6.1. DistribuĠia Bernoulli
Deci: E >N @ D úi VAR >N @ D 2 D D 2 D Se presupune că: variabila aleatorie X este funcĠie indicator (IA) pentru
un eveniment A:
¾ Transformata Laplace-Stieltjes (LST - Laplace-Stieltjes Transform),
1, dacă apare evenimentu l A
Xˆ (s ) , a funcĠiei densitate de probabilitate, numită úi funcĠia generatoare de X ®
momente, ce caracterizează o variabilă aleatorie X pozitivă úi continuă, ¯0, în caz contrar
este: Parametrii: p probabilitatea de apariĠie a evenimentului A , 0 d p d 1 .
f
Xˆ (s ) E ª¬ e sX º¼ sX ProbabilităĠi elementare: p1 P >X 1@ p úi p0 P >X 0@ 1 p .
³ fX ( x) e dx (2.5.14)
Media: E >X @ p ; VarianĠa: VAR >X @ p 1 p .
0
În cazul acestei transformate, teorema momentelor devine: FuncĠia generatoare: G X z 1 p p z .
dn Xˆ (s ) AplicaĠie: modelarea mecanismului fundamental de generare a aleatoriului.
E ª¬ X n º¼ (1)n (2.5.15)
ds n s 0
2.6.2. DistribuĠia binomială
AplicaĠia 2.5.4
Să se determine media úi varianĠa unei variabile aleatorie X ce urmează Se presupune că: variabila aleatorie X reprezintă numărul succeselor unui
o lege de distribuĠie exponenĠială de parametru O utilizând transformata Laplace eveniment, înregistrate în n subexperimente (repetări) independente (este
o sumă de n variabile aleatorii independente, identic distribuite după
úi teorema momentelor.
f f f
legea Bernoulli). Probabilitatea succesului în cadrul unei repetări este p.
O SpaĠiul realizărilor: SX ^0,12, ,... n` .
Rezolvare: Xˆ (s ) s x
³ f X ( x ) e dx
O x s x
³ O e e dx O ³ e (O s ) x dx
Os
0 0 0 Parametrii: n (n ! 0) úi p (0 d p d 1)
37 38 EVALUĂRI DE PERFORMANğĂ
ProbabilităĠi elementare: AplicaĠii: numărul de apeluri repetate până la ocuparea unei resurse; numărul de
§n· §n· n! retransmisii într-un canal cu zgomot până la recepĠionarea corectă; etc.
pX k P >X k @ ¨¨ ¸¸ p k 1 p n k , k 0, n ; ¨¨ ¸¸ .
©k ¹ ©k ¹ k ! (n k ) ! 2.6.4. DistribuĠia binomială negativă
Media: E >X @ n p . Se presupune că: variabila aleatorie X este numărul de repetări până ce apar r
VarianĠa: VAR >X @ n p 1 p . succese într-o secvenĠă de subexperimente independente de
tip Bernoulli.
FuncĠia generatoare: GX (z) (1 p p z)n .
SpaĠiul realizărilor: SX ^r , r 1,.....`.
AplicaĠii: numărul de biĠi eronaĠi într-un bloc de n biĠi transmiúi printr-un canal cu
zgomot, numărul de surse active dintr-un număr n de surse, etc. § k 1· r
ProbabilităĠi elementare: pX (k ) ¨¨ ¸¸ p 1 p k r , k t r
© r 1 ¹
2.6.3. DistribuĠia geometrică
r
Versiunea I : Media: E>X @ .
p
Se presupune că: variabila aleatorie X reprezintă numărul eúecurilor unui
eveniment înregistrat pe parcursul unei secvenĠe de subexperimente r 1 p
VarianĠa: VAR>X @ .
independente, tip Bernoulli, până la apariĠia primului succes. p2
Probabilitatea succesului în cadrul unei repetări este p. r
SpaĠiul realizărilor : S X ^0,1,2,...`. pz ½
FuncĠia generatoare: GX z ® ¾ .
Parametrii: p (0 d p d 1) . ¯ 1 1 p z ¿
ObservaĠie: pentru r 1 se obĠine distribuĠia geometrică versiunea II.
ProbabilităĠi elementare: pX (k ) P >X k @ p 1 p k , k 0, 1, 2,.. AplicaĠii: asemănătoare cu cele de la distribuĠia geometrică.
1 p
Media: E>X @ . 2.6.5. DistribuĠia Poisson
p
Se presupune că:
1 p
VarianĠa: VAR>X @ . i) variabila aleatorie X este numărul de apariĠii ale unei anumite realizări
p2 pe parcursul unui interval de timp 'T ;
p ii) momentele apariĠiilor sunt distincte;
FuncĠia generatoare: GX (z) .
1 1 p z iii) oricare interval finit conĠine un număr finit de apariĠii;
Versiunea II: iv) oricare interval infinit conĠine un număr infinit de apariĠii;
Se presupune că: variabila aleatorie X ' este numărul de repetări până ce v) evenimentele nu apar la momente predeterminate;
apare primul succes într-o secvenĠă de subexperimente independente de vi) numărul apariĠiilor dintr-un interval este independent de numărul
tip Bernoulli. apariĠiilor dintr-un alt interval disjunct .
SpaĠiul realizărilor: SX ' ^1,2,...` . SpaĠiul realizărilor: SX ^0,1,2,...`.
k 1 Parametrii: D ! 0 (numărul mediu de evenimente ce apar în intervalul dat).
ProbabilităĠi elementare: pX ' (k ) p 1 p , k 1,2,"
Dk D
1 ProbabilităĠi elementare: pX (k ) e .
Media: E > X '@ . k!
p2 Media: E>X @ D .
1 p VarianĠa: VAR>X @ D .
VarianĠa: VAR > X '@ .
p2 Dz 1
FuncĠia generatoare: GX (z) e .
pz
FuncĠia generatoare: GX ' (z) . ObservaĠii:
1 (1 p) z
i) aproximează distribuĠia binomială pentru p "mic" úi n "mare",
ObservaĠii: i) X ' X 1;
considerând: D n p ;
ii) este singura variabilă aleatorie discretă ce deĠine proprietate de
lipsă de memorie . ii) timpii între două apariĠii succesive sunt variabile aleatorii independente,
39 40 EVALUĂRI DE PERFORMANğĂ
fX (x ) 0.2 4.21 10 1 4.17 10 1 2.9 1.87 103 1.86 103
3,0 0.3 3.82 10 1
3.78 10 1 3.0 1.35 103 1.35 103
0.4 3.45 10 1
3.41 10 1 3.1 9.68 10 4
9.66 104
2,5
D 3 0.5 3.09 10 1
3.05 10 1 3.2 6.87 104 6.86 104
2,0 D 2 0.6 2.74 10 1
2.71 10 1 3.3 4.83 10 4
4.83 104
D 1 0.7 2.42 10 1 2.39 10 1 3.4 3.37 104 3.36 104
1,5
0.8 2.12 10 1
2.09 10 1 3.5 2.33 10 4
2.32 104
1,0 0.9 3.6
1.84 10 1 1.82 10 1 1.59 104 1.59 104
0,5 1.0 1.59 10 1
1.57 10 1 3.7 1.08 10 4
1.08 104
x 1.1 1.36 10 1 1.34 10 1 3.8 7.24 105 7.23 105
0 1 2 3 5 1.2 1.15 10 1
1.14 10 1 3.9 4.81 105 4.81 105
4
1.3 9.68 10 2
9.60 10 2 4.0 3.17 10 5
3.16 105
Figura 2.6.1: Densitatea de probabilitate a unei variabile aleatorii Pareto (k = 1)
1.4 8.08 102 8.01 102 4.5 3.40 106 3.40 106
AplicaĠii: distribuĠia lungimii fiúierelor transferate prin Internet folosind protocolul 1.5 2 2 5.0 7
6.68 10 6.63 10 2.87 10 2.87 107
TCP (regula 80-20: 20% din fiúiere reprezintă 80% din trafic, adică câteva fiúiere
1.6 5.48 102 5.44 102 5.5 1.90 108 1.90 108
mari úi multe fiúiere mici).
1.7 4.46 10 2
4.43 10 2 6.0 9.87 10 10
9.86 1010
1.8 3.59 102 3.57 102 6.5 4.02 1011 4.02 1011
2.6.10. DistribuĠia gaussiană (normală)
1.9 2.87 10 2
2.86 10 2 7.0 1.28 10 12
1.28 1012
Se presupune că: o variabilă aleatorie X ce este determinată de o sumă în
2.0 2.28 102 2.26 102 7.5 3.19 1014 3.19 1014
număr mare de cauze independente tinde să urmeze o
distribuĠie Gauss (conform teoremei limită centrală). 2.1 1.79 102 1.78 102 8.0 6.22 1016 6.22 1016
SpaĠiul realizărilor: SX f,f . 2.2 1.39 10 2
1.39 10 2 8.5 9.48 10 18
9.48 1018
2.3 1.07 102 1.07 102 9.0 1.13 1019 1.13 1019
Parametrii: P media, V2 varianĠa.
2.4 8.20 10 3
8.17 10 3 9.5 1.05 10 21
1.05 1021
FuncĠia densitate de probabilitate:
2.5 6.21 103 6.19 103 10.0 7.62 1024 7.62 1024
1 § x P 2 ·
f X ( x) exp¨ ¸, V ! 0 . 2.6 3 3
¨ 2V 2 ¸ 4.66 10 4.65 10
2S V © ¹
În practică, se obiúnuieúte a se lucra cu funcĠia Q( x ) ("coada" distribuĠiei)
FuncĠia de distribuĠie:
definită astfel:
x
§ x P 2 · x P V
1 1 § t 2 · not. § x P · f
FX ( x ) exp ¨ ¸dx exp ¨ ¸dt ¸. 1 t 2 2
³ ³ )¨ Q(x) 1 )(x) e dt .
2S ³
2S V f ¨ 2V 2 ¸ x P 2S ¨ 2 ¸ © V ¹
© ¹ t V f © ¹ x
unde ) ( x ) este funcĠia de distribuĠie a unei variabile aleatorie gaussiene de Valorile acestei funcĠii se obĠin prin integrare numerică. Urmare a simetriei
parametri P 0 úi V 1. pare a lui fX ( x ) (vezi figura 2.6.2), rezultă:
Q( x ) )( x ) úi Q( x ) 1 )( x)
Pentru 0 x f se poate utiliza aproximaĠia (cu a 1/ S úi b 2S ) [Borj79]:
Tabelul 2.6.1: ComparaĠie între Q(x) úi aproximarea dată de relaĠia (2.6.1) 1
2
Q( x ) | ® ª1 a x a x 2 b º 2S ½¾ e x 2
(2.6.1)
x Q(x) Aproximarea x Q(x) Aproximarea ¯¬« »
¼ ¿
0.0 5.00 10 1 5.00 10 1 2.7 3.47 103 3.46 103
Tabelul 2.6.1 prezintă câteva valori ale funcĠiei Q(x ) obĠinute prin ambele
0.1 4.60 10 1 4.58 10 1 2.8 2.56 10 3
2.55 103
43 44 EVALUĂRI DE PERFORMANğĂ
metode, iar tabelul 2.6.2 oferă valorile lui x pentru care Q( x ) 10 k . Parametrii: D ! 0 úi O! 0
O (O x)D1 e Ox
f (t ) FuncĠia densitate de probabilitate : fX ( x)
X
*(D)
0.4 f *1/ 2 S
D 1 y °
0.35 unde *(D) ³y e dy , cu proprietăĠile ®*(D 1) D *(D) , pentru D N .
0 °*(D) D 1!
0.3 ¯
0.25 D
Media: E>X @ .
0.2 ) (x ) O
D
0.15
Q ( x) 1 )( x) VarianĠa: VAR>X @ .
O2
0.1 D
§ Z·
FuncĠia caracteristică: )X (Z) ¨1 j ¸ .
0.05 © O¹
t
0 2,5 1
-4 -3 -2 -1 0 1 x 2 3 4 D
2,0 2
68%
95% 1,5
D 1 D 2
99,7% 1,0
Figura 2.6.2: FuncĠia de distribuĠie a unei variabile aleatorie Gauss
0,5
k
Tabelul 2.6.2: Valorile argumentului x al funcĠiei Q( x) 10
pentru câteva valori ale exponentului k 0 1 2 3 4
-1 -k -1 -k
k x = Q (10 ) k x = Q (10 )
Figura 2.6.3: FuncĠia Gama
1 1.2815 6 4.7535
2 2.3263 7 5.1993 AplicaĠii: distribuĠia gama, prin intermediul parametrilor D úi O , poate genera o
3 3.0902 8 5.6120 varietate de curbe (vezi figura 2.6.3) prin care se pot modela diverse
4 3.7190 9 5.9978 experimente.
5 4.2649 10 6.3613 O serie de distribuĠii sunt cazuri particulare ale distribuĠiei gama. Astfel:
Media: E>X @ P . - pentru D 1 se obĠine distribuĠia exponenĠială;
2
- pentru O 1/ 2 úi D k / 2 cu k N * se obĠine distribuĠia F 2 ;
VarianĠa: VAR>X @ V . - pentru D m , m N * se obĠine distribuĠia m-Erlang.
FuncĠia caracteristică: ) X (Z) exp( j P Z V2Z2 2)
2.6.12. DistribuĠia m-Erlang
AplicaĠii: - modelează distribuĠia de amplitudine a zgomotului termic;
- modelează funcĠionarea multiplexoarelor statistice; Caz particular al distribuĠiei Gama: D m , m N * .
- aproximează distribuĠia binomială etc. SpaĠiul realizărilor: SX 0, f .
Parametrii: m N * úi O ! 0 .
2.6.11. DistribuĠia Gama
Nu se fac presupuneri. O e Ox (O x ) m 1
FuncĠia densitate de probabilitate: f X ( x ) .
SpaĠiul realizărilor: S X 0, f . m 1!
45 46 EVALUĂRI DE PERFORMANğĂ
m1
(O x)k Ox x m 2 2 e x / 2
FuncĠia de distribuĠie: FX (x) 1 ¦ k!
e . FuncĠia densitate de probabilitate: f X ( x )
2 m 2 * m 2
.
k 0
m FuncĠia de distribuĠie: FX ( x ) , vezi tabelul 2.6.3.
Media: E>X @ .
O Media: E>X @ m . VarianĠa: VAR>X @ 2 m .
m
VarianĠa: VAR>X @ O
O2 FuncĠia caracteristică: )X (Z) .
m
1 j 2 Z)m 2
§ Z· m
FuncĠia caracteristică: ) X (Z) ¨1 j ¸ . X i 2 , (cu X i sunt variabile aleatorii Gauss, i.i.d. cu P i
© O¹ ObservaĠie: X ¦i 1
0 úi
AplicaĠii: O variabilă aleatorie m-Erlang se obĠine adunând m variabile aleatorii V i 1 ) este o variabilă aleatorie F 2 cu m grade de libertate.
exponenĠiale independente, identic distribuite, de parametru O . De AplicaĠii: Se utilizează în analiza varianĠei estimatorilor obĠinuĠi pe baza
aceea, ea este un model general al timpilor de aúteptare în sistemele măsurătorilor de putere úi în aprecierea aproximării datelor
cu aúteptare, al timpilor de viaĠă în studiile de fiabilitate etc. experimentale de către modelul probabilistic presupus etc.
2
2.6.13. DistribuĠia F 2.6.14. DistribuĠia studentului
Caz particular al distribuĠiei Gama: O 1/ 2 , D m / 2 , m N * . Se presupune că:
Z
Tabelul 2.6.3: Valorile argumentului funcĠiei de distribuĠie F2
i) X , unde Z este o variabilă aleatorie gaussiană cu P Z 0 úi
Ym
pentru nivele specifice ale acesteia úi diverse grade de libertate
m
F ( x)
V Z 1 , iar Ym este o variabilă aleatorie F 2 cu m grade de libertate.
1% 5% 25% 50% 75% 95% 99%
ii) Z úi Ym sunt independente.
m= 1 0.00016 0.00393 0.10150.4549 1.323 3.841 6.635
m= 2 0.02010 0.1026 0.5753 1.386 2.773 5.991 9.210 SpaĠiul realizărilor: SX f,f .
m= 3 0.1148 0.3518 1.213 2.366 4.108 7.815 11.34 Parametrii: m.
m= 4 0.2971 0.7107 1.923 3.357 5.385 9.488 13.28 § m 1·
m= 5 0.5543 1.1455 2.675 4.351 6.626 11.07 15.09 *¨ ¸
FuncĠia densitate de probabilitate: fX ( x ) © 2 ¹
m= 6 0.8720 1.635 3.455 5.348 7.841 12.59 16.81
m 1
m= 7 1.239 2.167 4.255 6.346 9.037 14.07 18.48 §m· § x2 ·
m= 8 1.646 2.733 5.071 7.344 10.22 15.51 20.09 Sm *¨ ¸ ¨¨ 1 ¸
©2¹ © m ¸¹
m= 9 2.088 3.325 5.899 8.343 11.39 16.92 21.67
m = 10 2.558 3.940 6.737 9.342 12.55 18.31 23.21
m = 11 3.053 4.575 7.584 10.34 13.70 19.68 24.73 FuncĠia de distribuĠie: FX ( x ) vezi tabelul 2.6.4.
m = 12 3.571 5.226 8.438 11.34 14.84 21.03 26.22 Media: E>X @ 0 .
m = 15 5.229 7.261 11.04 14.34 18.25 25.00 30.58
m
m = 20 8.260 10.85 15.45 19.34 23.83 31.41 37.57 VarianĠa: VAR>X @ , dacă m ! 0
m = 30 14.95 18.49 24.48 29.34 34.80 43.77 50.89 m2
m = 50 29.71 34.76 42.94 49.33 56.33 67.50 76.15 AplicaĠii: Stabileúte intervale de încredere pentru estimarea mediei când varianĠa
2 2 2 nu este cunoscută sau când eúantioanele conĠin un număr mic de
m > 30 m 2m x x O 1 m
3 3
rezultate, n 20 etc.
x= – 2.33 – 1.64 – 0.675 0.00 0.675 1.64 2.33
SpaĠiul realizărilor: SX 0, f . Tabelul 2.6.4: Valorile argumentului z pentru probabilităĠile specifice, P > z d X d z @ ,
Parametrii: m (grade de libertate). ale unei variabile aleatorie t cu diverse grade de libertate
47 48 EVALUĂRI DE PERFORMANğĂ
E>X @ úi VAR>X @ nu există. VAR>X @ V 2 a unei variabile X, iar inegalitatea Cebâúev se enunĠă în modul
D Z următor:
FuncĠia caracteristică: ) X (x ) e .
V2
>
P X m ta d @ (2.7.2)
2.7. Metode de aproximare a2
DemonstraĠie: pentru variabila aleatorie X, următoarele două evenimente
În multe aplicaĠii, ne putem găsi în următoarele situaĠii: ^ `
sunt echivalente: ^ X t a` úi X 2 t a 2 . Aplicăm inegalitatea Markov pentru
variabila aleatorie urmărită nu este complet specificată, ci sunt
cunoscute doar media, varianĠa úi eventual câteva momente centrate de ordin variabila aleatorie X 2 úi obĠinem:
superior, E ª¬( X P X )k º¼ , pentru k ! 2 ; > @ > @
P X 2 t a 2 d E X 2 a 2 sau P > X t a @ d E X 2 a 2 > @
Se face substituĠia X m X m úi din ultima expresie rezultă că:
funcĠia densitate de probabilitate este cunoscută, dar este imposibil de
V2
integrat (vezi distribuĠia Gauss); >
P > X m t a @ d E ( X m) 2
a2
@a 2
, q. e. d.
variabila aleatorie urmărită este o sumă ponderată de variabile aleatorii
(cauze) independente, mai mult sau mai puĠin specificate. ObservaĠie: Pentru o variabilă aleatorie cu V 0 , P X m t a > @ 0,
În aceste cazuri, pentru a deĠine informaĠii relative la comportamentul pentru orice a, deci P >X m @ 1, adică în aproape toate experimentele variabila
variabilei aleatorie, se utilizează diferite tehnici de aproximare. Pe lângă aleatorie ia valoarea m .
metodele prezentate în cele ce urmează, capitolele 3.3.5-7 oferă, la rândul lor, AplicaĠia 2.7.2
alte posibilităĠi de aproximare. Media úi deviaĠia standard a timpului de răspuns al unui calculator
2.7.1. Inegalitatea Markov multiserver este m secunde, respectiv V secunde. EstimaĠi, utilizând inegalitatea
Cebâúev, probabilitatea ca timpul de răspuns să se abată cu k V secunde faĠă
Se presupune că variabila aleatorie X este pozitivă úi se cunoaúte media
de medie. ComparaĠi marginea superioară rezultată cu valoarea exactă a
E >X @ . În aceste condiĠii. inegalitatea Markov se enunĠă în modul următor: probabilităĠii în cazul distribuĠiei Gauss. Caz particular k = 2.
E >X @ V2 1 1
P >X t a@ d (2.7.1) Rezolvare: >
P X m ! k V d @ 0,25
a 2
k V 2
k 2 4
Expresia ce urmează este precizată ca demonstraĠie a inegalităĠii: > @
P X m ! k V d 2 Q( k ) 0,0456 0,25
f a f
E >X @ ³ x f X ( x ) dx ³ x f X ( x ) dx ³ x f X ( x ) d x ObservaĠie: úi această inegalitate, în general, este mult acoperitoare.
0 0 a ***
f f
t ³ t f X ( x ) dx t ³ a f X ( x ) dx a P >X t a @ 2.7.3. Inegalitatea Chernoff
a a Se presupune că se cunoaúte E >exp(t X )@ .
AplicaĠia 2.7.1 EnunĠ:
Media înălĠimii elevilor într-o clasă este 1,50 m. DeterminaĠi marginea
superioară a probabilităĠii ca un elev să fie mai înalt de 3 m. P >X t a@ d min ^exp(t a)` E >exp(t X )@ d min ^exp t a ln E >exp(t X )@` (2.7.3)
t t0 t t0
Rezolvare: P >X t 3@ d 1,5 / 3 0,5 .
ObservaĠie: Rezultatul obĠinut îl considerăm lipsit de sens deoarece în DemonstraĠie:
cazul acestei variabile aleatorie (X = înălĠimea copiilor) deĠinem úi informaĠii 1 pentru X t a
Se defineúte o variabilă aleatorie Y ® . În acest caz,
relative la varianĠa sa (variabilitatea biologică a înălĠimii copiilor faĠă de medie), ¯0 pentru X a
pe care metoda nu le foloseúte. pentru t t 0 , avem: exp(t X ) t exp(t a) Y
2.7.2. Inegalitatea Cebâúev Mediind obĠinem că:
Se presupune că se cunosc valorile mediei E >X @ m úi varianĠei E >exp(t X )@ t exp(t ) E >Y @ ,
51 52 EVALUĂRI DE PERFORMANğĂ
cu: E>Y @ 1 P >Y 1@ 0 P >Y 0@ 1 P >X t a @, evenimentele: ^Y 1` úi ^X t a` evenimente. Se presupune că: probabilităĠile evenimentelor individuale sunt
fiind echivalente. cunoscute.
Deci: E >exp(t X )@ t exp(t a) P >X t a@ . EnunĠ:
Această inegalitate fiind valabilă pentru t , rezultă că : ª º
*
P « Ai » d P >Ai @
¦ (2.7.4)
P >X t a@ d min^exp(t a)` E >exp(t X )@ q.e.d. ¬« i ¼» i
t t0
DemonstraĠie:
AplicaĠia 2.7.3 P >A B @ P >A@ P >B @ P >A & B @ d P >A@ P >B @ , deoarece P >!@ t 0 etc.
i) DeterminaĠi expresia inegalităĠii în cazul distribuĠiei Gauss; AplicaĠia 2.7.4
ii) Pentru m = 0, V = 1 úi a = 3 determinaĠi marginile oferite de DeterminaĠi marginea probabilităĠii P >X 1 t 3 sau X 2 t 4@ , unde X 1 úi X 2
aproximările Chernoff úi Cebâúev. ComparaĠi rezultatul cu valoarea exactă a sunt două variabile aleatorii Gaussiene independente, caracterizate prin:
>
probabilităĠii P X t a . @ P X1 P X 2 0, V X1 1 úi V X 2 2 . ComparaĠi cu valoarea exactă.
Rezolvare: Rezolvare:
1
f
° x m 2 ½° P >X 1 t 3 sau X 2 t 4@ d P >X 1 t 3 @ P > X 2 t 4@
i) E >exp(tX )@ exp(tX ) exp ® ¾ dx
2S V ³f
°̄ 2V 2 °¿ Q 3 Q2 0,00135 0,0228 | 0,02415
P >X 1 t 3 sau X 2 t 4@ P >X 1 t 3 @ P > X 2 t 4@ P >X 1 t 3 & X 2 t 4@
1 §
exp¨ tm
t 2 V 2 ·¸
f
exp
>
x (m tV 2 ) @ 2
dx Deoarece variabilele aleatorii X 1 úi X 2 sunt independente, rezultă că:
2S V ¨ 2 ¸¹ ³ 2V 2
© f P >X1 t 3 & X 2 t 4@ P >X1 t 3 @ P > X 2 t 4@
§ t 2 V 2 ·¸ úi deci: P >X 1 t 3 sau X 2 t 4@ Q3 Q 2 Q3 Q2 ! | 0,02407
exp¨ tm
¨ 2 ¸¹ ObservaĠie: Atunci când variabilele aleatorii sunt independente úi probabilităĠile
©
evenimentelor considerate sunt mici, marginea reuniunii se găseúte foarte
Expresia inegalităĠii devine:
aproape de valoarea exactă.
° § t 2 V 2 · ½° ***
P > X t a @ d min ®exp ¨ ta tm ¸¾ ,
t t0 ¯ ¨ 2 ¸¹ °
° © ¿ 2.7.5. Calculul aproximativ al valorilor aúteptate E>g X @
2 2½
d° t V ° am Pentru a calcula E>g X @ , unde g(...) este o funcĠie deterministă de expresie
iar ® t a t m ¾ 0 , conduce la t , deci:
dt °̄ 2 °¿ V2 cunoscută, úi X o variabilă aleatorie de distribuĠie foarte complexă, imposibil de
a m 2 integrat sau necunoscută, se utilizează diverse modele aproximative. Ele
P >X t a@ d exp presupun că:
2V 2 i) SX >a,b@ unde a úi b sunt finite;
ii) Aproximarea Cebâúev: P >X t a@ d P X t a d > @ E X2> @ 1
| 0,111
ii) momentele lui X (cel puĠin primele N) sunt cunoscute. Acestea pot fi
a2 9 oferite de modele teoretice sau estimate prin simulare.
2 2
Aproximarea Chernoff: P >X t a@ d e a 2V e 9 2 | 0,0111 2.7.5.1. Dezvoltarea în serie Taylor trunchiată
Valoarea exactă: P >X t a@ Q(a) Q(3) 0,0013 FuncĠia g(x ) se dezvoltă în vecinătatea lui x0 :
ObservaĠie: Aproximarea Chernoff este mai precisă decât aproximarea Cebâúev f
( x x0 ) k ( k )
deoarece conĠine mai multă informaĠie relativă la variabila aleatorie X (se g( x ) g( x0 ) ¦ k!
g ( x0 ) ,
cunoaúte E>exp(tX )@ ). k 1
@
>
1 P >Ak 1@ P Yk 0 Ak 1 P >Ak 1@ 0,033813 @
i) DeterminaĠi expresia analitică úi calculaĠi valoarea probabilităĠii de 12 12
eroare, pe , într-un sistem de comunicaĠie binar útiind că: Conform relaĠiilor anterioare, pe este o medie a probabilităĠii
a) simbolurile, Ak , sunt codate cu +1 respectiv –1; evenimentelor posibile, deci:
b) interferenĠa simbolurilor ISI (InterSimbol Interference), [Pop97] este ª § 1 X ·º
pe E «Q¨ ¸»
de forma: X 0,2 Ai 2 0,1Ai 1 , unde Ai 2 úi Ai 1 sunt variabile ¬ © V ¹¼
aleatorii binare, independente pentru care P >Ak r1@ 1/ 2 ; §x m· §x m·
ii) Ne aflăm în cazul: g( x ) erfc ¨¨ ¸¸ 2 Q¨ ¸
c) zgomotul are varianĠa V 2 1/ 4 . © 2V ¹ © V ¹
ii) CalculaĠi valoarea aproximativă pentru pe utilizând dezvoltarea Taylor dk 2 2
capitolul 3
variabilă aleatorie discretă, X D , cu distribuĠia:
P >X D xi @ w i , pentru i 1, N
Setul de perechi ( xi , w i ) se obĠine impunând condiĠia ca primele 2N
momente ale celor două variabile, X úi X D să fie egale două câte două (este
necesar să se cunoască primele 2N momente ale variabilei aleatorie X pentru
a obĠine un sistem de 2N ecuaĠii cu 2N necunoscute: xi úi w i ). Literatura de
specialitate [Abra64] oferă astfel de seturi pentru un număr mare de distribuĠii
cunoscute. RelaĠia de aproximare ce le utilizează este:
b N
E>g( X )@ ³ g ( x ) f X ( x ) dx | ¦ w i g( xi )
a i 1
AplicaĠia 2.7.5
Variabila aleatorie X
varianĠa 9. Să se determine E X :
urmează o distribuĠie Gauss, având media 2 úi
> @4
Variabile aleatorii
i) prin calcul exact; ii) utilizând aproximarea prin cuadratură.
Rezolvare: vectoriale
i) prin derivarea funcĠiei caracteristice se obĠine că: E X 4 475 > @
f 5
2
ii) Din [Abra64], utilizând relaĠia: ³ g ( x ) e x dx | ¦ w i g( xi ) úi valorile
f i 1
din tabelul alăturat, se calculează media căutată: Variabilă aleatorie vectorială, X X 1, X 2 ,", X n , este o funcĠie care
xi wi alocă un vector de n numere reale fiecărei realizări ] din spaĠiul de eúantionare,
r 2,02018 0,001995 S, al unui experiment aleator. Elementele vectorului pot reprezenta observaĠii
r 0,95857 0,039361 măsurabile, ce caracterizează o realizare, câteva măsurători repetate ale unei
0,00000 0,094530 anumite mărimi etc.
f f
1 x P
2
2V2 1 AplicaĠia 3.1
³g
2
E ª¬ g X º¼ ³ g( x ) e dx 2y P e y dy
n 2SV f n S DaĠi exemple de experimente care generează variabile aleatorii
f
distribuĠie x P vectoriale.
y Rezolvare: Fie eúantionarea cu perioadă T, a unui semnal X (t ) .
Gauss 2V
Eúantionul, X k X (kT ) , luat la momentul kT reprezintă o variabilă aleatorie, iar
5
1 vectorul alcătuit din primele n eúantioane, adică X X 1, X 2 ,", X n , este o
adică: E>g( X )@ | ¦ w i g( 2 x i P) .
Si 1 variabilă aleatorie vectorială.
În cazul particular, g( X ) X 4 , se obĠine: E X 4 | 475 > @ ObservaĠie: NoĠiunea de eúantion se întâlneúte atât în statistică, cât úi în
domeniul prelucrării semnalelor electrice. SemnificaĠiile sunt însă puĠin diferite, în
ObservaĠie: Comparând cele două valori se observă că aproximarea prin
primul caz reprezentând un ansamblu de realizări ale unui fenomen aleatoriu, iar
cuadratură oferă rezultate foarte bune.
în al doilea caz constituind valoarea unei mărimi electrice măsurate la un
moment dat.
***
57 58 EVALUĂRI DE PERFORMANğĂ
O variabilă aleatorie vectorială poate fi continuă, dacă toate Figura 3.2 oferă două exemple de evenimente bidimensionale ce sunt
componentele sale sunt variabile aleatorii continue, discretă, dacă toate exprimabile în formă produs.
componentele sale sunt discrete, sau mixtă, dacă o parte din componente sunt Evenimentele ce nu au forma produs pot fi aproximate, la limită
variabile aleatorii continue úi restul discrete. identificate, cu reuniuni de evenimente produs (vezi figura 3.3). Astfel, dacă B
Evenimentelor ce implică o variabilă aleatorie vectorială cu spaĠiu de este un eveniment fără formă produs úi B1, B2 ," evenimente cu formă produs,
eúantionare n-dimensional, le corespund regiuni în acest spaĠiu S. disjuncte, a căror reuniune îl aproximează, atunci probabilitatea evenimentului B
AplicaĠia 3.2 este dată de relaĠia:
Fie variabila aleatorie vectorială (bidimensională) V ( X ,Y ) . ª º
Presupunând că S V \ u \ , să se determine regiunile ce corespund P >B @ # P «* Bk » ¦ P >Bk @ (3.3)
¬k ¼ k
evenimentelor: i) A ^X Y d 10`; ii) B ^min X ,Y d 5`; iii) C X 2 Y 2 d 100 . ^ ` La limită, când evenimentele Bk devin arbitrar de "fine", relaĠia devine exactă.
Rezolvare: regiunile de interes sunt precizate în figura 3.1.
y y
y y y (0,10)
(0,10)
Bk ^xk 1 X d xk `& ^Y d y k `
(5,5) (10,0)
(10,0)
A
B x
C x x
x
x
x y1
aleatorie bidimensionale, se pot extinde pentru variabile aleatorii vectoriale de x pV q, r P >Q q, R r @ P >N q M r @ z (1 p ) p q M r
orice dimensiune.
O variabilă aleatorie bidimensională este un vector ale cărui componente x P >Q q @ P >N ^qM, qM 1,..., qM (M 1)`@
pot avea, în mod distinct, spaĠiul de eúantionare discret sau continuu.
P >N qM sau N qM 1 sau " sau N qM (M 1)@
O variabilă aleatorie bidimensională discretă, V ( X ,Y ) , adică cu ambele
componente având un spaĠiu de eúantionare discret, este complet descrisă de M 1 M 1
probabilităĠile elementare de legătură (simultane): ¦ (1 p) pqM k (1 p) pqM ¦ pk
(1 pM ) pM
q
k 0 k 0
pV ( x i , y j ) >
PX x i ,Y @
y j pentru i , j 1, 2," (3.1.1)
cu q 0,1, 2,"
unde perechea ( x i , y j ) este un element al mulĠimii de eúantionare S X,Y . ObservaĠie: funcĠia de distribuĠie marginală a variabilei aleatorie Q este o
Probabilitatea de apariĠie a oricărui eveniment, A S X ,Y , este: progresie geometrică de parametru pM .
x lim FX ,Y ( x, y ) FX ,Y (a, y ) úi lim FX ,Y ( x, y ) FX ,Y ( x, b ) (reprezintă FuncĠia de distribuĠie de legătură a variabilei aleatorie ( X ,Y ) este dată de
x oa y ob
expresia:
continuitatea "de la nord" úi "de la est"; este indusă de continuitatea la (1 e Dx ) (1 e Ey ) pentru x t 0, y t 0
dreapta a unei variabile aleatorii unidimensionale); FX ,Y ( x, y ) ®
¯0 in rest
x probabilităĠile evenimentelor ce implică o variabilă aleatorie
bidimensională continuă se determină exprimând evenimentele ca reuniuni úi DeterminaĠi funcĠiile de distribuĠie marginale.
intersecĠii de dreptunghiuri semi-infinite: Rezolvare:
P >x1 x d x2 & y 1 y d y 2 @ FX ,Y ( x2 , y 2 ) FX ,Y ( x 2 , y 1) FX ,Y ( x1, y 2 FX ,Y ( x1, y 1) FX ( x ) FX ,Y ( x, f) lim (1 e Dx ) (1 e Ey ) 1 e Dx , pentru x t 0 ;
y of
E y
AplicaĠia 3.1.2 FY ( y ) 1 e , pentru y t 0 .
DeterminaĠi probabilităĠile evenimentelor: ***
A ^X d x1,Y d y 1`, B ^x1 X d x 2 ,Y d y 1`, C ^x1 X d x 2 , y 1 Y d y 2 ` FuncĠia densitate de probabilitate de legătură (simultană) a unei
pentru cazul în care comportamentul variabilei aleatorie ( X ,Y ) este descris de variabile aleatorie vectoriale bidimensionale, continue, V ( X ,Y ) , dacă există,
funcĠia de distribuĠie FX ,Y ( x, y ) . este:
wFX ,Y ( x, y )
y
x1 x2
f X ,Y ( x, y ) (3.1.6)
wx wy
y
x1 x2 x RestricĠiile sunt legate de imposibilitatea de a deriva parĠial funcĠia de
x y2 distribuĠie (ea însăúi este discontinuă, derivata parĠială după o variabilă este
y1 C discontinuă etc.).
y1 Exprimarea probabilităĠii de apariĠie a unui eveniment A prin intermediul
B densităĠii de probabilitate este (vezi úi figura 3.1.3.):
B
P >V A@ ³³ f X ,Y ( x ' , y ' )dx ' dy ' (3.1.7)
a. Evenimentul ^x 1 X d x 2 ,Y d y 1` b. Reuniune de evenimente disjuncte A
Figura 3.1.2 x y
deci: FX ,Y ( x, y ) ³ ³ f X ,Y ( x ' , y ' ) dx ' dy ' (3.1.8)
Rezolvare: f f
i) P >A@ P >X d x1,Y d y 1 @ FX ,Y ( x1, y 1) Densitatea de probabilitate marginală a unei variabile aleatorie izolate
ii) Regiunea ce corespunde evenimentului B este reprezentat în se leagă de densitatea de probabilitate (dacă există!) a variabilei aleatorie
figura 3.1.2a. Conform acesteia, există următoarea relaĠie de echivalenĠă între vectoriale V ( X ,Y ) prin relaĠiile:
evenimente:
^X d x2 ,Y d y1` ^X d x1,Y d y1` B .
Deoarece ^X d x1,Y d y 1` B , rezultă că: FX ,Y ( x 2 , y 1) FX ,Y ( x1, y 1) P >B@ ,
úi deci: P >x1 X d x 2 ,Y d y 1 @ FX ,Y ( x 2 , y 1) FX ,Y ( x1, y 1)
iii) Regiunea ce corespunde evenimentului C este reprezentat în figura
3.1.2b. Există următoarea relaĠie de echivalenĠă:
^X d x2,Y d y2` { ^X d x1,Y d y2` B C
în care evenimentele din membrul drept al egalităĠii sunt disjuncte între ele, deci:
FX ,Y ( x 2 , y 2 ) FX ,Y ( x1, y 2 ) P >B @ P >C @
P >x1 X d x2 & y1 Y d y 2 @ FX ,Y ( x2 , y 2 ) FX ,Y ( x1, y 2 ) FX ,Y ( x2 , y1) FX ,Y ( x1, y1)
*** Figura 3.1.3: Exemplu de funcĠie de densitate de probabilitate a unei variabile
aleatorie bidimensionale
AplicaĠia 3.1.3
63 64 EVALUĂRI DE PERFORMANğĂ
0 y' x' 0 x
Rezolvare:
i) SpaĠiul de eúantionare al variabilei ( X ,Y ) este reprezentat în Figura 3.1.5: Expresia f X ,Y ( x, y ) pe diferite intervale
figura 3.1.4a. Deci:
f f f x f
v) FX ( x ) FX ,Y ( x, f ) (1 e x )2
1 ³³ f X ,Y ( x, y ) dy dx c e x e y dy dx c e x (1 e x )dx
³ ³ ³ c 2
0 0 0 0 0 FX ( y ) FX ,Y ( f, y ) 1 e 2 y
ii) funcĠiile marginale cerute sunt: ***
f x AplicaĠia 3.1.5
x y
fX ( x) ³ fX ,Y (x, y ) dy ³ 2e e dy 2e x (1 e x ) FuncĠia densitate de probabilitate de legătură a unei variabile aleatorie,
0 0 (X, Y ), gaussiană are expresia:
1
e x 2Uxy y / 21U
f f 2 2 2
fY ( y ) f X ,Y ( x, y ) dx x y
2e 2 y f X ,Y x, y (3.1.10)
³ ³ 2e e dx
2S 1 U 2
0 y
iii) Evenimentului ^X Y d 1` îi corespunde regiunea haúurată în Să se determine:
65 66 EVALUĂRI DE PERFORMANğĂ
FX ,Y x, y ¦ P >X x i ,Y d y @ (3.1.11)
iv) fX ( x ) fY ( y ) ^2S exp ª¬2(x 2
`
y 2 )º¼ , pentru x, y .
^xi :xi d x ` Pentru U 0 avem fX ,Y ( x, y ) fX ( x ) fY ( y ) , ceea ce înseamnă că
variabilele aleatorii X úi Y sunt independente dacă úi numai dacă U 0 . Se
3.1.1. IndependenĠa componentelor
precizează aici că U este coeficientul de corelaĠie între X úi Y, noĠiunea aceasta
Componentele X úi Y ale unei variabile aleatorie bidimensionale sunt
fiind definită mai târziu în cuprinsul acestui capitol.
independente dacă pentru orice evenimente unidimensionale, A S X úi
***
B SY , se respectă relaĠia: Teoremă: Dacă X úi Y sunt variabile aleatorii independente, atunci orice
67 68 EVALUĂRI DE PERFORMANğĂ
Dacă derivata există, atunci densitatea de probabilitate condiĠionată ii) în cazul X continuu úi Y continuu/discret:
d f
corespunzătoare este: fY ( y x k ) FY ( y , x k )
dy P >Y A@ ³ P >Y A X x @ f X ( x ) dx (3.1.2.7)
Dacă X úi Y sunt componentele continue ale unei variabile aleatorie f
bidimensionale, distribuĠia condiĠionată se defineúte printr-un procedeu de Datorită avantajelor oferite, calculul probabilităĠilor unor evenimente
aducere la limită: complicate recurge deseori la această teoremă.
P >x X d x h,Y d y @
FY ( y x ) lim P >Y d y x X d x h @ lim AplicaĠia 3.1.2.1
h o0 h o0 P >x X d x h @ Numărul total de apeluri generate pe o arie geografică, X este o variabilă
y x h
aleatorie Poisson de medie D . Presupunând că fiecare apel are probabilitatea p
³ ³ f X ,Y (u, v ) du dv de a apărea într-o regiune specificată, R, úi că localizarea fiecărui apel este
f x
lim x h independentă de localizarea celorlalte apeluri, să se determine funcĠia de
h o0
³ f X (u ) du probabilitate a numărului de apeluri, Y, ce apar în regiunea R .
x Rezolvare: Conform teoremei probabilităĠii totale se scrie că:
Considerând variaĠia lui f X ,Y (u, v ) , după u pe intervalul ( x, x h ) , f f
nesemnificativă, rezultă:
P >Y j@ ¦ P >Y j, X k@ ¦ P >Y jX @
k P >X k@,
k 0 k 0
69 70 EVALUĂRI DE PERFORMANğĂ
(E t ) k E t D t DE k k ( D E ) t
f f f 0 0
>
P >N k @ ³ P N k T t fT (t ) dt ³ @k!
e D e dt
k ! 0³
t e dt
x VAR>N @ E>N @ E>N @
2 2
E E>T @ E E>T @ E E>T @ E VAR>T @ E E>T @
2 22 2 2
0 0
Facem substituĠia: r (D E) t úi deci: ObservaĠii:
k - dacă T este constant, adică E >T @ constant úi VAR >T @ 0 , atunci
DE k DE k
f
k r D § D · variabila aleatorie N urmează o distribuĠie Poisson de parametru E E >T @.
P >N k@ ³ r e dr ¨¨1 ¸
k! D Ek 1 0 D Ek 1 D E © D E ¸¹ - dacă T este variabilă, varianĠa sa influenĠează varianĠa variabilei
3.2. Variabile aleatorii n-dimensionale (n >2) p X 1, X 2 , X 3 ( x1, x 2 , x3 ) (1 a1 )(1 a2 )(1 a3 ) a1x1 a2x 2 a3x 3 , cu x1 t 0, x 2 t 0, x3 t 0 .
Metodele de specificare úi rezultatele obĠinute pentru probabilităĠile unei DeterminaĠi p X 1, X 2 ( x1, x 2 ) úi p X 1 ( x1 ) , útiind că 0 ai 1 .
variabile aleatorie vectoriale bidimensionale se aplică, prin extensie, variabilelor Rezolvare:
aleatorii vectoriale n-dimensionale. Astfel: f
x funcĠia de probabilitate marginală a unui subansamblu, m, de FX 1, X 2 ,", X n ( x1, x 2 ,", x n ) ³ ... ³ f X 1, X 2 ,..., X n ( x1, x 2 ,", x n ) dx1 dx 2 " dx n (3.2.7)
f f
variabile aleatorii discrete se determină sumând după celelalte n m
variabile aleatorii discrete din vector, pentru toate realizările posibile. De Invers, dacă se cunoaúte funcĠia densitate de distribuĠie, úi ea este
exemplu: derivabilă atunci:
p X ( x j ) P ª¬ X j x j º¼ wn
j
¦" ¦ ¦ ." ¦ p X , X ,", X 1 2 n
( x1, x2 ,", xn ) (3.2.4) fX 1,X 2 ,",X n ( x1, x2,", xn ) FX ,X ,",X n ( x1, x2 ,", xn ) (3.2.8)
x1 x j 1 x j 1 xn wx1 " w xn 1 2
x funcĠia de probabilitate a unui subansamblu m de variabile aleatorii FuncĠia densitate de distribuĠie marginală a unui subset de m variabile
condiĠionată de restul n m variabile aleatorii ale vectorului este: aleatorii din totalul de n este:
pX ' ,",X ' ( x '1,", x 'n ) f f
pX ' , X ' ,",X ' ( x '1,", x 'm x 'm1,", x 'n ) 1 n
(3.2.5) f X '1,",X 'm ( x '1 ,", x ' m ) ... f X '1,",X 'n ( x '1 , x ' 2 ,", x ' n ) dx ' m 1 " dx ' n (3.2.9)
1 2 n
pX '
m 1,", X n' ( x 'm1,", x 'n ) ³ ³
f f
unde X '1 , X ' 2 ,", X ' n reprezintă variabilele aleatorii X1, X 2 ,..., X n puse în FuncĠia densitate de distribuĠie a unui subset de m variabile aleatoare
altă ordine, iar în mod corespunzător x '1 , x ' 2 ,", x ' n reprezintă realizările condiĠionate de restul este (cu condiĠia ca f X ' m 1 ,..., X ' n ( x ' m 1 ,", x ' n ) ! 0 ):
x1, x 2 ,", x n puse úi ele în ordinea respectivă. f X 1,", X n ( x '1 ,", x ' n )
f X '1 ,", X ' n ( x '1 ,", x ' m x ' m 1 ,", x ' n ) (3.2.10)
AplicaĠia 3.2.1 f X ' m 1 ,", X ' n ( x ' m 1 ,", x ' n )
Un sistem primeúte mesaje pe trei linii de comunicaĠie. Fie X i numărul
AplicaĠia 3.2.2
de mesaje recepĠionate pe oră din linia j. Presupunem că funcĠia de probabilitate
Variabila aleatorie ( X 1, X 2 , X 3 ) are funcĠia densitate de probabilitate:
a vectorului ( X1, X 2 , X 3 ) este:
73 74 EVALUĂRI DE PERFORMANğĂ
§ 1 ·
¨ x12 x 22 2 x1 x 2 x 32 ¸ află determinând echivalentul evenimentului ^ Z d z` :
2
e © ¹
FZ (z) P >Z d z @ P >x R Z @ (3.3.1)
f X 1, X 2 , X 3 ( x1, x 2 , x3 ) (Gauss ) (3.2.11)
2S S
cu: RZ ^x x1,..., x n : g ( x ) z`.
DeterminaĠi funcĠia densitate de probabilitate marginală a subansamblului
Când variabila aleatorie X 1,", X n este simultan continuă, atunci:
variabilelor aleatorii X 1 úi X 3 .
Rezolvare [Ioan98] : FZ ( z ) ³ x...R ³ f X ,... X
1 n
( x1, x 2 ,..., x n ) dx1 " dx n (3.3.2)
Z
f ( x x 2 x1x2 )
e x / 2 e x / 2 e x / 2
2 2 2 2 2
3
e 1 2 3 1
RelaĠia (3.3.2) este valabilă úi pentru variabilele aleatorii vectoriale mixte
fX ,X ( x1, x3 ) ³ dx1
1 3
2S 2S / 2 2S 2S sau discrete, caz în care o parte sau toate integralele devin sume după
f evenimentele din dimensiunea respectivă.
***
Componentele X 1,", X n ale unei variabile aleatorii vectoriale sunt AplicaĠia 3.3.1.
Fie variabila aleatorie vectorială ( X ,Y ) úi variabila aleatorie Z X Y .
independente dacă:
DeterminaĠi FZ (z ) úi fZ (z ) , considerând cunoscută funcĠia densitate de
P >X 1 A1,", X n An @ P >X 1 A@ ! P >X n An @ (3.2.12)
probabilitate f X ,Y ( x, y ) .
pentru oricare set de evenimente unidimensionale A1,", An .
Teoremă: X 1,", X n sunt independente dacă úi numai dacă: y
y = z– x
FX 1,", X 2 ( x1,..., x n ) FX 1 ( x1 ) ! FX n ( x n ) (3.2.13)
Pentru variabile aleatorii vectoriale discrete, relaĠia (3.2.13) este echivalentă cu:
p X 1,..., X n ( x1,..., x n ) p X 1 ( x1 ) ... p X n ( x n ) , pentru x1,..., x n (3.2.14)
x
Pentru variabile aleatorii simultan continue, relaĠia (3.2.13) este echivalentă cu:
f X 1 ,...,X n x 1 ,..., x n f X 1 x 1 f X 2 x 2 ... f X n x n (3.2.15) Figura 3.3.1: Regiunea x y d z
AplicaĠia 3.2.3
VerificaĠi independenĠa variabilelor aleatorii X 1 úi X 3 din exemplul Rezolvare: Regiunea din plan, ce corespunde evenimentului ^Z d z` este
anterior (AplicaĠia 3.2.2.). prezentată în figura 3.3.1. În acest caz:
2 2 f z x' f
e x1 /2
e x3 / 2 FZ ( z )
Rezolvare: f X 1, X 3 ( x1, x3 )
f X 1 ( x1 ) f X 3 ( x3 ) ³ ³ f X ,Y ( x ' , y ' ) dx ' dy ' úi fZ ( z ) ³ f X ,Y ( x ' , z x ' ) dx ' .
2S 2S f f f
deci X 1 úi X 3 sunt variabile aleatorii independente, ce urmează o lege de Dacă X úi Y sunt independente, atunci f X ,Y ( x, y ) f X ( x ) fY ( y ) , úi deci:
distribuĠie Gauss de medie zero úi varianĠă unitate. f
fZ ( z ) ³ f X ( x ' ) fY ( z x ' ) dx ' (3.3.3)
3.3. FuncĠii de mai multe variabile aleatorii f
ObservaĠie: relaĠia (3.3.3) reprezintă convoluĠia dintre două funcĠii
Interpretarea unor fenomene aleatorii necesită deseori prelucrarea mai densitate de probabilitate (marginală, în cazul acestei aplicaĠii).
multor variabile aleatorii. Astfel, pe baza unui eúantion X 1,", X n alcătuit din ***
măsurătorile repetate ale aceleiaúi mărimi supuse observaĠiei se pot determina
următoarele mărimi: valoarea maximă, valoarea minimă, media pe eúantion, 3.3.1. Mărimi caracteristice ale funcĠiilor
varianĠa pe eúantion, etc. Aceste mărimi, variabile aleatorii la rândul lor, se obĠin de două variabile aleatorii
aplicând diverse funcĠii, g (") , ale eúantionului în cauză. Determinarea mărimilor aúteptate ce descriu o funcĠie de mai multe
FuncĠia de distribuĠie a unei variabile aleatorie, Z g ( X 1, X 2 ,", X n ) se variabile aleatorii urmează un procedeu similar cu cel descris în cazul unei unice
75 76 EVALUĂRI DE PERFORMANğĂ
variabile aleatorie. Astfel, în cazul general, media (valoarea aúteptată a) unei Momentul centrat de ordinul jk al variabilelor aleatorii X úi Y este
funcĠii de două variabile aleatorii X úi Y este dată de relaĠia: momentul de ordinul jk al variabilelor aleatorii centrate X E >X @ úi Y E >Y @ .
f f
°- pentru X ,Y continue : g( x, y ) f X ,Y ( x, y ) dx dy CovarianĠa variabilelor aleatorii X úi Y este momentul centrat de
°
³³ ordinul j 1 úi k 1:
f f
°
°
f
COV >X ,Y @ E > X E >X @Y E >Y @@ (3.3.2.5)
E>Z @ ®- pentru X discret,Y continuu : ¦³
g( x i , y ) f X ,Y ( x i , y ) dy (3.3.1.1)
° xi f Ea poate fi pusă úi sub forma:
°- pentru X ,Y discrete :
¦¦
g( x i , y i ) pX ,Y ( x i , y i ) COV >X ,Y @ E >X Y @ E >X @ E >Y @ (3.3.2.6)
°
xi y i
° Dacă două variabile aleatorii sunt independente, covarianĠa lor este nulă.
¯
Reciproca, însă, nu este adevărată decât în anumite cazuri.
AplicaĠia 3.3.1.1 (media sumei a două variabile aleatorii)
Fie variabila aleatorie vectorială continuă ( X ,Y ) descrisă de funcĠia densitate de Coeficientul de corelaĠie, U , al variabilelor aleatorii X úi Y este:
probabilitate f X ,Y ( x, y ) . Să se determine media variabilei aleatorie Z X Y . COV >X ,Y @ E>X Y @ E>X @ E>Y @
U (3.3.2.7)
Rezolvare: STD>X @ STD>Y @ V X VY
f f
E >Z @ E >X Y @ CorelaĠia, evaluată prin intermediul coeficientului de corelaĠie, arată cât
³ ³ ( x y ) f X ,Y ( x, y ) dx dy de "strâns" sunt legate variabilele în cauză. Astfel, este cu atât mai probabil ca
f f
f f f f două realizări particulare x úi y să fie:
³ ³ x f X ,Y ( x, y ) dx dy ³ ³ y f X ,Y ( x, y ) dx dy (3.3.1.2)
x ambele peste sau sub medii, cu cât U o 1 ,
f f f f
f f
x una peste úi una sub medie, cu cât U o 1 ,
³ x f X ( x ) dx ³ y fY ( y ) dy E >X @ E >Y @
f f x lipsite de legătură, cu cât U o 0 .
ObservaĠii:
AplicaĠia 3.3.1.2
- Expresia (3.3.1.2) nu Ġine cont dacă variabilele aleatorii individuale, X úi
VerificaĠi independenĠa úi calculaĠi coeficientul de corelaĠie dintre
Y, sunt sau nu independente;
variabilele aleatorii X úi Y a căror distribuĠie de legătură este dată în
- Expresia (3.3.1.2) se menĠine indiferent de natura variabilei aleatorii
tabelul 3.3.2. InterpretaĠi rezultatul. PrecizaĠi o alocare de probabilităĠi care să
vectoriale în cauză.
corespundă unei corelaĠii puternic negative a celor două variabile.
***
Tabelul 3.3.2: Exemplu de distribuĠie bidimensională discretă
Momentul E X Y > j k
@ de ordinul jk al variabilei aleatorie ( X ,Y ) este: x y pX ,Y ( x, y )
f f
°- pentru X ,Y continue :
j k -1 -1 7/16
°
³ ³x y f X ,Y ( x, y ) dx dy
-1 1 1/16
f f
° f 1 -1 2/16
>
E X Y j k
@ °
®- pentru X discret,Y continu : ¦ ³ xij y k f X ,Y ( xi , y ) dy (3.3.2.4) 1 1 6/16
° xi f
°- pentru X ,Y discrete :
° ¦ ¦ x ij y nk p X ,Y ( x i , y n ) 3.3.2. Sume de variabile aleatorii
xi y n Deseori suntem confruntaĠi cu probleme ce presupun contorizarea
¯°
apariĠiilor unui eveniment, cumularea de rezultate sau medierea unor serii de
CorelaĠia E >X Y @ a variabilelor aleatorii X úi Y este momentul de măsurători. În general, rezolvarea acestor probleme se reduce la determinarea
ordinul j 1 úi k 1 . Variabilele aleatorii X úi Y sunt ortogonale (necorelate) exactă sau aproximativă a distribuĠiei ce caracterizează o sumă de n variabile
aleatorii.
dacă E >X Y @ 0 .
AplicaĠia 3.3.2.1 (media sumei a n variabile aleatorii)
77 78 EVALUĂRI DE PERFORMANğĂ
Fie variabila aleatorie vectorială continuă X 1, X 2 ,", X n descrisă de Cum X 1,", X n sunt independente, înseamnă că funcĠiile de variabile aleatorii
funcĠia densitate de probabilitate f X1,", X n ( x1,", x n ) . DeterminaĠi media variabilei e jZX1 ,", e jZX n sunt de asemenea independente, deci:
aleatorie Z X 1 " X n .
IndicaĠie: se aplică metoda inducĠiei úi se obĠine că:
) Sn (Z) > @ > @ >
E e jZX1 E e jZX 2 ... E e jZX n @ ) X1 (Z) ) X 2 (Z) ... ) X n (Z) (3.3.2.5)
(3.3.2.7)
2 E >z @
N
GN ) X (Z)
E>X 1 X 2 ... X n @ n P úi VAR>X 1 X 2 ... X n @ n V z ) X (Z)
Densitatea de probabilitate a unei sume Sn de variabile aleatorii continue AplicaĠia 3.3.2.5
independente se poate obĠine aplicând relaĠia: Numărul N de cereri de serviciu adresate unui sistem de servire într-o oră
este o variabilă aleatorie geometrică de parametru p, iar duratele de servire sunt
fS ( x )
n
1
^) X (Z) ) X (Z) ... ) X (Z)`
1 2 n
(3.3.2.4) variabile aleatorie independente identic distribuite după o lege exponenĠială de
-1 parametru D . DeterminaĠi funcĠia densitate de probabilitate a timpului necesar
unde: este simbolul transformatei Fourier inverse, iar ) X este funcĠia
k servirii cererilor primite pe durata unei ore.
caracteristică a unei variabile aleatorii individuale X k , pentru k 1, n . Rezolvare: FuncĠia generatoare a variabilei aleatorie N este
GN ( z ) p (1 q z ) , iar funcĠia caracteristică a unei variabile aleatorie
AplicaĠia 3.3.2.2 exponenĠiale este ) X (Z) D (D jZ) .
DemonstraĠi relaĠia (3.3.2.4).
n
Conform relaĠiei (3.3.3.8) funcĠia caracteristică a lui Sn este:
Rezolvare: Sn ¦ X k , iar p p(D jZ)
k 1
) Sn (Z)
D pD jZ
1 q
) Sn (Z) >
E e jZSn @ E >e jZ X1 " X n
@ E >e jZX1
@
... e jZX n . D jZ
79 80 EVALUĂRI DE PERFORMANğĂ
Aplicând transformata inversă, obĠinem: experimentului úi măsurarea variabilei aleatorie X. Se obĠine astfel o secvenĠă
X 1, X 2 ,", X n de variabile aleatorii i.i.d. cu variabila aleatorie X. Pentru a estima
fS n ( x ) p G( x ) (1 p ) e pDx , pentru x t 0 .
valoarea aúteptată se calculează media pe eúantion :
Interpretare: timpul total de servire pe durata unei ore este 0 cu 1 n
probabilitatea p sau urmează o distribuĠie exponenĠială de medie 1/(Dp) , cu Mn ¦Xj (3.3.4.1)
nj 1
probabilitatea (1 p) .
EnunĠul legii:
Probabilitatea p corespunde evenimentului:
^pe durata unei ore nu apare nici o cerere `, >
lim P M n P H
n of
@ 1 , cu H ! 0 (3.3.4.2)
iar probabilitatea (1 p) corespunde evenimentului complementar. DemonstraĠie:
M n este úi ea o variabilă aleatorie, a cărei valoarea aúteptată este:
3.3.3. Media pe eúantion ª1 n º 1 n
Fie X o variabilă aleatorie de medie, E >X @ P , necunoscută úi n
E >M n @ E « ¦ X j » = ¦ E X j > @ P.
¬« n j 1 ¼» n j 1
măsurători repetate, independente ale ei: X 1, X 2 ,", X n . În aceste condiĠii,
funcĠia de distribuĠie urmată de fiecare măsurătoare este cea a variabilei >
În acest caz: E (M n P )2 @ > 2
@
E M n E >M n @ = VAR >M n @ . Deoarece
aleatorie X . Cu ajutorul secvenĠei X 1, X 2 ,", X n se construieúte media pe M n Sn n , cu Sn X 1 X 2 " X n (sumă de variabile aleatorii i.i.d.), atunci
eúantion ca estimator al mărimii E >X @ : înseamnă că:
1 n ªS º 1 nV 2 V2
Mn VAR >M n @ VAR « n » VAR >S @
¦ Xi
ni 1
(3.3.3.1)
¬ n ¼ n2
n
n2 n
FrecvenĠa relativă, ca estimator al probabilităĠii unui eveniment, Utilizând inegalitatea Cebâúev putem scrie că:
reprezintă un caz particular de medie pe eúantion. VAR >M n @
>
P M n E >M n @ t H d @
Fiind o sumă de variabile aleatorii, media pe eúantion este la rândul ei o H2
variabilă aleatorie. Pentru a fi un bun estimator, M n trebuie să îndeplinească
V2
următoarele condiĠii: úi, făcând substituĠiile corespunzătoare, se obĠine apoi că: P M n P t H d > @ .
n H2
i) în medie, să genereze valoarea corectă a parametrului estimat, E>M n @ P ;
2 Luând în considerare evenimentul complementar Mn P H , relaĠia devine:
ii) să nu varieze prea mult în jurul valorii corecte; E ª M n P º să fie mică.
¬« ¼»
V2
Verificarea condiĠiilor: >
P Mn P H @ 1 (3.3.4.3)
ª1 n º 1 n n H2
i) E >M n @ E « ¦ X i » ¦ E >X i @ E >X @ P (3.3.3.2)
¬n i 1 ¼ n i 1
úi la limită, atunci când n o f , avem: lim P M n P H
n of
> @ 1 q. e. d.
(media pe eúantion este un estimator nedeplasat (nedistorsionat), a cărui Interpretare: Pentru valori suficient de mari ale lui n , media pe un eúantion de n
medie corespunde cu parametrul sondat); măsurători va fi în vecinătatea valorii aúteptate, P , cu probabilitate mare.
>
E M n P 2 @ > @
E M n E >M n @2 VAR >M n @ AplicaĠia 3.3.3.1
ii) ª X ." X n º ªXº V2 (3.3.3.3)
VAR « 1 » n VAR « » O tensiune constantă, dar necunoscută, trebuie estimată. Fiecare
¬ n ¼ ¬n¼ n măsurătoare este perturbată de zgomot de medie 0 úi deviaĠie standard 1PV .
cu V VAR>X @ Considerând că amplitudinile zgomotului sunt variabile aleatorii independente,
câte măsurători sunt necesare astfel încât, cu o probabilitate de cel puĠin 0,99,
3.3.4. Legea slabă a numerelor mari media pe eúantion să fie în vecinătatea r 1PV a valorii aúteptate (adevărate).
Se presupune că: variabila aleatorie X este de medie E >X @ P , Rezolvare: Se fac notaĠiile:
necunoscută. Pentru a evalua media, se generează un eúantion prin repetarea - amplitudinile zgomotului: N i
81 82 EVALUĂRI DE PERFORMANğĂ
n
P ª lim f A (n ) P >A@º 1. § Z2 ·¸ 2
«¬n o f »¼ ) Zn (Z) = ¨1 úi lim ) Zn (Z) e - Z / 2 .
¨ 2n ¹¸ n of
©
Ultima relaĠie este expresia funcĠiei caracteristice a unei variabile
3.3.6. Teorema limită centrală aleatorie Gauss de medie 0 úi varianĠă 1, q.e.d.
Se presupune că: Interpretare:
i) X 1, X 2 , " este o serie de variabile aleatorii i.i.d. de medie finită P FuncĠia de distribuĠie a unei variabile aleatorie Sn ce constituie o sumă
úi varianĠă finită V ; 2 de variabile aleatorii independente, poate fi aproximată de distribuĠia Gauss
atunci când n devine mare. În figurile 3.3.6.1 úi 3.3.6.2 sunt prezentate câteva
ii) Sn X 1 X 2 " X n este suma primelor n variabile aleatorii din exemple în acest sens.
serie. ObservaĠii:
EnunĠul teoremei:
z Teorema este adevărată úi în următoarele cazuri:
1 2
lim P >Z n z @ ³ e x 2 dx i) variabilele aleatorii X 1, X 2 ," sunt independente, au aceeaúi medie úi
n of 2S f
varianĠă dar nu au aceeaúi distribuĠie;
Sn n P
unde Zn este variabilă aleatorie de medie 0 úi varianĠă 1. ii) variabilele aleatorii X 1, X 2 ," sunt independente úi au varianĠe diferite,
V n
dar apropiate ca valoare.
DemonstraĠie:
n
Sn n P 1
Zn
V n V n
¦ X k P
k 1
2
Z
1 E >R (Z)@ Figura 3.3.6.2: FuncĠia de distribuĠie a sumei de n variabile aleatorii i.i.d. după o
2n lege exponenĠială de parametru O 1 úi funcĠia de distribuĠie a unei variabile
Pentru valori mari ale lui n ( n t 20 ), E >R (Z)@ Z2 2n , deci: aleatorie Gauss de medie úi varianĠă egale cu cele ale sumei
85 86 EVALUĂRI DE PERFORMANğĂ
Zn
Sn 8 n ª
. Rezultă că: P >Sn ! 1000 @ | P «Z n !
1000 8 n º 1 p 1 - p
» 0,90 > @ > @=p
cu E f A n = E I j ]i >
VAR f A n = @ > @
n VAR I j = .
2 n ¬ 2 n ¼ n 2
n
1000 8 n
Conform figurii 2.6.2:
2 n
x , unde x se determină din
Variabila aleatorie Gauss corespunzătoare este: Z n
>
f A n E f A n @.
tabelul 2.6.2, úi anume x = 1,2815. >
VAR f A n @
Se obĠine astfel ecuaĠia: 8 n 1,2815 2 n 1000 0 , a cărei rădăcină Conform teoremei limită centrală avem:
pozitivă este: n 11,34 sau n 128,6 .
87 88 EVALUĂRI DE PERFORMANğĂ
Rezolvare: n 2
Eúantionul X1, X 2,!, X100 este alcătuit din variabile aleatorii fn 1 ( y )
* n2 §
¨1
y 2 ·¸
.
independente úi identic distribuite de medie v úi varianĠă 1. Pentru 1 D 95% ,
* n21 S (n 1) ¨© n 1¸¹
corespunde zD / 2 1,96 . Intervalul de încredere cerut se determină prin ğinând cont că funcĠia densităĠii de probabilitate fn 1 ( y ) este simetrică
§ 1,96 1 1,96 1· faĠă de y 0 se obĠine:
particularizarea expresiei (3.4.2.1): ¨ 5,25 ; 5.25 ¸ 5,05 ; 5,45 .
© 10 10 ¹ ª z Vn z Vn º
z
de observaĠii, X k ; 1 2 i k
x Se creează un eúantion de medii pe eúantioane : M M1, M2,!, Mk ; intrare kP kP kP kP ieúire
x Considerând că numărul de observaĠii n dintr-un eúantion X i este
Figura 3.5.1: Structură de faze în serie
suficient de mare, media pe eúantion, M j , este o variabilă aleatorie Gauss
(conform teoremei limită centrală). În acest caz, intervalul de încredere se Timpul global de "tranzit" al reĠelei de faze, T , în fapt o variabilă aleatorie
determină conform cazului 2, setul de variabile aleatorii X1, X 2,!, X n fiind pe care urmărim să o sintetizăm cu ajutorul acestei structuri, este suma celor k
variabile i.i.d.; prin urmare, generalizând rezultatul obĠinut în urma rezolvării
93 94 EVALUĂRI DE PERFORMANğĂ
aplicaĠiei 3.3.1, se poate scrie că: Aplicând teorema probabilităĠii totale, este clar că:
fT ( x ) fX ( x )
f X ( x )
"
fX ( x ) r
1 2 k
fT ( x ) ¦ D i P i exp(P i x) (3.5.7)
transformata Laplace corespunzătoare având expresia: i 1
§ kP ·
k iar transformata Laplace corespunzătoare este:
Tˆ (s ) ¨ ¸ (3.5.2) r
P
© s kP ¹ Tˆ (s ) ¦ D i s iP (3.5.8)
cu funcĠia originară: i 1 i
1 2 k1 23 3
D1
k1 P 1 k1 P1 k1 P1 D1
intrare D2 D3
1 2 k2 P1 P2 P3
D2 E2 E3 E4 1
k2 P2 k2 P2 k2 P2 E1
intrare ieúire ieúire
Dj
Figura 3.5.5: Structură "Cox" cu 3 faze
Dr
Stabilirea expresiei transformatei Tˆ (s ) se face iniĠial doar pentru o
1 2 kr
structură restrânsă la 3 celule (figura 3.5.5), cu următoarele precizări:
kr Pr kr Pr kr Pr - subreĠeaua 3 este o structură paralelă de ordinul 2, pentru care cea de a
doua fază are media de valoare 0 (1/ P 0 ). În consecinĠă:
Figura 3.5.3: Structură de faze "paralel-serie"
P3
FuncĠiile de distribuĠie vor fi asociate unor formule de genul (3.5.3) úi Tˆ3 (s ) E3 D 3 (3.5.17)
(3.5.7), având forma: s P3
r
k P (k i P i x )k i 1 exp(k i P i x) - subreĠeaua 23 este o structură serie-paralel cu 2 braĠe, dintre care unul
fT ( x ) ¦ D i i i (3.5.14)
(k i 1)! corespunde unei faze cu P 2 , în serie cu o subreĠea 3, iar celălalt braĠ
i 1
úi respectiv transformata: corespunde unei faze de medie 0:
k
§ ki Pi · ir § P2 · ˆ
Tˆ (s )
¦ i ¨sk P ¸
D (3.5.15) Tˆ23 (s ) E 2 ¨ D 2 ¸ T3 (s ) (3.5.18)
i 1 © i i ¹ © s P2 ¹
Procedând ca úi pentru variantele anterioare, se poate demonstra că Deci pentru structura globală expresia este:
structurile serie-paralel au un factor de formă cu valori supraunitare, 1 d H d f ,
§ P1 · ª § P2 · § P 3 ·º
acoperind deci toate cazurile posibile. Tˆ (s ) E1 ¨ D1 ¸ «E 2 ¨ D 2 ¸ ¨ E3 D 3 ¸» (3.5.19)
Gradul de generalizare al structurii din figura 3.5.3 se poate extinde dacă © s P1 ¹ «¬ © s P2 ¹ © s P 3 ¹ »¼
pe fiecare ramură j se diferenĠiază fazele prin valorile medii asociate, 1 P j , i ,
care poate fi acum generalizată pentru k celule, căpătând forma:
ceea ce va influenĠa corespunzător expresia funcĠiei de distribuĠie: k i Pj
r k P j,i r k Tˆ (s ) E1 ¦ E i 1 D j , cu E k 1 1 (3.5.20)
Tˆ (s ) ¦ D i ¦ D i Tˆj ,i (s ) (3.5.16) i 1 j 1 s Pj
j 1 i 1 s P j,i j 1 i 1
Cu ajutorul formulei generatoare a momentelor se pot evalua primele
cu Tˆi , j (s ) transformata funcĠiei de distribuĠie a timpului de serviciu pentru faza i două momente ale timpului de serviciu, úi anume:
de pe ramura j a structurii de aproximare. k
1 k
1
E>T @ ¦ D1D 2 !D i úi VAR >T @ ¦ D1D 2 ! D i P 2 (3.5.21)
i 1 Pi i 1 i
3.5.4. Structură tip Cox
Se foloseúte o structură serie-paralel de forma celei din figura 3.5.4, cu În ceea ce priveúte factorul de formă, structura Cox acoperă spaĠiul H t 1 .
respectarea evident a condiĠiei D i E i 1 .
3.5.5. DistribuĠii exponenĠial matriceale
D1 D2 Di Dk Figura 3.5.6 prezintă structura generală a unei reĠele de faze, în care
P1 P2 Pi Pk
intrare E k 1 1 pentru fiecare fază i , i 1,!, n , mărimea pi reprezintă probabilitatea ca acea
E1 E2 Ei Ek
fază să fie cea dintâi úi mărimea qi reprezintă probabilitatea ca ea să fie ultima,
ieúire iar Pi , j , este probabilitatea de tranziĠie între două faze succesive , i úi j,
Figura 3.5.4: Structură de tip "Cox"
i, j 1,!, n úi i z j .
97 98 EVALUĂRI DE PERFORMANğĂ
când servirea a început cu faza i úi până când servirea se încheie (se iese din
P1
reĠeaua de faze).
p1 q1 În mod similar, matricea B V 1 >M (I P)@ se numeúte matricea ratelor de
P1,n
intrare ieЬire servire, cu ajutorul ei putându-se scrie următoarea ecuaĠie diferenĠială:
dR(t )
pn Pn,1 R(t ) B (3.5.25)
qn dt
Pn a cărei soluĠie este:
R(t ) exp t B (3.5.26)
Figura 3.5.6: Structura generală a reĠelei de faze cu Ri , j (t ) probabilitatea ca servirea să se afle în faza j la momentul t , dacă
În dorinĠa de a folosi în cele ce urmează calculul matriceal, mărimile s-a început cu faza i .
precizate anterior se vor regăsi în: ğinând cont de vectorul probabilităĠilor corespunzătoare fazelor iniĠiale úi
- p vectorul intrării în reĠea, considerând fiabilitatea *X ( x ) P > X ! x @ 1 Fx ( x ) se obĠine următoarea
- q vectorul de părăsire a reĠelei, formulă de calcul:
- P matricea probabilităĠii de tranziĠie. *X ( x ) p exp( x B) et (3.5.27)
La acestea se adaugă úi :
- M matricea diagonală a ratelor de ieúire din faze, inversul mediilor ce de la care se ajunge la:
caracterizează fazele conĠinute în structură: d*X ( x )
fX ( x) p B exp( x B) e t (3.5.28)
§ P1 0 ! 0 · dx
¨ ¸
0 P2 ! 0 ¸
M ¨ úi la: E ª¬ X n º¼ n! p V n et (3.5.29)
¨# # % # ¸
¨ ¸ AplicaĠia 3.5.2
© 0 0 ! Pn ¹
Se consideră reĠeaua de faze din figura 3.5.7.
- ȉ vectorul mediilor corespunzătoare "tranzitării" (traversării) reĠelei
până la părăsirea acesteia, începând dintr-o fază anume: ȉ W1, W2 , ! Wn P1
Primele relaĠii matriceale care leagă între ele mărimile prezentate mai 1/ 3 3/4
sus, sunt următoarele:
1/ 4 4/5 ieúire
P et qt e t , cu e 1,!,1 (3.5.22)
2/3
T t M1 et P T t (3.5.23) 1/ 5
t P2
unde () este operatorul de transpunere.
RelaĠia (3.5.22) arată că la expirarea unei faze ori se trece într-o alta, ori
Figura 3.5.7: Exemplu de reĠea în două faze
se "părăseúte" reĠeaua, iar relaĠia (3.5.23) precizează că media de tranzitare a
reĠelei, începând din fază i ,este egală cu media fazei i la care se adaugă DeterminaĠi funcĠia de densitate de probabilitate, media úi varianĠa variabilei
media de tranzitare a reĠelei începând din faza următoare. aleatorie corespunzătoare, útiind că P1 P 2 4sec 1 . Ce valori au componentele
Rezolvarea ecuaĠiei (3.5.23) are soluĠia:
vectorului T?
Tt >M (I P)@1 et (3.5.24) ***
Ca urmare, Ġinând cont că instrumentul matematic în discuĠie s-a dezvoltat în Expresiile (3.5.27) úi (3.5.28) corespund aúa numitelor distribuĠii
not
exponenĠial-matriceale (matrix exponential distribution). Acestea distribuĠii
1
vederea modelării timpului de servire, matricea >M (I P)@ = V se numeúte au transformata Laplace sub formă raĠională, ceea ce permite ca prin intermediul
matricea timpilor de servire, fazelor fiindu-le asociate durate, ca variabile lor să fie descrisă exact orice distribuĠie care prezintă această proprietate. În caz
contrar, distribuĠiile exponenĠial-matriceale pot fi folosite doar drept aproximaĠii, al
aleatorii. Elementele Vi , j reprezintă durata medie totală petrecută în faza j de
căror grad de precizie dictează complexitatea reĠelei de faze considerate.
100 EVALUĂRI DE PERFORMANğĂ
capitolul 4
S X ^1,2,..., M ` , unde M 2m 1 ; împărĠind aceste numere la M se
obĠine un nou spaĠiu de eúantionare care "acoperă", mai mult sau mai
puĠin, intervalul >0,1@).
x eficienĠa calculului per realizare: este asigurată doar de utilizarea
formulelor recursive. Acestea însă produc secvenĠe pseudoaleatorii
(periodice).
Ca exemplu de metodă nerecursivă se poate considera repetarea de m
ori a unui experiment de tip Bernoulli, fiecare încercare corespunzând unui bit
dintr-un număr binar de m biĠi. Cu toate aspectele pozitive privind proprietăĠile
statistice ce le oferă, astfel de procedee nu sunt utilizate în cadrul programelor de
simulare, datorită timpului excesiv consumat de operaĠiile implicate.
"
SecvenĠa generată este: p
tuturor celorlalte generatoare. X (0 )
De remarcat că periodicitatea secvenĠei este maximă, cuprinzând toate
4.1. Metode de generare a numerelor aleatorii valorile între 1 úi 10.
ii) X (1) (3 3) mod 11 9 ; X (2) (3 9) mod 11 5 ú.a.m.d..
distribuite uniform
...
1 ,3,
9,5
,4
,1
,3,
9,5
,4
,1,3
,...
AcurateĠea, cu care un calculator poate modela comportamentul unei SecvenĠa generată este: p
variabile aleatorii continue, este limitată de: X (0 )
101 102 EVALUĂRI DE PERFORMANğĂ
Din punct de vedere statistic, acest generator este nesatisfăcător X (k ) 171 >X (k 1)@mod 177 2 >X (k 1) 177 @
deoarece perioada sa omite o bună parte din valorile admise ( 2,6,7,8,10 ! ). Y (k ) 172 >Y (k 1)@mod 176 2 >Y (k 1) 176@
iii) X (1) (2 1) mod 4 2 ; X (2) (2 2) mod 4 4 0; X (3) (2 0) mod 4 0 Z (k ) 170 >Z (k 1)@mod 178 2 >Z (k 1) 178 @
etc. SecvenĠa generată este: 1,2,0,0,0,... (4.1.6)
Dacă X(k ) 0 : X (k ) X (k ) 30269
*** Dacă Y(k ) 0 : Y (k ) Y (k ) 30307
Analiza proprietăĠilor statistice ale acestei formule recursive, formula Dacă Z(k ) 0 : Z (k ) Z (k ) 30323
(4.1.1), pentru diferite valori ale parametrilor D úi M , a arătat că există un număr
restrâns de cazuri care generează secvenĠe satisfăcătoare. Pentru a obĠine Corectitudinea înlocuirii este demonstrată în continuare pentru variabila
secvenĠe de perioadă maximă este necesar ca D să fie rădăcină primitivă X (k ) (raĠionamentul este identic úi pentru celelalte două variabile).
a lui M . Fie eúantionul X (k 1) obĠinut cu un pas în urmă. El poate fi pus sub
Analiza proprietăĠilor statistice ale secvenĠelor generate de formula forma:
(4.1.1), pentru diferite valori ale parametrilor D úi M au reĠinut un număr restrâns X (k 1) 177 q r , unde: q X (k 1) 177 - împărĠire de întregi;
de cazuri satisfăcătoare. Pentru calculatoarele care memorează numerele întregi r X (k 1) mod 177 .
pe 32 de biĠi (31 pentru valoarea absolută úi unul pentru semn) studii extensive
au identificat următoarea soluĠie: Pentru a obĠine eúantionul următor, relaĠia (2.1.4) cere o înmulĠire,
X (k ) >16807 X (k 1)@mod( 2 31
1) (4.1.2) 171 X (k 1) 171 177 q r 171 177 q 2 q 2 q 171 r
30269 q 2 q 171 r .
Această formulă generează o secvenĠă de numere independente
urmată de o operaĠie modulo:
distribuite uniform între 1 úi 231 1 , de perioadă maximă 231 1 # 10 9 .
Pentru a genera valori în intervalul >0,1@ se utilizează expresia: >171 X (k 1)@mod 30269 >171 r 2 q @mod 30269
X (k ) ^171 >X (k 1)@mod 177 2 >X (k 1) 177@`mod 30269.
U (k ) (4.1.3)
M Deoarece diferenĠa nu depăúeúte în valoare absolută numărul 30269
Compilatoarele utilizate pe calculatoare sunt înzestrate cu astfel de GNA rezultă că algoritmul descris de ecuaĠia (4.1.6) este corect.
optimizate în funcĠie de numărul de biĠi (lungimea cuvântului) utilizaĠi pentru a Desigur că implementarea unui GNA pe baza ecuaĠiei (4.1.6) va consuma
memora un întreg úi de modul de realizare a operaĠiilor aritmetice. Pe lângă mai mult timp de calcul decât în cazul utilizării ecuaĠiei (4.1.4).
aceste GNA-uri, dependente de maúină, există úi soluĠii independente de maúină Supus unor teste extensive, s-a dovedit că algoritmul oferă proprietăĠi
("portabile") care oferă perioade lungi úi proprietăĠi statistice foarte bune. Din statistice satisfăcătoare, perioada sa fiind de aproximativ 7 1012 .
această categorie face parte úi algoritmul Witchmann-Hill. Principial, el Dacă dispunem de calculatoare cu viteze de calcul înalte se poate opta
utilizează simultan 3 formule de recurenĠă de tipul expresiei (4.1.2): pentru folosirea algoritmului Super, Mc Laren-Marsaglia, ce oferă proprietăĠi
X (k ) >171 X (k 1)@mod 30269 statistice superioare. Ideea este de a combina funcĠionarea a două generatoare
de numere pseudoaleatorii, G1 úi G2, în următorul mod: un tablou T alcătuit din
Y (k ) >172 Y (k 1)@mod 30307 (4.1.4) k elemente memorează primele k valori generate de G1; G2 generează un
Z (k ) >170 Z(k 1)@mod 30323 întreg j uniform distribuit pe mulĠimea ^1,2,!, k `; se încarcă variabila de ieúire a
Aplicarea directă a acestor formule cere ca tipul de variabilă întreg (int), generatorului compus, U , cu numărul aflat în locaĠia T > j @ care apoi este
oferit de compilator să cuprindă valoarea 5212632. Numărul generat la pasul k modificată cu o nouă valoare generată de G1. Algoritmul rezultat se poate
este obĠinut prin mediere, conform expresiei următoare: sistematiza astfel:
X ( k ) 30269 Y (k ) 30307 Z (k ) 30323 1. IniĠializări: folosind G1, generează k numere X >i @ pseudoaleatorii
U (k ) (4.1.5)
3 uniform distribuite pe (0,1) úi încarcă tabloul: T >i @ X >i @ , 1 d i d k ;
Se recomandă ca în această expresie operaĠiile să se efectueze în virgulă 2. Generează cu G2 următorul număr pseudoaleatoriu Y uniform
mobilă, dublă precizie. distribuit pe 0,1 ;
În cazul în care compilatorul permite înmagazinarea de numere întregi 3. Calculează noul indice: j m ªk Y º , unde ª"º este operaĠia de
până la 32767, relaĠiile (4.1.4) sunt înlocuite cu:
rotunjire la întreg;
103 104 EVALUĂRI DE PERFORMANğĂ
Se bazează pe funcĠia de distribuĠie, FZ (x ) , cdf (cumulative distribution Figura 4.2.1.2: FuncĠia de distribuĠie a unei variabile aleatoare Bernoulli
function), a variabilei aleatorii Z ce se doreúte a fi generată. În acest caz, Conform acestei relaĠii algoritmul de generare a unei variabile aleatorii
variabila aleatorie Z se obĠine utilizând relaĠia: Bernoulli de parametru p este următorul:
Z FZ 1(U ) (4.2.1.1) 1. Generează U uniform distribuită în 0,1 ;
unde U este o variabilă aleatorie uniform distribuită pe (0,1). 2. Dacă U d 1 p : Z 0 ;
3. Dacă U ! 1 p : Z 1 ;
domeniul variabilei aleatorii U
4. Oferă Z .
1 FZ (z ) ***
AplicaĠia 4.2.1.2 (distribuĠia exponenĠială)
u DeterminaĠi un algoritm care, pentru a genera variabile aleatorii distribuite
exponenĠial, utilizează metoda transformării analitice.
Rezolvare: Întrucât: FZ ( z ) 1 e Oz avem:
domeniul variabilei aleatorii Z
z U 1 e OZ sau Z 1 O ln(1 U ) (4.2.1.2)
Figura 4.2.1.1: Generarea numerelor aleatorii prin metoda transformării analitice
Deoarece atât U cât úi 1 U sunt uniform distribuite în intervalul (0,1)
Procedeul este prezentat sugestiv în figura 4.2.1.1, conform căreia, putem evita o scădere scriind:
1 Z 1 O ln(U ) (4.2.1.3)
funcĠia de distribuĠie a variabilei aleatorii Z FZ (U ) este:
Desigur că, secvenĠele generate de cele două formule nu vor fi identice,
> 1
@
P >Z d z @ P FZ U d z P >U d FZ ( z )@ dar vor fi echivalente din punct de vedere statistic.
Deoarece P >U d u @ u , când U este uniform distribuit pe 0,1 úi Conform relaĠiei (4.2.1.3), algoritmul de generare a unei variabile aleatorii
0 d u d 1, rezultă: P >Z d z @ FZ (z ) , ceea ce era de dorit. exponenĠiale de parametru O urmează secvenĠa descrisă în continuare:
Algoritmul care implementează această metodă este: 1. Generează U uniform distribuită în 0,1 ;
1. Generează U uniform distribuită în 0,1 ; 2. Calculează Z 1 O ln(U ) ;
1 3. Oferă valoarea Z .
2. Calculează Z FZ (U ) ;
***
3. Oferă valoarea Z .
AplicaĠia 4.2.1.3 (distribuĠia geometrică)
AplicaĠia 4.2.1.1
DeterminaĠi un algoritm care, pentru a genera variabile aleatorii distribuite
DeterminaĠi un algoritm care, pentru a genera variabile aleatorii Bernoulli,
geometric, utilizează metoda transformării analitice.
utilizează metoda transformării analitice.
105 106 EVALUĂRI DE PERFORMANğĂ
E >N @ 1 P >U d p0 @ 2 P >p0 U d p0 p1@ " Conform acestei figuri, media numărului de căutări, N , este:
genera. ¦ ¦ j ps ¦ ¦ ps j
j 2 s k j 2 s k 1
Pentru cazul particular: i) E >N @ 2,5 1 3,5 .
Pentru cazul particular avem:
*** E >N @ " 3 p1 5 p2 5 p3 3 p4
AplicaĠia 4.2.1.7 5 5
DeterminaĠi numărul mediu de paúi necesari algoritmilor de generare a § 5 · § 1· § 5 · § 1·
unde: p1 p4 ¨ ¸ ¨ ¸ úi p p3 ¨ ¸¨ ¸
2
variabilelor aleatorii discrete atunci când căutarea începe din interiorul spaĠiului ¨ 1¸ ¨ 2 ¸ ¨ 2¸ ¨ 2¸
© ¹ © ¹ © ¹ © ¹
de eúantionare. Caz particular: distribuĠie binomială cu n 5 , p 1 2 .
úi în final se obĠine că: E >N @ 3,11 .
Rezolvare: În general, acest procedeu se aplică pentru variabile aleatorii
discrete cu spaĠiu de eúantionare finit. În acest caz, procesul de căutare poate După cum era de aúteptat valoarea obĠinută este mai mică decât în cazul
urma diagrama din figura 4.2.1.4 în ale cărei noduri este trecut numărul căutărilor exemplului anterior, diferenĠa accentuându-se cu cât spaĠiul de eúantionare
până în acel punct. conĠine mai multe realizări.
IEùIRE 4.2.2. Metoda respingerii
P >U d p0 @ Se bazează pe funcĠia densitate de probabilitate fZ (z ) , pdf (probability
P >p0 U @ density function), a variabilei aleatorie Z ce se doreúte a se genera. Pentru a o
k IEùIRE
explica, vom presupune iniĠial că:
P >U d p0 p1 @ x fZ (z ) este nulă în afara intervalului >0, a@ ;
P >U d p0 ... p k @ x fZ (z ) ia valori în intervalul >0, b @ .
P >p0 ... p k 1 U @ În această situaĠie, metoda funcĠionează astfel:
1 IEùIRE
1 - Generează X distribuit uniform în 0, a ;
2 - Generează Y distribuit uniform în 0, b ;
P >U d p0 ... p k @
3 - Dacă Y d fZ ( X ) : acceptă X , deci Z X , sări la pasul 5;
INTRARE 2
4 - Respinge X úi revine la pasul 1;
5 - Oferă Z .
P >p0 ... p k U @
P >U d p0 ... pk 1 @ y dz
k IEùIRE
P >p0 ... pk 1 U @ b
fZ (z )
respingere
P >p0 ... p n 2 U @
P >U d p0 ... p n 1 @
n-k IEùIRE acceptare
P >p0 ... p n 1 U @
z
IEùIRE 0 z a
Figura 4.2.1.4: Diagrama numărului de căutări ce pornesc Figura 4.2.2.1: Metoda respingerii când funcĠia fZ (z ) este mărginită
din interiorul spaĠiului de eúantionare
úi are domeniul finit
109 110 EVALUĂRI DE PERFORMANğĂ
Conform figurii 4.2.2.1, primii trei paúi împart careul de arie a b în două 5. X este respins, sari la pasul 1;
regiuni despărĠite de curba funcĠiei densitate de probabilitate. 6. Oferă Z .
Probabilitatea acceptării este raportul dintre aria de sub curba funcĠiei Faptul că variabila aleatorie, Z , urmează distribuĠia impusă se
> @
densitate de probabilitate úi aria careului, deci: P X acceptat 1 (ab ) . demonstrează ca în cazul precedent, diferenĠa constând în noua suprafaĠă ce
În acest caz: cuprinde cele două regiuni úi care este de arie K . EficienĠa de calcul pentru
>
P z X d z dz X acceptat @ > ^
P ^ z X d z dz` & X acceptat `@ acest algoritm depinde de cât de "aproape" este curba K fW (z ) de
P >X acceptat @ curba fZ (z ) .
aria hasurata (ab ) AplicaĠia 4.2.2.1 (distribuĠia gama)
fZ ( z )
1 (ab ) Să se aplice metoda respingerii pentru a genera o variabilă aleatorie, Z ,
Deci, când X este acceptat, atât el, cât úi variabila aleatorie de ieúire, Z, ce urmează o distribuĠie gama de parametri 0 D 1 úi O 1 .
respectă distribuĠia dorită. Metoda aúa cum a fost descrisă mai sus, prezintă
două inconveniente. Primul este generat de faptul că în multe situaĠii, zona de Y
respingere este atât de mare încât numărul de repetări până la apariĠia unei
acceptări poate să devină excesiv de mare. Al doilea este datorat restricĠiilor
impuse funcĠiei densitate de probabilitate ce nu permit utilizarea sa în cazul în respingere
care fZ (z ) este nemărginită úi/sau de domeniu infinit. Efectul primului neajuns
este diminuat, iar a doua deficienĠă este eliminată de versiunea generală a
metodei respingerii, prezentată în continuare. fZ (x )
K fW ( x )
Metoda generală de respingere presupune stabilirea unei variabile
aleatorii, W , descrisă prin fW (z ) care este uúor de generat úi care pentru o acceptare x
constantă K ! 1 îndeplineúte următoarea relaĠie:
K fW ( z ) t fZ ( z ) pentru orice z Figura 4.2.2.3: Metoda respingerii în cazul variabilei aleatorii J cu 0 D 1 úi O 1
X
1 Rezolvare: Conform figurii 4.2.2.3, funcĠia K fW (x ) ce "acoperă" f Z (x ) este:
FW (z )
U1
x D 1 e x X D 1 *(D) pentru 0 d x d 1
B( x ) fZ ( x ) d K fW ( x ) ® x
*(D) ¯e *( x ) pentru x ! 1
K fW (z )
respins FuncĠia densitate de probabilitate, fW (x ) , ce corespunde termenului drept este:
fZ ( x )
D e x D 1 (D e) pentru 0 d x d 1
acceptat fZ (z ) fW ( x ) ® x
z ¯D e e (D e) pentru x ! 1
x
Integrând, se obĠine:
Figura 4.2.2.2: Metoda generală a respingerii e x D (D e) pentru 0 d x d 1
FW ( x )
® 1 x
În acest fel, conform figurii 4.2.2.2, regiunea de sub K fW (z ) conĠine ¯ 1 D e (D e) pentru x ! 1
curba fZ (z ) , iar metoda respingerii se desfăúoară după cum urmează: Această funcĠie se inversează, pentru a putea aplica metoda transformării
1. Generează X cu distribuĠie fW (x ) (se utilizează metoda analitice, în cadrul primului pas al metodei de respingere:
1D
transformării analitice); e ª (D e) u º
°pentru u d : « »
2. Stabileúte intervalul pe care se desfăúoară testul metodei: 1 ° De ¬ e ¼
FW (u ) ®
B K fW (x ) ; °pentru u ! e ª 1 uº
: ln«(D e)
3. Generează Y uniform distribuit în (0, B); °¯ De ¬ D e »¼
4. Dacă Y d fZ ( X ) : acceptă X , deci Z X , sări la pasul 6; Valoarea constantei K necesară pasului următor este:
111 112 EVALUĂRI DE PERFORMANğĂ
y ObservaĠii:
x Teoretic, această metodă produce numere pe întreg intervalul: f,f .
y1 r1 Luând în considerare însă precizia oferită de calculator, algoritmul va
T1 x
genera numere în intervalul 2 ln M , 2 ln M , unde M reprezintă
x1 cel mai mare întreg ce poate fi reprezentat în memoria calculatorului
(numărul minim produs de un GNA distribuite uniform pe 0,1 este 1 M ,
Figura 4.2.3.1: Transformarea în coordonate polare
úi acesta calculat cu o anumită precizie).
SoluĠia 2: Fie variabila aleatorie vectorială ( X ,Y ) ale cărui componente x De asemenea, viteza de calcul este mult scăzută faĠă de prima soluĠie.
sunt variabile aleatorii Gauss independente, de medie 0 úi varianĠă 1. Aceasta se datorează complexităĠii sporite a operaĠiilor matematice ce le
FuncĠia densitate de probabilitate a variabilei aleatorii ( X ,Y ) este: implică ( ln , cos , sin , ,
).
1 2 2
f XY ( x, y ) e- ( x y ) AplicaĠia 4.2.3.4 (distribuĠia hiperexponenĠială; metoda amestecării)
2S
Să se determine un algoritm de generare a unei variabila aleatorii
Considerăm transformarea (vezi figura 4.2.3.1):
hiperexponenĠiale în două trepte. Să se generalizeze rezultatul.
R2 X 2 Y 2 úi 4 arctan (Y / X ) (4.2.3.3) Rezolvare: FuncĠia densitate de probabilitate a unei astfel de variabile aleatorii
Transformarea inversă este: este:
X R cos T úi Y sin T (4.2.3.4) f X ( x ) p a e ax (1 p ) b e bx (4.2.3.5)
Jacobianul acestei transformări este egal cu 1 2 , deci funcĠia densitate de Expresia (4.2.3.5) arată că variabila aleatorie X este un "amestec" (o
compunere) a două variabile aleatorii, X 1 úi X 2 , exponenĠiale, de parametru a,
probabilitate a variabilelor aleatorii R 2 úi T este:
1 respectiv b, controlat de o variabila aleatorie discretă, N , de tip Bernoulli. Pentru
fR 2 ,T (r , t ) e- r , r t 0 úi 0 d t d 2S a genera X este necesar ca iniĠial să se realizeze un experiment Bernoulli úi, în
4S
funcĠie de rezultatul acestuia, să se genereze ori X 1 , ori X 2 .
Această expresie se poate pune sub o formă care arată independenĠa
În cazul general:
celor două variabile aleatorii, R 2 úi T : n
1 1 f X (x) ¦ pi f X ( x )
fR 2 ,T (r , t ) e r fT (t ) fR 2 (t ) i 1
i
2S 2
în care ^pi ` reprezintă probabilităĠi de repartiĠie ale unei variabile aleatorii N ,
unde: - fR 2 (t ) corespunde distribuĠiei exponenĠiale de parametru 1 2 ;
adică P >N i @ pi .
- fT (t ) corespunde distribuĠiei uniforme pe 0,2S . Conform relaĠiei anterioare, rezultă următorul algoritm de amestecare
ObservaĠie: Variabila aleatorie R (fără putere) urmează o distribuĠie Rayleigh. discretă:
Pe baza rezultatelor anterioare se poate implementa următorul algoritm 1. Se generează N (utilizând, de exemplu, algoritmul descris în
de generare a două variabile aleatorii Gauss independente de medie 0 úi aplicaĠia 4.2.1.5);
varianĠă 1 (Metoda Box-Muller): 2. i N ;
1. Generează U1 úi U 2 variabile aleatorii independente úi uniform 3. Generează X i ; Z X i ;
distribuite în (0,1); 4. Oferă Z .
E > X ( j ) X ( j k )@ P 2x not C XX (k )
U XX (5.2.1)
E ª¬ X 2 ( j )º¼ P 2X C XX (0)
U XX (k )
°1 pentru k 0
® (5.2.2)
°̄0 pentru k z 0
Atunci când, pentru diverse valori ale lui k , se obĠine U XX (k ) t H ,
înseamnă că secvenĠa generată este corelată, iar dacă U XX (k ) are "vârfuri" la
k m n0 úi m 1,2," , ea este úi periodică, de perioadă n0 .
5.3. Histograma 20
minute
0
Histograma (coloanele albe din figurile 5.3.1 úi 5.3.2) este reprezentarea 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 >19
grafică a frecvenĠelor absolute, adică a numărului de apariĠie pe parcursul unui
- Figura 5.3.2: Histogramă pentru compararea datelor experimentale cu
număr de repetări, ale unor evenimente legate de un anumit experiment. cele teoretice - cazul distribuĠiei exponenĠiale
Astfel, luând drept exemple fenomene aleatorii, care implică sistemele de
comutaĠie, putem considera că histograma din figura 5.3.1 s-a trasat în urma Histograma reprezintă o metodă uzuală de interpretare grafică a datelor
recepĠionării din liniile de abonaĠi a 114 cifre, iar histograma din figura 5.3.2 s-a experimentale, care constituie deseori o etapă intermediară pe parcursul
obĠinut în urma contorizării a 720 de convorbiri telefonice, evenimentele urmărite desfăúurării unei analize statistice, în vederea identificării distribuĠiei teoretice
fiind: care descrie cât mai precis fenomenul studiat. În acest caz, pasul următor constă
- în primul caz, de genul: ^din linie s-a recepĠionat cifra i ` , în alegerea unei anumite distribuĠii úi trasarea, alături de coloanele histogramei, a
- în al doilea caz: ^durata convorbirii se încadrează în intervalul >a, b @ ` . coloanelor (negre) corespunzătoare numărului de apariĠii de aúteptat în condiĠiile
în care experimentul s-ar desfăúura conform acestor distribuĠii. Astfel, prin
alăturarea celor două seturi de coloane, este posibilă compararea vizuală pe
18 17 Numărul apariĠiilor observate baza căreia se poate decide dacă ipoteza (distribuĠia) considerată este
16
16 Numărul apariĠiilor aúteptate acceptabilă.
13 Dat fiind natura subiectivă a comparaĠiei vizuale, aceasta este, în general,
14 12 12 12 urmată, atunci când diferenĠele nu mai sunt atât de evidente pentru a permite
12 respingerea ipotezei, de teste de natură calitativă, în care decizia se ia în urma
10 11,4
10 8 efectuării unor calcule matematice. Astfel de teste sunt: testul F 2 úi testul
7 7 Kolmogorov - Smirnov, ale căror principii úi mod de utilizare sunt descrise în cele
8
ce urmează.
6
4 5.4. Testul F
2
0
cifră Testul F 2 este o metodă cantitativă, pe baza căreia, în urma efectuării
{0} {1} {2} {3} {4} {5} {6} {7} {8} {9} unor calcule, se decide acceptarea sau respingerea ipotezei presupuse a
Figura 5.3.1: Histogramă pentru compararea datelor experimentale cu cele caracteriza fenomenul aleatoriu studiat. Pentru înĠelegerea lui, considerăm un
teoretice - cazul distribuĠiei uniforme caz simplu: recepĠionarea unui simbol binar dintr-o linie numerică (sau, mai puĠin
academic, aruncarea cu banul).
119 120 EVALUĂRI DE PERFORMANğĂ
Facem următoarea ipoteză, pe care o notăm H0 : "valoarea simbolului x Se fixează numărul de repetări ale experimentului n ;
recepĠionat urmează o lege de tip Bernoulli, cu p 1 2 " . Pentru a o verifica, x Se determină numărul aúteptat de încercări ce cad în submulĠimea
repetăm experimentul de mai multe ori. Astfel, considerând elementele: j , notat úi dat de expresia:
x n este numărul total de simboluri recepĠionate, mj n pj (5.4.1)
x N este numărul de simboluri "1" recepĠionate (observate), x Se efectuează experimentul de n ori, determinând numărul
x m este numărul aúteptat de simboluri "1", conform ipotezei H 0 repetărilor ce cad în submulĠimile alese, N j cu j 1, k ;
se scrie următoarea egalitate:
x Se calculează suma ponderată a pătratelor diferenĠelor dintre ceea
>
p N m t t D H0 D ,@ ce se observă úi ceea ce se aúteaptă:
în care: - N m este diferenĠa dintre ce se observă úi ce se aúteaptă, k (N j m j ) 2
- t D este deviaĠia critică; D2 ¦ (5.4.2)
j 1 mj
- D este nivelul (pragul) probabilistic semnificativ, ce reprezintă o valoare
impusă, de obicei 1% sau 5%, a probabilităĠii ca, în ipoteza H0 , diferenĠa N m Pentru un număr de repetări suficient de mare, variabila aleatorie D 2
are o funcĠie densitate de probabilitate ce se poate aproxima cu cea a
să depăúească valoarea t D .
variabilei aleatorii F 2 cu k 1 grade de libertate. În acest caz,
Decizia se ia astfel:
x H0 este adevărată dacă, la nivelul probabilistic semnificativ impus, deviaĠia critică, la un nivel probabilistic semnificativ dat, rezultă din
ecuaĠia:
deviaĠia critică nu este depăúită;
x H0 este falsă în caz contrar, adică atunci când ceea ce s-a observat P ª¬D 2 t tD H0 º¼ D (5.4.3)
s-a abătut nejustificat de mult din punct de vedere probabilistic de unde D corespunde ariei haúurată din figura 5.4.1.
ceea ce era de aúteptat.
f D 2 (x )
AplicaĠia 5.4.1
Considerând un nivel probabilistic semnificativ D de 1%, să se verifice D
dacă ipoteza " H 0 ^biti generaĠi de o sursă sunt echiprobabili `" este adevărată
útiind că din 100 de biĠi observaĠi doar 64 au avut valoarea "1".
Rezolvare: Pe baza ipotezei, numărul aúteptat este m 100 p 50 . DeviaĠia
0 tD x
observaĠiei faĠă de ce se aúteaptă are valoarea 64 50 14 . DeviaĠiile ce sunt ideal acceptabil inacceptabil
egale sau depăúesc valoarea 14 pot apare în ipoteza H 0 cu probabilitatea: Figura 5.4.1: Determinarea deviaĠiei critice, t D
100
63
§ 100 · § 1 ·
P ª¬ N 50 t 14 H0 º¼ 1 ¦ ¨ ¸ ¨ ¸ # 0.0093 x Pentru numărul de submulĠimi k, fixat anterior, úi cu un nivel
k 37 © k ¹ © 2 ¹ probabilistic semnificativ ales, se extrage t D din tabelul 5.4.1.
care, fiind sub nivelul probabilistic semnificativ, D 1% conduce la respingerea Mărimea sa se compară cu această valoare:
ipotezei H0 .
- dacă D 2 t D , atunci ipoteza H0 este acceptată;
***
2 - dacă D 2 t t D , atunci ipoteza H0 este respinsă.
În cazul general, testul F presupune următorii paúi:
x Se împarte spaĠiul de eúantionare , S X , în k mulĠimi disjuncte; Pentru a mări acurateĠea cu care legea probabilistică F 2 aproximează
x Se calculează, luând în considerare ipoteza H0 , asumată, comportamentul variabilei D 2 , se recomandă ca, în limita posibilităĠilor,
probabilitatea aúteptată p j ca rezultatul unui experiment să fie în submulĠimile alese să fie echiprobabile, numărul lor să fie suficient de mare (cel
puĠin 3), dar sub 50, iar pentru fiecare submulĠimi numărul de observaĠii
submulĠimea j , cu j 1, k ; contorizate (cumulate) să depăúească valoarea 5 (la limită 3).
121 122 EVALUĂRI DE PERFORMANğĂ
Tabelul 5.4.1: DeviaĠii critice, t D , funcĠie de nivelul probabilistic semnificativ, D , úi observa, cele mai mici abateri apar când funcĠia empirică, de distribuĠie, este
de numărul de intervale, k comparată cu curba centrală. Considerând suficientă comparaĠia vizuală, putem
concluziona că variabila aleatorie urmărită, X, úi variabila aleatorie Y2 aparĠin
D 5% 1% D 5% 1%
aceleiaúi familii de variabile aleatorii úi, deci, că funcĠiile lor, analitice, de
k 1 tD k 1 tD
distribuĠie sunt identice:
1 3,84 6,63 12 21,03 26,22
FX ( x ) { FY2 ( x ) (5.5.2)
2 5,99 9,21 13 22,36 27,69
3 7,81 11,35 14 23,69 29,14
4 9,49 13,28 15 25,00 30,58
1
5 11,07 15,09 16 26,30 32,00 FY3 (x )
6 12,59 16,81 17 27,59 33,41
7 14,07 18,48 18 28,87 34,81
8 15,51 20,09 19 30,14 36,19 FY2 (x )
9 16,92 21,67 20 31,41 37,57 FˆX (x )
10 18,31 23,21 25 37,65 44,31
11 19,68 24,76 30 43,77 50,89
ObservaĠii:
- DeviaĠia critică poate fi obĠinută úi printr-o aproximare Gauss a variabilei FY1 (x )
aleatoriii D 2 care reprezintă o sumă de variabile aleatorii (vezi teorema x
limită centrală).
- Atunci când un număr, r , de parametri ai distribuĠiei presupuse sunt Figura 5.5.1: Exemplu de funcĠie empirică de distribuĠie úi compararea acesteia cu
estimaĠi pe baza rezultatelor observate (de exemplu: media, varianĠa etc.), 3 funcĠii analitice de distribuĠie
este recomandat ca variabila aleatorie D 2 să se considere o variabilă
Deseori, datorită subiectivităĠii sale, compararea vizuală a curbelor ne
aleatorie F 2 cu k r 1 grade de libertate. poate înúela. Testul K-S vine să elimine acest neajuns, diferenĠele dintre FˆX ( x )
úi FY (x ) fiind evaluate cantitativ, pe baza următoarelor mărimi statistice (variabile
5.5. Testul Kolmogorov-Smirnov aleatorii la rândul lor):
De remarcat este faptul că, spre deosebire de testul F 2 în care valorile AplicaĠia 5.5.1
tabelate sunt calculate pe baza unei aproximaĠii permise pentru un n mare, în Observarea unei variabilă aleatorii X a permis obĠinerea următorului
cazul testului K-S valorile din tabelul 5.5.1 sunt obĠinute prin calcule exacte eúantion de rezultate: 0,869; 0,189; 0,678; 0,259; 0,718; 0,098; 0,318; 0,733;
(exceptând, desigur, erorile de rotunjire). 0,442; 0,141; 0,236; 0,017; 0,434; 0,162; 0,414; 0,354; 0,772; 0,442; 0,302;
Din punct de vedere practic, relaĠiile (5.5.3) sunt inutilizabile, obligându-ne 0,693.
să căutăm extreme pe un domeniu infinit ( fx f ). ğinând cont, însă, că i) Să se traseze pe acelaúi sistem de axe graficele funcĠiei empirice de
distribuĠie úi funcĠiei analitice, de distribuĠie, considerată la punctul următor,
F (x ) este monoton crescătoare úi că Fˆ ( x ) este crescătoare în trepte, putem
Y X ii) Să se verifice, prin testul K-S, dacă ipoteza: "variabilă aleatorie X
folosi următorul procedeu de evaluare a mărimilor K n úi K n :
urmează o lege de distribuĠie uniformă în intervalul >0,1@ " poate fi acceptată la un
x Se obĠin rezultatele x1, x 2 ,!, x n ; nivel semnificativ de 95%.
IndicaĠie: se aplică procedeul prezentat anterior.
x Rezultatele sunt ordonate crescător, obĠinându-se secvenĠa:
x1' , x 2 ' ,!, x n ' ; ***
x
Mărimile K n úi K n se obĠin aplicând formulele: Numărul de observaĠii, n , se alege în general suficient de mare pentru a
obĠine funcĠii empirice cât mai "fine", cu cât mai multe trepte. Totuúi, valori mari
§j ·½ ale lui n pot împiedica evaluarea corectă a abaterii globale de la distribuĠia
Kn n ® max ¨ FY ( x j *) ¸ ¾
¯1d j d n © n ¹¿ presupusă, prin mediere a comportări locale ale variabilă aleatorii urmărite,
(5.5.4) deosebite de majoritatea cazurilor. Din acest motiv, în cazul testării
§ j 1· ½ generatoarelor de numere aleatorii uniform distribuite în intervalul 0,1 , n se
Kn
n ® max ¨ FY ( x j *) ¸¾
¯1d j d n © n ¹¿
alege de valoare moderată (de exemplu 1000) úi mărimile K n úi K n se
Tabelul 5.5.1: DeviaĠii critice pentru distribuĠia mărimilor K n úi K n , calculează pe un număr mare de sub-secvenĠe distincte ale secvenĠei generate.
Valorile obĠinute:
D
n K n (1), K n (2),! ,K n (r )
1% 5% 25% 50% 75% 95% 99% (5.5.5)
1 0,01000 0,05000 0,2500 0,5000 0,7500 0,9500 0,9900 K n (1), K n (2),! ,K n (r )
2 0,01400 0,067449 0,2929 0,5176 0,7071 1,0980 1,2728 unde r este numărul de sub-secvenĠe distincte, pot fi considerate realizări ale
3 0,01699 0,07919 0,3112 0,5147 0,7539 1,1017 1,3589 unei variabile aleatorii. Deci pot genera o funcĠie empirică de distribuĠie,
4 0,01943 0,08789 0,3202 0,5110 0,7642 1,1304 1,3777
FK r ( x ) .
5 0,02152 0,09471 0,3249 0,5245 0,7674 1,1392 1,4024 n r
6 0,02336 0,1002 0,3272 0,5319 0,7703 1,1463 1,4144 Cunoscând că pentru o variabilă aleatorie, Y , uniform distribuită în
7 0,02501 0,1048 0,3280 0,5364 0,7755 1,1537 1,4246 intervalul 0,1 se verifică relaĠia (conform demonstraĠiei lui Smirnov):
8 0,02650 0,1086 0,3280 0,5392 0,7797 1,1586 1,4327 2
9 0,02786 0,1119 0,3274 0,5411 0,7825 1,1624 1,4388 lim FK r ( x ) 1 e 2 x , cu x t 0 (5.5.6)
n of n
10 0,02912 0,1147 0,3297 0,5426 0,7845 1,1658 1,4440
atunci, verificarea generatoarelor de numere aleatorii constă în aplicarea testului
11 0,03028 0,1172 0,3330 0,5439 0,7863 1,1688 1,4484
12 0,03137 0,1193 0,3357 0,5453 0,7880 1,1714 1,4521 K-S asupra mărimilor FˆK r ( x ) úi FK r ( x ) , unde n 100 poate fi considerat
n n
15 0,03424 0,1244 0,3412 0,5500 0,7926 1,1773 1,4606 suficient de mare pentru a verifica relaĠia 5.5.6. În acest mod, testul K-S tinde să
20 0,03807 0,1298 0,3461 0,5547 0,7975 1,1839 1,4698 detecteze abaterile, atât locale, cât úi globale, de la distribuĠia presupusă a fi
30 0,04354 0,1351 0,3509 0,5605 0,8036 1,1916 1,4801 urmată de variabila aleatorie observată (în cazul discuĠiei de mai sus, ieúirea
1 § 1· 1 1 generatorului de numere aleatorii),
>30 yD O¨ ¸ , unde y D 2 ln
6 n ©n¹ 2 1 D
yD 0,07089 0,1601 0,3793 0,5887 0,8326 1,2239 1,5174
125 126 EVALUĂRI DE PERFORMANğĂ
5.6. AplicaĠii suplimentare Tabelul 5.6.2: Testul F 2 pentru o presupusă variabilă aleatorie exponenĠială
- cazul intervalelor echiprobabile -
AplicaĠia 5.6.1 (testul F 2 )
k Nk mk (N j m j ) 2 m j k Nk mk (N j m j ) 2 m j
Fie histograma din figura 5.3.1 obĠinută pe baza a 114 realizări ale unei
variabile aleatorii X cu spaĠiu de eúantionare S X ^0,1, !,9` . Se poate 0 49 10 50
1 61 11 51
presupune că variabila aleatorie X urmează o distribuĠie uniformă? 2 50 12 55
IndicaĠie: Se aplică testul F 2 . 3 50 13 49
4 40 14 54
AplicaĠia 5.6.2 5 52 15 52
Un program realizat pentru a genera o variabilă aleatorie distribuită 6 48 16 62
7 40 17 46
exponenĠial de parametru O 1 este supus testului F 2 . Pentru aceasta, axa 8 45 18 49
numerelor reale s-a împărĠit în k 20 de intervale de lungime 0,2 cu excepĠia 9 46 19 51
ultimului care se "întinde" până la infinit. Numerele rezultatelor observate în
fiecare interval sunt înscrise în tabelul 5.6.1. Considerând un nivel semnificativ Rezolvare:
de 5%, verificaĠi dacă generatorul funcĠionează corect. i) Intervalele fiind echiprobabile au aceeaúi probabilitate: p 1 k 0,05 .
2
Tabelul 5.6.1: Testul F pentru o presupusă variabilă aleatorie exponenĠială Pentru a determina capetele intervalelor ( x1, x 2 , x 3 ," ) trebuie rezolvat sistemul
- cazul intervalelor de lungime egală - format din următoarele ecuaĠii, pentru 1 d i d 18 :
x1 xi 1 f
i Nj mj (N j m j ) 2 m j i Nj mj (N j m j ) 2 m j ³ f X ( x )dx p, ³ f X ( x )dx p úi ³ f X ( x )dx p
0 xi x19
0 190 10 28
1 144 11 19 în care, conform ipotezei, f X ( x ) O e Ox ex .
2 102 12 15 ii) Se aplică testul cerut.
3 96 13 12
4 86 14 11 AplicaĠia 5.6.4 (testul F 2 )
5 67 15 7
6 59 16 9 Într-un nod de comunicaĠii sunt numărate apelurile ce sosesc într-o
7 43 17 5 anumită perioadă de timp. Experimentul este repetat de 2600 de ori, rezultatele
8 51 18 8 fiind trecute în tabelul 5.6.3, în care:
9 28 19 20 i) j este numărul de apeluri,
IndicaĠie: Se completează restul coloanelor din tabelul 5.6.1 pentru a putea ii) N j este numărul perioadelor observate,
determina valoarea D 2 , care se compară cu valoarea lui t D din tabelul 5.4.1. iii) m j este numărul perioadelor aúteptate.
VerificaĠi dacă numărul apelurilor sosite poate fi modelat de o variabilă aleatorie
AplicaĠia 5.6.3 (testul F 2 ) de tip Poisson. Se va considera D 1% .
Un program realizat pentru a genera o variabilă aleatorie distribuită IndicaĠii:
exponenĠial de parametru O 1 este supus testului F 2 . Pentru aceasta axa Deoarece parametrul distribuĠiei Poisson, media P , nu se cunoaúte, el
numerelor reale este împărĠită în k 20 intervale echiprobabile. este evaluat pe baza observaĠiilor. Odată determinat, el este folosit pentru a
i) DeterminaĠi aceste intervale. completa coloana m j din tabelul 5.6.3.
ii) AplicaĠi testul F 2 pentru un nivel semnificativ D 5% útiind că numerele Fixarea parametrului P al distribuĠiei presupuse face ca gradele de
realizărilor observate în fiecare interval corespund valorilor înscrise în libertate ale variabilei aleatorii, D 2 , ce intră în test să scadă cu o unitate. Deci,
tabelul 5.6.2. ComparaĠi rezultatul cu cel obĠinut în problema precedentă. din tabelul 5.4.1 se va alege linia pentru care k 1 10 .
127
j Nj mj (N j m j ) 2 m j
0 57
1 203
2 383
3 525
4 531
5 407
6 272
7 138
8 44
9 26
10 9
>11 5