Documente Academic
Documente Profesional
Documente Cultură
SEMINAR NR. 2
iii). lim FX ( x) = 0
x →−∞
1
Modelare si simulare Seminar 2
FX ( x ) = ∑ p X ( xk ) ⋅ u ( x − xk )
k
f X ( x)
x x + dx
Fig. 2.1 Specificarea probabilitatii unui interval infinitezimal prin intermediul functiei
densitate de probabilitate
2
Modelare si simulare Seminar 2
Aplicaţia 1
Rezolvare:
i). F X ( x) = P[ X ≤ x] = 1 − P[ X > x] , deci:
⎧0, pentru x < 0
F X ( x) = ⎨ −λ x
⎩1 − e , pentru x ≥ 0
F X ( x) fiind o funcţie continuă ⇒
dFX ( x) ⎧0, pt. x < 0
f X ( x) = = ⎨ −λ x
dx ⎩λ e , pt. x ≥ 0
ii). Rezolvarea prin mai multe abordări:
1 2
−λ −λ
M1. P[T < X ≤ 2T ] = P[T < X ] − P[2T < X ] = e λ
−e λ
= e −1 − e −2 ≈ 0, 233
M2. P[T < X ≤ 2T ] = FX (2T ) − FX (T ) = 1 − e −2 − 1 + e −1 = e −1 − e −2 ≈ 0, 233
2T
M3. P[T < X ≤ 2T ] = ∫
T
f X ( x)dx = e − λ x |T2T = e−1 − e −2 ≈ 0, 233
Aplicaţia 2
Timpul de aşteptare W al unui client într-un sistem este zero dacă găseşte sistemul
liber şi distribuit exponenţial dacă găseşte sistemul ocupat. Probabilităţile de a găsi
sistemul liber sau ocupat sunt p şi respectiv 1 − p . Găsiţi:
i). Funcţia de distribuţie a variabilei aleatorie W
ii). Funcţia densitate de probabilitate
3
Modelare si simulare Seminar 2
Rezolvare:
Deoarece :
⎧0, pentru _ x < 0 (nu _ poate _ exista _ timp _ de _ asteptare _ negativ)
P[W ≤ x | sistemul _ e _ liber ] = ⎨
⎩1, pentru _ x ≥ 0 (W = 0 ≤ x)
şi
−λ x
p[W ≤ x | sistemul _ e _ ocupat ] = 1 − e
rezultă:
⎧0, pentru _ x < 0
FW ( x) = ⎨ −λ x
⎩ p + (1 − p )(1 − e ), pentru _ x ≥ 0
Aplicaţia 3
Rezolvare:
Evenimentul A={clientul este încă în servire la momentul t} = { X > t}
⎧0, pentru _ x < t
P[{ X ≤ x}&{ X > t}] ⎪
FX ( x A ) = P[ X ≤ x | X > t ] = = ⎨ P[t < X ≤ x]
P[{ X > t}] ⎪ 1 − P[ X ≤ t ] , pentru _ x ≥ t
⎩
FX ( x A ) = 0 pentru x < t deoarece clientul nu mai poate fi în servire la momentul t
dacă până la momentul x s-a încheiat servirea lui. Înlocuind probabilităţile cu
expresii ce conţin funcţia de distribuţie, obţinem:
4
Modelare si simulare Seminar 2
Aplicaţia 4
Rezolvare
Notând α = n ⋅ p (media numărului de succese). Probabilităţile generate de distribuţia
binominlă au expresia:
⎛n⎞ ⎛n⎞ n!
pk = ⎜ ⎟ p k (1 − p) n − k , k = 1, 2,....., n; ⎜ ⎟ = Cnk , cu Cnk =
⎝k ⎠ ⎝k⎠ k !(n − k )!
Relaţia de recurenţă care leagă aceste probabilităţi este:
⎛ n ⎞ k +1 n − k −1 k
⎜ ⎟ p (1 − p) (1 − ) ⋅ α
pk +1 ⎝ k + 1 ⎠ n
= = .... =
pk ⎛n⎞ k α
⎜ ⎟ p (1 − p ) n−k ( k + 1) ⋅ (1 − )
k
⎝ ⎠ n
Când n → ∞ :
pk +1 α α
= , deci pk +1 = pk , k = 0,1, 2......
pk n →∞
k +1 k +1
Pentru a putea folosi aceasta relaţie de recurentă trebuie să determinăm una din
probabilităţile pk .
α
= e −α
In cazul de faţă: po = (1 − p)n = (1 − )n n→∞
n
Cu ajutorul relaţiei de secvenţă obţinem:
α α2 αk
p1 = e −α , p2 = e −α ,.., pk = e −α …… ceea ce corespunde unei distribuţii Poisson.
1 2! k!
Interpretare: O secvenţă de n încercări Bernoulli se poate desfăşura în spaţiu sau
timp. În ultimul caz ea poate fi reprezentata conform figurii de mai jos:
* * * * …………….. * * *
t
0 T/n T
Fig.2.2 desfasurarea in timp a unei secvente de n incercari Bernoulli
unde
¾ [0,T] este intervalul in care au loc cele n încercări (durata dintre două încercări
succesive se presupune constantă)
5
Modelare si simulare Seminar 2
Aplicaţie 5
Rezolvare:
S y = {0,1, 2,....., N − M }
⎧ M
⎛N⎞
unde: p j = p[ X = j ] = ... = ⎜ ⎟ p j (1 − p) N − j
j
⎝ ⎠
2. 1 Distribuţia Bernoulli
Se presupune că: variabila aleatorie X este funcţie indicator ( I A ) pentru un
eveniment A:
⎧1_ daca _ evenimentul _ A _ apare
X =⎨
⎩0 _ in _ caz _ contrar
6
Modelare si simulare Seminar 2
Varianţa: VAR[ X ] = p ⋅ (1 − p)
Aplicatie: modelarea mecanismului fundamental de generare a aleatorului
Versiunea I :
Variabila aleatorie X reprezintă numărul eşecurilor unui eveniment în inregistrat pe
parcursul unei secvenţe de subexperimente independente, tip Bernoulli, până la
apariţia primului succes. Probabilitatea succesului în cazul unei repetări este p.
Versiunea II:
Se presupune ca variabila aleatoare X ' este numărul de repetări până ce apare primul
succes într-o secvenţă de subexperimente independente tip Bernoulli.
7
Modelare si simulare Seminar 2
1
Media : E[ X '] =
p2
1− p
Varianţa: VAR[ X '] =
p2
Observaţii:
• X ' = X +1
• Este singura variabilă aleatoare discretă ce deţine proprietatea de lipsă de
memorie
Observatii:
• aproximeaza distributia binomiala pentru p “mic” si n “mare”, considerand:
p⋅n =α
• timpii între două apariţii succesive sunt variabile aleatorii independente, identic
α
distribuite după o lege exponenţială de parametru: λ = .
ΔT
Aplicaţii: - numărul mesajelor sosite într-un sistem de comunicaţii, numărul cererilor
de conexiuni într-o reţea de comunicaţie, numărul defectelor dintr-un dispozitiv
electronic, etc.
8
Modelare si simulare Seminar 2
9
Modelare si simulare Seminar 2
1
Media : E[ X ] =
λ
1
Varianţa: VAR[ X ] =
λ2
Observaţii:
• reprezintă forma limită a distribuţiei geometrice;
• este unica distribuţie ce deţine proprietatea de lipsă memorie.
Aplicaţii: lungimea mesajelor şi timpul între două apariţii succesive de evenimente
(cereri de serviciu) în sistemele de comunicaţii; timpul de funcţionare (fiabilitatea
sistemelor şi componentelor)
10
Modelare si simulare Seminar 2
m
Media : E[ X ] =
λ
m
Varianţa: VAR[ X ] =
λ2
Aplicaţii: O variabilă aleatoare m-ERLANG se obţine adunând m variabile aleatorii
exponenţiale independente, identic distribuite, de parametru λ . De aceea, ea este un
model general a timpilor de aşteptare în sistemele cu aşteptare, a timpilor de viaţă în
studiile de fiabilitate, etc..
11