Documente Academic
Documente Profesional
Documente Cultură
net/publication/280924099
CITATIONS READS
0 34
2 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Trandafir Romica on 14 August 2020.
CUPRINS
1
MODELARE SIMULARE
2
MODELARE SIMULARE
7.5.5. Generarea unor variabile aleatoare înrudite cu variabila aleatoare normală ........ 70
7.5.5.1. Generarea variabilei aleatoare 2 ................................................................... 70
7.5.5.2. Generarea variabilei aleatoare t (de tip Student) ............................................ 70
7.5.5.3. Generarea variabilei aleatoare F 1 2 (Snedecor-Fisher) cu 1 , 2 grade de
libertate ......................................................................................................................... 71
7.5.5.4. Generare variabilei aleatoare lognormală........................................................ 71
7.6. Generarea unor variabile aleatoare discrete ....................................................... 72
7.6.1. Variabila geometrică ............................................................................................ 72
7.6.2. Generarea variabilei aleatoare Poisson................................................................. 72
8. Ajustarea datelor ............................................................................................................. 73
8.1. Dreapta de regresie – punerea problemei ................................................................. 73
8.2. Funcţia de regresie ...................................................................................................... 74
8.3. Prezentare generală a pachetului de programe CurveExpert ................................ 76
9. Metoda Monte Carlo ....................................................................................................... 79
9.1. Proces stochastic (aleator) .......................................................................................... 79
9.2. Formularea problemei ................................................................................................ 81
9.3. Tipuri de probleme ce se pot rezolva cu metoda Monte Carlo ............................... 82
9.3.1. Calculul integralelor ............................................................................................... 82
9.3.2. Metoda Monte Carlo brută ..................................................................................... 82
10. Simularea numerică a fiabilităţii unui sistem ............................................................ 88
10.1. Estimarea fiabilităţii utilizând media timpului rămas de funcţionare ................. 90
10.1.1. Algoritm pentru simularea numerică a fiabilităţii unui sistem ............................. 92
10.1.2. Simularea fiabilităţii unui sistem serie ................................................................. 93
10.1.2.1. Cazul când toate componentele au aceeaşi probabilitate de funcţionare ...... 93
10.1.2.2. Cazul când fiecare componentă are propria probabilitate de funcţionare ..... 93
10.1.3. Simularea fiabilităţii unui sistem paralel .............................................................. 94
11. Reţele Petri ......................................................................................................................... 96
11.1. Generalităţi ................................................................................................................ 96
11.1.1. Reguli de evoluţie................................................................................................. 97
11.1.2. Tipuri de reţele Petri ............................................................................................. 97
11.2. Modelarea cu ajutorul reţelelor Petri .................................................................... 100
11.3. Prezentare generală VisualSimNet ........................................................................ 102
12. Serii de timp ............................................................................................................... 104
12.1. Noţiuni introductive. Definiţii ............................................................................. 104
12.2. Filtre liniare .......................................................................................................... 104
12.3. Analiza vizuală a seriilor de timp ....................................................................... 105
12.4. Metodologia de modelare Box-Jenkins .............................................................. 107
12.4.1. Modele liniare staţionare .................................................................................... 108
12.4.2. Funcţia de generare a autocovarianţei unui proces liniar ............................... 109
12.4.3. Staţionaritatea şi inversabilitatea unui proces liniar ........................................... 110
3
MODELARE SIMULARE
12.5. Procese autoregresive AR(p) ............................................................................... 110
12.5.1. Condiţia de staţionaritate .................................................................................... 111
12.5.2. Funcţia de autocorelaţie ..................................................................................... 111
12.5.3. Ecuaţiile Yule-Walker ........................................................................................ 112
12.5.4. Funcţia de autocorelaţie parţială ........................................................................ 112
12.5.5. Estimarea funcţiei de autocorelaţie .................................................................... 113
12.5.6. Cazuri particulare ............................................................................................... 113
12.6. Procese de medie alunecătoare MA(q) ............................................................... 114
12.6.1. Condiţia de staţionaritate .................................................................................... 114
12.6.2. Funcţia de autocorelaţie ..................................................................................... 115
12.6.3. Cazuri particulare ............................................................................................... 115
12.7. Procese autoregresive şi de medie alunecatoare ARMA(p,q) .......................... 116
12.7.1. Staţionaritate şi inversabilitate ....................................................................... 116
12.7.2. Funcţiile de autocorelaţie şi autocorelaţie partială ......................................... 117
12.7.3. Caz particular ARMA(1,1) ............................................................................. 117
12.8. Proprietăţile proceselor AR(p), MA(q), ARMA(p,q)........................................ 118
12.9. Procese autoregresive integrate şi de medie alunecătoare ARIMA(p,d,q) ..... 118
13. Predicţia seriilor de timp folosind reţele neurale și sisteme fuzzy ........................... 120
13.1. Modele de regresie statistică ................................................................................... 120
13.1.1. Noţiuni de bază în modelarea fuzzy ................................................................... 120
13.1.2. Model de regresie liniară multiplă ..................................................................... 133
13.2. Regresie folosind reţele neurale ............................................................................. 134
13.2.1. Modelul neural clasic de regresie neliniară ........................................................ 134
13.2.2. Modelul neural propus pentru regresie neliniară ................................................ 136
13.2.2.1. Ecuaţiile de bază ale FGNN ........................................................................ 139
13.2.2.2. Algoritmul de iniţializare on- line ............................................................... 140
13.2.2.3. Algoritmul de instruire ................................................................................ 141
13.2.3. Evaluare experimentală ...................................................................................... 143
Partea a II-a. Aplicaţii de laborator ..................................................................................... 146
L1. Lecţia de laborarator 1. Introducere în Matlab ............................................................. 146
L1.1. Aplicaţii în calcule matematice fundamentale ..................................................... 146
L1.2. Calcul numeric în Matlab cu aplicaţii în Algebră ............................................... 148
L1.3. Rezolvarea în Matlab a ecuaţiilor şi sistemelor de ecuaţii diferenţiale ............. 150
L1.4. Noţiunea de fişier în Matlab .................................................................................. 150
L1.5. Grafică în Matlab ................................................................................................... 151
L2. Lecţia de laborarator 2. Aplicaţii ale testelor Chauvenet şi Young ............................. 156
L2.1. Testul Chauvenet .................................................................................................... 156
L2.2. Testul lui Young ...................................................................................................... 161
4
MODELARE SIMULARE
5
MODELARE SIMULARE
6
MODELARE SIMULARE
1. NOŢIUNI DE BAZĂ
7
MODELARE SIMULARE
În continure, prin simulare desemnăm o tehnică de realizare a experimentelor cu
calculatorul, care implică utilizarea unor modele matematice şi logice şi care descriu
comportarea unui sistem real (sau a unor componente ale acestuia) pe o perioadă de timp.
Etapele realizării unui model de simulare
- stabilirea obiectivelor (definirea problemei);
- colecţionarea şi analiza primară a datelor;
- formularea modelului de simulare;
- estimarea variabilelor de intrare;
- estimarea caracteristicilor operative;
- descrierea algoritmului şi scrierea programului;
- validarea modelului;
- planificarea experimentelor;
- simularea;
- analiza rezultatelor.
Stabilirea obiectivelor
- criterii-tehnico-economice
- experienţă
- încredere client
- oportunitate
- volum de muncă
- profit
- stabilitate soluţii
Formularea problemei
Un manager vrea să aleagă acel curs al activităţii sale, care va fi cel mai performant în
atingerea scopului firmei sale.
În judecarea eficienţei diferitelor decizii posibile, trebuie să se folosească anumite
criterii pentru măsurarea performanţei activităţii în discuţie.
Este indicat să se urmărească etapele:
1. stabilirea criteriului de eficienţă,
2. selectarea unei mulţími de direcţii posibile de urmat,
3. determinarea unui model care să fie folosit şi a valorilor parametrilor
procesului,
4. determinarea alternativei care optimizează criteriul de la punctul 1.
8
MODELARE SIMULARE
Problemele lumii reale tind să fie deosebit de complexe. În orice situaţíe empirică există
nenumăraţi factori inerenţi. Orice curs potenţial al acţiunii iniţiază un lanţ de cauză.
Mintea umană nu poate considera toate aspectele empirice ale problemei. Anumite
atribute ale problemei trebuie ignorate ca să se poată lua o decizie. Decidentul trebuie să
identifice factorii cei mai relevanţi pentru problemă.
Abstractizarea şi simplificarea sunt factori necesari în rezolvarea oricarei probleme
umane.
Stabilirea obiectivelor
- obiectivul trebuie să fie realizat
- să se conştientizeze caracterul probabilistic
Construirea modelului
După selectarea factorilor relevanţi de către decidenţi, aceştia sunt combinaţi în mod
logic, astfel încât să formeze un model al problemei actuale.
Modelul, fiind o reprezentare simplificată a unei situaţii empirice, reduce complexitatea
şi păstrează comportarea esenţială a fenomenului natural, având un numar redus de factori,
care sunt legaţi între ei prin relaţii simplificate.
Avantajele unui model simplu:
- economie de timp şi idei,
- poate fi înţeles mai uşor şi repede de către decident.
Obiectivul decidentului nu este să construiască un model cât mai apropiat posibil de
realitate, deoarece un astfel de model ar lua mult timp pentru concepere.
După ce modelul a fost construit se pot obţine concluziile prin intermediul acţiunilor
logice. Decidentul îşi bazează acţiunile sau deciziile pe aceste concluzii.
Concepte de bază în modelare
Primul pas în construirea unui model este stabilirea factorilor şi variabilelor pe care
decidentul le consideră importante. Aceștia sunt: variabile de decizie, variabile exogene,
restricţii, măsuri ale performanţei, variabile intermediare.
Definiţia 1.5. Variabile de decizie sunt acele variabile pe care le controleză decidentul
și reprezintă alegerile alternative pentru decident.
Definiţia 1.6. Variabile exogene sunt importante în problema de decizie, dar sunt
controlate de factori externi sferei decidentului.
Definiţia 1.7. Resticţiile sunt legate de capacitatea de producţie, resurse, limitări
legislative, politica firmei, etc.
9
MODELARE SIMULARE
Definiţia 1.8. Măsuri ale performanţei reprezintă expresii cantitative ale obiectivului,
scopul ce trebuie atins în acea activitate.
Definiţia 1.9. Variabile intermediare sunt necesare pentru includerea tuturor factorilor
importanţi în problema de decizie:
leagă factorii de cost şi de câştig,
leagă variabilele de decizie şi exogene de măsuri ale performanţei.
de consum C j .
n m
Ipoteză simplificatoare a
i 1
i
j 1
b j = relaţie de echilibru, adică
disponibilul = necesarul, sau
oferta = cererea
10
MODELARE SIMULARE
Funcţia obiectiv este dată de cheltuielile totale de transport, anume
n m
f x xij cij
i 1 j 1
Restricţiile problemei
m
j 1
xij ai , 1 i n , cantitatea care pleacă de la depozitul Di nu poate depăşi capacitatea
depozitului,
n
i 1
xij b j , 1 j m , cantitatea transportată la centrul de consum Cj nu poate depăşi
xij ai 1 i n
j 1
n
xij b j 1 j m
i 1
xij 0 1 i n; 1 j m conditia de nenegativi tate
11
MODELARE SIMULARE
Medaliaţii cu aur la 200m bărbaţi
Anul Nume Tara Timpul în secunde
1900 W. Tewksbury USA 22.2
1904 A. Hahn USA 21.6
1908 R. Kerr Canada 22.6
1912 R.Craig USA 21.7
1920 A. Woodring USA 22.0
1924 J. Scolz USA 21.6
1928 P. Wiliams Canada 21.8
1932 E. Tolan USA 21.2
1936 J. Owens USA 20.7
1948 M. Patten USA 21.1
1952 A. Stansfield USA 20.7
1956 R. Marrow USA 20.6
1960 L. Berruti Italia 20.5
1964 H. Carr USA 20.3
1968 T. Smith USA 19,83
1972 V. Borsov URSS 20.00
1976 D. Quarrie Jamaica 20.23
1980 P. Mennea Italia 20.19
1984 C. Lewis USA 19.80
1988 J. DeLoch USA 19.75
1992 M. Marsh USA 20.01
1996 M. Johnson USA 19.32
2000 K. Kenteris Grecia 20.08
Medaliatele cu aur la 200m femei
12
MODELARE SIMULARE
În figurile de mai jos sunt reprezentate modele ale comportării evoluţiei timpilor de
parcurgere a distanţei de 200 m atât pentru femei cât și pentru barbaţi.
25.00
20.00
timpii in sec
0.00
00 908 920 928 936 952 960 968 976 984 992 000 008 016 024 032 040 048 056 064 072
19 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2
anul
40.00
35.00
timpii in sec
30.00
25.00 Timpii pentru barbati
20.00
15.00 Timpii pentru femei
10.00
5.00 Log. (Timpii pentru
0.00 femei)
00 20 36 60 76 92 08 24 40 56 72 Log. (Timpii pentru
19 19 19 19 19 19 20 20 20 20 20 barbati)
anul
13
MODELARE SIMULARE
40.00
20.00
0.00
00
08
20
28
36
52
60
68
76
84
92
00
08
16
24
32
40
48
56
64
72
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
20
20
20
20
-20.00
-40.00
timpii in sec
-100.00
-120.00
-140.00
-160.00
anul
Datele acestea constituie ceea ce se numeşte o serie de timp. Începând din 1968
măsurătorile s-au putut face la sutime de secundă. Dacă 200m sunt alergaţi în 20 secunde,
viteza atletului este de 10m/s şi atunci în 0.01 secunde se parcurg 10 cm. La fotografie se
poate vedea diferenţa la sosire. Nu este realist să credem că ar putea să fie observată distanţa
parcursă într-o miime de secundă.
Răspunsul la cele două întrebări se poate da făcând predicţie asupra tendinţei datelor.
Dacă folosim Excel şi aproximăm cu o dreapă datele observăm ca dreptele se intersectează şi
după aceea timpii fetelor ar fi mai mici decât cei ai bărbaţilor. Modelul linear nu este însă
acceptabil pe o perioadă mai mare de timp deoarece după un număr de ani, distanţa ar fi
parcursă în 0 secunde! Atunci se caută alte modele care să reprezinte mai bine comportarea
acestui fenomen.
Colecţionarea şi analiza primară a datelor
- familiarizarea executantului cu sistemul ce urmează a fi modelat,
- identificarea variabilelor de stare şi a parametrilor relevanţi,
- identificarea factorilor perturbatori, a criteriilor de periodicitate,
- a nu se neglija informaţiile obţinute pe parcursul stabilirii obiectivului.
Formularea modelului de simulare
SISTEM
Variabile (parametri, Variabile
de intrare dependenţă) de ieşire
14
MODELARE SIMULARE
Estimarea variabilelor de intrare
- achiziţia datelor,
- prelucrarea statistică primară,
- determinarea modurilor de variaţie în timp.
Estimarea caracteristicilor operative
- determinarea expresiilor matematice, relaţiilor procedurale între variabilele de
intrare, parametrii şi variabilele de ieşire,
- expresia matematică se determină, în general, prin analiza de regresie.
Validarea modelului
15
MODELARE SIMULARE
Activităţi ulterioare
Stabilirea procedurilor de actualizare a modelului
Verificarea concordanţei cu realitatea
Diseminarea rezultatelor
16
MODELARE SIMULARE
Definiţia 2.1. Prin experienţă în teoria probabilităţilor se înţelege orice, act care poate fi
repetat în condiţii date. Nu se poate preciza rezultatul exact al unei experienţe! Vom considera
în cele ce urmează doar experienţe, care au un număr finit de rezultate.
Definiţia 2.2. Toate situaţiile legate de experienţa şi despre care putem spune cu
certitudine că s-au produs sau nu, după efectuarea experienţei poartă numele de evenimente.
Definiţia 2.3. Evenimentul sigur este un eveniment care se realizează cu certitudine la
fiecare efectuare a experienţei. Îl notăm cu .
Definiţia 2.4. Evenimentul imposibil, notat cu , nu se produce la nici o efectuare a
experienţei.
Definiţia 2.5. Întotdeauna unui eveniment A îi corespunde un eveniment contrar, CA=B,
a cărui producere înseamnă prin definiţie nerealizarea primului.
Exemplul 2.6. Evenimentul sigur şi evenimentul imposibil sunt contrare.
Definiţia 2.7. Evenimentele A şi B sunt compatibile dacă se pot produce simultan, adică
există rezultate care favorizează atât pe A cât şi pe B.
Definiţia 2.8. Evenimentele A şi B se numesc incompatibile dacă nu se pot produce
simultan, adică nu există rezultate care favorizează atât pe A cât şi pe B.
Definiţia 2.9. Fiind date două evenimente A şi B, numim reuniunea lor A B ,
evenimentul a cărui producere constă în producerea a cel puţin unul din cele două evenimente
A şi B.
Definiţia 2.10. Intersecţia a două evenimente A şi B constă în producerea simultană a
evenimentelor A şi B.
Spaţiul de selecţie al unei experienţe este o mulţime de elemente astfel încât orice
eveniment rezultat în urma unei experienţe corespunde unui singur element al acestei mulţimi.
Definiţia 2.11. Câmpul de evenimente este format din părţi ale unei mulţimi date .
Definiţia 2.12. Fie mulţime dată şi K o familie de părţi ale lui . K se numeşte
câmp complet aditiv dacă sunt verificate axiomele:
1. X K , CX K
17
MODELARE SIMULARE
Definiţia 2.14. Definiţia probabilităţii în axiomatica lui A.N. Kolmogorov (devenită
clasică). Fie funcţia de mulţime P : K R , cu proprietăţile:
i) X K P(X) 0
ii) I mulţime de indici cel mult numărabilă, X K , pentru I şi
X X , , I , P X P X
I I
iii) P 1 .
Definiţia 2.15. Tripletul , K, P se numeşte câmp de probabilitate complet aditiv.
Definiţia 2.16. Fie o experienţă şi un eveniment A corespunzător acestei experienţe. Dacă
se repetă experienţă de n ori în condiţii identice şi evenimentul A se produce de α ori, iar
contrarul sau de n ori, atunci numărul f n se numeşte frecvenţă relativă a
n
evenimentului A.
Exemplul 2.17. Se construieşte un baraj căruia i se dă o înălţime suficientă pentru a
suporta nivelul creşterilor apelor înregistrat în ultimii 75 de ani. Presupunâd că nu există
variaţii de climat de-a lungul perioadei avute în vedere, care este probabilitatea ca barajul să
fie corespunzător de-a lungul următorilor 25 de ani de la data construirii lui?
Rezolvare
este mulţimea celor 75+25=100 de ani luaţi în considerare. Anul cu cea mai mare creştere
a apelor poate fi considerat ca unul dintr-o mulţime de ani echiprobabili. Barajul este
corespunzător dacă anul luat în considerare este unul din cei 75. Probabilitatea cerută este
75
0.75 sau cu o probabilitate de 75% barajul va fi corespunzător pe următoarea perioadă
100
de 25 de ani.
Observaţia 2.18. P 0 .
Propoziţia 2.19.
a) P A B P A PB P A B
b) P A B P A P A B
c) P AB P A PB 2P A B , unde AB A B B A
Definiţia 2.20. Probabilitate condiţionată. Fie , K, P un câmp de probabilitate
complet aditiv şi A, B K . Se numeşte probabilitatea evenimentului A condiţionată de
18
MODELARE SIMULARE
P A B
evenimentul B şi se notează PB (A) sau PA B , raportul: PB ( A) , dacă
P( B)
P( B) 0 .
Propoziţia 2.21. , K, PB este un câmp de probabilitate complet aditiv dacă P( B) 0 .
A , iar
i 1
i
i 1
totale.
Rezolvare
Notăm:
X evenimentul ca să fie aleasă o fată.
A1 evenimentul ca fata să fie de la una din cele 2 familii cu 2 fete şi 4 băieţi.
A2 evenimentul ca fata să fie de la una din cele 3 familii cu 2 fete şi 8 băieţi.
A3 evenimentul ca fata să fie de la familia cu 6 fete şi 2 băieţi.
Atunci:
2 1 3 1 1
P( A1 ) ; P( A2 ) ; P( A3 ) ;
6 3 6 2 6
PX A1
2 2 fete
(s-a ales o fata de la una din primele 2 familii )
6 6 copii
PX A2 ; PX A3 .
2 6
10 8
Atunci:
P( X ) P( A1 ) P( X A1 ) P( A2 ) P( X A2 ) P( A3 ) P( X A3 )
1 1 1 1 1 3 121
.
3 3 2 5 6 4 360
19
MODELARE SIMULARE
Teorema 2.24 (Formula lui Bayes). Fie A1 , ..., An , evenimente care realizează o desfacere
a spaţiului total şi care reprezintă cauzele producerii unui eveniment necunoscut X.
Presupunem că se cunosc probabilităţile apriorice: P Ai , i 1, n şi PA X , i 1, n .
i
Rezolvare
Cu notaţiile din problema precedentă avem:
2 1 3 1 1
P( A1 ) ; P( A2 ) ; P( A3 ) ;
6 3 6 2 6
O variabilă a cărei valoare este un număr determinat de evenimentul rezultat în urma unei
experienţe este numită variabilă aleatoare. Altfel spus, orice măsură a unei mărimi ale cărei
valori depind de hazard este o variabilă aleatoare. Aşadar, variabila aleatoare este o aplicaţie
X : R .
Exemplul 2.26. O familie de intelectuali dintr-o companie poate avea 0, 1, 2, 3 sau 4
copii. Numărul de copii este o variabilă aleatoare, care poate lua valorile conform cu tabelul
Număr de copii 0 1 2 3 4
1 3 1 1 1
Probabilitatea asociată
4 8 8 8 8
20
MODELARE SIMULARE
O variabilă aleatoare poate să fie discretă şi atunci nu ia decât anumite valori, ca în
exemplul de mai sus, sau continuă, putând lua toate valorile posibile între nişte limite date.
P1, 2, 3 P4, 5 ; P1, 2 P2, 3 ; P2 P5 ; P1, 3 P4, 5 .
Rezolvare
Notăm pi P
i ; se obţine sistemul
p1 p2 p3 p4 p5 1
p p p p
1 2 2 3
p2 p5
p1 p3 p4 p5
probabilităţile p1 , p2 , ..., pn atunci mulţimea ale cărei elemente sunt perechile ordonate
21
MODELARE SIMULARE
numit şi tablou de repartiţie.
Funcţia de repartiţie a variabilei aleatoare X este:
0 daca x 0
1
daca x 0,1
4
5 daca x 1, 2
F ( x) 8
daca x 2, 3
3
4
7 daca x 3, 4
8
1 daca x 4
Deci, dacă X este o variabila aleatoare discretă, F ( x) P( X xi ) este numită şi funcţia de
xi x
repartiţie empirică.
F(x)
1
7
8
3
4
5
8
1 reprezinta
4
0 1 2 3 4 x
22
MODELARE SIMULARE
F ( x) ( y )dy
3) ( x)dx 1 .
x x
x
F ( x) ( y)dy e y dy e y 1 e x
0
pentru x>0. Atunci
0 pentru x 0
F ( x)
1 e pentru x 0
x
23
MODELARE SIMULARE
0 daca x 0
F ( x) a x 2 daca 0 x 1
1 daca x 1
să fie funcţie de repartiţie şi în acest caz să i se determine densitatea de probabilitate
corespunzătoare.
F(x) trebuie să fie continuă, deoarece F ( x) ( x). Pe de alta parte a 12 1 şi astfel a 1 .
Atunci
0 daca x 0
F ( x) x 2 daca 0 x 1
1 daca x 1
Densitatea de probabilitate în acest caz este
0 daca x 0
( x) 2 x daca 0 x 1
0 daca x 1
Graficele celor două funcţii:
F(x) ρ(x)
1
2
0 1 x 0 1 x
24
MODELARE SIMULARE
Definiţia 2.36. Valoarea medie a unei variabile aleatoare X este dată de:
i 1
b) M X x ( x)dx cazul variabilei aleatoare continue.
Propoziţia 2.37.
1) M aX b aM X b
2) M X Y M X M Y
3) M X Y M X M Y dacă X şi Y sunt independente.
F ( x) 1 q x , (2.4)
0 F x 1 .
Se poate calcula media acestei variabile aleatoare
M X i f (i) i p qi p i qi .
i 0 i 0 i 0
25
MODELARE SIMULARE
Dar,
1 1
q
i 0
i
1 q p
şi derivând această relaţie avem
1
i q
i 0
i 1
1 q 2
.
Aşadar,
M X p
q q
2
.
p p
Exemplul 2.40. Variabila aleatoare exponenţială negativă, Exp ( ) , 0 , are densitatea
de probabilitate
e x
x0 (2.5)
( x)
0 x 0.
Cum am arătat într-un exemplu anterior, funcţia sa de repartiţie este
0 x0 (2.6)
F ( x) x
1 e x 0.
Valoarea medie a variabilei aleatoare Exp ( ) , 0 este
M X x ( x)dx x e x dx x e x dx
0 0
e x
x e x e x dx
1
.
0 0 0
Aşadar,
M X
1
.
26
MODELARE SIMULARE
Avem:
DX xi m f ( xi )
n
2
i 1
sau
DX x m ( x)dx .
2
DX c DX ,
Dc X c DX .
2
Această translaţie este importantă atunci când variabila aleatoare ia valori negative şi în
analiza care se întreprinde, datele trebuie să fie pozitive.
4. Fie X 1 , X 2 , ..., X n , n variabile aleatoare independente şi identic repartizate (i.i.d.)
DX d
D X i
n
.
i1 n n
DX M X M X 2 M X 2 2 X M X M X 2
DX M X 2 2M X M X M X 2 M X 2 M X 2.
27
MODELARE SIMULARE
Dar,
M X 2 x 2 ( x)dx x 2 e x dx x 2 e x dx
0 0 0
2
x 2e x 2 x e x dx x e x dx
0 0 0
2 x x 2 x 2 2
xe e dx e dx 2 e x 2
0 0 0 0
Aşadar,
DX
2 1 1 1
X .
2
2
2
28
MODELARE SIMULARE
Definiţia 3.1. O variabilă aleatoare discretă urmează repartiţia uniformă dacă este dată de
următorul tablou de distribuţie
x1 x2 . . . xn
V : 1 1 1 . (3.1)
. . .
n n n
Observaţia 3.2. Dacă V * 0, 1, 2, ,..., M 1 atunci tabloul de variaţie al variabilei V*
este
0 1 . . . M 1
V*: 1 1 1 . (3.2)
. . .
M M M
29
MODELARE SIMULARE
şi media
M X
q (3.6)
.
p
Se poate calcula dispersia şi se obţine
DX
q (3.7)
.
p2
Definiţia 3.3. Variabila aleatoare X este uniform repartizată pe [a,b] (sau uniform
rectangulară) dacă are densitatea de repartiţie
1 (3.10)
daca x a, b
f x b a
0 altfel .
Funcţia de repartiţie este
0 daca x a (3.11)
x a
F ( x) daca x a, b
b a
1 daca x 1.
30
MODELARE SIMULARE
t x xa
pentru x a, b .
x x
F x f t dt
1
a ba
dt
ba 0 ba
deoarece
xa
0 daca 0
ba
x a x a xa
P U daca 0 1
b a b a ba
1 xa
daca 1.
ba
Consecinţa 3.5. Prin transformarea liniară a unei variabile uniforme obţinem tot o
variabilă uniformă.
Propoziţia 3.6. Dacă V ~ Ua, b este uniformă repartizată pe (a, b) şi [c, d ] [a, b]
atunci V | [c, d ] ~ Uc, d .
Demonstraţie
Fie f densitatea de repartiţie a lui V,
1
daca v a, b
f v b a
0 altfel .
d c
Atunci Pv c , d , ţinând sema că situaţiile favorabile au măsură (d-c) iar
ba
toate cazurile posibile au măsură (b-a).
Pentru acesată variabila aleatoare media este
ab
M X
(3.12)
2
şi dispersia
DX
(3.13)
1
b a 2 .
12
31
MODELARE SIMULARE
Cazul bidimensional. Dacă x R 2 este uniform repartizată pe a, b c, d atunci
densitatea de probabilitate o să fie
1
, xI
f ( x) (b a)(d c)
0 , x I .
Repartiţiile marginale
X 1 ~ F1
X 2 ~ F2
X : ( X 1 , X 2 ) ~ F
Observaţia 3.7. Dacă variabilele aleatoare X 1 , X 2 sunt independente statistic atunci:
F ( x1, x2 ) F1 ( x1 ) F2 ( x2 )
F1 ( x1 ) F ( x1, ) lim F ( x1, x2 ) , iar f1 ( x1 ) este densitatea de repartiţie marginală;
x 2
2
şi funcţia de repartiţie
x t 2 (3.15)
1
F ( x)
2
e
2 2
dt .
32
MODELARE SIMULARE
3.2.3. Repartiţia lognormală
Variabila aleatoare X este repartizată lognormal dacă Y = lnX este o variabilă aleatoare
normală. Densitatea de repartiţie a variabilei aleatoare X este
2
1
1 ln x Y
(3.16)
( x) e 2 Y
x Y 2
unde
Y M Y , Y2 DY (3.17)
Y2 (3.18)
Y
X ; Var[ X ] M [ X ] e Y 1 .
2
M[X ] e 2 2
e x
x 0, 0 (3.19)
f ( x)
0 x0
iar funcţia de repartiţie
0 x0 (3.20)
F ( x) x
1 e x 0, 0
Media variabilei aleatoare este
M X
1 (3.21)
iar dispersia
DX
1 (3.22)
.
2
33
MODELARE SIMULARE
x 1e x (3.23)
x 0 , 0, 0
( x) ( )
0 x0
se spune că este repartizată gamma de parametri ( , ) , unde ( ) x 1e x dx este funcţia
0
(a) (b)
este repartizată beta de parametri (a, b), unde B(a, b) este funcţia lui Euler de
( a b)
speta întâi. Pentru această variabilă aleatoare media este
M X
a (3.27)
,
ab
iar dispersia
a b
DX
(3.28)
.
a b a b 1
2
3.2.7. Repartiţia 2
O variabilă aleatoare este repartizată 2 cu grade de libertate, 2 , dacă are densitatea
de repartiţie
1 1
x (3.29)
x 2
e 2
pentru 0 x
( x) 2 2
2
0 in rest
34
MODELARE SIMULARE
M X , (3.30)
iar dispersia
DX 2 . (3.31)
Propoziţia 3.10. Dacă N * , atunci variabila aleatoare X, de tip 2 poate fi obţinută ca
o sumă de pătrate de variabile aleatoare normale standard,
X ~ 2 , X Zi2 , Zi ~ N(0,1) .
i 1
Spunem că variabila aleatoare t este repartizată Student cu grade de libertate dacă are
densitatea de repartiţie
1 (3.32)
2
1 , x R .
1 1
( x)
x 2
2
2 1
Media acestei variabile aleatoare este
M t 0 , (3.33)
35
MODELARE SIMULARE
1 1 2 1 2 (3.35)
1
2
( x) 1 2 x 2 11 1
x
2
, x 0 .
2 1 2 2
2 2
Această repartiţie este importantă prin aplicaţiile care le are testul F bazat pe această
repartiţie.
Propoziţia 3.12. Legătura variabilei aleatoare F 1 , 2 Fisher-Snedecor cu 1 , 2 grade de
2 (3.36)
2
F 1 , 2 . 1
1 2 2
În statistica extremelor intervin variabile aleatoare ale căror funcţii de repartiţie au fost
studiate de Gumbel.
Repartiţia valorilor maxime
- de tip Gumbel sau dublu exponenţială:
( xu )
F ( x; , u) e e , x R , , u 0
k
v
- de tip Frechet: F ( x; v, k ) e x , x 0 , v , k 0
Repartiţia valorilor minime
k
x
- de tip Weibull: F ( x; v, k ) e v , x 0 , v 0 , k 0 .
Cu schimbările de variabile:
y
y ( x u ) repartiţia Gumbel devine F ( y) e e , repartiţia dublu
exponenţială standard,
x y
y k ln repartiţia Frechet devine F ( y) e e , repartiţia dublu exponenţială
v
standard,
v y
y k ln repartiţia Weibull devine F ( y) e e , repartiţia dublu exponenţială
x
standard, fapt ce permite tratarea unitară a repartiţiilor valorilor extreme.
36
MODELARE SIMULARE
4. STATISTICĂ DESCRIPTIVĂ
4.1. Vocabular
Colectarea informaţiei
Pentru a prelucra informaţia, ea trebuie colectată. Pentru aceasta se face o anchetă, al cărei
obiectiv trebuie bine stabilit înainte de demararea acţiunii.
Datele sunt culese prin observaţii directe sau indirecte (datele sunt culese din alte
rapoarte). Pentru culegerea datelor se întocmesc chestionarele, care trebuie să prevadă toate
situaţiile încât să nu fie întrebări fără răspuns.
37
MODELARE SIMULARE
4.2.1. Tabele
Definiţia 4.6. Tabel statistic este forma de prezentare a rezultatelor prelucrării statistice
prin care se caracterizează populaţia.
Tabelul este un ansamblu de judecăţi despre subiect (populaţia şi grupele ei) şi despre
predicat (caracteristicile statistice). Se disting:
tabele simple- reprezintă populaţia negrupată
tabele pe grupe-reprezintă populaţia desparţită în grupe omogene după o singură
caracteristică. Mărimea intervalului este dată de formula lui H. A. Sturges:
w x xmin (4.1)
h max ,
1 3.322 lg n 1 3.322 lg n
unde w este aplitudinea.
tabele combinate- reprezintă populaţia desparţită în grupe după două sau mai multe
caracteristici
tabele cu dublă intrare în care se reprezintă frecvenţele bidimensionale.
Exemplul 4.7. Numărul de copii al familiilor profesorilor din liceul L
Numărul de apariţii
Numărul de copii Frecvenţă relativa Frecvenţă cumulată
(de familii)
0 42 0.42 0.42
1 18 0.18 0.60
2 33 0.33 0.93
3 5 0.05 0.98
≥4 2 0.02 1
Total 100
Exemplul 4.8. Tablou cu dublă intrare. Situaţia şcolară la sfârşitul anului universitar.
Medie
An studii
m<5 5m<7 7 m <9 9 m 10
I 4 5 10 6
II 5 4 11 5
III 7 3 9 6
IV 2 8 8 7
38
MODELARE SIMULARE
Se poate răspunde la întrebări de genul:
1) Ce situaţie şcolară au studenţii anului a ?
2) Care este provenienţa studenţilor cu note în intervalul [a, b) ?
Exemplul 4.9. Tabele pe grupe:
Cei 115 angajaţi ai unei societăţi au salariul orar cuprins între 3.9 şi 7.1 euro. In tabelul de
mai jos sunt trecute grupele de salarii şi numărul de salariaţi din fiecare grupă de salarii.
Gruparea datelor:
7.1 3.9
i 0.4 .
1 3.322 lg115
3.9-4.3 4.4-4.7 4.8-5.1 5.2-5.5 5.6-5.9 6-6.3 6.4-6.7 6.7-7.1
9 14 18 21 23 16 10 4
0.629447913
0.944068348
1.258688783
1.573309218
1.887929653
2.202550088
2.517170524
2.831790959
3.146411394
2.04524 3
2.20255 2
2.35986 1
2.517171 1
2.674481 3
2.831791 3
2.989101 2
3.146411 1
3.303722 0
Mai mare 0
39
MODELARE SIMULARE
Definiţia 4.12. Poligonul frecvenţelor se obţine unind printr-o linie frântă extremităţile
segmentelor perpendiculare ridicate din mijloacele intervalelor de variaţie, segmente a căror
lungime este proporţională cu frecvenţă.
Exemplul 4.13. Pentru datele de mai sus, poligonul frecvenţelor este:
Poligonul frecventelor
160
140
120
100
80 Series1
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21
Diagrame figurative
S1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
40
MODELARE SIMULARE
Aşa cum am mai menţionat, pentru culegerea de informaţii despre o populaţie statistică se
pot folosi două meode:
recensământul (mai rar datorită costului, iar în unele situaţii concrete este imposibil),
când toţi indivizii din populaţia investigată sunt cheastionaţi, şi
metoda sondajelor – când se examinează un eşantion (selecţie) din populaţie şi pentru
care trebuie avut grijă să fie reprezentativ (selecţia să aibă aceeaşi structură ca şi
populaţia de investigat!).
Observaţia 5.1. Când se efectuează un sondaj nu se poate atinge cunoaşterea perfectă a
parametrilor populaţiei totale. Se caută numai să se estimeze aceşti parametri cu o precizie
cunoscută: se determină un interval de încredere în care se găseşte parametrul cu un risc de
eroare cunoscut.
Teorema 5.2 (a lui Glivenko). stabileşte legătura dintre funcţia de repartiţie teoretică
F(x) şi funcţia empirică de repartiţie Fn(x)
P lim sup Fn ( x) F ( x) 0 1
(5.1)
n xR
sau cu cât volumul de selecţie este mai mare cu atât funcţia empirică de repartiţie
aproximează mai bine funcţia teoretică de repartiţie.
Propoziţia 5.3 (principiul de bază al teoriei selecţiei). variabila de selecţie converge în
lege Fn F către variabila teoretică, iar caracteristicile variabilei de selecţie converg în
probabilitate către caracteristicile analoage ale variabilei teoretice.
Din datele numerice de care se dispune se calculează valori aproximative ale
caracteristicilor legii de distribuţie respective.
Fie λ parametrul sau caracteristica teoretică pe care trebuie să o determinăm din datele
numerice avute la dispoziţie de o variabilă de selecţie X*.
5.1. Estimatori
41
MODELARE SIMULARE
Observaţia 5.5. λ* este o variabila aleatoare deoarece depinde de X1,...,Xn, în vreme ce λ
este o constantă.
Definiţia 5.9. Estimator absolut corect este estimatorul pentru care se verifică relaţiile
M [* ] , D[* ] 0 . (5.4)
Definiţia 5.10. Deplasarea lui * (bias) este definită ca fiind M [* ] . Dacă deplasarea
este 0 spunem că estimatorul este nedeplasat.
Dacă pentru acelaşi parametru λ dispunem de doi estimatori 1* şi *2 spunem că
estimatorul 1* este mai bun decât estimatorul *2 dacă împrăştierea lui 1* faţă de este
mai mică decât împrăştierea lui *2 faţă de , adică D[1* ] D[*2 ] .
Definiţia 5.11. Se numeşte estimator eficient estimatorul de dispersie minimă.
X X ,
n
Deoarece variabila de selecţie presupune realizat evenimentul j rezultă că
j 1
42
MODELARE SIMULARE
n
L X 1 ,..., X n P X X j
j 1
adică prin funcţia
L X 1 ,..., X n ; X j ;
n
j 1
, ln L X j ln ln X j !
n Xj n
LX 1 ,..., X n ; e
j 1 X ! j j 1
43
MODELARE SIMULARE
Ecuaţia de verosimilitate pentru acest caz este
ln L n 1
1 X j 0
j 1
sau
n
1 n X j
n
Xj 0
j 1
* j 1
n
,
adică, media de selecţie în cazul repartiţiei Poisson este şi estimator de verosimilitate maximă
pentru parametrul repartiţiei.
1
X
j 1
j
* n
adică, inversul mediei de selecţie în repartiţia Exp() este estimator de verosimilitate
maximă pentru parametrul repartiţiei.
44
MODELARE SIMULARE
Fie
1 x
2
x; , , x R
1
e 2
2
densitatea de probabilitate a variabilei aleatoare repartizată normal de parametri şi şi
selecţia X1,..., X n X * .
Vom determina estimaţiile parametrilor şi prin metoda verosimilităţii maxime
pentru această repartiţie.
Funcţia de verosimilitate este
X j
n 2
1
LX 1 ,..., X n ; ,
1 2 j 1
e
2
n
n
2
Logaritmăm şi avem
2 2 j 1
Având doi parametri, avem un sistem de ecuaţii de verosimilitate
1 2 n
2 X j 1 0
ln L
0
2 j 1
ln L
X j 2
n
0
n 1 2 j 1 0
2 3
sau
X
n
2
X 0 ,
n j
j 1
n
j 1
j
2
Aşadar,
n
n n X j
X
j 1
j
j 1
* j 1
n
media de selecţie şi
45
MODELARE SIMULARE
X X
n n
2 2
j j
j 1 j 1
n *
2
n
dispersia de selecţie sunt estimatori de maximă verosimilitate.
46
MODELARE SIMULARE
Notând cu d 1* *2 , afirmaţia: “d este o variabila aleatoare cu media 0” este ipoteza
nulă şi se notează H0.
Altfel spus: H0= Nu există diferenţă semnificativă între 1* şi *2 .
47
MODELARE SIMULARE
selecţiei) în două regiuni: Rn Rn1 Rn0 cu Rn1 Rn0 astfel încât dacă valorile observate
X1,..., X n Rn1 se acceptă ipoteza H0, iar dacă X1,..., X n Rn0 se respinge ipoteza H0.
Definiţia 6.8. Domeniul Rn0 se numeşte domeniul critic sau regiunea critică a testului.
Definiţia 6.9. Probabilităţile:
PRn0 H 0 Presping H 0 cand H 0 este adevarata
1. Enunţarea ipotezei.
2. În modul ideal se specifică şi . Acestea vor determina numărul de observaţii pe
care trebuie să le facem pentru a calcula statistica pe care am ales-o. În practică se dau
şi n.
3. Se determină ce valori ale unei anumite statistici, valori ce formează regiunea critică,
determină respingerea ipotezei şi care anume conduc la acceptarea ipotezei.
4. Se calculează valoarea statisticii din selecţii.
5. Se acceptă sau nu ipoteza, după cum valoarea obţinută pentru statistică este în afară sau
în interiorul regiunii critice.
Observaţia 6.11. Testul ipotezei nule se aplică dacă populaţia din care s-a extras selecţia
urmăreşte legea normală sau volumul selecţiei este suficient de mare (n>30)
48
MODELARE SIMULARE
49
MODELARE SIMULARE
Exemplul 7.2. În simularea utilizării unei imprimante conectate la o reţea se urmăreşte
repartiţia numărului maxim de fişiere care sunt în lista de aşteptare pentru listare pe o
perioada de 30 de zile, înregistrându-se valorile:
săpt L Ma Mi J V săpt L Ma Mi J V
I 15 19 13 18 20 IV 19 21 13 23 17
II 12 21 22 19 21 V 18 20 21 13 15
III 13 13 13 14 17 VI 20 19 12 18 12
Să se verifice dacă acest eşantion are valori aberante şi dacă există, să se elimine!
Pentru depistarea erorilor sistematice într-un set de date rezultate din măsurători se poate
folosi testul lui Young, dat de următoarea procedură.
Pas 1. Intrare: x1 , x2 , ..., xn - şir de date experimentale şi probabilitatea de acceptare
(coeficient de încredere);
Se calculează mărimile:
1 n 1
2 (7.5)
2 xi 1 xi ,
n 1 i 1
şi
2 (7.6)
M .
2
Pas 2. Se compară M cu valoarea critică (VCI) inferioară şi valoarea critică superioară
(VCS), VCI<M<VCS, valori luate din tabele în funcţie de n şi sau determinate cu relaţiile:
a) dacă 0.95 atunci:
şi
0.341 (7.8)
VCS 3.317 1.057e 8.919n ;
50
MODELARE SIMULARE
Dacă inegalitatea este satisfăcută, atunci se consideră că şirul de date experimentale are un
caracter aleator (nu este afectat de erori sistematice) cu probabilitatea .
Pas 3. Stop!
În tabele se dau valori pentru corespunzătoare diferitelor valori ale lui n (n 25) . Dacă
n>25, se determină cu relaţia:
1.5057 0.9968n1.7404
.
2.1803 n1.7404
Pentru verificarea normalităţii unei mulţimi (serii) de date, adică, ipoteza că datele din
măsurători urmăresc repartiţia Gaussiană, se poate folosi una dintre metodele următoare:
se reprezintă histograma şi după forma acesteia se trage concluzia
corespunzătoare;
se calculează diferenţa d M X M e , dintre media aritmetică a eşantionului şi
xn xn
1
Me 2 2
pentru n=par (este nulă)
2
M e x n1 pentru n=impar,
2
unde xk reprezintă valoarea de pe poziţia k din şirul de date ordonat crescător. Dacă
d=0 se acceptă ipoteza de normalitate;
se calculează diferenţa d M X M o , dintre media teoretică a eşantionului şi
4 1 n
se calculează coeficientul de boltire , unde: xi x 4 şi
4 4
n i 1
1 n
xi x 2 . Daca 3 se acceptă ipoteza de nomalitate.
n i 1
51
MODELARE SIMULARE
Dacă aceste metode nu sunt suficiente, pentru verificarea normalităţii datelor din
eşantionul respectiv, se poate folosi unul dintre testele Massy sau 2 (hi pătrat) în funcţie de
volumul de selecţie sau alt test de concordanţă cum ar fi de exemplu testul Kolmogorov.
Formulăm ipoteza că datele din măsurători urmăresc repartiţia Gaussiană şi aplică unul
dintre testele Massay sau 2 după cum volumul de date este mai mic decât 30 sau superior
acestei valori.
Se foloseşte pentru testarea normalităţii unui set de date de volum mai mic decât 30.
Pentru aplicarea acestui test se poate folosi următoarea procedură.
Pas 1. Intrare: x1 , x2 , ..., xn - datele rezultate din măsurători;
Calculează ti
1 1 e 2
şi i
2 2
0.4361ti 0.1202ti2 0.9382ti3 , i 1,n .
1 0.3326Zi
ni
Pas 3. Se calculează frecvenţele relative cumulate Fi (funcţie de repartiţie empirică),
n
unde ni = numărul de valori Z Zi .
adică se cercetează dacă şirul numeric al frecvenţelor absolute empirice Ni reflectă legitatea
ipotetică a variabilei aleatoare teoretice. Răspunsul respectiv este util în aprecierea
52
MODELARE SIMULARE
caracteristicilor variabilei empirice prin prisma legităţii variabilei teoretice. Pentru rezolvarea
acestei probleme se parcurg etapele:
i) estimarea parametrilor, facută ţinând seama de eventualele semnificaţii ce le pot avea
în legătură cu caracteristicile repartiţiei teoretice;
ii) se construieşte după estimarea parametrilor variabila pseudoteoretică
~ x x2 xn n
X : 1 , N N
N1 N 2 N n
i
i 1
N i
f ( xi ) , de unde Ni N f ( xi ) , i 1, n ;
N
iii) verificarea concordanţei dintre distribuţia empirică şi cea teoretică, adică se stabileşte
dacă diferenţele Ni Ni sunt datorate unei simple întâmplări, deci nu sunt
semnificative, sau diferenţele sunt semnificative şi atunci există o neconcordanţă între
repartiţia teoretică şi cea empirică. Verificarea concordanţei se face cu teste de
concordanţă, aşa cum s-a precizat mai înainte.
Karl Pearson a arătat că în cazul unui sondaj non-exhaustiv în populaţia chestionată, când
probabilităţile pi nu sunt apropiate de zero sau unu, iar produsele Ni N pi , unde
se mai poate piede informaţie pentru determinarea celor k parametri estimaţi. O clasă trebuie
să aibă cel puţin 5 date!
Pentru 30 şi se determină cuantila 2 din tabele statistice (existente la sfârşitul
oricărei cărţi de statistică matematică!) P 2 2 şi dacă
53
MODELARE SIMULARE
2
Ni Ni2 2 (7.11)
N i
calc
Exemplul 7.4 (de aplicare a testului 2). Se caută să se pună la punct o maşină de
ambalat ciment în saci de greutate nominală 50 kg. După primele reglaje, se verifică la
întâmplare 500 de saci a căror greutate a fost notată în Tabelul 1.
Tabelul 1
Greutatea în Kg <45 [45-47) [47-49) [49-51) [51-53) [53-55) [55-57) >57 Total
Nr saci 35 53 76 100 88 78 42 28 500
Se poate considera că repartiţia sacilor de ciment este normală?
Rezolvare
Pentru determinarea estimatorilor pentru medie şi dispersie, x, sn , folosim datele din
tabelul de mai jos.
Mijlocul intervalului Frecvenţa absolută
Intervalul ~
xi Ni
(43-45) 44 35
(45-47) 46 53
(47-49) 48 76
(49-51) 50 100
(51-53) 52 88
(53-55) 54 78
(55-57) 56 42
(57-59) 58 28
Total 500
n
N ~x
i i
Estimarea mediei se face cu media aritmetică: x i 1
50.78 .
N
n
x N 2
i i
2
sn i 1
x 14.0236 şi abaterea medie pătratică se
2
Estimarea dispersiei:
N
estimează cu 3.74 .
Se formuleazăa ipoteza H0: Greutatea sacilor este o variabilă aleatoare N(50.78, 3.74)
54
MODELARE SIMULARE
xi x xi 50.78
Se consideră variabila redusă Z i , ale cărei valori sunt trecute în
sn 3.74
Tabelul 3, împreună cu probabilităţile teoretice corespunzătoare.
Tabelul 3
Interval de
Zi ( Z i ) pi N i
greutate a sacilor
45 -1.54 0.061 0.061 30.679
(45-47] -1.01 0.156 0.095 47.517
(47-49] -0.48 0.317 0.161 80.443
(49-51] 0.06 0.523 0.206 103.073
(51-53] 0.59 0.723 0.2 99.963
(53-55] 1.13 0.87 0.147 73.378
(55-57] 1.66 0.952 0.082 40.767
(57-59] 2.20 0.986 0.034 17.14
>59 0.014 7
unde: pi ( xi ) ( xi1 ) , (x) fiind funcţia de repartiţie a variabilei aleatoare normale
standard, Ni pi N 500 pi . Deoarece ultimele două clase au probabilităţi foarte mici le
unim considerând că greutăţile sacilor sunt împărţite în 8 clase (cum de altfel sunt şi în
Tabelul 1).
Numărul gradelor de libertate n n 1 k 8 1 2 5 . Pentru a 0.05 se găseşte în tabelul
repartiţiei 2
cuantila 2
11.070 . Cu formula 2
Ni Ni2 găsim valoarea
N i
0.05 calc
calc
2
10.219 0.05
2
11.070 şi cu pragul de semnificaţie de 5% ipoteza că repartiţia
55
MODELARE SIMULARE
35
53
76
Ns nrsac Ns 500
100
nrsac numărul intervalelor greutăţilor sacilor
88
78 n last(nrsac )
42 n8
28
Mijloacele intervalelor
44
46 Frecvențele absolute pe fiecare interval de greutate
48
50 xi mint FrAbs nrsac Ni FrAbs
mint
52
54
56
58
Media
mint Ni
i i
Xmed 50.78
i1
Xmed
Ns
Dispersia
minti Nii
2
i1 2
Abaterea medie patratică
2 Xmed
Ns
56
MODELARE SIMULARE
2 14.024 2 3.745
n 1 2 5
H0: Greutatea sacilor este o variabilă aleatoare repartizată N(50.78; 3.745)
Probabilitaţile teoretice
p cnorm Z
1 1
i 2 n
i
p cnorm Z cnorm Z
i i1
T
p ( 0.061 0.095 0.161 0.206 0.2 0.147 0.082 0.034)
Calculăm c
n
Nii Ns pi2
2c Ns p
i
2c 10.219
i 1
2 cu 5 grade de libertate în tabela repartiţiei 2 este 2 11.0705
57
MODELARE SIMULARE
Definiţia 7.6. Funcţia K ( ) se numeşte funcţia lui Kolmogorov şi există tabele cu
valorile ei la sfâşitul cărţilor de statistică matematică pentru diferite valori ale lui n şi .
Practic testul lui Komogorov constă din următorii paşi:
- se formulează ipoteza H0 : X are funcţia de repartiţie F (x) ;
- se fixează un prag de semnificaţie (de exemplu 0.05 , 0.01 ; 0.025 );
- se determină din tabele astfel încât K ( ) 1 ;
- se calculează Fn ( X (i ) ) , F ( X (i ) ) şi diferenţele di Fn ( X (i ) ) F ( X (i ) ) , i 1, n ;
- se determină d max di ;
1in
- dacă d se acceptă ipoteza H0, altfel se respinge!
n
Un exemplu de aplicare se află în Partea a II a în Lecţia 3, paragraful 3.3.
58
MODELARE SIMULARE
7.4.1. Câteva exemple de generatoare de numere aleatoare
Această metodă este datorată lui John von Neumann. Fiind dat un număr pseudoaleator
X n , următorul număr pseudoaleator X n 1 se obţine ca fiind format din cifrele părţii de mijloc
a lui X n2 . Dacă X n are 2k cifre, X n2 are 4k cifre (cel puţin după completarea adecvată cu cifra
0 în faţa numărului). Se reţin 2k cifre de la mijlocul lui X n2 pentru obţinerea lui X n 1 ş.a.m.d.
Relaţia de recurenţă este
X n2 X n2 2 k
X n 1 k 3k b ,
b b
unde: X n are 2k cifre, X n2 are 4k cifre şi se reţin 2k cifre de la millocul lui X n2 , b fiind baza
de numeraţie (de exemplu b=10).
D. E. Knuth în cartea sa Arta programării calculatoarelor, în volumul al II-lea, dedică
spaţii importante generatoarelor de numere pseudoaleatoare, precizând condiţii ce trebuie
verificate pentru a avea generatoare cu perioadă mare şi o dependenţă slabă între numerele
generate.
59
MODELARE SIMULARE
7.4.1.3. Metoda de amestecare a lui Marsaglia
Fie G1 ,G2 doi generatori de numere aleatoare uniforme. Se poate obţine un al treilea
generator G prin amestecarea celor două astfel:
- se dă o listă A1, ..., AL , 0 Ai 1 , i 1, L de numere aleatoare uniforme produse cu G1 ;
- se generează un indice aleator i având repartiţia
1 2 . . . L
1 1 1 , i ~ U (1, L) , cu generatorul G2;
. . .
L L L
- se consideră U Ai ca fiind produs cu generatorul G.
Exemplul 7.7. Fie L=4 şi numerele aleatoare uniforme 0.1 0.2 0.15 0.3 generate cu
generatorul G1 . Fie I o variabilă aleatoare uniform repartizată pe [1, 4] al cărei tablou de
1 2 3 4
distribuţie este 1 1 1 1 . Cu generatorul G2 presupunem că s-au generat:
4 4 4 4
i=2 şi se reţine U A2 0.2 , i=4 şi se reţine U A4 0.3 , i=1 şi se reţine
U A1 0.1 .
Propoziţia 7.8. Dacă (G1 ) 1 şi (G2 ) 2 sunt perioadele celor doi generatori
părinţi, atunci perioada generatorului fiu, G, este c.m.m.m.c.(1, 2 ) .
Consecinţa 7.9. Dacă 1 , 2 1 atunci 1 2 obţinându-se astfel o îmbunătăţire a
Demonstraţie
~ ~
F ( X ) P( X x) P( F 1 (U ) x) P(U F ( x)) F ( x) q.e.d.
Lema 7.11 (varianta Smirnov). Dacă X este o variabilă aleatoare cu funcţia de repartiţie
F (x) , atunci variabila aleatoare U F ( X ) ~ U(0,1) .
60
MODELARE SIMULARE
Demonstraţie
P(U u) P( F ( x) u) P( x F 1 (u)) P( x F 1 ( F ( x))) F 1 ( F ( x) x q.e.d.
Lema 7.12. Fie variabila aleatoare
1
X ~ f ( x) g ( x); k g ( x)dx , g ( x) 0 , () x R
k R
şi : D R 2 R definită prin (u, v) (au bv c)u d , unde a, b, c, d R , d 1 , b 0
u,v ~ U( D) , unde D este domeniul mărginit dat de relaţia
1
D (u, v) R | 0 u g ( (u, v)) .
2 d 1
Atunci:
k
1. mes(d )
b(1 d )
~
2. X (u, v) ~ f ( x) , unde f(x) definită mai sus.
Demonstraţie
Dacă vectorul u,v ~ U ( D) atunci are densitatea de repartiţie
1
, (u, v) D
h(u, v) mes( D)
0 altfel
g 11d ( y ) d
x
mess( D) dudv dudv 0 b dy
dx
D 1
0u g d 1 ( ( u ,v ))
1
1 x1d g 1d ( y ) 1 k
dy g ( y )dy ,
b 1 d 0 b(1 d ) b(1 d )
dacă se face schimarea de variabile
ux
d
v x ax c
b
al cărei jacobian este
yx d 1d a
D(u, v) 1 b x d
.
D ( x, y ) x d b
0
b
Astfel:
61
MODELARE SIMULARE
~ 1
mes( D) (u ,v ) y
F ( x) P( X x) P( (u, v) x) dudv
g 11d ( x ) y
1
1
y
t d b(1 d ) 1 x1 d g 1d ( y )
mes( D) 0 b b 1 d
dt dy dy
k 0
y
1
g ( y )dy F ( y ).
k
q.e.d.
Pas 2. Calculează X F 1 (U ) .
Pas 3. STOP!
Exemplul 7.13. Simularea variabilei aleatoare exponenţială X ~ Exp ( )
Variabila aleatoare X ~ Exp ( ) are densitatea de repartiţie f x definită în (3.18) iar
funcţia de repartiţie F (x) din (3.19).
62
MODELARE SIMULARE
7.5.1.2. Generarea variabilelor aleatoare de tip Gumbel cu metoda inversă
În statistica extremelor intervin variabile aleatoare ale căror funcţii de repartiţie sunt:
( x u )
1. F ( x; , u) ee pentru maxime; x R; , u 0 , X ~ F ( x; , u) variabilă
aleatoare de tip Gumbel (dublu exponenţială generalizată);
v k
2. Fr ( x; , k ) e x
pentru maxime; x, v, k 0 , X ~ Fr ( x; , k ) variabilă aleatoare de
tip Frechet;
k
x
3. We ( x; , k ) e v
pentru minime; x 0, v 0, k 0 , X ~ We ( x; v, k ) variabilă
aleatoare de tip Weibull.
y
Cu schimbarea de variabilă y ( x u) F ( y) e e dublu exponenţială (Dexp,
x
F ( x) e e ).
Y
Pentru (1.) : F(Y) U ~ U (0,1) ee U | ln eY ln U
63
MODELARE SIMULARE
Y ln( ln U ) ~ Dexp.
repartiţie;
b) caz continuu – dacă Y ~ g ( y) , y R , X ~ f y ( x) , x R , y este un parametru,
Pas 1. Repetă
j=0;
Generează U ~ U (0,1) ;
Repetă
j:=j+1;
până când Fj U ;
Generează Z ~ G j ( z )
X:=Z;
până când o condiţie de oprire este verificată;
Pas 2. STOP!
Exemplul 7.15. La o staţie de benzină se prezintă n tipuri de autoturisme pentru
aprovizionare, iar Z j este intervalul de timp dintre două sosiri consecutive de automobile de
64
MODELARE SIMULARE
Generează X Y ~ H ( x, y)
Reţine X X Y ;
până când o condiţie de oprire este verificată;
P2. STOP!
Variabila aleatoare de tip Pearson este un amestec de exponenţiale după o altă lege tot
exponenţială, adică X ~ Exp ( ) G( x, ) 1 e x , unde
~ Exp ( ) H ( ) 1 e .
Atunci X ~ F ( x) (1 e x )(e )d are repartiţia Pearson de tip XI, adică
0
F ( x) 1 .
x
Algoritm pentru generarea variabilei aleatoare de tip Pearson XI
Pas 0. Iniţializare RND; Intrare ;
Pas 1. Repetă
Generează U ~ U (0,1) ;
1
ln U ;
Generează U ~ U (0,1) ;
65
MODELARE SIMULARE
1
Reţine X ln U ;
până când o condiţie de oprire este verificată;
Pas 2. STOP!
variabile aleatoare care pot fi generate cu calculatorul, N o variabilă aleatoare, care ia valori
în N*, P o proprietate ce poate fi verificată cu calculatorul şi : R n R o funcţie măsurabilă
pentru ()n N * , astfel încât fiind date S1 , ..., Sn din S care satisfac proprietatea P atunci
~
X (S1 ,..., Sn ) are aceeaşi funcţie de repartiţie cu X (iniţial).
Reţine X (S1,..., Sn ) ;
până când se verifică o condiţie de oprire;
Pas 2. STOP!
Un procedeu particular de respingere are la bază lema înfăşurătoarei.
Lema 7.17. (a înfăşurătoarei). Fie X ~ F ( x) şi Y R p , Y ~ h( y) ,
66
MODELARE SIMULARE
f ( y)
Y densitatea de repartiţie a lui Y condiţionată de 0 u este f(x) adică Y este o
h( y )
realizare a lui X.
Procedeul de respingere dat de lema înfăşurătoarei
S {Y ,U ,Y ,U ,...}
N=2
f (Y )
P:0 U
h(Y )
(Y ,U ) Y ;
Atunci X=Y;
67
MODELARE SIMULARE
x2
f ( x) 2 x 2
Y ~ Exp (1) ; 1 , h( y) e y
, r ( x) e .
h( x ) x 0 1
r’ + - +
2e
Se determină .
r 2e
2e
Pas 0. Intrare: , , ; iniţializarea algoritmului RND.
Pas 1. Repetă
Repetă
Generează U ~ U (0,1) ;
Y ln U ;
Generează U ~ U (0,1) ;
Y2 1
Y
până când U e 2 2
;
Generează U ~ U (0,1) ;
Dacă U 0.5 Z=-Y alfel Z=Y ;
Reţine X Z ;
până când se verifică o condiţie de oprire;
Pas 2. STOP!
O metodă particulară pentru generarea variabilei aleatoare normale are la bază teorema
Box-Muller.
Teorema 7.19 (Box şi Muller). Dacă U1 ,U 2 ~ U(0,1) independente, atunci
2 ln S
Z i Vi , i 1, 2 sunt variabile aleatoare normale standard independente, unde
S
68
MODELARE SIMULARE
Algoritmul Box-Muller
Pas 0. Iniţializare RND; Intrare n, numărul de realizări ale variabilei aleatoare normale;
n
m ;
2
Pas 1. Pentru i 1, m,2 execută
Repetă
Generează U1 ~ U(0,1) , calculează V1 2U1 1 ;
Generează U 2 ~ U (0,1) , calculează V2 2U 2 1 ;
2 ln S 2 ln S
Calculează Zi V1 ; Zi 1 V2 ;
S S
Pas 2. STOP!
Observaţia 7.20. 1. În urma executării unui ciclu, acestă metodă produce două variabile
aleatoare normale standard independente!
2. Probabilitatea de acceptare în acest procedeu de respingere este pa .
4
O variantă a acestei metode, cunoscută sub numele de metoda polară, dă cele două
variabile normale standard cu formulele:
Z1 2 ln U1 cos(2U 2 ) , Z 2 2 ln U1 sin(2U 2 ) ,
Ui ~ U(0,1) , i 1, 2 independente.
Observaţia 7.21. Această variantă nu presupune nici o respingere!
Tema 7.22. Pentru lucrarea a II-a programaţi algoritmii folosiţi pentru generarea
variabilelor aleatoare continue şi discrete prezentate.
69
MODELARE SIMULARE
7.5.5. Generarea unor variabile aleatoare înrudite cu variabila aleatoare normală
2
Z 2 1
2
, unde Z ~ N(0,1) .
2
Aşadar, ştiind să generăm variabile aleatoare normale, putem genera variabile aleatoare
2 cu una dintre cele două relaţii de mai sus.
independente putem scrie următorul algorim pentru generarea variabilei aleatoare Student.
Algoritmul corespunzător este:
Pas 0. Iniţializare RND; Intrare: ν – numărul gradelor de libertate şi n=numărul de
realizări (volumul eşantionului generat);
Pas 1. Pentru i 1, n execută
Generează Z ~ N(0,1) ;
Z
Reţine t ;
2
Pas 2. STOP!
70
MODELARE SIMULARE
2
2
prezentată că F 1 2 1
, unde 2 şi 2 sunt independente.
1 2
2
1 2
Se poate scrie acum următorul algoritm pentru generarea numerică a variabilei aleatoare
Snedecor-Fisher.
Pas 0. Iniţializare RND ; Intrare 1 , 2 , n - numărul de realizări;
2
2
Reţine F 1 2 1
;
1 2
2
Pas 2. STOP!
Ţinând seama de definiţie şi anume că, variabila aleatoare X este lognormală dacă
Y ln X este variabilă aleatoare normală, putem scrie următorul algoritm pentru generarea
numerică a variabilei aleatoare X .
Algoritmul LOGNORM
Pas 0. Iniţializare RND . Intrare x , x ,n - numărul de realizări. Calculează
1 x2 x2
y ln x ln 2 1 şi 2
ln 2 1 ;
x
y
2 x
Pas 1. Pentru i 1, n execută
Generează Z ~ N(0,1) ;
Calculează Y y Z y ;
Reţine X exp(Y ) ;
Pas 2. STOP!
71
MODELARE SIMULARE
Exemplul 7.24. Dacă notăm cu X, variabila aleatoare, care numără piesele găsite
corespunzătoare în urma controlului unei mulţimi de piese până la apariţia primului rebut,
atunci X are repartiţia geometrică.
Pentru generarea numerică a variabilei aleatoare geometrice se poate folosi metoda
inversă, astfel:
F ( x) U 1 q x U ~ U (0,1) şi q x 1 U ~ U(0,1) , V 1 U ~ U(0,1) . Atunci
ln V ln V
V q x x ln q ln V x X ,
ln q ln q
unde {x} desemnează numărul întreg nenegativ cel mai apropiat de numărul real x.
Algoritm
Pas 0. Iniţializare RND ; Intrare q, n - numărul de realizări;
Pas 1. Pentru i 1, n execută
U ~ U (0,1) ;
ln U
Reţine X ;
ln q
Pas 2. STOP!
72
MODELARE SIMULARE
j j
Transformăm inegalităţile de mai sus astfel: ln U i ln Ui
i 1 i 1
sau
j j 1 j 1 j
ln U i ln U i , de unde
i 1 i 1
Ui e Ui , iar Ui ~ U(0,1) .
i 1 i 1
8. AJUSTAREA DATELOR
i 1
S n
n 2 n n
a 0 xi yi axi b 0
2 i
a x b xi xi yi
i 1 i 1 i 1 i 1
S , adică n , de unde n n cu soluţia
0 2 yi axi b 0 a xi b n yi
b i 1 i 1 i 1
73
MODELARE SIMULARE
n n n n
x
i 1
i yi x i 1
i x x y
i 1
2
i
i 1
i i
n n n
y i 1
i n x
i 1
i y
i 1
i
a n n
b n n
x x
i 1
2
i
i 1
i x x
i 1
2
i
i 1
i
n n
x i 1
i n x
i 1
i n
Definiţia 8.2. Funcţia de regresie este o expresie matematică dedusă în urma prelucrării
unor date experimentale, ce aproximează dependenţele dintre două sau mai multe variabile ale
unui sistem dat. Funcţia de regresie este necesară atunci când dependenţele dintre variabilele
respective nu pot fi stabilite suficient de precis pe cale teoretică.
Definiţia 8.3. Una dintre cele mai populare metode pentru determinarea funcţiei de
regresie este metoda celor mai mici pătrate.
Fiind dată o mulţime de perechi de puncte ( xi , yi ) , i 1, n se pune problema
determinării unei funcţii y=f(x), f numită funcţie de regresie, ale cărei valori în punctele xi
să aproximeze cât mai bine valoarea yi.. Drept criteriu de aproximare vom lua suma pătratelor
n
corecţiilor min S ( x) min yi f ( xi ) .
2
i 1
2) f ( x) a x 2 b x c
b
3) f ( x) a
x
4) f ( x) a e x b
5) f ( x) a ln( x) b
74
MODELARE SIMULARE
a
6) f ( x)
1
b
x
1
7) f ( x) x
ae b
8) f ( x) a xb
b
9) f ( x) a c x
10) f ( x) a eb x
ş.a.m.d.
Un exemplu de aproximare a datelor provenite din măsurători îl constitue polinomul de
interpolare al lui Lagrange, pentru care în anumite condiţii se poate da o margine a erorii de
aproximare.
Teorema 8.3. Fie f : [a, b] R şi x0 , x1 , ... , xn (n+1) puncte din intrervalul [a,b]. Atunci
de interpolare al lui Lagrange. În plus, dacă f C n 1 a, b , atunci pentru x [a, b]
f ( n 1) ( ) n
există (a, b) astfel încât f ( x) Pn ( x)
(n 1)!
x x .
i 0
i
Observaţia 8.4. Dacă f este un polinom de gradul n şi se cunosc valori ale lui f într-
o mulţime de (n+1) puncte, atunci polinomul de interpolare al lui Lagrange coincide cu f .
y f ( xi )
2
i
deviaţia standard (eroare standard) (S) : S i 1
n nc
75
MODELARE SIMULARE
n
St y yi
2
,
i 1
y i
y i 1 .
n
Cu cât S este mai apropiat de zero, respectiv r de 1, cu atât aproximarea dată de f este
mai bună. Semnificaţia erorii standard este apropiată de cea a parametrului 2 şi
caracterizează împrăştierea punctelor experimentale în jurul graficului funcţiei de regresie şi
având o valoare cât mai apropiată de zero atunci când punctele sunt mai aproape de grafic.
Definiţia 8.6. Coeficientul de corelaţie reprezintă o măsură a raportului dintre gradul de
împrăştiere al punctelor experimentale în jurul graficului funcţiei de regresie şi gradul de
împrăştiere al aceloraşi puncte în raport cu media aritmetică a ordonatelor.
Valoarea acestui coeficient reprezintă o măsură mai exactă a calităţii funcţiei de regresie
obţinută în situaţia în care abaterea standard a valorii experimentale este relativ mare. Funcţia
de regresie face o bună aproximare cu cât coeficientul de corelaţie este mai apropiat de 1.
CurveExpert este un produs software, care permite determinarea expresiei unei funcţii de
regresie univariabilă. După lansare apare fereatra principală, care are o zonă de date, prima
coloană reprezentând valorile variabilei independente, iar cea de-a doua coloană valorile
corespunzătoare ale variabilei dependente.
76
MODELARE SIMULARE
Datele pot fi luate dintr-un fişier text, a cărui extensie trebuie să fie dat (File, Open), iar la
crearea fişierului (de exemplu cu NotePad) pentru separarea celor două valori pe linie se
foloseşte tasta Tab. Dacă fişierul conţine mai multe coloane trebuie să specificăm coloanele
cu coordonatele punctelor, cele două coloane trebuie să fie succesive, iar variabila
independentă trebuie să fie prima coloană.
77
MODELARE SIMULARE
Căutarea funcţiei de regresie se poate face cu una din opţiunile meniului AppyFit. Dacă se
doreşte o formă de funcţie de regresie diferită de cele pe care le propune CurveExpert, prin
comanda User Model, se poate defini o funcţie proprie de regresie cu maximum 19
coeficienţi.
Meniul Tools permite:
- alocarea de ponderi în cadrul regresiei (Weighting Scheme),
- calcularea estimaţiilor iniţiale utilizate în algoritmii de determinare a funcţiilor de
regresie neliniare (AutoGuest On),
- ştergerea listei funcţiilor de regresie pentru o nouă refacere a calcullelor (Clear
CurveFits),
- vizualizarea rezultatelor iteraţiilor ultimei funcţii de regresie (View History File),
- editarea fişierului de date (Edit Current File),
- baleierea tuturor funcţiilor de regresie disponibile pentru acel set de date şi sortarea lor
în ordinea descrescătoare a adecvanţei (CurveFinder) şi
- configurarea programului (Options).
Selectarea unei funcţii din listă va afişa graficul funcţiei, calitateta adecvanţei dată de
coeficienţii S şi r, iar selectând Info obţinem coeficienţii funcţiei de regresie.
Salvarea şi exportarea sunt necesare pentru a păstra, respectiv pentru a exporta datele într-
un fişier text, conţinând informaţii privitoare la expresia şi coeficienţii funcţiei de regresie.
Odată cu salvarea şi exportarea se salvează coeficientul de corelaţie şi alţi coeficienţi.
Putem să vedem forma funcţiei şi putem stabili forma liniei graficului şi culoarea acestuia. Le
putem salva.
78
MODELARE SIMULARE
79
MODELARE SIMULARE
Dacă T = I interval al lui R atunci procesul este cu timp continuu. Valorile variabilei Xt
se numesc stări ale procesului. Se notează cu S mulţimes stărilor. Dacă S este discretă
rezultă proces cu stări discrete, altfel proces este cu stări continue.
Definiţia 9.2. Traiectoria procesului este mulţimea perechilor t , X t tT .
Un proces este cunoscut dacă pentru orice n 1 şi t1 , t2 , ..., tn se cunoaşe funcţia
n
de repartiţie Ft ,t ,...,t x1 , x2 , ..., xn P X t x1, X t x2 , ..., X t xn
1 2 1 2 n
.
Definiţia 9.3. Procesul stochastic X t tT se numeşte tare staţionar dacă pentru
Definiţia 9.4. Procesul stochastic X t tT se numeşte slab staţionar sau staţionar dacă
are momente de ordinul al doilea finite :
mt M X t , s t CovX t , X s , s t , mt m const , s t (t s) .
X ... X n M X 1 ... M X n
lim P 1 1
n
n n
X ... X n M X 1 ... M X n c .
P 1 1
n n n 2
80
MODELARE SIMULARE
Prin metode Monte Carlo se înţeleg tehnici de rezolvare a diferitelor tipuri de probleme
utilizând numere aleatoare, variabile aleatoare sau procese aleatoare.
Fie de rezolvat o problemă numerică P care are soluţia . O metodă Monte Carlo
pentru rezolvarea lui P constă în următoarele:
- se asociază în mod adecvat un proces stochastic X problemei astfel încât cu ajutorul
lui X să se poată estima (de exemplu: M (X ) sau M (X ) , (X )
converge într-un sens probabilist la , fiind o funcţie cunoscută dată). Să notăm
cu (X ) estimatorul lui . (X ) se numeşte estimator primar.
1 n
exemplu M (X ) , atunci estimatorul lui (X ) este n X i (media
n i 1
aritmetică), numit estimator secundar.
- se aproximează soluţia lui P cu n .
adică: lim P n 1 .
n
Nu există o regulă sau o tehnică matematică bine precizată pentru construcţia unei Metode
Monte Carlo. Este mai de grabă o artă necesară construcţiei unei astfel de metode.
De cele mai multe ori estimatorul primar se alege să fie nedeplasat, M X .
Considerăm pentru exemplificare că este un număr, dar poate fi şi un vector sau o
funcţie.
Să presupunem că există şi este finită Var ( X ) 2 şi dorim să aproximăm cu
o eroare acceptată dată 0 , adică P n p 1 , unde este riscul considerat
mic şi acceptat.
Conform cu legea numerelor mari, trebuie să alegem n astfel încât pentru şi date
şi suficient de mici, inegalitatea de mai sus să fie satisfăcută.
Teorema următoare stabileşte o margine inferioară a volumului de selecţie asupra lui X
pentru valori ale lui şi date.
81
MODELARE SIMULARE
2
prin n cu eroarea dată şi riscul admis este n n0 unde: n0 2
1 .
Enumerăm câteva domenii de aplicare ale metodelor Monte Carlo: calculul integralelor,
rezolvarea sistemelor de ecuaţii liniare, rezolvarea sistemelor de ecuaţii integrale, rezolvarea
problemelor Dirichlet pentru ecuaţii de tip eliptic, rezolvarea problemelor de optimizare cu
restricţii, etc.
ta
a b , atunci cu schimbarea de variabilă x , se ajunge la
ba
1
I b a f ( x)dx b a , iar f ( x) g a (b a) x . Aşadar, este suficient să studiem
0
1
cazul problemei f ( x)dx .
0
1
Considerăm U ~ U (0,1) , atunci M f (u ) f (u )du , adică f (x) este un
0
1 n
cu media aritmetică, adică prin estimatorul secundar n f U i . Această metodă,
n i 1
82
MODELARE SIMULARE
care se bazează pe formula de mai sus se numeşte metoda Monte Carlo brută (deoarece
foloseşte repartiţia uniformă!).
1 x2
Exemplul 9.8. Să se calculeze I e 2
dx folosind metoda de mai sus. Vom prezenta
0
x2
Exemplul 9.9. Să se calculeze integrala I dxdy , pe mulţimea
D
y2
D x, y R x y 1 , y x , x 2.
1 n
plane D, iar M f ( x, y f ( xi , yi ) , ( xi , yi ) ~ U(D) .
n i 1
Se consideră un dreptunghi J [a, b] [c, d ] D cu laturile paralele cu axele de
coordonate şi se generează numere uniforme pe [a,b], respectiv pe [c,d] , reţinându-se acele
perechi ( xi , yi ) , care cad în D.
Algoritm pentru calculul integralei duble cu metoda Monte Carlo brută
83
MODELARE SIMULARE
Pas 0. Intrare mes(D); s:=0, k:=0;
Pas 1. Pentru i 1, n execută
Generează x, y ~ U( J ) ;
Dacă ( x, y) D atunci k:=k+1 şi s:=s+f(x,y);
s
Pas 2. I : mes( D) ;
k
Pas 3. STOP!
Programul MathCAD pentru calculul integralei de mai sus este prezentat în continuare.
Pentru comparaţie este afiştă si valoarea returnată de pachetul MathCAD.
x2
Exemplul 9.10. Să se calculeze integrala I dxdy , pe mulţimea
D
y2
D x, y R2 x y 1 , yx , x 2 . I mes( D)
f ( x, y)
mes( D)
dxdy mes( D) M f ( x, y) , unde
D
1 n
mes(D) reprezintă aria mulţimii plane D, iar M f ( x, y ) f ( xi , yi ) , ( xi , yi ) ~ U(D) .
n i 1
Se consideră un dreptunghi J [a, b] [c, d ] D cu laturile paralele cu axele de coordonate
şi se generează numere uniforme pe [a,b], respectiv pe [c,d] , reţinându-se acele perechi,
care cad în D.
Algoritm pentru calculul integralei duble cu metoda Monte Carlo brută
Pas 0. Intrare mes(D); s:=0, k:=0;
Pas 1. Pentru i 1, n execută
Generează x, y ~ U( J ) ;
Dacă ( x, y) D atunci k:=k+1 şi s:=s+f(x,y);
s
Pas 2. I : mes( D) ;
k
Pas 3. STOP!
Programul MathCAD pentru calculul integralei de mai sus este prezentat în continuare.
Pentru comparaţie este afişată şi valoarea returnată de pachetul MathCAD.
84
MODELARE SIMULARE
I x 2 y 2 dxdydz ,
T
85
MODELARE SIMULARE
pe mulţimea
T x, y, z R3 x 2 y 2 z 1 .
dxdydz mes(T ) M f ( x, y, z ) ,
f ( x, y, z )
I mes(T )
T
mes(T )
unde mes(T) reprezintă volumul copului mărginit de T, iar
1 n
M f ( x, y, z ) f ( xi , yi , zi ) , ( xi , yi , zi ) ~ U (T ) .
n i 1
Se consideră un paralelipiped J [a, b] [c, d ] [e, f ] T cu muchiile paralele cu axele
de coordonate şi se generează numere uniforme pe [a,b], [c,d], respectiv pe [e, f], reţinându-
se acele triplete care cad în T.
Generează x, y, z ~ U( J ) ;
Dacă ( x, y, z) T atunci k:=k+1 şi s:=s+f(x,,zy);
s
Pas 2. I : mes(T ) ;
k
Pas 3. STOP!
Programul MathCAD pentru calculul integralei de mai sus este prezentat în continuare.
Pentru comparaţie este afişată si valoarea returnată de pachetul MathCAD.
86
MODELARE SIMULARE
87
MODELARE SIMULARE
h( t )dt .
0
88
MODELARE SIMULARE
(10.8)
M T t f ( t )dt F ( t )dt ,
0 0
deoarece
M T t f ( t )dt t F ( t ) dt t F ( t ) dt t f ( t ) F ( t )dt
0 0 0 0 0
după integrarea prin părţi.
Dar
F( 0 ) 1
şi atunci
t F ( t ) t o 0 ,
iar
t
t
lim t F (t ) lim t e H (t ) lim t e
t
H (t )
lim
1
t H (t )e H ( t )
0,
h( x )dx H ( ) .
0
Definiţia 10.5. Media timpului rămas de funcţionare (mean residual life) reprezintă
media timpului de funcţionare până la defectare, socotind din momentul în care sistemul
(componenta) a atins vârsta t.
L( t ) M T t T t
1
F ( x )dx
F( t ) t
şi de aici
F (t ) L(t ) F ( x)dx .
t
F (t ) 1 L(t )
.
F (t ) L(t )
89
MODELARE SIMULARE
După integrarea ultimei relaţii rezultă
t F ( x) t 1 L( x) t 1 L( x)
dx dx ln F (t ) dx ,
0 F ( x) 0 L( x ) 0 L( x )
adică
t 1 L( x ) (10.9)
dx
L( x)
F (t ) e 0 .
S-a obţinut o relaţie între funcţia de fiabilitate şi media timpului rămas de funcţionare.
Se consideră n valori observate ale variabilei aleatoare T , care defineşte timpul rămas
de funcţionare până la defectare: t1 t2 ... tn .
Media de selecţie pentru ultimele (n-i) valori observate este
1 n (10.10)
ˆ ni
ni
t
j i 1
j , i 0, 1, 2, ... , (n 1) .
Pe baza celor prezentate mai înainte se poate scrie următorul algoritm pentru estimarea
fiabilităţii.
Algoritmul TimpRamas
Pas 1. Intrare: t1 t2 ... tn , valorile observate; t * momentul în care se estimează
fiabilitatea
Pas 2. Pentru i 0, n 1 se calculează ̂ ni şi Lˆ (ti ) folosind (10.10) şi respectiv
(10.11).
Pas 3. Pentru perechile ti , L̂ti , i 1, n , se determină expresia analitică a dependenţei
cu metoda celor mai mici pătrate (de exemplu se poate folosi Curve Expert sau Excel pentru
ajustarea datelor)
Pas 4. Se estimează fiabilitatea la momentul t * pe baza relaţiei (10.9), adică:
t * 1 L( x )
dx
* L( x)
F (t ) e 0 .
90
MODELARE SIMULARE
Pas 5. STOP!
Definiţia 10.6. Fiabilitatea structurală studiază determinarea caracteristicilor de
fiabilitate ale sistemelor, deduse din caracteristicile corespunzătoare ale componentelor
acestora şi din legăturile dintre ele. Se consideră două tipuri de obiecte: elemente
(componente) şi sistem (structura).
Definiţia 10.7. Fie un sistem format din n elemente; n se numeşte ordinul sistemului.
Fiecărui element i, i 1, n , i se asociază o variabilă xi , astfel:
91
MODELARE SIMULARE
n
P ( X ) xi max
1i n
xi
i 1
Fiabilitatea unui sistem poate fi evaluată dacă sunt cunoscute prin studii statistice
fiabilităţile componentelor sale.
92
MODELARE SIMULARE
10.1.2. Simularea fiabilităţii unui sistem serie
Apelul subprogramului
93
MODELARE SIMULARE
Apelul subprogramului:
94
MODELARE SIMULARE
Apelul subprogramului
95
MODELARE SIMULARE
11.1. Generalităţi
Arcele în reţelele Petri sunt unidirecţionale. Un arc nu poate lega decât o tranziţie de un
loc sau un loc de o tranziţie. La o tranziţie sau la un loc se poate ajunge cu mai multe arce.
Dintr-o tranziţie sau dintr-un loc pot pleca mai multe arce. Un loc şi o tranziţie pot fi legate
prin cel mult un arc. Reţeaua Petri este cunoscută prin cele trei mulţimi: P, T, U (mulţimea
arcelor).
Definiţia 11.4. Dacă un arc leagă o tranziţie T de un loc P, arcul se notează (T, P) şi T
este o tranziţie de intrare în locul P, iar P este un loc de ieşire din tranziţia T. Dacă un
arc leagă un loc P de o tranziţie T, arcul se notează (P, T) şi P este un loc de intrare în
tranziţia T, iar T este o tranziţie de ieşire din locul P.
Similar grafurilor ponderate, reţelelor Petri li se poate asocia o funcţie numită evaluare,
a : U N , care ataşează fiecărui arc un număr natural.
Definiţia 11.5. Matricea
a(T j , Pi ) daca (T j , Pi ) U (11.1)
A Ai, j 1 i n a( Pi , T j ) daca ( Pi , T j ) U
1 j m
0 altfel
96
MODELARE SIMULARE
se numeşte matricea de incidenţă. Dacă între locul P şi tranziţia T nu există nici un arc,
atunci elementul corespunzător al matricei de incidenţă are valoarea zero.
Definiţia 11.6. Prin marcajul unei reţele Petri se întelege o aplicaţie M : P N , care
asociază fiecărui loc un număr întreg de jetoane, reprezentate în cerc prin puncte. Reţelele
Petri cu această aplicaţie se numesc reţele Petri marcate, iar cele care nu au această aplicaţie
se numesc reţele Petri nemarcate.
Definiţia 11.7. Într-o reţea Petri marcată tranziţia T este tranziţie activabilă
(executabilă, sensibilizată) dacă şi numai dacă pentru orice loc P de intrare în T marcajul
locului P este mai mare sau egal cu evaluarea arcului (P, T). O tranziţie activabilă nu poate fi
activată dacât dacă este inactivă.
Evoluţia reţelei Petri este definită de deplasarea jetoanelor; plecând din starea iniţială,
jetoanele trec de la un loc la altul prin execuţia tranziţiei.
1) o tranziţie este executabilă atunci când fiecare loc de dinaintea ei are un număr de jetoane
cel puţin egal cu evaluarea (ponderea) arcului dintre loc şi tranziţie;
2) reţeaua Petri nu poate evolua decât în execuţia unei singure tranziţii la un moment dat
(aleasă la întâmplare);
3) execuţia unei tranziţii se consideră instantanee şi constă din următoarele operaţii:
- se scot tot atâtea jetoane din locul de dinainte câte arată evaluarea arcului şi
- se depun atâtea jetoane în locul în care urmează tranziţia cât să nu depăşească
evaluarea arcului, care leagă locul de tranziţie.
Altfel spus, la activarea tranziţiei T, marcajul unui loc P de intrare în tranziţia T scade
cu o cantitate egală cu evaluarea arcului (P, T). Dacă P este loc de ieşire din tranziţia T,
atunci marcajul său creşte cu o cantitate egală cu evaluarea arcului (T, P). Dacă un loc al
reţelei nu este legat de tranziţia T prin nici un arc, la activarea tranziţiei T marcajul lui P
rămâne neschimbat.
1. Reţele Petri cu priorităţi. Sunt situaţii când în reţelele Petri două sau mai multe tranziţii
modelează evenimente dintre care unul şi numai unul se produce la un moment dat. Se
consideră că probabilităţile de apariţie ale acestor evenimente sunt egale (situaţie de conflict).
Pentru a evita o astfel de situaţie se utilizează o reţea Petri cu priorităţi. O astfel de reţea se
97
MODELARE SIMULARE
utilizează când se doreşte o alegere între mai multe tranziţii validate. Trebuie precizată o
relaţie între tranziţii, ce pot fi activate în acelaşi timp.
2. Reţele Petri neautonome. Sunt extensii ale celor definite până acum (Definiția 11.3) care
permit descrierea nu numai a ceea ce se întâmplă, ci şi când se întâmplă. Se folosesc la
modelarea sistemelor, la care execuţiile sunt sincronizate cu evenimente externe, ale căror
evoluţii sunt funcţie de timp.
3. Reţele Petri sincronizate. La o reţea autonomă spunem că o tranziţie poate fi executată
dacă este validată, dar nu se ştie când va fi executată. Pentru reţelele Petri sincronizate fiecărei
tranziţii i se asociază un eveniment şi execuţia acestei tranziţii se face dacă tranziţia este
validată şi evenimentul asociat se poate produce.
4. Reţele Petri temporizate. O reţea Petri se numeşte temporizată dacă fiecărei tranziţii îi
este ataşată o valoare raţională pozitivă numită durata de activare.
Activarea tranziţiei într-o reţea Petri temporizată se face în trei etape:
a) tranziţia este iniţializată prin extragerea numărului corespunzător de jetoane din
locurile sale de intrare;
b) tranziţia este activă pe o perioadă de timp, jetoanele fiind îngheţate pe durata de
activare;
c) tranziţia este încheiată prin plasarea numărului corespunzător de jetoane în locurile de
ieşire ale tranziţiei.
Pentru a fi complet cunoscută starea unei reţele Petri temporizate trebuie cunoscute:
marcajul reţelei, starea tranziţiilor (active sau inactive) şi timpii reziduali ai tranziţiilor (timpii
rămaşi până la încheierea tranziţiilor active). Aceste reţele permit descrierea unui sistem a
cărui funcţie depinde de timp. De exemplu, se poate scurge un timp între începerea unei
operaţii şi sfârşitul acesteia. Se folosesc pentru evaluarea performanţelor unui sistem.
5. Reţele Petri stochastice. La reţelele Petri temporizate durata asociată unui loc sau unei
tranziţii este fixă. Există fenomene care nu pot fi modelate cu durate constante. De exemplu,
durata de funcţionare între două defecţiuni a unei maşini este o variabilă aleatoare şi atunci
este indicat să se folosească reţele Petri stochastice în care un timp aleator este asociat unei
tranziţii.
6. Reţele Petri continue. În cazul acestui tip de reţele Petri, marcajul unui loc este un număr
real, acest model fiind mai apropiat de situaţiile reale, când numărul marcajelor unei reţele
Petri ordinare ar fi prea mare.
98
MODELARE SIMULARE
Exemplul 11.8.
1 1 2
a(T j , Pi )
A Ai , j 1in 1 0 1 .
1 j m
a( Pi , T j ) 0 2 1
Elementul de pe linia i coloana j are valoarea evaluări arcului, care leagă nodul Pi de
tranziţia Tj dacă Tj este tranziţie de intrare în nodul Pi, iar dacă Tj este o tranziţie de ieşire
din nodul Pi atunci elementul respectiv are aceeaşi valoare cu evaluarea arcului
corespunzător, însă cu semn schimbat. Marcajul reţelei de mai sus este M 2, 1, 0 .
Tranziţia T1 este activabilă deoarece singurul său loc de intrare are marcajul 2 şi este
mai mare decât evaluarea arcului (P1, T1). La fel şi tranziţia T2. Tranziţia T3 nu este
activabilă deoarece printre locurile de intrare se află unul, anume P3 cu marcaj nul, fiind mai
mic decât evaluarea arcului (P3 , T3) !
Dacă s-ar activa tranziţia T2 un jeton din P1 va fi scos (deoarece evaluarea arcului (P1,
T2) este 1, rămânând în P1 doar un jeton, iar în P3 vor fi 2 jetoane, deoarece evaluarea arcului
(T2, P3) este 2. Se obţine marcajul M 1, 1, 2 .
S-a schimbat starea tranziţiei T3, acum aceasta fiind activabilă, deoarece marcajul
locurilor de intrare în T3 este cel puţin egal cu evaluările arcelor, care le leagă de tranziţia T3.
99
MODELARE SIMULARE
100
MODELARE SIMULARE
Tranziţiile reprezintă trecerea dintr-o stare în alta: filosofii din stare când mănâncă în
starea când filosofează, tacâmurile când trec de la un filosof la altul. În starea iniţială se află
câte un jeton în locurile P1, P2 , P3 , P4 , P5 , P6 , P7 , P8 , iar tranziţiile T1, T2 , T3 , T4 sunt
activabile. Se execută o tranziţie la întâmplare, de exemplu T4 . Se pune un jeton în P11 şi se
iau jetoanele din jetoanele din P5, P6, P7 , adică filozoful care era în P6 a luat tacâmurile
din P5 şi P7 şi mănâncă. Pentru că nu există jetoane în P5 şi P7 tranziţiile T1 şi T3 sunt
inactivabile, iar filosofii din locurile P4 şi P8 filosofează. Pentru că există jetoane în P1 şi
P3 tranziţia T2 este activabilă şi se pune un jeton în P9 şi se iau jetoanele din P1, P2, P3,
adică filozoful care era în P2 a luat tacâmurile din P1 şi P3 şi mănâncă. Când un filozoful
din P11 termină de mâncat se execută tranziţia T7 , apar jetoane în P5 , P6 şi P7 , iar
filosoful trece în starea de filozofare. Când un filosoful din P9 termină de mâncat se execută
tranziţia T5 , apar jetoane în P1 , P2 şi P3 , iar filosoful trece în starea de filosofare.
101
MODELARE SIMULARE
102
MODELARE SIMULARE
- tranziţia sursă sau destinaţie – tranzition,
- locul destinaţie sau sursă – place,
- tipul arcului (condiţie care ţine seama de mărimea evaluării arcului şi de marcajul
locului sursă sau destinaţie stabilind deplasarea sau nedeplasarea jetoanelor de-a
lungul arcului) – acrtype,
- forma densităţii de probabilitate a evaluării arcului – weight,
- parametrii acestei densităţi de probabilitate – parameter
- culoarea jetonului care ajunge la destinaţie – color.
Definirea repartiţiilor de probabilitate a duratelor de activare a tranziţiilor, a evaluării
arcelor se face prin parametrii acestora, astfel:
- repartiţia constantă – k : un număr pozitiv,
- uniformă pe [min, max] – g - se precizează intervalul,
- uniformă căreia i se cunoaşte media şi amplitudinea – m (media, aplitudinea =
mean, width),
- Poisson() – p se precizeză = mean,
- Exponenţială Exp() – e - se precizeză = mean,
- Normala N( , ) - n - se precizează = mean şi = std. abw,
- Lognormală L ( , ) - l - se precizează = mean şi = std. abw
şi altele cum ar fi gama, beta, Weibull etc.
103
MODELARE SIMULARE
12.SERII DE TIMP
Definiţia 12.1. Seria de timp sau seria dinamică sau seria cronologică reprezintă o
secvenţă ordonată în timp de observaţii efectuate asupra unei variabile. Faptul că observaţiile
se succed în şirul de date în ordinea apariţiei lor ne determină să spunem ordonată în timp.
Definiţia 12.2. Când măsurarea valorilor seriei este posibilă la fiecare moment de timp
spunem că seria de timp este continuă. De exemplu: temperatura, presiunea aerului,
tensiunea, intensitatea curentului electric etc.
Definiţia 12.3. Când observaţiile sunt făcute asupra variabilei la intervale egale de timp
(de exemplu: secunde, minute, ore, zile, luni etc) seria de timp se numeşte discretă.
Definiţia 12.4. Dacă seria de timp continuă este transformată într-una discretă prin
măsurarea valorilor seriei la intervale egale de timp, atunci seria obţinută se numeşte serie de
timp eşantionată.
Definiţia 12.5. Seria de timp în care variabila nu poate fi masurată continuu la fiecare
moment de timp, însă este posibilă măsurarea valorilor cumulate ale acestei variabile după
anumite intervale de timp egale se numeşte serie de timp cumulată sau serie de timp
integrată (de exemplu cantitatea de precipitaţii măsurată zilnic la o staţie meteo).
Relaţia dintre două serii poate fi explicată prin intermediul „cutiei negre”. Dacă avem o
funcţie continuă de intrare x(t) şi o trecem direct prin cutia neagră ne aşteptam în general la
ieşire să avem tot o funcţie continuă. Putem concepe un proces traversând direct cutia neagră
ca unul în care diferite operaţii matematice sunt făcute asupra funcţiei de intrare să producă
observaţii asupra funcţiei de ieşire y(t). De regulă nu se cunoaşte natura exactă a operaţiilor.
Totuşi putem să observăm funcţia de ieşire y(t), care împreună cu proprietaţile ştiute ale
funcţiei de intrare x(t) vom fi capabili s spunem câte ceva despre proprietăţile filtrului. Filtrul
desemnează aici operaţiile făcute în cutia neagră.
Definiţia 12.6. Un filtru este liniar şi invariant în timp dacă satisface următoarele două
condiţii:
104
MODELARE SIMULARE
1) dacă intrarile x1(t) şi x2(t) corespund la ieşirile y1(t) şi y2(t), atunci intrarea,
ax1(t)+b x2(t) corespunde la ieşirea ay1(t)+b y2(t) , a şi b fiind două constante
arbirare
2) dacă intrarea x(t ) t , corespunde la ieşirea y(t ) t , atunci
funcţia fiind numită nucleul filtrului. În caz discret relaţia de mai sus se scrie astfel:
(12.2)
yt
k
k xt k ,
Datele se pot reprezenta grafic, pe axa orizontală fiind timpul, iar pe axa verticală valorile
măsurate ale variabilei de interes. Această reprezentare permite evidenţierea unui
comportament – patern – al variabilei.
Se pot întâlni următoarele situaţii:
1. Datele oscilează în jurul valorii medii constante
5
4.69
zi
0
0 20 40 60 80 100
2 i 100
105
MODELARE SIMULARE
2. Datele prezintă o pronunţată tendinţă crescătoare în medie
10
8.624
zi
0.497
0 20 40 60 80 100
2 i 100
4
zi
2
3.036 4
0 20 40 60 80 100 120 140 160
2 i 150
zi 4
0.159 2
0 20 40 60 80 100
2 i 100
106
MODELARE SIMULARE
5. Datele prezintă un pattern sezonier, suprapus peste unul crescător în medie şi
amplitudinea pattern-ului sezonier creşte o dată cu timpul.
25
20.42
20
15
zi
10
0.057 0
0 50 100 150
2 i 150
Definiţia 12.7. O serie de timp este staţionară dacă această nu conţine tendinţe în
valoarea medie, nu prezintă modificări ale dispersiei datelor şi pattern-uri sezoniere.
Metodologia Box-Jenkins tratează seriile de timp staţionare, însă o serie de timp
nestaţionară poate în general să fie transformată într-una staţionară.
Obiectivul principal al metodologiei Box-Jenkins este de a determina o reprezentare pe
cât posibil corectă a mecanismului de generare a procesului care a produs setul de date, adică
a modelului.
Reprezintă una dintre metodele cele mai utilizate şi precise de modelare şi predicţie pe
termen scurt a seriilor de timp. Metodologia constă în următoarele etape:
1. Etapa de identificare – se alege un model ARIMA drept candidat pentru
modelarea seriei de timp. Pentru măsurarea interdependenţei statistice dintre datele
observate se utilizează funcţia de autocorelaţie estimată şi funcţia de autocorelatie
parţială estimată.
2. Etapa de estimare – se estimează parametrii modelului ales în etapa 1. Dacă
estimatorii pentru coeficienţii modelului ales în etapa 1 nu satisfac condiţii care să
conducă la staţionaritate şi inversabilitate, modelul va fi respins.
3. Etapa de validare-diagnoză – se verifică dacă modelul ales este adecvat sau nu.
107
MODELARE SIMULARE
4. Dacă nu, se reia etapa 1 cu alegerea unui alt model ARIMA şi se continuă
procedura, altfel se utilizează modelul în predicţie, simulare, conducere etc.
unde:
z este un parametru care determină nivelul seriei {zt}, iar
(B)=1+1B+ 2B2+... (12.4)
funcţia de transfer a filtrului, B fiind operatorul de întârziere pe un pas, adică
Bzt=zt-1. (12.5)
Mulţimea coeficienţilor filtrului 1, 2, ...poate fi finită sau infinită.
Definiţia 12.8. În cazul în care este finită sau infinita însă seria {n} este convergentă
atunci filtrul este stabil şi seria de timp {zt} este staţionară. În acest caz, z reprezintă
valoarea medie în jurul căreia variază procesul real măsurat de seria de timp {zt}. Dacă seria
nu este staţionară se numeşte nestaţionară şi z nu mai are o semnificaţie anume.
Definiţia 12.9. Seria deviaţiilor procesului original {zt} faţă de media z constituie
modelul liniar general al seriei şi are forma
(12.6)
zt zt z at 1at 1 2 at 2 ... at t at j ,
~
j 1
unde at, at-1, . . . sunt variabile aleatoare independente şi identic repartizate normale de medie
0 şi dispersie a2 .
Atunci:
M[at]=0 si Var[at]= a2
şi funcţia de autocovarianţă
108
MODELARE SIMULARE
a2 k 0 (12.7)
k M [at at k ]
0 k 0
În anumite situaţii, ~zt poate fi exprimat ca o sumă ponderata a valorilor sale anterioare,
la care se adaugă at :
zt 1~
~ zt 1 2 ~
zt 2 ... at . (12.9)
de coeficienţii j şi invers.
Dacă procesul are dispersia finită înseamnă că seria
j 0
2
j este convergentă, iar j
descresc rapid la 0.
Funcţia de generare a autocovarianţei este
(12.11)
( B) k B k ,
k
0
unde B =1, sau
109
MODELARE SIMULARE
Definiţia 12.10. În relaţia (12.9), considerând că numai primele p ponderi sunt nenule
obţinem
zt 1~
~ zt 1 2 ~
zt 2 ... p ~
zt p at , (12.14)
i 1, p .
Au aplicaţii practice procesele AR(1),
zt 1~
~ zt 1 at , (12.15)
şi AR(2),
zt 1~
~ zt 1 2 ~
zt 2 at . (12.16)
iar de aici
1 (12.17)
~
zt at 1 ( B)at ,
( B)
unde
( B) 1 1 B 2 B 2 ... p B p , (12.18)
ceea ce permite interpretarea procesului autoregresiv ca fiind ieşirea dintr-un filtru liniar cu
funcţia de transfer --1(B), având ca intrare o secvenţă de zgomot alb, {at} .
110
MODELARE SIMULARE
12.5.1. Condiţia de staţionaritate
p
( B) 1 Gi B
i 1
şi
p (12.19)
ki
zt 1 ( B)at
~ at .
i 1 1 Gi B
Dar dacă
1 ( B) 1 j B j
j 1
1
este convergentă pentru B 1, atunci Gi 1 , i 1 , i 1, p . Aşadar,
i
rădăcinile ecuaţiei ( B) 0 se vor situa în afara discului unitar şi astfel se asigură
staţionaritatea procesului. Se poate arăta că aceeaşi condiţie trebuie satisfăcută şi pentru cazul
când rădăcinile ecuaţiei ( B) 0 nu sunt distincte.
Deoarece
( B) ( B) 1 1 B 2 B 2 ... p B p
are un număr finit de termeni inversabilitatea procesului AR(p) nu impune restricţii asupra
parametrilor procesului.
sau
( B) k 0 , unde ( B) 1 1 B ... p B p .
111
MODELARE SIMULARE
12.5.3. Ecuaţiile Yule-Walker
Dând valori lui k între 1 şi p, în relaţia care defineşte k se obţine următorul sistem de
ecuaţii liniare
1 1 2 1 ... p p 1 (12.22)
...
2 1 1 2 p p 2
p 1 p 1 2 p 2 ... p,
ecuaţii cunoscute sub numele de ecuaţiile Yule-Walker.
Pentru rezolvarea sistemui se înlocuiesc valorile funcţiei de autocorelaţie teoretică k cu
valorile funcţiei de autocorelaţie estimate, rk.
Matriceal, sistemul de mai sus se scrie astfel:
Pp=p
a cărui soluţie este
= Pp-1p .
112
MODELARE SIMULARE
jj 0 pentru j p
(12.25)
facp
jj 0 pentru j p.
dintre perechile ordonate ale observaţiilor efectuate asupra a două variabile aleatoare, zt şi
z ˆ z
2
t
t 1
zt zt ̂ z , atunci
sau dacă ~
nk (12.27)
~z ~z t t k
rk t 1
n
.
~zt
2
t 1
1. AR(1) zt 1~
~ zt 1 at
Funcţia de autocorelaţie:
Dispersia:
113
MODELARE SIMULARE
a2 (12.29)
z2 .
1 12
2. AR(2) zt 1~
~ zt 1 2 ~
zt 2 at
Funcţia de autocorelaţie
a2 1 2 (12.31)
2
.
z 2 2
1 2 1 1 2
proces numit proces de medie alunecătoare de ordin q, notat MA(q). Aplicaţii practice au
z t at 1at 1 2 at 2 .
zt at 1at 1 şi MA(2): ~
în general modelele MA(1) : ~
Folosind operatorul de întârziere procesul MA(q) se poate scrie astfel:
~zt 1 1 B 2 B 2 ... q B q at (12.33)
Astfel, procesul MA(q) poate fi privit ca reprezentând ieșirea ~zt dintr-un filtru liniar
cu funcţia de transfer (B) şi care are ca intrare o secvenţă de tip zgomot alb {at}.
114
MODELARE SIMULARE
Seria ( B) B având un număr finit de termeni, nu se impun nici un fel de condiţii
asupra parametrilor procesului MA(q) pentru asigurarea staţionarităţii.
funcţia de autocovarianţă
k
k 1 k 1 2 k 2 ... q k q a2 k 1, q
(12.35)
0 k q
modelului 1, . . . , q , rezolvând sistemul obţinut scriind relaţia de mai sus pentru k 1, q .
Să observăm că sistemul care se obţine nu mai este liniar şi atunci sunt necesare metode
aproximative (iterative) pentru rezolvare.
zt at 1at 1
1. MA(1) ~
Funcţia de autocovarianţă este dată de relaţia:
0 1 12 a2 (12.37)
Funcţia de autocorelaţie:
1 (12.38)
k 1
k 1 12
0 k 2.
115
MODELARE SIMULARE
2. MA(2) z t at 1at 1 2 at 2
~
Funcţia de autocovarianţă:
0 a2 1 12 22 . (12.40)
Funcţia de autocorelaţie:
1 (1 2 ) 2 (12.41)
1 2 k 0 k 2 .
1 12 22 1 12 22
sau
( B)~zt ( B)at .
În practică, modelele ARMA(p,q) au ordinele p, q 1,2.
Scris sub forma
~ 1 1 B ... q B q (12.43)
zt at
1 1 B ... q B q
Procesul ARMA poate fi considerat ca reprezentând ieşirea {zt} dintr-un filtru a cărui
funcţie de transfer este dată de raportul a două polinoame (B) şi (B) şi care are ca intrare
o secvenţă de zgomot alb {at}.
Procesul este staţionar dacă ( B) 0 are rădăcinile în afara discului unitar şi este
inversabil în aceleaşi condiţii.
116
MODELARE SIMULARE
12.7.2. Funcţiile de autocorelaţie şi autocorelaţie partială
Deoarece ~
zt k depinde numai de valorile {at} care au apărut până la momentul t-k
rezultă că:
~z a (k ) 0 k 0 (12.45)
~z a (k ) 0 k 0.
Atunci :
funcţia de autocovarianţă este
k 1 k 1 ... p k p k q 1 (12.46)
şi
funcţia de aucorelaţie este
k 1 k 1 ... p k p k q 1. (12.47)
zt 1~
~ zt 1 at 1at 1
Funcţia de autocovarianţă:
1 12 211 2 (12.48)
0 a
1 1
2
(1 11 )(1 1 ) 2
1 a
1 12
k 1 k 1 k2
Funcţia de autocorelaţie:
(1 11 )(1 1)
(12.49)
1
1 12 211
2 11 .
117
MODELARE SIMULARE
Seriile de timp care nu au valoarea medie constantă, dar sunt caracterizate de o anume
omogenitate, în sensul că făcând abstracţie de valoarea medie locală sau de valoarea medie
locală şi de tendinţa, o secvenţă de date din serie se comportă în mod asemănător cu oricare
altă secvenţă de date din cadrul aceleiaşi serii sunt transformate, în urma unor diferenţieri, în
procese staţionare mixte autoregresive şi de medie alunecătoare numite ARIMA(p,d,q), unde:
p este ordinul de regresie, d ordinul de diferenţiere şi q ordinul de medie alunecătoare.
Un astfel de proces se reprezintă prin
118
MODELARE SIMULARE
unde 1 B .
x 1 B B
t
... xt 1 B xt 1 xt .
1
Sxt h
2
h
Relaţia (12.51) arată că procesul iniţial poate fi obţinut prin integrarea procesului staţionar
(12.50) de d ori. De aici, denumirea de proces autoregresiv integrat şi de medie
alunecătoare.
119
MODELARE SIMULARE
Rețelele neurale artificiale (RNA) constituie instrumente puternice pentru rezolvarea unei
varietăți de probleme în multe domenii ale științei și ingineriei. RNA-urile sunt modele
computaționale paralele cu grad de complexitate variate, constituite din unități de procesare
elementare, de cele mai multe ori adaptive, denumite neuroni, interconectate masiv, conform
unei organizări ierarhice. RNA-urile simulează sistemul nervos al creierului uman: intrările
sunt dendritele, ieșirile reprezintă axonii, iar arcele constituie sinapsele.
RNA-urile sunt modele computaționale utilizate pentru a rezolva o gamă largă de
probleme, incluzând: clasificarea (recunoașterea) formelor, sinteza și recunoașterea vorbirii,
interfețe adaptive între oameni și sisteme fizice complexe, aproximarea funcțiilor, compresia
de date a imaginilor, clasificare nesupervizată (clustering), predicție, modelarea sistemelor
neliniare, controlul (reglarea automată).
Definiția 13.1. Conceptul de neuron artificial a fost introdus de Mc Culloch și Pitts (1943)
și constă dintr- un set de entități x, w, , , unde:
120
MODELARE SIMULARE
neuronului, la un moment.
Cele mai utilizate funcții de activare sunt :
a) funcția treaptă unitate
121
MODELARE SIMULARE
Fig. 13.5. Rețea perceptron neliniar cu trei straturi de neuroni (structura clasică)
NP-ul care conține mai mult de un strat de intermediar este denumit perceptron multistrat
(Multilayer Perceptron= MP).
Primul strat al NP conține neuroni virtuali, care nu realizează o prelucrare de semnal, ci
doar o multiplexare, prelucrarea propriu- zisă având loc doar în stratul intermediar și în cel de
ieșire.
123
MODELARE SIMULARE
ECUAȚIILE UNUI NEURON DIN STRATUL INTERMEDIAR
X p x p1,, x pn t are semnificația de vector care se aplică la intrarea NP,
W jih
j 1, L, i 1, n
reprezintă mulțimea ponderilor aferente stratului intermediar,
n (13.2)
( ) net hpj W jih x pi , j 1, L ,
i 1
unde net hpj este o variabilă de stare internă (activarea neuronului j).
Dacă W jh W jh1,,W jn
h t
, atunci
net hpj W jh , X p W jh t X p , j 1, L.
(13.3)
Etapa neliniară ( )
Aceasta etapă presupune calcularea ieșirii neuronului intermediar j, conform formulei
( ) i pj f jh net hpj , j 1, L , (13.4)
124
MODELARE SIMULARE
ECUAȚIILE UNUI NEURON DIN STRATUL DE IEȘIRE
Wkjo k 1,M , j 1,L reprezintă mulțimea ponderilor aferente stratului de ieșire (indicele
o=”output”).
liniară
Avem două etape de prelucrare:
neliniar ă
Etapa liniară ( )
Activarea neuronului k din stratul de ieșire, când la intrarea NP se aplică vectorul X p este
dată de formula
L (13.5)
() net opk Wkjoi pj , k 1, M ,
j 1
unde net opk este o variabilă de stare internă (activarea neuronului k).
Etapa liniară ( )
Ieșirea neuronului de ieșire k este determinată în funcție de activarea (transfer) net opk și
( )
o pk f ko net opk , k 1, M ; (13.6)
n, L, M , W jih
j 1, L, i 1,n
, Wkjo
k 1, M , j 1, L
X p x p1,, x pn t ,
125
MODELARE SIMULARE
care se aplică la intrarea rețelei îi corespunde vectorul ieșirilor ideale
Yp y p1,, y pM t ,
unde:
n reprezintă dimensiunea vectorului de intrare,
M numărul de clase (numărul neuronilor de pe stratul de ieșire).
NP are un algoritm de instruire de tip back-propagation, adică prin procesul de instruire
se realizează o reacție negativă, ce constă în faptul că eroarea dintre ieșirea ideală și ieșirea
reală se propagă înapoi, acționând asupra cauzei care a produs-o.
Scopul algoritmului de instruire este de a minimiza eroarea pe lotul de instruire
1 K (13.7)
E Ep
K p 1
unde
1M 2 (13.8)
Ep y pk o pk
2 k 1
constituie eroarea determinată de vectorul de instruire de index p. Pașii algoritmului de
instruire sunt:
Pasul 1. Se ia p=1. Se aplică la intrarea rețelei vectorul X p , pentru care se cunoaște
la t K se aplică vectorul X K ;
j 1, L, i 1,n și cea aferentă stratului de ieșire al rețelei: Wkjo k 1,M , j 1, L .
adică W jih
Pasul 2. Se calculează activările neuronilor din stratul intermediar folosind relația (13.2).
Pasul 3. Se calculează ieșirile neuronilor din stratul intermediar folosind relaţia (13.4).
Pasul 4. Se determină activările neuronilor din stratul de ieșire pe baza relaţiei (13.5).
Pasul 5. Se calculează ieșirile neuronilor de pe stratul de ieșire conform relaţiei (13.6).
Pasul 6. Se determină termenii eroare pentru neuronii de ieşire conform formulei
opk y pk o pk f k'o net opk , k 1, M . (13.9)
Pasul 7. Se determină termenii eroare pentru neuronii din stratul intermediar folosind:
126
MODELARE SIMULARE
pj
h
kM1
f j'h net hpj opkWkjo , j 1, L .
(13.10)
Pasul 8. Se rafinează (rafinarea acționează în sensul scăderii erorii din (13.8)) ponderile
aferente stratului de ieșire pe baza relației
E p (13.11)
Wkjo t 1 Wkjo t o
, k 1, M , j 1, L ,
Wkj
unde , 0 1 este rata de învățare. Pentru unele aplicații, este variabil cu iterația. Dacă
este mai mic, rafinarea este mai fină, deci precizia de atingere a minimului este mai mare,
dar crește timpul de instruire.
Formula de rafinare a ponderilor aferente stratului de ieșire este echivalentă cu formula
W jih t 1 W jih t pj
h
x pi , j 1, L , i 1, n . (13.14)
Pasul 10. Se calculează eroarea datorată vectorului p de instruire, folosind formula (13.8).
Pasul 11. Dacă p<K se face p=p+1, adică se introduce un nou vector la intrarea rețelei.
Altfel, se calculează eroarea corespunzătoare epocii respective (prin epocă se înțelege
parcurgerea întregului lot de vectori), folosind formula (13.7) și se începe o nouă epocă de
instruire.
Algoritmul de instruire se termină după un anumit număr ( fixat) de epoci.
Definiția 13.8. Rețeaua neurală clasică poate fi numită rețea neurală fuzzy dacă intrările
și/ sau ponderile și/ sau ieșirile acesteia sunt numere fuzzy (exprimă gradul de apartenență la o
mulțime fuzzy).
Noțiunea de mulțime nuanțată sau vagă (fuzzy set) a fost introdusă de L.A. Zadeh în 1965.
Ideea este de a înlocui decizia binară a apartenenței (sau neapartenenței) unui element la o
mulțime, cu introducerea unui grad de apartenență, cuprins între 0 și 1.
Definiția 13.9. Fie U o mulțime nevidă (universul discursului). Se numește mulțime
fuzzy relativ la U, orice aplicație A : U 0,1. Pentru orice x U , Ax desemnează gradul
(coeficientul) de apartenență a lui x la mulțimea fuzzy A . Funcția constantă 0 (respectiv 1)
pe U se numește mulțimea fuzzy vidă (respectiv totală).
127
MODELARE SIMULARE
Observația 13.10. Avantajul introdus de mulțimile fuzzy este că permit precizarea
gradului de apartenență la o mulțime, care furnizează mai multă informație decât forma binară
de apartenență.
Definiția 13.11. Un număr fuzzy este o mulțime fuzzy, ce are ca univers de discurs
mulțimea numerelor reale.
Numerele fuzzy pot fi de formă triunghiulară, trapezoidală, dreptughiulară, Gaussiană, etc.
Exemplul 13.12. Fie U=mulțimea persoanelor dintr-o anumită colectivitate și proprietatea
de inteligență. Oricărei persoane x U i se asociază coeficientul de inteligență Ax ,
asociând coeficientul 1 unui geniu și ocupând întreaga plajă de valori între 0 și 1. În acest fel
este definită o mulțime fuzzy A : U 0,1, numită inteligența relativ la U.
Logica fuzzy (ce corespunde mulțimilor fuzzy) este o logică cu o infinitate de valori și
constituie un instrument puternic pentru modelarea gândirii și percepției umane. Se consideră
că, eficiența creierului uman nu provine doar din raționamente precise, ci și din concepte
fuzzy, din judecată bazată pe reguli fuzzy.
Pentru ca un sistem neural să aibă capacitatea de a trata incertitudinile cognitive aproape
ca ființa umană, trebuie adaugat conceptul de logică fuzzy rețelelor neurale.
Un neuron fuzzy (Fuzzy Neuron= FN) are N intrări ponderate xi , i 1, N , N ponderi wi ,
i 1, N şi M ieşiri y j , j 1, M . Fiecare ieşire poate fi asociată cu o valoare de apartenenţă la
un concept fuzzy, adică exprimă în ce măsură forma cu intrările x1, x2 , xN aparţine unei
mulţimi fuzzy.
x1 y1
w1
g1
x2 y2
w2 h f g2
gM
xN yM
wN
T
Fig. 13.8. Structura unui neuron fuzzy
În Fig 13.8:
z este intrarea netă a neuronului,
z hw1x1,..., w N x N (13.15)
128
MODELARE SIMULARE
z max wi xi
N (13.18)
i 1
atunci acest FN este numit neuron fuzzy de tip max (MAXIMUM-FN sau MAX-FN).
x1
w1 N
z max wi xi
i 1
x2
w2
wN
xN
z min wi xi
N (13.19)
i 1
129
MODELARE SIMULARE
atunci acest FN este numit neuron fuzzy de tip min (MINIMUM-FN sau MIN-FN).
x1
w1 N
z min wi xi
i 1
x2
w2
xN wN
unde:
s este starea neuronului fuzzy,
t este funcţia prag,
ck , k 1, K sunt variabilele competitive ale FN,
atunci acest FN este numit neuron fuzzy competitiv (COMETITIVE-FN sau COMP-FN).
O regulă fuzzy if- then este de forma:
unde:
m este numărul termenilor din partea antecedentă a regulii j și coincide cu dimensiunea
vectorului observațiilor (care se aplică la intrarea unei rețele neurale),
M este numărul termenilor din partea de concluzie a regulii j,
130
MODELARE SIMULARE
unde funcțiile de apartenență ale termenilor fuzzy sunt definite prin:
u 0.2
1 0.3 , dacă 0.2 u 0.5
small u 1, dacă 0 u 0.2
0, altfel
0.8 u
1 0.3 , dacă 0.5 u 0.8
big u 1, dacă 0.8 u 1
0, altfel
și sunt reprezentate în Fig. 13.11.
u small medium big
1
u
0.2 0.5 0.8 1
partea antecedentă a regulii fiind intrarea rețelei iar partea de concluzie a regulii reprezentând
ieșirea dorită (ideală) a rețelei.
Pentru a extrage regulile fuzzy dintr-o bază de reguli fuzzy și a forma mulțimea vectorilor
de instruire, respectiv de test, care se aplică la intrarea rețelelor neurale fuzzy, numerele fuzzy
se pot reprezenta în două moduri:
1) metoda propusă de Umano și Ezawa [42], potrivit căreia un număr fuzzy este
reprezentat printr-un număr finit de valori de apartenență;
2) metoda lui Uehara și Fujise [41] privind reprezentarea unui număr fuzzy printr-un
număr finit de mulțimi de nivel .
Definiţia 13.14. Suportul unei multimi fuzzy V este submulţimea strictă a lui U, ale cărei
elemente au grade de apartenenţă nenule în V, adică
suppV x V | Ax 0. (13.22)
131
MODELARE SIMULARE
În cazul primei metode, dacă a1,a2 constituie suportul numerelor fuzzy din partea
antecedentă a unei reguli fuzzy şi b1,b2 este suportul numerelor fuzzy din partea de concluzie
a regulii fuzzy respective, atunci avem:
a2 a1 (13.23)
x j a1 j 1 n 1 , 1 j n
y b i 1 b2 b1 , 1 i m
i 1 m 1
unde m 2, n 2.
În cazul metodei de reprezentare a numerelor fuzzy prin de multimi de nivel se alege
un număr natural M 2, care reprezintă numărul mulţimilor de nivel folosit în
reprezentarea numarului fuzzy respectiv şi se consideră
j 1 (13.24)
j , j 1, M
M 1
o partiţie a intervalului [0,1].
Cele M mulţimi de nivel ale numărului fuzzy Aip , i 1, n, p 1, K sunt date, prin
definiţie, de relaţia
A u | A u a
i
p j
i
p
j
L R
pij , a pij , j 1, M , i 1, n, p 1, K .
(13.25)
u
M 1
i
1 0 u
aiL aiR
Fig.13.12. Reprezentarea unui număr fuzzy triunghiular prin M mulţimi de nivel
u
M 1
i
1 0
aiL aiR u
Teorema 13.15. Pentru un număr fuzzy triunghiular reprezentat în Fig. 13.14 având
forma generală
132
MODELARE SIMULARE
a t (13.26)
1 , dacă a t a
t a
At 1 , dacă a t a
0, altfel
A a 1 , a 1 . (13.27)
At
1
0 t
a a a
A a 1 , b 1 . (13.29)
At
1
0 t
a a b b
Un model de regresie liniară multiplă (MLRM= Multiple Linear Regression Model) poate
fi definit astfel:
m (13.30)
y j yˆ j j 0 i xij j , j 1, K ,
i 1
unde:
m 1 semnifică ordinul modelului de predicţie;
133
MODELARE SIMULARE
j y j yˆ j, j 1, K . (13.31)
SSE t y X t y X , (13.33)
1 X t y.
ˆ X t X
(13.34)
134
MODELARE SIMULARE
y j yˆ j j 0 f x1 j , x2 j ,, xmj ; 1, 2 ,, m j (13.36)
b1
1 1
bl
1
1
Fig. 13.16. Structura matematică a unei reţele neurale feed-forward cu un strat intermediar
Deoarece variabila prezisă poate lua valori negative se consideră funcţia tangenta
hiperbolică (dată în (13.1) care ia valori în intervalul 1,1 ), drept funcție de activare
neliniară a reţelei neurale din Fig.13.16.
Ieșiea celui de-al j-lea neuron din stratul intermediar va fi:
n (13.38)
y j tanh wij xi b j , j 1, l ,
i 1
unde:
n este numărul de neuroni din stratul de intrare;
l reprezintă numărul neuronilor din stratul intermediar;
xi semnifică componenta a i-a a vectorului, care se aplică la intrarea reţelei;
135
MODELARE SIMULARE
wij este ponderea ce corespunde conexiunii dintre neuronul i din stratul de intrare și
unde:
W j sunt ponderile corespunzătoare stratului de ieșire;
instruire (de tip back-propagation), care are ca scop ajustarea acestor parametrii astfel încât să
fie minimizată funcţia cost (aceasta măsoară eroarea medie pătratică dintre ieșirea modelului z
și valoarea observată zobs).
Reţeaua neurală fuzzy gaussiană (Fuzzy Gaussian Neural Network= FGNN) este un tip
special de reţea neurală, prin tip special întelegând faptul că FGNN are speciale atât
conexiunile (dintre nivelul al doilea și al treilea) cât și operaţiile cu nodurile.
Diagrama de structură a FGNN este reprezentată Figura 13.17.
y1 yM
4 WK41 4
W11 WKM
Stratul 4
1 2 K-1 K
3 Stratul 3
w 11
w 3m 2 w 3mK
A 11 A1K A1m AK
m
Srratul 2
Stratul 1
x1 xm
i1,m, j 1,K este ponderea dintre al i 1K j - lea neuron din stratul al doilea și
Wij3
al j-lea neuron din stratul al treilea, K fiind numărul de neuroni ai celui de-al treilea
strat;
W jl 4
j 1, K , l 1, M
semnifică conexiunea dintre neuronul j al celui de-al treilea strat și
unde:
m reprezintă numărul neuronilor de pe stratul de intrare (numărul termenilor din partea
antecedentă a regulii j),
M este numărul neuronilor de pe stratul de ieșire al reţelei (numărul termenilor din
concluzia regulii j),
j semnifică indexul regulii respective, j 1, K , K reprezentând numărul regulilor
care coincide cu numărul vectorilor de instruire, respectiv celor de test care se
furnizează la intrarea FGNN;
X x1,, xm este vectorul de intrare corespunzător regulii j ;
137
MODELARE SIMULARE
1) prima funcţie este funcţia de agregare g k , care furnizează intrarea pentru neuronul
respectiv și care este
Net input= g k x k ;W k , (13.40)
indicele superior indicând numărul nivelului reţelei, deci k 1,4 , x k fiind vectorul de intrare
2) a doua funcţie este o funcţie de activare neliniară notată f k care dă ieșirea unei
valori activate în funcţie de net input; astfel
Output= Oi k f k g k , (13.41)
138
MODELARE SIMULARE
mulţimi fuzzy. Acești parametrii ai FGNN se iniţializează conform unui algoritm de
iniţializare on-line și se vor rafina pe parcursul algoritmului de instruire.
FGNN are un algoritm de instruire de tip back- propagation (BP), scopul principal al
algoritmului fiind minimizarea funcţiei eroare. Rafinarea parametrilor FGNN care se
realizează pe parcursul algoritmului de învăţare poate fi împărţită în două faze, în funcţie de
parametrii premizelor și respectiv cei ai concluziilor regulilor astfel:
a) În partea de premiză a regulilor se rafinează mediile și varianţele funcţiilor gaussiene;
b) În concluziile regulilor trebuie rafinate ponderile (aferente ultimului strat al FGNN,
celelalte fiind egale cu 1).
Vom prezenta în continuare operaţiile care se execută la fiecare nivel al reţelei neurale
fuzzy.
Nivelul 1 ( Nivelul de intrare)
Ieșirea Opi1 este numeric egală cu intrarea x pi1, i 1, n , n fiind numărul neuronilor de pe
primul nivel al FGNN, adică dimensiunea vectorilor de intrare, iar p indicele vectorului de
intrare, p 1, K . Relaţiile matematice care caracterizează acest nivel sunt:
g pi1 x pi1 x pi1, i 1, n (13.42)
O pi1 fi1 g pi1 g pi1 x pi1 , i 1, n.
(13.43)
g pij x pi ; mij ; ij
2 2
x pi 2 mij
2
, i 1, n, j 1, K
(13.44)
2ij
2 2
O pij fij g pij 2
exp g pij
2
exp
x pi 2 mij 2 , i 1, n, j 1, K , (13.45)
2ij
unde mij reprezintă media iar ij este varianţa funcţiilor de apartenenţă corespunzătoare
intrare x pi 2 a acestui strat este transformată într-un grad de apartenenţă la mulţimea fuzzy
Ai j , i 1, n, j 1, K .
139
MODELARE SIMULARE
Nivelul 3 ( Nivelul regulilor)
Neuronii acestui nivel realizează operaţia produs. Cele două funcţii care caracterizeză
fiecare neuron j, j 1, K al acestui strat sunt:
m
g pj 3 x pij 3;Wij3 Wij 3 x pij3 , j 1, K
i 1
(13.46)
O pj 3 f j 3 g pj 3 g pj 3 x pij3;Wij3 , j 1, K .
(13.47)
K
g pj 4 x pi 4 ;Wij 4 Wij 4 x pi 4 , j 1, M
i 1
(13.48)
O pj 4 f j 4 g pj 4
1
1 exp g pj 4 x pi 4 ;Wij 4 , j 1, M
cu scopul de a aplica FGNN pentru predicţie.
unde
K (13.51)
ai min xki
k 1
și
K (13.52)
bi max xki .
k 1
unde:
i , i 1, n , 0 i 1 sunt factori de suprapunere,
140
MODELARE SIMULARE
Teorema 13.18. Fie mulţimea fuzzy Ai Ai1, Ai2 ,, AiK , în care fiecare termen
baza algoritmului de iniţializare on- line (cu mediile mik , i 1, n, k 1, K date de (13.50) și
x i ,
Aik i
unde i , i 1, n , 0 i 1 sunt factorii de suprapunere.
FGNN are un algoritm de instruire de tip back- propagation (BP), scopul principal al
algoritmului fiind minimizarea funcţiei eroare
1 K (13.54)
E Ek ,
K k 1
unde
1 M (13.55)
Ek d ki yki 2 , k 1, K
2 i 1
reprezintă eroarea datorată regulii de index k, d ki fiind ieșirile ideale iar yki -ieșirile reale ale
FGNN, k 1, K , i 1, M .
141
MODELARE SIMULARE
Pașii algoritmului de instruire:
Pasul 1. Se aplică la intrarea reţelei vectorul X k xk1 ,, xkn corespunzător regulii
Pasul 2. Se calculează agregările neuronilor din stratul întâi folosind relatia (13.42).
Pasul 3. Se calculează ieșirile neuronilor din stratul întâi al FGNN utilizând (13.43).
Pasul 4. Se calculează intrările neuronilor din stratul al doilea, utilizând relaţia (13.44).
Pasul 5. Se calculează activările neuronilor din stratul al doilea, cu relaţia (13.45).
Pasul 6. Se determină intrările neuronilor din stratul al treilea, cu ajutorul relaţiei (13.46).
Pasul 7. Se calculează ieșirile neuronilor din stratul al treilea, pe baza relaţiei (13.47).
Pasul 8. Se calculează agregările neuronilor de pe stratul de ieșire, folosind relaţia (13.48).
Pasul 9. Se calculează ieșirile neuronilor din stratul al patrulea, aplicând relaţia (13.49).
Pasul 10. Se calculează termenii eroare pentru neuronii din stratul de ieșire, pe baza
relaţiei:
pj 4 d pj 4 O pj 4 O pj 4 1 O pj 4 , j 1, M . (13.56)
formulelor:
mij t 1 mij t m pj 2
2
x pi 2 mij
, i 1, n, j 1, K ,
(13.60)
2ij
142
MODELARE SIMULARE
ij t 1 ij t pj 2
2 x pi 2 mij
2
, i 1, n, j 1, K ,
(13.61)
3ij
m și fiind rata de rafinare a mediilor și respectiv a varianţelor ce caracterizează aceste
funcţii de apartenenţă gaussiene.
Pasul 15. Se calculează eroarea datorată vectorului k, prin intermediul relaţiei (13.55).
Pasul 16. Dacă k<K (nu s-a parcurs întreg lotul de vectori de instruire) se trece la
următorul vector din lotul de instruire și se reia algoritmul de la Pasul 2.
Pasul 17. Se calculează eroarea corespunzătoare epocii respective a algoritmului, conform
formulei (13.54).
Pasul 18. Se testează condiţia de stop a algoritmului, aceasta fiind după un număr fixat de
epoci. Dacă condiţia este îndeplinită algoritmul se oprește. Altfel, se începe o nouă epocă de
învăţare.
Vom transforma componentele unui vector de intrare X k al FGNN folosind formula [20],
[29]:
(13.62)
xki xki k , k 1, K , i 1, m,
1
2
unde
1 m (13.63)
k xki , k 1, K .
m i 1
Vectorul estimat
Xˆ k xk1 ,, xkm , xˆk ,m1, xˆk ,m 2 ,, xˆk ,m M
obţinut pe baza vector de intrare X k se va determina folosind modelul de predicţie bazat pe
FGNN, conform formulei [20], [29]:
(13.64)
xˆki Okj4 k , k 1, K , j m 1, m M ,
1
2
unde:
xk1 ,, xkm sunt componentele cunoscute (observate) ale vectorului de intrare X k ;
Pentru a testa performanţa predicţiei neuro- fuzzy realizată pe baza FGNN vom folosi
eroarea medie pătratică normalizată (Normalized Root Mean Square Error= NRMSE):
143
MODELARE SIMULARE
m M (13.65)
xkj xˆkj 2
1 j m 1
NRM SE m M
.
M 2
xkj
j m 1
Folosind FGNN putem ajunge la rezultate mai bune dacă alegem un număr diferit de
neuroni ai ultimului strat (vezi Tabelul 13.2).
Tabelul 13.2. NRMSE în cazul predicţiei cu FGNN, pentru diferite valori ale lui m
m lot de instruire lot de test
8 0.04 0.061
10 0.035 0.047
12 0.03 0.037
15 0.025 0.027
144
MODELARE SIMULARE
Pentru a evidenția performanțele abordării propuse pentru estimarea personalității, am
comparat-o atât cu o metodă neurală de regresie (cum ar fi MP), cât și cu o abordare
nonneurală (MLRM). Conform cu criteriu NRMSE, am dedus că predicția cu FGNN este mai
bună decât cu celalte două metode (MP, MLRM) atât pe lotul de instruire cât și pe lotul de
test.
145
MODELARE SIMULARE
a) 3 17 5 2 3 17 5 2
>> (17+5*sqrt(2))^(1/3)+(17-5*sqrt(2))^(1/3)
ans =
5.0367
1 i 1 i
3 3
b)
1 i 1 i
>> ((1+i)/(1-i))^3-((1-i)/(1+i))^3
ans =
0 - 2.0000i
c) B log 3 5 x , pentru x 7 ;
Folosim formula de schimbare a bazei logaritmice
146
MODELARE SIMULARE
log b x
log a x .
log b a
>> x=7;
>> log(x^(1/5))/log(3)
ans =
0.3542
d) C cos 4 x cos 4 3x cos 4 5x cos 4 7 x , pentru x ;
8
>> x=pi/8;
>> C=cos(x)^4+cos(3*x)^4+cos(5*x)^4+cos(7*x)^4
C=
1.5000
147
MODELARE SIMULARE
b) Să se extragă submatricea D de dimensiune 3x2 , ce constă din elementele situate pe
ultimele trei linii şi primele două coloane ale matricei A .
>> D=A(2:4,1:2)
D=
4.7000 0
5.7000 4.0000
-78.0000 12.0000
b) x 2 cos x 0
148
MODELARE SIMULARE
Pasul 1. Definim funcţia vectorială f .
>>f=@(x) [x(1)^3+x(2)^3-6*x(1)+3;
x(1)^3-x(2)^3-6*x(2)+2];
Pasul 2. Rezolvăm sistemul neliniar.
>> s = fsolve(f,[0.5 0.5])
s=
0.53237037226762 0.35125744755245
Pasul 3. Efectuăm verificarea soluţiei pe care am obţinut-o.
>> f(s)
ans =
1.0e-009 *
0.29623858921468
0.19358559200100
x 2 y 2 z 2 9
b) xyz 1
2
x y z 0
considerând ca punct iniţial 2.5, 0.2,1.6 .
149
MODELARE SIMULARE
xy y 2 2 x 1y x 2 2 x , x 0
>> y=dsolve('x*Dy=y^2-(2*x+1)*y+x^2+2*x','x')
y=
(-x-1+x^2*C1)/(-1+x*C1)
>> y=dsolve('x*D3y+D2y=1+x','x')
y=
1/12*x^3+x*log(x)*C1-C1*x+1/2*x^2+C2*x+C3
>> [y1,y2,y3]=dsolve('Dy1=y2+y3-x-x^2','Dy2=3*y1+y3-2-x^2','Dy3=3*y1+y2+x-3','x')
y1 =
1+2/3*C2*exp(3*x)-C3*exp(-2*x)
y2 =
x+exp(-x)*C1+C2*exp(3*x)+C3*exp(-2*x)
y3 =
-exp(-x)*C1+C2*exp(3*x)+C3*exp(-2*x)+x^2
150
MODELARE SIMULARE
Se va construi un script în Matlab cu numele fişier.m, având conţinutul:
W=[1 6; 7 8]; w=[-2 3 5; 6 7 8];
fid=fopen('pond1fb','w');
fprintf(fid,'%f\t',W);
fprintf(fid,'%f\t',w);
fclose(fid);
fid=fopen('pond1fb','r');
a=fscanf(fid,'%f\t',[2,3]);
b=fscanf(fid,'%f\t',[2,2]);
fclose(fid);
În linia de comandă se scrie
>>fişier
151
MODELARE SIMULARE
a) f x arcsin , x 5, 5
2x
1 x2
Pasul 1. Se fixează intervalul pe care va fi reprezentată funcţia şi un anumit pas.
>>x=-5:0.1:5;
Pasul 2. Definim funcţia ce urmează să fie reprezentată.
>> f=@(x) asin(2*x./(1+x.^2));
Pasul 3. Realizăm reprezentarea grafică.
>> plot(f(x),'m','LineWidth',4)
2
1.5
0.5
-0.5
-1
-1.5
-2
0 20 40 60 80 100 120
152
MODELARE SIMULARE
>>x=-1:0.01:1;
>> f=@(x) asin(x);
>> g=@(x) acos(x);
>> plot(x,f(x),'r',x,g(x),'b','LineWidth',3)
4
-1
-2
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
AB : y x 2 ,
16
14
12
10
B(2,4)
4
2 A(1,1)
0
-4 -3 -2 -1 0 1 2 3 4
Exemplul L1.13. Scrieţi un fişier “function” în Matlab pentru a reprezenta grafic funcţia
153
MODELARE SIMULARE
1
x cos , x 0
f x x , x 0.5, 0.5, h 0.01
0, x 0
0.4
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Exemplul L1.14. Reprezentaţi grafic în Matlab corpul solid, de forma tetraedrului din
primul octant, mărginit de planele
x y z 1, x 0 , y 0 , z 0 .
154
MODELARE SIMULARE
>> grid on
y 2 2z 2 4x
şi
x 2.
0
z
-1
-2
-3
5
0 6
5
4
3
2
y -5 1
0
x
155
MODELARE SIMULARE
Fiind date valorile, x1 ,......, xn rezultate din măsurători, se consideră că valoarea xi este
afectată de erori aberante dacă verifică relaţia:
| xi x | z , (L2.1)
unde:
x este media aritmetică a valorilor observate, ce se calculează utilizând
formula (7.1), din partea I,
semnifică abaterea standard a valorilor observate și se determină folosind
formula (7.2), prezentată în prima parte a cărţii,
z se ia din tabele (în functie de numărul n de valori din şir, ce reprezintă
dimensiunea șirului sau volumul eșantionului) sau se aproximează conform
relaţiei (7.3), din partea I.
Observaţia L2.1. Este suficient ca verificarea relaţiei (L2.1) să fie efectuată doar pentru
valorile extreme (minimă şi maximă) din cadrul eşantionului.
Dacă, în urma aplicării testului, rezultă că una dintre valorile testate este afectată de erori
aberante, valoarea respectivă este eliminată din cadrul eşantionului, se recalculează valorile
mediei şi abaterii standard pentru valorile rămase şi se reia verificarea condiţiei (L2.1),
algoritmul aplicându-se pâna când condiţia respectivă nu mai este verificată pentru nici una
dintre cele două valori extreme ale eşantionului.
Exemplul L2.2. În simularea utilizării unei imprimante conectate la o reţea se urmăreşte
repartiţia numărului maxim de fişiere care sunt în lista de aşteptare pentru listare pe o
perioadă de 30 de zile, înregistrându-se valorile:
156
MODELARE SIMULARE
săpt L Ma Mi J V săpt L Ma Mi J V
I 15 19 13 18 20 IV 19 21 13 23 17
II 12 21 22 19 21 V 18 20 21 13 15
III 13 13 13 14 17 VI 20 19 12 18 12
Să se verifice dacă acest eşantion are valori aberante şi dacă există, să se elimine!
Utilizând software-ul de calcul tabelar Excel vom obţine:
Componentele Valori | xi x | z
eşantionului (ordonate
extreme
crescător)
1 15 12 12 5.0333 8.3158
2 19 12 12 5.0333
3 13 12 12 5.0333
4 18 13 23 5.9667
5 20 13
6 12 13
7 21 13
8 22 13
9 19 13
10 21 14
11 13 15
12 13 15
13 13 17
14 14 17
15 17 18
16 19 18
17 21 18
18 13 19
19 23 19
20 17 19
21 18 19
22 20 20
23 21 20
24 13 20
25 15 21
26 20 21
27 19 21
28 12 21
29 18 22
30 12 23
x 17.0333 , 3.5183
În concluzie, nici una dintre valorile extreme nu este afectată de erori aberante.
157
MODELARE SIMULARE
Exemplul L2.3. A fost măsurată greutatea a 15 indivizi adulţi. Rezultatele măsurătorilor
sunt cele din tabelul următor. Să se verifice dacă acest eşantion are valori aberante şi dacă
există, să se elimine! Scrieţi un program Matlab pentru testul Chauvenet. Datele de intrare se
iau dintr-un fişier text.
Prima aplicare a criteriului Chauvenet
Componentele Valori | xi x | z
eşantionului (ordonate
extreme
crescător)
1 58 35 35 38.9333 54.08212
2 60 50 160 86.06667
3 80 55
4 77 58
5 83 60
6 75 65
7 82 70
8 79 75
9 50 77
10 35 79
11 70 80
12 160 80
13 80 82
14 65 83
15 55 160
x 73.9333, 27.587
După cum rezultă din tabel, valoarea 160 va trebui să fie eliminată din datele supuse
prelucrării.
A doua aplicare a criteriului Chauvenet
Componentele Valori | xi x | z
eşantionului (ordonate
extreme
crescător)
1 35 35 32.7857 28.3431
2 50 83 15.2143
3 55
4 58
5 60
6 65
7 70
8 75
9 77
10 79
11 80
12 80
13 82
14 83
x 67.7857, 14.46
158
MODELARE SIMULARE
De data aceasta trebuie eliminată din tabel valoarea 35.
A treia aplicare a criteriului Chauvenet
Componentele Valori | xi x | z
eşantionului (ordonate
extreme
crescător)
1 50 50 20.30769 22.358
2 55 83 12.69231
3 58
4 60
5 65
6 70
7 75
8 77
9 79
10 80
11 80
12 82
13 83
x 70.30769, 11.4045
Utilizând Matlab 7.9, vom construi programul corespunzător testului Chauvenet:
Etapa 2. Se scrie funcţia sterge.m, ce permite ştergerea unei componente a unui vector.
function v=sterge(u,k,n)
for i=1:k-1
v(i)=u(i);
end
if n~=0
for j=k:n-1
v(j)=u(j+1);
end
end
end
159
MODELARE SIMULARE
Etapa 3. Se scrie programul propriu-zis.
fid=fopen('dateb.txt','r');
u=fscanf(fid,'%f\t',[1,15]);
fclose(fid);
m=mean(u);
sigma=std(u);
n=length(u);
a=(2*n-1)/(4*n)
z=(0.435-0.862*a)/(1-3.604*a+3.213*a^2);
it=1;
u=sort(u);
mi=min(u);
ma=max(u);
p1=length(find(u==mi));
p2=length(find(u==ma));
for i=1:p1
w(i)=mi;
end
for i=p1+1:p1+p2
w(i)=ma;
end
q=find(abs(w-m)>z*sigma);
while (length(q)~=0)
it=it+1;
for k=1:length(q)
h=find(u==w(q(k)));
for l=1:length(h)
v=sterge(u,h(l),n);
n=n-1;
u=v;
end
end
m=mean(u);
sigma=std(u);
160
MODELARE SIMULARE
n=length(u);
a=(2*n-1)/(4*n);
z=(0.435-0.862*a)/(1-3.604*a+3.213*a^2);
u=sort(u);
mi=min(u);
ma=max(u);
p1=length(find(u==mi));
p2=length(find(u==ma));
for i=1:p1
w(i)=mi;
end
for i=p1+1:p1+p2
w(i)=ma;
end
q=find(abs(w-m)>z*sigma);
end
Problema depistării şi eliminării erorilor sistematice este mai dificilă datorită multitudinii
de factori care se intercondiţionează. Vom prezenta testul lui Young, test care nu oferă
posibilitatea eliminării erorilor sistematice, ci doar pe aceea a aprecierii influenţei cauzelor
sistematice asupra datelor de sondaj.
Pasul 1. Intrare: x1 ,......, xn - şir de date experimentale şi probabilitatea de acceptare
161
MODELARE SIMULARE
Dacă inegalitatea este satisfăcută, atunci se consideră că şirul de date experimentale are un
caracter aleator (nu este afectat de erori sistematice) cu probabilitatea .
Pasul 3. Stop!
Exemplul L2.4. Testaţi dacă eşantionul de date experimentale, ce constă din valorile xi
ale timpului de latenţă a instalării efectului hipnotic în cazul amobarbitalului (vezi tabelul
următor) are sau nu un caracter aleator cu probabilitatea 0.95 .
Componentele eşantionului (secunde)
1 16.1
2 15.5
3 13.4
4 22.8
5 12.1
6 11.3
7 11.6
8 6.3
9 8.8
10 7.1
function [VCI, VCS]=valcrit(n,al)
if al==0.95
VCI=0.491+0.081*n-0.003*n^2;
VCS=3.317-1.057*exp(-8.919*n^(-0.341));
elseif al==0.99
VCI=(192.883+1.269*n^2.33)/(411.427+n^2.33);
VCS=3.484-0.882*exp(-33.574*n^(-1.388));
end
end
fid=fopen('data.txt','r');
x=fscanf(fid,'%f\t',[1,10]);
fclose(fid)
n=10;al=0.95;
sigma=var(x); delta=0;
for i=1:n-1
delta=delta+(x(i+1)-x(i))^2;
end
delta=delta/(n-1);
M=delta/sigma
[VCI,VCS]=valcrit(10,al);
162
MODELARE SIMULARE
if (VCI<M) & (M<VCS)
disp(['esantionul datelor experimentale are un caracter aleator cu probabilitatea:',
num2str(al)]);
else
disp('esantionul datelor experimentale este afectat de erori sistematice')
end
163
MODELARE SIMULARE
ŞI
2
Acest test se utilizează pentru verificarea normalităţii unei selecţii de volum mai mic decât
32. Pentru aplicarea acestui test se procedează astfel:
Pasul 1. Se ordonează valorile experimentale x1,......, xn rezultate din măsurători în
ordine crescătoare.
164
MODELARE SIMULARE
Pasul 2. Se calculează:
x media aritmetică a valorilor observate pe baza formulei (7.1), din partea I
şi
abaterea standard a valorilor selecţiei folosind formula (7.2), din partea I.
Pasul 3. Se transformă valorile rezultate din măsurători:
x x (L3.1)
zi i , i 1, n
Pasul 4. Se determină valorile Φzi , adică valorile funcţiei de repartiţie teoretică, unde
z
t 2 2
(L3.2)
Φ : 0,1, Φz
1
e dt
2
numită funcţia lui Laplace.
Pasul 5. Se calculează frecvenţele relative cumulate
(L3.3)
Fi i , i 1, n,
n
n
adică valorile funcţiei de repartiţie empirică (experimentală), unde ni reprezintă numărul de
şi se determină
n (L3.5)
d max max di .
i 1
Pasul 7. Dacă d max < d critic ( d critic se extrage din tabele în funcţie de coeficientul de
165
MODELARE SIMULARE
Exemplul L3.2. Să se verifice, la un prag de semnificaţie 1 0.05 , ipoteza conform
căreia rezistenţa ohmică (în KΩ ) a unor tronsoane de ceramică acoperite cu carbon este o
variabilă normală. Verificarea se va face pe baza a 10 măsurători: 1.68; 1.74; 1.82; 1.60; 1.72;
1.90; 1.79; 1.98; 1.85; 1.93. Scrieţi un program Matlab pentru aplicarea testului Massey
datelor din acest exemplu.
0.95 .
function dcrit=valcrit(N,al)
if al==0.95
dcrit=0.1851-0.01064*N+0.000785*N^2;
elseif al==0.90
dcrit=0.1408+0.00714*N-0.000769*N^2;
end
end
Etapa 4. Se construieşte script-ul Massey.m, ce permite implementarea testului Massey.
fid=fopen('data','r');
x=fscanf(fid,'%f\t',[1,10]);
fclose(fid);
N=10;
x=sort(x);
m=mean(x);
sigma=std(x);
z=(x-m)/sigma;
for i=1:N
phii(i)=vpa(phi(z(i)),4);
end
166
MODELARE SIMULARE
for i=1:N
n(i)=length(find(z<=z(i)));
end
f=n/N;
d=abs(f-eval(phii))
dmax=max(d);
al=0.95;
dcrit=valcrit(N,al);
if dmax<dcrit
disp('se accepta ipoteza ca esantionul de valori experimentale are repartitie
normala');
else
disp('se respinge ipoteza ca esantionul de valori experimentale are o distributie
normala');
end
Modul de aplicare a testului Massey este ilustrat în tabelul următor:
Φ z i Fi di d critic
(ordonate crescător)
1.60 -1.6941 0.0451 0.1 0.0549 0.1572
1.68 -1.0198 0.1539 0.2 0.0461
1.72 -0.6827 0.2474 0.3 0.0526
1.74 -0.5141 0.3036 0.4 0.0964
1.79 -0.0927 0.4631 0.5 0.0369
1.82 0.1601 0.5636 0.6 0.0364
1.85 0.4130 0.6602 0.7 0.0398
1.90 0.8344 0.798 0.8 0.002
1.93 1.0873 0.8615 0.9 0.0385
1.98 1.5087 0.9343 1 0.0657
x 1.801 0.1186 d max 0.0964
167
MODELARE SIMULARE
L3.2.Testul
2
Cel mai important şi mai des utilizat test de verificare a normalităţii repartiţiilor unui şir
unde x1 x2 xk 1.
Conform lui Brooks și Carruthers, numărul k de intervale de clasă este
k 5 lg n (L3.7)
în timp ce formula lui Sturges este:
k 1 3.3 lg n, (L3.8)
n fiind volumul selecţiei.
Pasul 2. Se determină frecvenţele absolute ni ale intervalelor (numărul înregistrat de
n (L3.9)
f i i , i 1, k ,
n
valorile funcţiei de repartiţie empirică.
Pasul 3. Se calculează valoarea mediei aritmetice x şi respectiv abaterea standard a
valorilor observate.
Pasul 5. Se determină valorile Φzi , adică valorile funcţiei de repartiţie teoretică, Φ fiind
funcţia lui Laplace, cu ajutorul formulei (L3.2).
168
MODELARE SIMULARE
x1 x (L3.10)
p1 P X x1 Φ
xi x x x
pi Pxi 1 X xi Φ Φ i 1 , i 2, k 1
x x
p k Pxk 1 X 1 Φ k 1 .
Pasul 7. Se calculează statistica
k ni npi 2 (L3.11)
2
i 1 npi
atunci se respinge H0. Regiunea critică va fi determinată de acele puncte pentru care
inegalitatea
Rn0 n1 ,, nk k | n1 nk n, 2 k2 s 1, 1.
Vom avea:
169
MODELARE SIMULARE
P 2 k2s 1, 1 1 .
Scrieţi un program Matlab pentru aplicarea testului 2 datelor din acest exemplu.
170
MODELARE SIMULARE
phii(i)=vpa(phi(z(i)),4);
end
p(1)=phii(1); p(k)=1-phii(k-1);
for i=2:k-1
p(i)=eval(phii(i))-eval(phii(i-1));
end
hi_calc=sum(((n-N*eval(p)).^2)./(N*eval(p)))
hi_tabel=12.59;
if hi_calc<hi_tabel
disp('se accepta ipoteza ca esantionul de valori experimentale are repartitie
normala’);
else
disp('se respinge ipoteza ca esantionul de valori experimentale are o
distributie normala');
end
171
MODELARE SIMULARE
(L3.12)
lim P max Fn x F x ,
n n
unde
j 2 j 2 2
(L3.13)
1 e 0
j
0
0,
Pasul 5. Se determină valorile Φzi , adică valorile funcţiei de repartiţie teoretică, Φ fiind
funcţia lui Laplace, cu ajutorul formulei (L3.2).
172
MODELARE SIMULARE
Pasul 6. Se calculează frecvenţele relative cumulate
(L3.14)
Fi i , i 1, n,
n
n
adică valorile funcţiei de repartiţie empirică (experimentală), unde ni reprezintă numărul de
di | Fi Φzi | , i 1, n
şi se determină
n
d max max d i .
i 1
Pasul 8. Dacă
(L3.15)
d max
n
se acceptă ipoteza H0. Altfel, ipoteza nulă se respinge.
Exemplul L3.6. Să se verifice, la un prag de semnificație 1 0.05 , normalitatea
datelor obţinute prin măsurarea unei caracteristici tehnice pentru 10 piese. Verificarea se va
face pe baza a 10 măsuratori:
1.68; 1.74; 1.82; 1.60; 1.72; 1.90; 1.79; 1.98; 1.85; 1.93.
Scrieţi un program Matlab pentru aplicarea testului Kolmogorov datelor din acest
exemplu.
173
MODELARE SIMULARE
f=n/N;
d=abs(f-eval(phii))
dmax=max(d);
al=0.05;
la_al=1.36;
dcrit= la_al//sqrt(N);
if dmax<dcrit
disp('se accepta ipoteza ca esantionul de valori experimentale are repartitie
normala');
else
disp('se respinge ipoteza ca esantionul de valori experimentale are o distributie
normala');
end
d max
n
se acceptă ipoteza conform căreia datele obţinute prin măsurarea unei caracteristici tehnice
pentru 10 piese au o repartiţie normală.
174
MODELARE SIMULARE
Observaţia L3.6.
1. Dacă repartiţia lui X este continuă este de preferat un test Kolmogorov, care
necesită mai puţine calcule şi care s-a constatat că poate fi aplicat pentru un
175
MODELARE SIMULARE
Vom descrie o metodă de simulare a unei variabile aleatoare discrete, ce ia un număr finit
de valori, numită metoda inversă. Conform acestei metode, putem simula orice variabilă
1, x am
176
MODELARE SIMULARE
ii. determinarea indicelui k pentru care
FX ak 1 u FX ak . (L4.2)
177
MODELARE SIMULARE
Se va afişa:
u=
0.6557
x=
5
178
MODELARE SIMULARE
>> for i=1:100
x(i)=bern(0.1);
end
Pn k C nk p k q nk , (L4.4)
0 1 k n
X : n , p, q 0,1, p q 1 .
q C1n pq n 1 Cnk k nk
p q Cnn p n
M X np
(L4.6)
2
D X npq.
Pe baza acestei relaţii vom construi programul Matlab de generare a lui X ~ Bi n, p .
function x=binom(n,p)
w=rand;
179
MODELARE SIMULARE
q=1-p;
x=round(n*p+w*sqrt(n*p*q));
end
>> x=binom(5000,1/4)
x=
1271
Observaţia L4.3. Variabila aleatoare discretă X N este o variabilă binomială
Bi n, p , n N , 0 p 1 dacă X reprezintă numărul de succese în n probe Bernoulli
independente, adică
n
X Zi ,
i 1
180
MODELARE SIMULARE
ans =
20
>> std(x)
ans =
3.5103
>> sqrt(100*0.2*0.8)
ans =
4
adică
k (L4.8)
Pk e , 0.
k!
0 1 2 k
X :
2
k
e e e e .
1! 2! k!
181
MODELARE SIMULARE
Media şi dispersia variabilei aleatoare X se vor calcula conform formulelor (3.9), din
partea I.
Funcţia Matlab următoare simulează X ~ Po pornind de la o repartiţie binomială
Fie X o variabila aleatoare, care semnifică numărul de eşecuri până la apariţia unui
success într-un şir oarecare de probe Bernoulli independente.
Deci X are tabloul de repartiţie:
0 1 2 k n
X : , p q 1,
p pq pq 2
pq k
pq n
media şi dispersia acestei variabile aleatoare fiind date în relaţiile (3.6) și respectiv (3.7), din
partea I.
Funcţia de repartiţie a lui X este:
x (L4.9)
F x P X x pq k 1 q x 1, x 0,1, 2,n,
k 0
P X x pq x
reprezintă termenul unei progresii geometrice.
Programul Matlab următor simulează X , pe baza unui algoritm care numără eşecurile
produse până la realizarea unui succes într-un şir de probe Bernoulli independente:
182
MODELARE SIMULARE
function x=rgeom(p)
x=0;
k=0;
while(k~=1)
u=rand;
if u<=p
k=k+1;
else
x=x+1;
end
end
end
>>x=rgeom(0.2)
x=
7
Observaţia L4.4. Simularea variabilei aleatoare X , ce are repartiţie geometrică se poate
realiza şi prin metoda inversă cu formula:
log U (L4.10)
X ,
log q
unde :
a este partea întreagă a lui a ,
U este o variabilă aleatoare uniform repartizată în 0, 1 .
Vom construi funcţia Matlab ce simulează X ~ Geom p cu metoda inversă.
function x =rgeom2(p)
q=1-p;
u=rand;
x=round(log(u)/log(q));
end
>> x=rgeom2(0.3)
x=
2
183
MODELARE SIMULARE
C ak Cbnk (L4.11)
Pn k .
C anb
0 1 k
X : 0 n ,
Ca Cb Ca1Cbn1 Cak Cbnk
n
C a b Canb Canb
pentru orice max 0, n b k min n, a .
Funcţia de repartiţie a lui X este:
min n , a
Cak Cbn k (L4.12)
F x n
.
k max 0, n b Ca b
rang i (unde N0 a b ),
N i 1 pi 1 S
pi , i 1, n reprezintă probabilitatea de a extrage o bilă albă
N i 1 1
la extragerea i , unde S 1 dacă la extracţia i 1 a fost găsită o bilă albă şi
S 0 în caz contrar.
Funcţia Matlab următoare permite simularea variabilei hipergeometrice X .
function x=hipergeom(n,a,b,p)
i=0;
x=0;
184
MODELARE SIMULARE
N=a+b;
while (i<n)
u=rand;
i=i+1;
if u<=p
S=1;
else
S=0;
end
x=x+S;
p=(N*p-S)/(N-1); N=N-1;
end
end
Vom simula o selecţie de volum 20 asupra lui X şi vom folosi formulele (L4.13) pentru
validarea algoritmului precedent.
>>for k=1:20
x(k)=hipergeom(10,15,13,0.9);
end
>> mean(x)
ans =
8.9000
>> 10*0.9
ans =
9
>> std(x)
ans =
0.7182
>> 10*0.9*0.1*18/27
ans =
0.6000
185
MODELARE SIMULARE
densitate de probabilitate f x de forma (3.14) (vezi aceste relaţii din partea I).
Funcţia de repartiţie FX x a variabilei aleatoare X nu are o formă analitică explicită,
având expresia dată în relaţia (3.15), din partea I.
Simularea variabilei aleatoare X se reduce la simularea variabilei normale reduse asociată
acesteia:
X
Z ~ 0,1 .
Relaţia precedentă poate fi justificată în următorul mod:
X
FZ z PZ z P z P X z FX z
t 2 w2
z w t z
d w z .
1 2 2 1 2 2
e dt e
2 2
Între variabilele aleatoare X şi Z există relaţia:
X Z . (L5.1)
Vom construi în Matlab funcţia repnorm.m, pentru simularea lui X :
function [m1,s1]=repnorm(m,sig)
z=randn(100,1);
x=m+sig*z;
m1=mean(x);
s1=std(x);
end
186
MODELARE SIMULARE
>>[m,s]=repnorm(1,2)
m=
0.9155
s=
2.0831
Observaţia L5.1. Dacă aplicăm funcţia predefinită în Matlab z=randn(n,1) putem spune
că am simulat o selecţie de volum n asupra variabilei aleatoare Z ~ N(0,1) .
O variabilă aleatoare 2 este continuă şi admite densitatea de probabilitate (vezi formula
(3.29), din partea I):
x
1
f x;
1
x 2 e 2 , x 0,
2 2
2
unde 2
(L5.3)
x 1 e x d x
0
1 (L5.4)
2
1 1
a 1 a a , a 0
n 1 n !, n
iar M 2 şi D 2 2 fiind date de relaţiile (3.30) şi respectiv (3.31), din partea I.
Pentru simularea în Matlab a variabilei aleatoare 2 vom folosi formula (L5.2).
function x=hip(n)
z=randn(n,1);
x=sum(z.^2);
187
MODELARE SIMULARE
end
>> for i=1:200
x(i)=hip(10);
end
>> mean(x)
ans =
9.7490
>> std(x)^2
ans =
18.5520
şi 2 sunt independente. Numim variabilă Student cu grade de libertate, variabila aleatoare
Z (L5.5)
t .
2
Funcţia densitatea de probabilitate a variabilei aleatoare t are expresia din relaţia (3.32),
din partea I.
Vom construi funcţia Matlab care ne permite simularea variabilei t
function t = stud(n)
z=randn(1,1);
h=hip(n);
t=z/sqrt(h/n);
end
>>stud(4)
ans=
0.2128
188
MODELARE SIMULARE
Fie 2 şi 22 două variabile aleatoare 2 independente. Numim variabilă F a lui
1
2 1 (L5.6)
2
F , 2 2 .
1
1 2
Densitatea de probabilitate a variabilei F este cea din relaţia (3.35), a părţii I, iar
2
M F 1 , 2 2 , 2 2
(L5.7)
2
2 22 1 2 2
D 2 F
1 , 2
1 2 22 2 4
, 2 2, 2 4.
În Matlab vom avea:
function [m,s] = snedec(n1,n2)
for i=1:100
h1=hip(n1);
h2=hip(n2);
F(i)=(n2/n1)*(h1/h2);
end
m=mean(F);
s=std(F)^2;
if n2>2
mm=n2/(n2-2)
end
if n2~=2 & n2~=4
ss=(2*n2^2*(n1+n2-2))/(n1*(n2-2)^2*(n2-4))
end
end
>> [m,s]=snedec(6,9)
mm =
1.2857
ss =
1.4327
m=
189
MODELARE SIMULARE
1.3769
s=
1.2140
O variabilă aleatoare X este o variabilă log-normală dacă Y ln X este normală, adică are
funcţia densitate de probabilitate:
2
1 y y
2 y
f y
1 ,
e
y 2
unde:
1 2
(L5.8)
y M Y ln x ln x 1
2 2
x
2 2
y ln x 1.
2
x
e x , x 0 (L5.9)
f x , ,
0, x0
funcţia de repartiţie:
x x (L5.10)
FX x f t d t f t d t 1 e x , x 0,
0
media şi dispersia acestei variabile fiind date în relaţiile (3.21) şi (3.22), din partea I.
190
MODELARE SIMULARE
Pentru simularea unei variabile aleatoare X, ce are repartiţie exponenţială vom folosi
metoda inversă, conform căreia putem simula orice variabilă aleatoare X dacă cunoaştem
x 1 e x , x
(L5.12)
f x , , , 0.
0, x
Dacă X ~ Exp 1, atunci variabila Weibull se generează cu formula:
191
MODELARE SIMULARE
1 (L5.13)
X
W .
Într-adevar, avem:
1
t
u
w
PW w P X w
e t d t
w 1 u
u e d u.
Variabila Weibull se utilizează în fiabilitate, ea reprezentând durata de exploatare fără
căderi a unui echipament sau produs industrial.
O variabilă aleatoare X are repartiţia G , , dacă are funcţia densitate de probabilitate
1 x
(L5.14)
f x x e
, x
x
0,
1
variabilă gamma G 0, , .
2 2
Dacă
Y ~ G , ,
2
iar
1
Z ~ G 0, ,
2 2
atunci avem:
Z (L5.15)
Y .
2
Relaţia (L5.15) poate fi justificată în felul următor:
z z
FZ ( z ) P( Z z ) P2 (Y ) z P Y FY
2 2
192
MODELARE SIMULARE
z
1 w
2 2
t 2 1 e (t ) dt w 2
z 2 1
e 2 dw
2 2
2 2
w
z 2 1
w2 e 2 dw ,
22
2
după ce facem schimbarea de variabilă w 2 (t ) .
Pentru simularea în Matlab a variabilei aleatoare Y, ce are funcția de repartiţie G , ,
2
vom proceda în felul următor:
i. se generează Z 2 ;
ii. se determină Y, utilizând (L5.15).
function y =gam(al,la,n)
z=hip(n);
y=al+z/(2*la);
end
193
MODELARE SIMULARE
X1, X 2 ,, X n1 ,
pe care le memorăm.
Pasul 2. Alegem un număr k, care semnifică numărul intervalelor histogramei:
I1 , I2 ,, Ik .
Pasul 3. Determinăm pe baza selecţiei următoarele limite ale intervalelor histogramei:
a2 min X1, X 2 ,, X n1 (L6.2)
şi
ak max X1, X 2 ,, X n1 . (L6.3)
194
MODELARE SIMULARE
(L6.5)
, i 2, k 1,
ni
fi
n
unde ni reprezintă frecvenţele absolute, adică numărul valorilor de selecţie, ce aparţin
intervalului Ii .
Vom face iniţializările:
f1 f k 0, (L6.6)
a1 a2
a a .
k 1 k
şi
f1 f1 1 ;
b) dacă X ak atunci setăm:
şi
fk fk 1;
X a2 (L6.9)
p 2
h
şi
f p 1 f p 1 1 .
Pasul 6. Reprezentăm grafic histograma selecţiei X1, X 2 ,, X n astfel: luăm pe abscisă
frecvenţele relative f i .
195
MODELARE SIMULARE
y
f x
f1 f2 fk
I1 I2 Ik x
Odată construită histograma, putem aplica testul 2 pentru verificarea ipotezei (L6.1).
Se calculează statistica
2
k
ni npi 2 , (L6.11)
i 1 npi
care are o distribuţie cu k-1 grade de libertate (vezi teorema lui Karl Pearson) unde:
2
196
MODELARE SIMULARE
Etapa 1. Funcţia Matlab următoare permite simularea unei variabile aleatoare X, ce are o
repartiţie unidimensională N , adică admite o funcţie densitate de probabilitate dată în
(3.14) (vezi aceste relaţii din partea I).
function x=repnorm(m,sig,n)
z=randn(n,1);
x=m+sig*z;
end
forma (3.14).
function f=dnorm(x,m,sig)
f=1/(sig*sqrt(2*pi))*exp(-(x-m).^2/(2*sig^2));
end
Etapa 3. Construim funcţia Matlab, pe baza căreia vom determină elementele histogramei.
function [x,a,ff,I]=normhist(n,n1,k)
f=zeros(1,k);
a=zeros(1,k+1);
x=repnorm(1,2,n1);
a(2)=min(x);
a(k)=max(x);
a(1)=a(2);
a(k+1)=a(k);
h=(a(k)-a(2))/(k-2);
for i=3:k-1
a(i)=a(2)+(i-2)*h;
end
for i=3:k
aa=a(i-1);bb=a(i);
f(i-1)=length(find(x>=aa& x<=bb));
end
197
MODELARE SIMULARE
for i=1:n-n1
xx=repnorm(1,2,1);
x(n1+i)=xx;
if xx<=a(2)
a(1)=min(a(1),xx);
f(1)=f(1)+1;
elseif xx>a(k)
a(k+1)=max(a(k+1),xx);
f(k)=f(k)+1;
else
if a(2)<xx & xx<=a(k)
p=round((xx-a(2))/h);
f(p+1)=f(p+1)+1;
end
end
end
for i=1:k
I(i)=(a(i+1)+a(i))/2;
end
ff=f/n;
end
198
MODELARE SIMULARE
199
MODELARE SIMULARE
disp('se respinge ipoteza ca repartitia empirica se aseamana cu cea teoretica');
end
end
>> test_hist(100,10,1,2)
hi_calc =
10.7200
200
MODELARE SIMULARE
graficul
201
MODELARE SIMULARE
if hi_calc<21.96
disp(‘se accepta ipoteza ca repartitia empirica se aseamana cu cea teoretica’);
else
disp(‘se respinge ipoteza ca repartitia empirica se aseamana cu cea teoretica’);
end
end
>> test_hist(100,10,1)
hi_calc =
5.8196
Se acceptă ipoteza că repartiţia empirică se aseamănă cu cea teoretică.
Fie X o variabilă aleatoare care semnifică numărul de eşecuri până la apariţia unui
success într-un şir oarecare de probe Bernoulli independente.
Deci, X are repartiţia:
0 1 2 k n
X : .
p pq pq 2
pq k
pq n
Funcţia de repartiţie a lui X este funcţia de repartiţie discretă dată de relaţia (L4.9).
203
MODELARE SIMULARE
pentru cât mai multe valori ale lui x. Se obţin astfel seturile numerice xk , y k , k 1, N .
Aceste rezultate se pot înscrie într-un tabel şi/sau reprezenta sub forma unui grafic. Problema
constă [38], în acest caz, în găsirea unei funcţii–mai precis, a unei formule, care să descrie cât
mai exact posibil rezultatele experimentale. Altfel spus, graficul funcţiei căutate poate să
conţină sau nu punctele xk , yk , datorită zgomotului, dar trebuie să fie cât mai aproape de
acestea. Cu cât este mai bogată informaţia pe care o avem despre corespondenţa x yx , cu
atât este mai sigură eliminarea zgomotului. Vom exprima deci dependenţa funcţională
x yx sub forma
unde c k , k 0, n , sunt parametri care trebuie determinaţi astfel încât graficul lui y să fie
suficient de aproape de graficul rezultatelor experimentale. Dacă toate măsurătorile au fost
efectuate cu aceeaşi precizie, atunci c k trebuie să fie aleşi astfel încât
N
S y f xk , c0 , c1 , , cn
2
k (L7.2)
k 1
204
MODELARE SIMULARE
unde pk sunt numere pozitive, care au rolul de ponderi şi pot fi determinate experimental. De
pk mk , k 1, N .
Observaţia L7.1. Relaţia (L7.2) este un caz particular al relaţiei (L7.3) pentru pk 1 ,
N
m xkm pk , k 0, 2n,
k 1
N
(L7.7)
y x m p , m 0, n.
m k 1 k k k
Observaţia L7.2. Soluţia sistemului (L7.6) există, este unică şi reprezintă minimum-ul
expresiei (L7.2).
Exemplul L7.3. Presupunem că am realizat câteva teste asupra unor piese de probă, din
oţel, obţinând astfel următorul tabel ( în unităţi relative):
205
MODELARE SIMULARE
tensiunea xi 2 4 5 7 8
deplasarea yi 4 8 11 14 18
Rezolvare
Dacă am aplica interpolarea pe reţeaua
x0 2, x1 4, x2 5, x3 7, x4 8 ,
polinomul de interpolare obţinut ar avea gradul 4. În afara efortului de calcul, prin interpolare
nu am înlăturat zgomotul prezent la măsurători.
Din aceste motive, vom încerca să aplicăm metoda celor mai mici pătrate. La început vom
reprezenta punctele xi , yi într-un sistem de coordonate xOy (vezi figura L7.1).
y
18
14
11
2 4 5 7 8 x
y Ax i B A, B .
2
i (L7.8)
i 0
206
MODELARE SIMULARE
4
2 xi yi Axi B 0
A i 0
(L7.9)
2 yi Axi B 0 .
4
B i 0
După calcule simple, rezultă că avem de rezolvat următorul sistem algebric, de două
ecuaţii cu două necunoscute:
4 2 4 4
i
A x B x i xi y i
i 0 i0 i 0
4 4 (L7.10)
A xi 5B yi .
i 0 i 0
forma
A 2 B1 1
(L7.11)
A1 5B 0
şi înlocuind xi , yi cu valorile din tabel, obţinem sistemul
158 A 26 B 337
(L7.12)
26 A 5B 55,
a cărui soluţie unică este:
A 2.237 , B 0.63 .
Ecuaţia dreptei căutate este y 2.237 x 0.63 . Dacă dorim să determinăm deplasarea
pentru o tensiune de 3 unităţi relative, obţinem cu aproximaţie
y 2.237 3 0.63 6.4 .
Secvenţa Matlab următoare ne permite ajustarea cu o dreaptă (în sensul celor mai mici
pătrate) a setului de date.
>> x=[2 4 5 7 8];
>> y=[4 8 11 14 18];
>> coef=polyfit(x,y,1) ;
>> A=coef(1);
>> B=coef(2);
>> y1=A*x+B;
>> plot(x,y1,x,y,'o')
207
MODELARE SIMULARE
yi 3 0 2 5
Rezolvare
Coeficienţii a, b, c se obţin din condiţia ca funcţia
N
E a ,b ,c yi axi2 bxi c
i 1
2 (L7.13)
208
MODELARE SIMULARE
xi -1 0 1 2
ui 3 1 1 3
2 2 2 2
yi 3 0 2 5
şi
4
k uik yi ,
i 1
1) Calculăm k şi k , k 0 .
4
1 ui 0
i 1
4 2 1 9
2 ui 2 ui 2 5
2 2
i 1 i 1 4 4
4
u3 0
3 i 1 i
4 4 1 81
4 u 4
i 2 ui4 2
i 1 i 1 16 16
4
0 yi 10
i 1
4
1 ui yi 4
1
i 1
4 37
2 ui2 yi .
i 1 2
Observăm că, în noua variabilă u, întotdeauna se anulează sumele σ de indice impar, iar
cele de ordin par se calculează dublând rezultatul obţinut pentru valorile pozitive ale lui u.
209
MODELARE SIMULARE
2) Se rezolvă sistemul anterior, care se decuplează, în virtutea observaţiei anterioare:
41 37
4 a1 5 c1 ,
2
5b1 4,
5a 4c 10 .
1 1
2 2
1.5
1.5 x 2 1.5 x 0.8 x 0.4 0.625 .
4
Rezultă parabola de ecuaţie:
y 1.5x 2 0.7 x 0.6 ,
înfăţişată în figura L7.2.
6
5
4
3 y
2 f(x)
1
0
-2 -1 -1 0 1 2 3
210
MODELARE SIMULARE
function r=sigma(x,n,N)
for m=1:2*n+1
r(m)=0;
for k=1:N
r(m)=r(m)+x(k)^(m-1);
end
end
end
function r=tau(x,y,n,N)
for m=1:n+1
r(m)=0;
for k=1:N
r(m)=r(m)+y(k)*x(k)^(m-1);
end
end
end
>> x=-1:2;
>> u=x-mean(x);
>> y=[3 0 2 5];
>> N=4;
>> syms w a b c
>> r=sigma(u,2,N);
>> t=tau(u,y,2,N);
>> A=[r(3) r(2) r(1);r(4) r(3) r(2); r(5) r(4) r(3)];
>> B=[t(1) t(2) t(3)]';
>> q=linsolve(A,B);
>> f=@(a,b,c,w) a*w.^2+b*w+c;
>> plot(x,y,'db',x,f(q(1),q(2),q(3),x-mean(x)))
Utilizând CurveExpert vom obţine:
211
MODELARE SIMULARE
în care yi , i 1, N sunt datele, iar yx este ecuaţia curbei de ajustare. Ecuaţia pentru care E
este minim va reprezenta alegerea mai potrivită.
212
MODELARE SIMULARE
a
Exemplul L7.5. Să se ajusteze printr-o funcție, de ecuaţie y b datele tabelei
x
următoare
xi 7 8 9 10 11 12 13
Rezolvare
213
MODELARE SIMULARE
11
10
9 y
8 f(x)
6
5 6 7 8 9 10 11 12 13 14 15 16
function r=tau(x,y,n,N)
for m=1:2*n+1
r(m)=0;
for k=1:N
r(m)=r(m)+y(k)/(x(k)^(m-1));
end
end
end
>>N=7;
>>syms w a b
>>x=7:13;
>>y=[7.4 8.4 9.1 9.4 9.5 9.5 9.4];
>>r=sigma(x,1,N);
>>t=tau(x,y,1,N);
>>A=[r(2) r(1);r(3) r(2)];
>>B=[t(1) t(2)]';
>>u=linsolve(A,B);
214
MODELARE SIMULARE
>>f=@(a,b,w) a./w+b ;
>>plot(x,y,'db',x,f(u(1),u(2),x))
Același rezultat poate fi obţinut utilizând CurveExpert:
yi 1 2 3 5 5 3
215
MODELARE SIMULARE
Rezolvare
Vom avea de rezolvat sistemul:
6
y k c0 c1 sin xk c2 cos xk 0
k 1
6
y k c0 c1 sin xk c2 cos xk sin x k 0
k 1
6
y k c0 c1 sin xk c2 cos xk cos xk 0
k 1
>> x=0.2:0.2:1.2;
>> y=[1 2 3 5 5 3];
>> tau=[sum(y),sum(y.*sin(pi*x)),sum(y.*cos(pi*x))] ;
>> sig(1,1)=6;
>> sig(1,2)=sum(sin(pi*x));
>> sig(1,3)=sum(cos(pi*x));
>> sig(2,2)=sum(sin(pi*x).^2);
>> sig(2,3)=sum(sin(pi*x).*cos(pi*x));
>> sig(3,3)=sum(cos(pi*x).^2);
>> sig(2,1)=sig(1,2);sig(3,1)=sig(1,3);sig(3,2)=sig(2,3);
>> linsolve(sig,tau')
ans =
2.0660
0.8887
-2.4274
Deci,
yx 2.0660 0.8887 sin x - 2.4274 cos x.
Folosind CurveExpert va rezulta:
216
MODELARE SIMULARE
217
MODELARE SIMULARE
Exemplul L8.1. Un eşantion de n=10 supape ale unor sisteme hidraulice speciale sunt
supuse unei testări de fiabilitate, timpul fixat fiind T=2000 ore.
După epuizarea perioadei T au rămas în stare de bună funcţionare doar două supape. În
ipoteza unui model exponenţial, calculaţi:
a) durata medie de funcţionare a elementelor considerate
b) rata de defectare
c) probabilitatea ca supapele să funcţioneze fără defecţiuni cel puţin 500 ore.
Supapa Timpii de bună funcționare ai celor 8 supape
1 100
2 170
3 250
4 400
5 520
6 680
7 1200
8 1500
Rezolvare
O variabilă exponenţială X ~ Exp are funcţia densitatea de probabilitate din relaţia
(3.19) şi funcţia de repartiţie definită în (3.20):
a) Dacă presupunem că supunem unei încercări de fiabilitate n elemente de acelaşi tip,
înregistrând timpii de bună funcţionare t1 ,, tn până la căderea fiecărui element şi
fixăm un timp de testare T0 mai mic decât viaţa reală a produselor, în care cad m n
elemente (nu este obligatoriu să se defecteze toate cele n elemente supuse încercării)
atunci durata medie de funcţionare este dată de formula:
1m
M T ti n mT0 ’
m i 1
218
MODELARE SIMULARE
Aşadar,
100 170 1500 10 8 2000 8820
M T 1102.5 1103 ore .
8 8
b) Rata de defectare h(t) este probabilitatea de defectare în jurul unui moment dat t,
condiţionată de buna funcţionare a produsului până în acel moment:
f (t ) e t e t 1 8
h(t ) 0.0009 căderi/ oră
F (t ) 1 F (t ) e t M T 8820
219
MODELARE SIMULARE
19 2830 56 16102
20 2901 57 16540
21 2901 58 16600
22 4380 59 17090
23 5140 60 17100
24 5400 61 17120
25 5611 62 17600
26 5900 63 17600
27 6012 64 19130
28 7200 65 19300
29 7200 66 19400
30 7510 67 19400
31 8200 68 21320
32 8430 69 22040
33 9000 70 22040
34 9060 71 22800
35 9111 72 23130
36 9613 73 23130
37 9710 74 23900
Să se estimeze fiabilitatea acestui sistem, utilizând media duratei rămase de funcţionare.
Rezolvare
Pasul 1. Determină o estimaţie a funcţiei media timpului rămas de funcţionare L(t),
evaluată la momentul t ti , pe baza datelor observate este dată de:
Lˆ (ti ) ˆ n i ti , i 0, 1, 2, ... , n 1 .
function miu=TimpRamas(n,t,i)
s=0;
for j=i+2:n
s=s+t(j);
end
miu=s/(n-i-1);
end
fid=fopen(’datta.txt’,’r’)
t=fscanf(fid,’%f\t’,[1,74]);
fclose(fid);
n=73;
for i=0:n-1
miu(i+1)= TimpRamas(n+1,t,i); L(i+1)= miu(i+1)-t(i+1);
end
220
MODELARE SIMULARE
Pasul 2. Pentru perechile
t , Lˆt , i 1, n 1
i i
se determină expresia analitică a dependenţei cu metoda celor mai mici pătrate (folosind
Excel-ul).
2
l(x) 0.0000004
x 0.4684x
11236
d
1 l ( x)
dx
h ( x)
l ( x)
24 00
h( x) d x
0
e 0.887
Observaţia L8.3. Probabilitatea de bună funcţionare a unui sistem este cu atât mai mare,
cu cât durata de funcţionare este mai mică.
Exemplul L8.4. Fie un sistem serie alcătuit din 4 componente, pentru care ratele de
defectare sunt:
1 0.1106 , 2 0.2 106 , 3 4 0.5 106 ,
distribuţia fiind considerată exponenţială.
221
MODELARE SIMULARE
Calculaţi probabilitatea de bună funcţionare (deci fiabilitatea) a sistemului la momentul
t 100000 .
Rezolvare
Sistemele de tip serie se caracterizează prin aceea că defectarea unui element component
determină ieşirea din funcţiune a întregului sistem, adică sistemul funcţionează dacă şi numai
dacă toate elementele sistemului funcţionează.
Probabilitatea de bună funcţionare a unui sistem serie se calculează conform formulei:
n
Rs t R1 t R2 t Rn t Ri t . (L8.1)
i 1
Exemplul L8.6. Să se scrie un program Matlab care să analizeze comportarea unui sistem
serie cu 4 componente, având fiabilitatatile 0.7, 0.85, 0.9, 0.92.
222
MODELARE SIMULARE
N=4000; p1=0.7; p2=0.85; p3=0.9; p4=0.92;
F1=rand(n,1); F2=rand(n,1); F3=rand(n,1); F4=rand(n,1);
F=find(F1<=p1 & F2<=p2 &F3<=p3 & F4<=p4 );
N=length(F);
F=N/n;
223
MODELARE SIMULARE
Această lecţie de laborator are drept scop realizarea unui exemplu practic de construcţie a
modelelor seriilor de timp utilizând metodologia de modelare Box-Jenkins
Exemplul L9.1. Se consideră o serie de timp, care reprezintă valoarea producţiei lunare
de ţiţei ale unei sonde, înregistrată într-o anumită perioada de timp (reprezentată în figură).
Se cere:
a) Să se calculeze media şi dispersia corespunzătoare seriei de timp;
b) Să se reprezinte grafic funcţia de autocorelaţie şi funcţia de autocorelaţie parţială
estimate ale seriei;
c) Să se modeleze seria de timp respectivă;
d) Să se realizeze predicţia valorilor viitoare ale acestei serii.
Rezolvare
a) Analizând reprezentarea grafică a datelor seriei de timp considerată se poate
observa:
- o tendinţă descrescătoare, ce poate fi justificată prin exploatarea îndelungată a
zăcământului;
- apariţia unor variaţii aproximativ periodice, în jurul tendinţei, care marchează
prezenţa unui pattern sezonier în date. Factorii care influenţează apariţia
acestui pattern sunt: variaţia vâscozităţii ţiţeiului şi a capacităţii de extracţie cu
temperatura mediului.
Se obţine: media=41.90375 iar dispersia=107.2626.
b) Funcţia de autocorelaţie estimată este:
224
MODELARE SIMULARE
x x x
nk
t t k x
ˆ k t 1
, k 0,1, 2,
x x
n 2
t
t 1
225
MODELARE SIMULARE
şi este reprezentată în figura de mai jos:
Modelul seriei de timp considerată poate fi modelul ARIMA (auto regresiv integrat şi de
medie alunecătoare):
1 B B
1 2
2
... p B p zt at ,
adică:
226
MODELARE SIMULARE
1 B B
1 2
2
... p B p 1 B zt at .
Deoarece valorile cele mai mari ale funcţiei de autocorelaţie estimată a seriei diferenţelor
corespund întârzierilor 1 şi 18 rezultă modelul ARIMA:
pe baza statisticii:
K
QK n ˆ k K2 ,
2
k 1
atunci ipoteza se respinge în sensul că cel puţin una dintre valorile coeficienţilor de
autocorelaţie diferă semnificativ de 0.
Altfel, ipoteza se acceptă, iar seria este considerată staţionară.
227
MODELARE SIMULARE
Programul Matlab asociat exemplului este următorul:
fid=fopen('datele.txt','r');
y=fscanf(fid,'%f\t',[1,80]);
fclose(fid);
n=80;
m=mean(y);v=var(y);
t=1:80;
figure(1);
plot(t,y,'-ob');
title('Productia de titei a sondei');
figure(2);
subplot(2,1,1);
autocorr(y,20);
subplot(2,1,2);
parcorr(y,20);
for i=2:n
yy(i-1)=y(i)-y(i-1);
end
figure(3)
t1=1:79;
figure(3);
plot(t1,yy,'-or');
title('Seria diferentelor de ordinul intai');
figure(4);
subplot(2,1,1);
autocorr(yy,20);
subplot(2,1,2);
parcorr(yy,20);
u=autocorr(yy,20)
228
MODELARE SIMULARE
u=
Columns 1 through 6
1.0000 -0.3827 0.0966 -0.1399 0.0538 0.0596
Columns 7 through 12
-0.1551 0.1641 -0.1751 -0.1253 0.1773 -0.1239
Columns 13 through 18
0.0654 -0.0055 0.0081 0.0292 -0.1564 0.2157
Columns 19 through 21
-0.2466 0.1375 0.1133
A=[1 u(17); u(17) 1];
b=[u(1) u(18)]';
phi=inv(A)*b
229
MODELARE SIMULARE
Scopul acestei lecţii de laborator constă în realizarea unui exemplu practic de modelare a
unei probleme practice cu ajutorul reţelelor Petri.
Exemplul L10.1. În exemplul nostru, este pornita o cursă între două maşini A şi B. Atunci
când starterul primeşte semnul de „gata” de la toate maşinile, el dă semnalul de pornire, iar
maşinile încep cursa.
230
MODELARE SIMULARE
P1 T1 P2 T2 P3
P5
P4
P6 T3 P7
P9
P8
În starea iniţială se află câte un jeton în locurile P1 , P6 şi P10 iar tranziţiile T1 , T3 , T4 sunt
activabile.
Vom presupune că evaluarea fiecărui arc este 1. Prin execuţia tranziţiei T1 se iau jetoanele
din P1 şi se pune unul în P4 , iar celălalt în P2 , în timp ce prin execuţia tranziţiei T4 se iau
jetoanele din P10 şi se pune unul în P8 , iar celalalt în P11 (Fig. L10.3).
P1 T1 P2 T2 P3
P5
P4
P6 T3 P7
P9
P8
P10 T4 P11 P12
T5
231
MODELARE SIMULARE
P1 T1 P2 T2 P3
P5
P4
P6 T3 P7
P9
P8
P10 T4 P11 T5 P12
P1 T1 P2 T2 P3
P5
P4
P6 T3 P7
P9
P8
P10 T4 P11 T5 P12
232
MODELARE SIMULARE
233
MODELARE SIMULARE
1. Întrebări
234
MODELARE SIMULARE
29. Daţi exemple de aplicaţii ale metodei Monte Carlo.
30. Ce tip de fenomene se modelează cu repartiţia Poisson?
31. Când este indicat să se modeleze un fenomen cu repartiţia geometrică?
32. Când este indicat să se modeleze fenomene cu repartiţii de tip Gumbel?
33. Ce fenomene pot fi modelate cu repartiţia uniformă (fie caz discret, fie continuu)?
34. Cum se obţin, pornind de la variabile normale standard, variabile de tip 2 cu n grade
de libertate?
35. Cum se obţin, pornind de la variabile normale standard, variabile de tip Student cu n
grade de libertate?
36. Cum se obţin, pornind de la variabile normale standard, variabile de tip Fisher-
Snedecor cu n1,n2 grade de libertate?
37. Ce se întelege prin funcţie de regresie?
38. Care este principiul metodei celor mai mici pătrate ?
39. Ce soft-ware cunoaşteţi pentru a determina forma funcţiei de regresie uni-variabilă?
40. Cum se stabileşte calitatea aproximării date de o funcţie de regresie?
41. Ce este o reţea Petri?
42. Ce înseamnă tranziţie de intrare?
43. Dar de iesire?
44. Ce inseamna loc de intrare?
45. Dar de ieşire ?
46. Ce se întelege prin evaluarea unui arc ?
47. Ce reprezintă matrice de incidenţă?
48. Ce se întelege prin marcajul unei reţele Petri?
49. Ce înseamnă reţea Petri marcată?
50. Cand tranziţie a unei reţele Petri este activabilă (executabilă sau sensibilizată)?
51. Care sunt regulile de evoluţie într-o reţea Petri?
52. Ce înseamnă reţea Petri temporizată? In modelarea componentelor sistemelor, ce
reprezintă tranziţiile?
53. Ce înseamnă retea Petri temporizată? În modelarea componentelor sistemelor, ce
reprezintă locurile?
54. Ce reprezintă o serie de timp sau serie dinamică sau serie cronologică?
55. Când o serie de timp este numita serie de timp continuă?
56. Când o serie de timp este numita serie de timp discretă?
235
MODELARE SIMULARE
57. Când o serie de timp este numita serie de timp eşantionată?
58. Când o serie de timp este numită serie de timp cumulată sau integrată?
59. Când o serie de timp este staţionară?
60. Ce metodologie de analiză a seriilor de timp cunoaşteţi?
61. Care este obiectivul principal al analizei Box-Jenkins?
62. Care sunt etapele de modelare ale metodologiei Box-Jenkins?
63. Ce se întelege prin proces de timp liniar?
64. Ce înseamnă staţionaritatea unui proces liniar?
65. Cum se defineşte spectrul de putere al procesului?
66. Când un proces liniar este inversabil?
67. Cum se defineşte un proces autoregresiv AR(1) şi AR(2) ?
68. Cum se defineşte un proces de medie alunecătoate MA(1) şi MA(2) ?
69. Cum se defineşte un proces autoregresiv şi de medie alunecătoate ARMA(1,1) şi
ARMA(2,2) ?
70. Ce este un proces nestationar autoregresiv integrat şi de medie alunecătoate
ARIMA(p,d,q) ?
2. Probleme propuse
a) lg cos 320.39
b) 122012006 : 14426
c) produsul mixt al vectorilor
a 2i j k , b 3i 2 j k , c j 2k .
236
MODELARE SIMULARE
4. O selecţie de volum n 11 asupra unei caracteristici X, privind rezistența la un cutremur
a condus la următoarele valori: 30, 25, 41, 30, 7, 16, 41, 70, 20, 16, 78. Să se verifice, la
un prag de semnificaţie 1 0.05 , ipoteza conform căreia caracteristica X este o
variabilă aleatoare normală.
5. Să se descrie o metodă de simulare a unei variabile aleatoare continuă X, având funcţia
densitate de probabilitate
0.75 1 x 2 , x 1,1
f x
0, altfel
şi apoi să se implementeze pe calculator.
6. Să se verifice algoritmul pe baza căruia s-a simulat variabila aleatoare continuă X, de la
problema precedentă, prin construirea histogramei şi să se compare histograma cu
graficul funcţiei densitate de probabilitate.
7. Să se construiască o funcţie Matlab pentru a genera o variabilă aleatoare discretă, care să
reprezinte numărul de feţe stemă obţinute la aruncarea a 3 monede.
8. Să se verifice algoritmul pe baza căruia s-a simulat variabila aleatoare discretă, de la
problema precedentă, prin construirea histogramei şi compararea acesteia cu graficul
funcţiei densitate de probabilitate.
9. Să se verifice dacă eşantionul
8.02 8.16 3.97 8.64 0.84 4.46 0.81 7.74 8.78 9.26 20.46 29.87 10.38 25.71
rezultat prin realizarea a 14 măsurători a unui parametru corespunzător unei piese are
valori aberante şi dacă există, să se elimine!
237
MODELARE SIMULARE
BIBLIOGRAFIE
1. Anastassiou, G., Iatan, I., “Modern Algorithms of Simulation for Getting Some
Random Numbers”, Journal of Computational Analysis and Applications, Vol. 15,
No. 7, 2013, pp. 1211-1222.
2. Armeanu, I., Petrehuş, V., Probabilităţi şi statistică aplicate în biologie, Editura
MatrixRom, Bucureşti, 2006.
3. Baicu, F., Elemente de fiabilitate, Editura Victor, Bucureşti, 2005.
4. Brockwell, P. J., Davis, R. A., Time Series: Theory and Methods, Springer-Verlag,
1987.
5. Chakraborty, R.C., Fundamentals of Neural Networks, 2010,
http://www.myreaders.info/html/artificial intelligence.html.
6. Ciucu, G., Craiu, V., Ştefănescu, A., Statistică matematică şi cercetări
operaţionale, Editura Didactică şi Pedagogică, Bucureşti, 1974.
7. Colojoară, A., Serii de timp, Editura Universităţii din Bucureşti, 2007.
8. Costescu, M. R., “Identifying Data Affected by Aberrant Errors. Applied Program”,
1 (45) 2008, pp. 52-55.
9. Dumitrescu, R., Principiile matematice ale teoriei clasificării, Ed. Academiei
Române, Bucureşti 1999.
10. Edwards, D. , Hamson, M., Guide to Mathematical Modelling, Industrial Press, Inc.
New York, 2007.
11. Fuller, R., Introduction to Neuro- Fuzzy Systems, New York, Physica- Verlag,
Heidelberg, 2000.
12. Gentle, J. E., Random Number Generation and Monte Carlo Methods, Springer-
Verlag, 2003.
13. Girault, C., Valk, R., Petri Nets for Systems Engineering, Springer-Verlag, 2001.
14. Gheorghe, B., Modele de simulare cu aplicaţii in fiabilitate, Editura Tehnică,
Bucureşti, 1992.
15. Ghinea, M., Fireţeanu, V., Matlab: Calcul numeric-Grafică-Aplicaţii, Editura
Teora, Bucureşti, 1998.
16. Girault, C., Valk, R., Petri Nets for Systems Engineering. A Guide to Modelling,
Verification, and Applications, Springer-Verlag, 2001.
17. Groza, G., Analiză numerică, Editura Matrix Rom, Bucureşti, 2005.
238
MODELARE SIMULARE
18. Iatan, I., Sisteme neuro-fuzzy pentru recunoaşterea formelor, prima teză de doctorat,
Facultatea de Electronică, Telecomunicaţii şi Tehnologia Informaţiei- UPB,
conducător ştiinţific: Prof. dr. Victor Neagoe, 2003.
19. Iatan, I., Îndrumător de laborator în Matlab 7.0, Editura Conspress, Bucureşti, 2009.
20. Iatan, I., de Rijke, M., „Using a Fuzzy Neural Network to Predict Human
Personality from Social Media”, trimis spre publicare în 2013 la Artificial
Intelligence.
21. Isaic-Maniu, Al., Vodă, V. Gh., Fiabilitatea-şansă şi risc, Editura Tehnică,
Bucureşti, 1986.
22. Karian, Z. A., Tanis, E. A., Probability and Statistics. Explorations with Maple,
second edition, Pearson Prentice Hall, New Jersey, 2008.
23. Knuth D. E., Arta programării calculatoarelor vol.2, Algoritmi seminumerici,
Editura Teora, București, 2000.
24. Leondes, C. T., Fuzzy Logic and Expert Systems Applications, San Diego, Academic
Press, 1998.
25. Lin, L., Sherman, P. D., “Cleaning Data the Chauvenet Way”, SAS Conference
Proceedings: Western Users of SAS Software 2007, San Francisco, California.
26. Lixăndroiu, D., Fiabilitatea sistemelor, Editura Dacia, 2001.
27. Măruşteri, M., Noţiuni fundamentale de biostatistică. Note de curs. University
Press, Târgu Mureş, 2006,
http://www.umftgm.ro/info/Curs_Notiuni_fundamentale.pdf.
28. Mihoc, Gh., Muja, A., Diatcu, E., Bazele matematice ale teoriei fiabilităţii, Editura
Dacia, Cluj-Napoca, 1976.
29. Neagoe, V. E., Iatan, R., Iatan, I., “A Nonlinear Neuro- Fuzzy Model for Prediction
of Daily Exchange Rates”. Proceedings of the Sixth Biannual World Automation
Congress (WAC) and ISSCI 2004, pp. 574–578.
30. Neagoe, V. E., Stănăşilă, O., Teoria recunoaşterii formelor, Bucureşti, România,
Ed. Academiei, 1992.
31. Neagoe, V. E., Stănăşilă, O., Recunoaşterea formelor şi reţele neurale, Bucureşti,
România, Ed. Matrix Rom, 1999.
32. Papadopoulou, M., Nonlinear Time Series Forecasting using Neural Networks and
Fuzzy System Techniques, Dissertation submitted for the MSc in Mathematics with
Modern Applications Department of Mathematics University of York, UK.
239
MODELARE SIMULARE
33. Păltineanu, G., Matei, P. Trandafir, R., Bazele Analizei Numerice, Editura
Printech, 2001.
34. Petrehuş, V., Popescu S. A., Probabilităţi şi Statistică, Tipografia UTCB, 1997.
35. Popescu, Th., Demetriu, S., Practica modelării şi predicţiei seriilor de timp-
Metodologia Box-Jenkins, Editura Tehnică, Bucureşti, 1991.
36. Popescu, T., Serii de timp. Aplicaţii în analiza sistemelor, Editura Tehnică,
Bucureşti, 2000.
37. Tang, T., 2012. Environmental and Geophysical data analysis. Lecture Notes,
University of Northern BC. http://web.unbc.ca/~ytang/
38. Toma, I., Iatan, I., Analiză numerică. Curs, aplicaţii, algoritmi în pseudocod şi
programe de calcul, Editura Matrix Rom, Bucureşti, 2005.
39. Trandafir, R., Modele şi algoritmi de optimizare, Editura AGIR, 2004.
40. Tutunea, I., Algoritmi, logică şi programare, Reprografia Universităţii Craiova,
1993.
41. Uehara, K., Fujise, M., “Learning of Fuzzy Inference Criteria with Artificial Neural
Network”, Proc. 1st Int. Conf. on Fuzzy Logic and Neural Networks, Japan, 193–198,
1990.
42. Umano, M., Ezawa, Y., “Execution of Approximate Reasoning by Neural Network”,
Proceedings of FAN Symposium, 267–273, 1991.
43. Văduva, I., Modele de simulare cu calculatorul, Editura Tehnică, Bucureşti, 1977.
44. Văduva, I., Fiabilitatea programelor, Editura Universităţii din Bucureşti, 2003.
45. Văduva, I., Modele de simulare, Editura Universităţii Bucureşti, 2004.
46. Vladimirescu, I., Probabilităţi şi statistică, Note de curs, Facultatea de Matematică
şi Informatică, Universitatea din Craiova, an III, 1995-1996.
240