Simulazione. Quando il sistema da studiare è molto complesso si usano modelli di Simulazione (logico-matematici).
|
|
- Alessia Crippa
- 5 anni fa
- Visualizzazioni
Transcript
1 Simulazione S.1 Simulazione Quando il sistema da studiare è molto complesso si usano modelli di Simulazione (logico-matematici). SIMULAZIONE: tecnica che consente di eseguire esperimenti su un modello spesso applicata a problemi di code La simulazione di un sistema fisico prevede la rappresentazione cronologica degli stati attraverso cui passa il sistema durante un intervallo di tempo prefissato. Un modello di simulazione: Suddivide il Sistema in un insieme di elementi aventi vita indipendente (Entità), dotati di particolari caratteristiche (Attributi) ed interagenti secondo particolari regole e relazioni allo scopo di svolgere attività. Ne descrive il funzionamento in termini di: a) attività che producono variazioni nello stato del sistema (Eventi); b) percorsi seguiti dalle Entità nel transito all interno del Sistema (Processi). La simulazione consente la verifica di possibili ipotesi sul funzionamento del sistema
2 Simulazione S.2 Sistema di Calcolo Memoria di massa Unità Centrale (C.P.U.) dispositivi di I/O Programmi Dati Risultati Entità : Unità Centrale, Memoria di massa, Video, Tastiera, Programmi, Dati... Attributi : (Dimensioni della memoria centrale, Numero di istruzioni elementari al secondo,...), (Dimensioni della memoria di massa, Velocità di accesso,...), (Numero di pixel del video,...), (Occupazione di memoria di un programma, Numero di istruzioni elementari da eseguire,...) Relazioni : Code di attesa per l accesso all Unità Centrale e per il trasferimento dei dati. Attività : Richiesta di esecuzione di un programma, Trasferimento di programma e dati da M.M. a C.P.U., Esecuzione del programma, Trasferimento dati e programmi da C.P.U. a M.M. ed I/O,... Attività Esogene (esterne) ed Endogene (interne) Attività Deterministiche e Stocastiche Eventi: Inizio esecuzione programma, Termine stampa...
3 Simulazione S.3 Stazione di servizio (dotata di una sola pompa di benzina) stazione di servizio CODA Arrivo auto: Distribuzione di Poisson di v.m. λ Durata servizio: Distribuzione Uniforme in [T 1, T 2] Se ci sono NMAX auto in coda, le auto in arrivo non si fermano. Esperimento: dati λ, T 1, T 2, NMAX, determinare: Tempo medio di permanenza di un auto in coda Numero di auto che non si fermano La simulazione può essere arrestata: dopo aver simulato un certo numero N di auto dopo che è trascorso un certo tempo T dall inizio
4 Simulazione S.4 Sistemi di File di Attesa Sistema di Fila di Attesa processo di input CODA servizio clienti serviti Processo di arrivo. dimensioni popolazione: finita, infinita. distribuzione stocastica tempi di interarrivo: esponenziale, uniforme,... Caratteristiche fila di attesa. lunghezza: finita, infinita. gestione coda: FIFO, LIFO, RANDOM, PRIORI- TARIA,...). regola di uscita: solo verso il servizio, senza servizio (dopo un certo tempo),... input input input input servizio servizio servizi servizi singola coda, singolo servizio coda multipla, singolo servizio singola coda, servizi multipli coda mutipla, servizi multipli
5 Simulazione S.5 Costruzione del Modello Richiede un elevato grado di conoscenza del sistema da simulare riduzione del sistema ad un diagramma di flusso che ne descriva l evoluzione e le relazioni causa-effetto; individuazione delle componenti fondamentali (descrizione statica); collegamenti tra le componenti (descrizione dinamica); definizione delle regole operative che determinano il comportamento delle componenti ed il verificarsi degli eventi; definizione delle distribuzioni di probabilità che governano i fenomeni casuali presenti nel sistema (arrivi di entità, tempi di lavorazione...); Non sempre un modello estremamente dettagliato consente di ottenere un maggiore grado di informazione sul sistema (programma complesso ed elevato tempo di calcolo necessario per la simulazione). Se il comportamento di un elemento non può essere descritto in modo deterministico, è meglio rappresentarlo servendosi di un fenomeno casuale piuttosto che di valori medi. Il modello può essere formalizzato ottenendo un Programma di Simulazione eseguibile su calcolatore.
6 Simulazione S.6 Il Programma viene attivato usando numeri casuali per generare eventi simulati nel tempo secondo appropriate distribuzioni di probabilità. Ripetendo più volte l esperimento è possibile ottenere informazioni statistiche sul comportamento del sistema. Ripetendo per diverse configurazioni possibili del sistema, si può identificare per confronto quella più promettente. Caratteristiche dei linguaggi di simulazione: Separazione tra modello ed esperimento (dati); Rappresentazione di strutture dati complesse (insiemi, liste, code...); Riproduzione dell evoluzione nel tempo del sistema; Struttura gerarchica: 1) programma per il controllo della simulazione; 2) sottoprogrammi per la gestione delle attività; 3) sottoprogrammi per la raccolta dei dati statistici, generazione di sequenze di numeri a caso... Analisi dei risultati: raccolta dei dati statistici (osservazioni); calcolo di quantità statistiche (v. medio, min., max., var.,...); stampa delle quantità statistiche (grafici, istogrammi);
7 Simulazione S.7 Descrizione statica del sistema Configurazioni di dati stato del sistema I processi dinamici alterano lo stato alterano i valori dei dati Oggetto Terminologia Esempio Classi Entità Auto, Stazione Caratteristiche Attributi Stato della Stazione Istante di ingresso in coda Relazioni Insiemi Coda (FIFO) Inserisci l auto in coda Estrai la prima auto dalla coda Generazione di oggetti: ingresso nel sistema Distruzione di oggetti: uscita dal sistema
8 Simulazione S.8 Descrizione dinamica del sistema Tempo simulato Primi linguaggi: contatore Linguaggi moderni: si considerano solo gli istanti in cui avviene un cambiamento dello stato del sistema (arrivo di un auto, fine del servizio...) Esempio: stazione di servizio (NMAX = 2) A 1 I 1 A 2 I 2 A 3 A 5 I 3 I 4 A 6 I 6 F 1 A 4 prosegue F 2 F 3 F 4 F 6 t I due principali approcci proposti per la definizione di modelli sono: Programmazione degli Eventi Interazione dei Processi, o Flusso di Entità Esistono in commercio numerosi linguaggi di simulazione basati su uno o entrambi questi approcci (GPSS, SIMSCRIPT, SIMULA, SIMAN...)
9 Simulazione S.9 Programmazione degli Eventi EVENTO := istante in cui avviene una modifica dello stato (arrivo di un auto...) sottoprogramma contente le istruzioni da eseguire nell istante in cui l evento avviene quando si verifica un evento si considerano tutte le sue possibili implicazioni sul sistema (modifica dello stato) ogni evento determina quali eventi debbano avvenire nel futuro ed in quale istante (li innesca ) il comportamento dinamico del sistema è sintetizzato nel diagramma degli inneschi C è coda INIZIO ARRIVO AUTO INIZIO SERVIZIO FINE SERVIZIO Non c è coda Al termine dell esecuzione di un evento, il sistema determina il prossimo evento da eseguire (coda del tempo) ed aggiorna il tempo simulato
10 Simulazione S.10 Interazione dei processi PROCESSO := insieme di eventi (ordinati cronologicamente) relativi ad una parte del comportamento del sistema Il comportamento complessivo del sistema può essere descritto mediante più processi che interagiscono tra loro. I processi realizzano più azioni di durata maggiore di zero e possono interagire in più punti con altri processi (sequenza di fasi attive e passive; punti di riattivazione). Istruzioni: attiva, ritarda di..., aspetta fino a... Il sistema viene rappresentato da un diagramma di flusso lineare che descrive il transito delle entità nel sistema stesso: 1. Crea le auto ad intervalli distribuiti esponenzialmente con v.m. λ 2. Se la stazione è occupata inserisci l auto in coda (di capacità NMAX) 3. Occupa la stazione Ritarda di un tempo distr. unif. in [T 1, T 2] 4. Libera la stazione; se c è un auto in coda, attivala (3.) 5. Esci dal sistema.
11 Simulazione S.11 Generazione di Numeri Casuali Metodi congruenziali x i+1 = (ax i + b) mod m Generano sequenze pseudo-casuali: la sequenza è lunga al più m e si ripete identica a, b ed m devono essere scelti per generare numeri uniformi in {0, 1, 2,..., m 1} e tali che la sequenza sia di massima lunghezza (idealmente m) metodo usato per le funzioni dei calcolatori (rand(), ran(),...) Esempio : a = 1234, b = 6789, m = 1000 inizializziamo x 0 = 0 (seme, seed) x 1 = ( ) mod 1000 = 6789 mod 1000 = 789 x 2 = ( ) mod 1000 = mod 1000 = 415 x 3 = ( ) mod 1000 = mod 1000 = 899 x 4 = ( ) mod 1000 = mod 1000 = Un generatore di buona qualità deve essere uniforme: ogni intero in 0,..., m 1 è ugualmente probabile ogni valore della sequenza è indipendente dai precedenti
12 Simulazione S.12 x = variabile aleatoria t = evento di x Richiami di statistica Pr(x t x + x) f(x) = lim x 0 x densità di probabilità f(x)dx = Pr(x t x + dx) b a f(x)dx = Pr(a t b) f(x)dx = 1 µ = f(x)xdx normalizzazione valor medio σ 2 = f(x)(x µ)2 dx varianza F (x) = x f(ξ)dξ = Pr(t x) distribuzione cumulativa 0 F (x) 1
13 Simulazione S.13 Generazione di valori casuali secondo una funzione predefinita I generatori producono numeri (pseudo)casuali distribuiti uniformemente in [0, m] (o in [0, 1]) spesso è necessario ottenere numeri casuali con distribuzioni diverse 1 F (x) r F 1 (r) x Se si generano valori r uniformi in [0, 1], i corrispondenti valori F 1 (r) hanno densità di probabilità f(x) Dim. y variabile aleatoria uniforme in [0, 1] (U(0, 1)) densità di probabilità g(y) = 1 if 0 y 1 0 if y < 0 or y > 1 Pr(r y) = y g(ξ)dξ = y Pr(r F (x)) = F (x) Dal grafico: Pr(r F (x)) = Pr(F 1 (r) x) F (x) = Pr(F 1 (x) x) F 1 (r) ha distribuzione cumulativa F (x) e d.d.p. f(x)
14 Simulazione S.14 Distribuzione uniforme in [a, b] 1 b a f(x) a b x f(x) = 1 b a, a x b 0 altrimenti F (x) = x a 1 b a dξ = 1 ξ b a x a = x a b a r = x a b a x = F 1 (r) = a + (b a)r f(x) = 8x, 0 x altrimenti F (x) = x 8ξdξ = 8 ξ x 0 = 4x 2 r = 4x 2 x = F 1 (r) = r 2
15 Simulazione S.15 Distribuzione esponenziale f(x) = αe αx, x 0 µ = 1 α, σ2 = 1 α 2 F (x) = x 0 αe α ξdξ = α e αξ x α 0 = 1 e αx r = 1 e αx 1 r = e αx r = e αx log r = αx x = 1 α log r Distribuzione empirica Quantità Numero Percentuale Cumulativa ordinata ordini f(x) F(x) F (x) x r F 1 (r) 0 r < r < r < r < r < r <
16 Simulazione S.16 Distribuzione Normale (Gaussiana) f(x) = x N(0, 1) = z 1 σ 2π e 1 2 (x µ)2/σ2 dx = N(µ, σ 2 ) 1 e ξ2 2 dξ z = x µ 2π σ Teorema del limite centrale Siano r 1,..., r n variabili aleatorie indipendenti ed identicamente distribuite, con media η e varianza σ 2 la variabile aleatoria somma : r = n i=1 r i ha media µ = nη ha varianza σ 2 (r) = nσ 2 lim Pr(a < r µ n σ(r) < b) = b a cioè z = r µ σ(r) 1 2π e z2 2 dz N(0, 1) per n 1) Genera n numeri r 1,..., r n U(0, 1) (µ = 1/2; σ 2 = 1/12) 2) z = n i=1 r i n/2 n/ 12 la variabile z è distribuita come una N(0, 1) È sufficiente calcolare n > 10 numeri; con n = 12 si ottiene z = 12 i=1 r i 6
17 Simulazione S.17 Processo di Poisson N(t): numero di arrivi sino all istante t (non decrescente in t) N(t) N(s) (t > s): numero di arrivi nell intervallo [s, t] il valore di N(t) N(s) dipende solo dalla lunghezza dell intervallo [s, t] e non dalla sua posizione Pr(N(t + s) N(s) = n) = 1 n! ((λt)n e λt ) Pr(N(1 + s) N(s) = n) λ = λ = n n Esponenziale: f(x) = λe λx Unica distribuzione con perdita della memoria: Pr(t > a + b t > a) = Pr(t > b) La distribuzione dei tempi di interarrivo di un processo di Poisson con parametro λ è esponenziale con parametro λ Dim. x 1, x 2,..., x n = istanti degli eventi arrivo Pr(x 1 > t) = Pr(N(t) = 0) = e λt Pr(x 2 > t x 1 = s) = Pr(N(t) N(s) = 0 x 1 = s) = Pr(N(t) N(s) = 0) = e λt
18 Simulazione S.18 Stazione di Servizio Modello a programmazione degli eventi (più difficile) Diagramma degli inneschi: INIZIO ARRIVO INIZIO SERVIZIO FINE SERVIZIO Diagramma di flusso (non dettagliato): I leggi i parametri di ingresso; inizializza lo stato del sistema; innesca il primo evento ARRIVO subito U INIZIO
19 Simulazione S.19 I ARRIVO T := valore casuale con distribuzione esponenziale di valor medio 1 λ ; innesca il prossimo ARRIVO con ritardo T ci sono NMAX auto in CODA? No genera l auto Sì raccogli le statistiche considerate tutte le auto? Sì stampa le statistiche No U F la stazione è libera? No Sì occupa la stazione; innesca un evento INIZIO SERVIZIO per l auto con ritardo 0 inserisci l auto nell insieme CODA U I INIZIO SERVIZIO T := valore casuale con distribuzione uniforme in [T1,T2]; innesca un evento FINE SERVIZIO per l auto con ritardo T U
20 Simulazione S.20 I raccogli le statistiche; distruggi l auto FINE SERVIZIO considerate tutte le auto? No insieme CODA vuoto? No Sì Sì stampa le statistiche libera la stazione F estrai la prima auto da CODA; innesca un evento INIZIO SERVIZIO per l auto estratta con ritardo 0 U L evento INIZIO SERVIZIO avviene sempre in coincidenza con un evento ARRIVO, oppure un evento FINE SERVIZIO L innesco di eventi comporta l uso di procedure interne molto gravose computazionalmente si cerca di limitarlo eliminando eventi inutili (ulteriore vantaggio: modello concettualmente più semplice).
21 Simulazione S.21 INIZIO ARRIVO FINE SERVIZIO I leggi i parametri di ingresso; inizializza lo stato del sistema; innesca il primo evento ARRIVO subito U INIZIO I ARRIVO T := valore casuale con distribuzione esponenziale di valor medio 1 λ ; innesca il prossimo ARRIVO con ritardo T ci sono NMAX auto in CODA? No genera l auto Sì raccogli le statistiche considerate tutte le auto? Sì stampa le statistiche No U F la stazione è libera? No Sì occupa la stazione; T := valore casuale con distribuzione uniforme in [T1,T2]; innesca un evento FINE SERVIZIO per l auto con ritardo T inserisci l auto nell insieme CODA U
22 Simulazione S.22 I raccogli le statistiche; distruggi l auto FINE SERVIZIO considerate tutte le auto? No insieme CODA vuoto? No Sì Sì stampa le statistiche libera la stazione F estrai la prima auto da CODA; T := valore casuale con distribuzione uniforme in [T1,T2]; innesca un evento FINE SERVIZIO per l auto estratta con ritardo T U
23 Simulazione S.23 Diagrammi di flusso ispirati al SIMSCRIPT II.5 Entità e richieste di esecuzione di Eventi (event notices) possono essere presenti in molti esemplari identificati mediante puntatori 1. Descrizione statica Entità temporanee: es. AUTO crea AUTO, crea AUTO chiamata UNOBIANCA : riserva un area di memoria per una nuova entità della classe AUTO e ne memorizza il puntatore nella variabile (locale) AUTO (o UNOBIANCA) distruggi AUTO, distruggi AUTO chiamata UNOBIANCA : rilascia l area di memoria puntata da AUTO (o UNOBIANCA) Attributi: (descrittivi, dati per statistiche...) es. TARGA(AUTO), TIC(AUTO)... Entità permanenti (es. il Sistema ) Attributi: variabili globali (stato, accumulatori...) Parti del sistema presenti in più esemplari: attributi e code con indice (STATO(I), CODA(I)) Insiemi (Code): quali entità contengono e regola di uscita (FIFO, LIFO...) inserisci AUTO in CODA, estrai (la prima) AUTO da CODA le code memorizzano i puntatori alle entità contenute
24 Simulazione S Descrizione dinamica Evento:= procedura che viene mandata in esecuzione in base all evoluzione dinamica del sistema Richiesta di esecuzione di un evento event notice: area di memoria che ne contiene gli attributi crea FSER, crea FSER chiamata CIAO : riserva un area di memoria per una event notice della classe FSER e ne memorizza il puntatore nella variabile (locale) FSER (o CIAO) innesca FSER con ritardo T : inserisce nella coda del tempo il puntatore all event notice di classe FSER, che sarà eseguito tra T unità di tempo cancella FSER, cancella FSER chiamato CIAO : rimuove dalla coda del tempo l event notice il cui puntatore è in FSER (o CIAO) distruggi FSER, crea FSER chiamata CIAO : rilascia l area di memoria dell event notice il cui puntatore è in FSER (o CIAO) Gli eventi possono avere attributi (es. puntatore all AUTO che termina il servizio: AUTO(FSER)) Eventi interni : innescati da altri eventi (ARRIVO, FSER...) Eventi esterni : innescati dall esterno (INIZIO) Procedure: per isolare parti di codice comuni a più eventi (con parametri di ingresso)
25 Simulazione S.25 Esecuzione della simulazione 1. Inizializzazione sistema Coda del tempo (vuota): struttura che memorizza i puntatori alle event notices degli eventi da eseguire in ordine crescente d istante di innesco TIME.V := 0 variabile globale contenente l istante attuale di tempo simulato Creazione delle entità permanenti: code (vuote), attributi 2. Innesco eventi esterni Evento INIZIO: inizializza variabili di stato ed accumulatori crea ed innesca uno o più eventi interni (es. ARRIVO) 3. Esecuzione eventi interni (all istante di innesco) programma di gestione della simulazione: while coda del tempo non vuota do 3.1 estrae dalla coda il puntatore alla prossima event notice 3.2 pone TIME.V := istante di innesco 3.3 definisce una variabile locale con lo stesso nome dell evento e vi memorizza il puntatore all event notice corrente 3.4 Esegue le istruzioni associate all evento Fine F : termina la simulazione, Uscita U : prosegue Al termine della simulazione si stampano i risultati delle osservazioni statistiche effettuate nel corso della simulazione
26 Simulazione S.26 Stazione di servizio Determinare, relativamente ad NA auto uscite dal sistema: 1) percentuale di auto che non si fermano 2) tempo medio trascorso in coda dalle auto servite Entità temporanee: Attributi: AUTO Entità permanenti: Attributi: Sistema TIC (istante di ingresso in coda); TC (tempo trascorso in coda); λ, T1, T2, NMAX; NA = numero auto da simulare, NAS = numero auto simulate, NAR = numero auto che non si fermano, TTC = tempo totale in coda, NAC = numero auto in coda, 0 (stazione libera) STATO = 1 (stazione impegnata) Insiemi: Ordinamento: Entità membre: Entità proprietaria: CODA FIFO AUTO Sistema Eventi: Tipo: Attributi: INIZIO esterno ARRIVO interno FSER interno AUT
27 Simulazione S.27 INIZIO ARRIVO FSER I leggi λ, T1, T2, NMAX, NA; azzera: NAS, NAR, NAC, TTC, STATO; crea ARRIVO; innesca ARRIVO subito U INIZIO I T := valore casuale con distribuzione esponenziale di valor medio 1 λ ; innesca ARRIVO con ritardo T ARRIVO NAC = NMAX No crea AUTO; TC(AUTO) := 0 Sì NAR := NAR + 1; NAS := NAS + 1 FINE U STATO = 0 No inserisci AUTO in CODA; NAC := NAC + 1; TIC(AUTO) := TIME.V Sì STATO := 1; crea FSER; AUT(FSER) := AUTO; T := valore casuale con distribuzione uniforme in [T1,T2]; innesca FSER con ritardo T U
28 Simulazione S.28 I AUTO := AUT(FSER); NAS := NAS + 1; TTC := TTC + TC(AUTO); distruggi AUTO FSER FINE CODA vuota? No Sì STATO := 0; distruggi FSER estrai prima AUTO da CODA; NAC := NAC 1; TC(AUTO) := TIME.V TIC(AUTO); AUT(FSER) := AUTO; T := valore casuale con distribuzione uniforme in [T1,T2]; innesca FSER con ritardo T U FINE No NAS = NA R Sì TTC/(NAS NAR) NAR/NAS F
29 Simulazione S.29 Trasmissione di informazioni tra gli eventi 1) Attributi permanenti (variabili globali): es. TTC azzerato in INIZIO, aggiornato in FSER, utilizzato in FINE. 2) Attributi di event notice: es. AUT(FSER) definito in ARRIVO, utilizzato in FSER. 3) Attributi di entità temporanee inserite e rimosse da insiemi: es. AUTO inserita in CODA in ARRIVO, rimossa da CODA in FSER, dove si può utilizzare TIC(AUTO) Non esistono altri meccanismi di trasmissione di informazioni tra eventi tutte le variabili usate negli eventi sono locali anche le variabili che si chiamano come le classi di entità ed eventi (AUTO, UNOBIANCA, FSER, ARRIVO...)
30 Simulazione S.30 Esempio stazione di servizio; ogni AUTO ha due attributi: TIC, TC (istante di ingresso e tempo totale in coda) FSER ha l attributo AUT (puntatore all auto) A 1 A 2 A 3 A 4 A 5 t F S 1 F S 2 In A 1 : Dopo A 1 : In F S 1 : AUTO 550 AUTO AUTO FSER 800 FSER FSER nella coda degli eventi innescati: FSER AUTO:=AUT(FSER) AUTO estrai AUTO (punt. 575) AUTO AUT(FSER):=AUTO
31 Simulazione S.31 Sistema ospedaliero RIFIUTATI MALATI GRAVI NORMALI ATTESA ACCETTATI GUARIBILI DECEDUTI REPARTO GRAVI ACCETTATI REPARTO NORMALI GUARITI Numero letti: rep. gravi: NLG; rep. normali: NLN Arrivo malati: distr. di Poisson con v. medio λ Grave con probabilità PG, normale con prob. 1 PG Grave rifiutato se non ci sono letti liberi nel reparto Durata cura grave: distr. unif. in [DMIG,DMAG] normale: distr. unif. in [DMIN,DMAN] Esito cura gravi: positivo con probabilità PS, se positivo, passa al reparto normali Determinare, relativamente ad NT malati usciti dal sistema: tempo medio in coda per i malati che hanno atteso tempo medio nel sistema per i malati gravi e normali percentuale di gravi rifiutati rispetto agli arrivati
32 Simulazione S.32 Ipotesi: NLG = NLN = 1, sistema inizialmente in riposo: A 1 IDG 1 A 3 A 5 IDG 5 G rifiutato F DG 1 deceduto t F DG 5 A 2 IDN 2 IDN 1 A 4 IDN 4 A 6 IDN 6 N t F DN 2 F DN 1 F DN 4 F DN 6 INIZIO ARRIVO INIZIO DEGENZA GRAVE FINE DEGENZA GRAVE INIZIO DEGENZA NORMALE FINE DEGENZA NORMALE IDG coincide sempre con ARRIVO IDN coincide sempre con ARRIVO o con FDG o con FDN.
33 Simulazione S.33 Entità temporanee: Attributi: MALATO Entità permanenti: Sistema TIS (istante di ingresso nel sistema); TIC (istante di ingresso in coda); 1 (normale) TIPO = 2 (grave) Insiemi: Ordinamento: Entità membre: Entità proprietaria: CODA FIFO MALATO Sistema Eventi: Tipo: Attributi: INIZIO esterno ARRIVO interno FDG interno MAL FDN interno MAL INIZIO ARRIVO FDG FDN
34 Simulazione S.34 Attributi del sistema: λ = numero medio di arrivi nell unità di tempo NLG = numero letti nel reparto malati gravi NLN = numero letti nel reparto malati normali PG = probabilità che un malato sia grave PS = probabilità che un malato grave guarisca DMIG = durata minima di una degenza grave DMAG = durata massima di una degenza grave DMIN = durata minima di una degenza normale DMAN = durata massima di una degenza normale NT = numero di malati da simulare NLOG = numero letti occupati nel reparto malati gravi NLON = numero letti occupati nel reparto malati gravi NMR = numero di malati gravi rifiutati NMD = numero di malati gravi deceduti NMG = numero di malati gravi guariti NMN = numero di malati normali guariti NMA = numero di malati che hanno atteso in coda NTOT = numero totale di malati simulati TTG = tempo totale trascorso dai malati gravi nel sistema TTN = tempo totale trascorso dai malati normali nel sistema TTA = tempo totale trascorso dai malati in coda
35 Simulazione S.35 I INIZIO leggi λ, NLG, NLN, PG, PS, DMIG, DMAG, DMIN, DMAN, NT; azzera: NLOG, NLON, NMR, NMD, NMG, NMN, NMA, NTOT, TTG, TTN, TTA; crea ARRIVO; innesca ARRIVO subito U I ARRIVO T := valore casuale con distribuzione esponenziale di valor medio 1 λ ; innesca ARRIVO con ritardo T; crea MALATO; TIS(MALATO) := TIME.V; TIC(MALATO) := 0; P := valore casuale con distribuzione uniforme in [0,1] P PG Sì NLOG < NLG Sì TIPO(MALATO) := 2; NLOG := NLOG + 1; crea FDG; MAL(FDG) := MALATO; No TIPO(MALATO) := 1 DEGN(MALATO) No T := valore casuale con distribuzione uniforme in [DMIG,DMAG]; innesca FDG con ritardo T NMR := NMR + 1; distruggi MALATO FINE U U
36 Simulazione S.36 DEGN(MA) NLON < NLN No Sì NLON := NLON + 1; crea FDN; MAL(FDN) := MA; T := valore casuale con distribuzione uniforme in [DMIN,DMAN]; innesca FDN con ritardo T inserisci MA in CODA; TIC(MA) := TIME.V R FINE NTOT := NTOT + 1 NTOT < NT Sì R No TMA := TTA/NMA; TMG := TTG/(NMG+NMD); TMN := TTN/NMN; PR := NMR/(NMG+NMD+NMR) TMA,TMG,TMN,PR F MALATO := MAL(FDG); NLOG := NLOG 1; I distruggi FDG; P := valore casuale con distribuzione uniforme in [0,1] FDG P PS Sì DEGN(MALATO) U No TTG := TTG + (TIME.V TIS(MALATO)); NMD := NMD + 1; distruggi MALATO FINE
37 Simulazione S.37 I FDN MALATO := MAL(FDN) TIC(MALATO)>0 No Sì NMA := NMA + 1; TTA := TTA + TIC(MALATO) NMN := NMN + 1; TIPO(MALATO)=1 Sì TTN := TTN + (TIME.V TIS(MALATO)) No NMG := NMG + 1; TTG := TTG + (TIME.V TIS(MALATO)) distruggi MALATO CODA vuota? No Sì NLON := NLON 1; distruggi FDN estrai il primo MALATO da CODA; TIC(MALATO) := TIME.V TIC(MALATO); MAL(FDN) := MALATO; T := valore casuale con distribuzione uniforme in [DMIN,DMAN]; innesca FDN con ritardo T FINE U
38 Simulazione S.38 Ottimizzazione e simulazione Esempio : Dimensionamento reparti sistema ospedaliero Determinazione numero letti dei reparti (NLN, NLG) in modo da: minimizzare i costi (proporzionali a NLN, NLG) massimizzare la qualità del servizio (min. tempi di attesa, permanenza e gravi rifiutati) obiettivi in contrasto fra loro (compromesso) Modello di simulazione (programma): dati NLN ed NLG calcola indicatori sulla qualità del servizio Processo iterativo di ottimizzazione di NLN e NLG Prima esecuzione: NLG = 10, NLN = 20 NLG = 10 NLN = 20 NA = 300 LAM = PG = PS = DMIG = 48 DMAG = 120 DMIN = 72 DMAN = 240 NCE = 0 NT = NMR = 370 NMG = 2900 NMD = 971 NMN = 5759 NMA = 8659 TMG = TMN = TMA = molti malati gravi rifiutati tutti i malati debbono attendere in coda tempi di attesa assurdamente elevati
39 Simulazione S.39 Seconda esecuzione: NLG = 10, NLN = 40 variazione di un solo parametro per verificare la sensibilità del modello NLG = 10 NLN = 40 NA = 300 LAM = PG = PS = DMIG = 48 DMAG = 120 DMIN = 72 DMAN = 240 NCE = 0 NT = NMR = 281 NMG = 2977 NMD = 775 NMN = 5967 NMA = 223 TMG = TMN = TMA = molti malati gravi rifiutati pochi malati debbono attendere in coda tempi di attesa accettabili Terza esecuzione: NLG = 20, NLN = 20 variazione di un solo parametro rispetto alla prima: NLG = 20 NLN = 20 NA = 300 LAM = PG = PS = DMIG = 48 DMAG = 120 DMIN = 72 DMAN = 240 NCE = 0 NT = NMR = 0 NMG = 3129 NMD = 1130 NMN = 5741 NMA = 8870 TMG = TMN = TMA = nessun malato grave rifiutato tutti i malati debbono attendere in coda tempi di attesa elevatissimi
40 Simulazione S.40 Quarta esecuzione: NLG = 15, NLN = 40 modifica di entrambi i parametri NLG = 15 NLN = 40 NA = 300 LAM = PG = PS = DMIG = 48 DMAG = 120 DMIN = 72 DMAN = 240 NCE = 0 NT = NMR = 17 NMG = 3252 NMD = 784 NMN = 5947 NMA = 329 TMG = TMN = TMA = pochi malati gravi rifiutati pochi malati debbono attendere in coda tempi di attesa modesti Numero di malati che debbono attendere in coda aumentato rispetto alla seconda esecuzione più malati gravi. Quinta esecuzione: NLG = 16, NLN = 45 aggiustamento finale dei parametri NLG = 16 NLN = 45 NA = 300 LAM = PG = PS = DMIG = 48 DMAG = 120 DMIN = 72 DMAN = 240 NCE = 0 NT = NMR = 8 NMG = 3194 NMD = 779 NMN = 6019 NMA = 74 TMG = TMN = TMA = pochissimi malati gravi rifiutati pochi malati debbono attendere in coda tempi di attesa molto modesti Dimensionamento accettabile
Simulazione S.1. Simulazione
Simulazione S.1 Simulazione Quando il sistema da studiare è: molto complesso con evoluzione nel tempo con gestione di code modelli analitici difficili o impossibili modelli di simulazione numerica (logico-matematici)
DettagliSimulazione Numerica
Fondamenti di Ricerca Operativa T-A a.a. 2016-2017 Simulazione Numerica Andrea Lodi, Enrico Malaguti, Daniele Vigo Novembre 2016 Simulazione numerica Tecnica che permette di condurre esperimenti su modelli
DettagliSimulazione Numerica
Fondamenti di Ricerca Operativa T-A a.a. 2014-2014 Simulazione Numerica Andrea Lodi, Enrico Malaguti, Daniele Vigo Novembre 2014 Simulazione numerica Tecnica che permette di condurre esperimenti su modelli
DettagliUtilizzato per trattenere entità che vengono poi successivamente rilasciate e tipicamente per: trattenere entità che devono ricevere un
Utilizzato per trattenere entità che vengono poi successivamente rilasciate e tipicamente per: trattenere entità che devono ricevere un autorizzazione; controllare lo stato di una macchina o di un operatore
DettagliSimulazione. Simulazione - Arena 1
Simulazione Modelli di simulazione u/lizza/ per sistemi molto complessi Simulazione: tecnica che perme6e di eseguire esperimen/ su un modello Spesso applicata a problemi con code La simulazione di un sistema
DettagliModelli a code d attesa dei sistemi operativi
Definizioni Preliminari Topologie Tandem (1 dispositivo I/O Tandem (2 dispositivi I/O) Coda chiusa Coda aperta Definizioni Preliminari variabili aleatorie: il risultato di un esperimento dall esito incerto
DettagliTre esempi di sistemi di congestione. Analisi delle loro simulazioni in linguaggio Simula
Tre esempi di sistemi di congestione Analisi delle loro simulazioni in linguaggio Simula Generalità introduttive Una larga classe di sistemi reali : Sistemi di produzione Sistemi di traffico e di comunicazione
DettagliPianificazione di un esperimento di simulazione
Pianificazione di un esperimento di simulazione Processo di creazione ed uso di un modello. Criteri di scelta della simulazione : appropriatezza del modello e della soluzione costo semplicità di uso 1.
DettagliIntroduzione alla Simulazione Numerica
Introduzione alla Simulazione Numerica Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.0 - Novembre 2001 Simulazione numerica Tecnica che permette di eseguire esperimenti su un
DettagliReti di Telecomunicazioni. Sistemi a coda
Reti di Telecomunicazioni Sistemi a coda Ing. Francesca Lo Piccolo e-mail: francesca.lopiccolo@uniroma2.it Un ringraziamento particolare al Prof. Andrea Detti, autore delle presentazioni da cui è stata
Dettagli2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme
GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali
DettagliPRINCIPI GENERALI. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
PRINCIPI GENERALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 7 Marzo 2006 Francesca Mazzia (Univ. Bari) PRINCIPI GENERALI 7/03/2006
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliSistema : collezione di componenti (elementi, entità) interdipendenti che interagiscono fra loro in accordo a specifiche predefinite.
Sistema : collezione di componenti (elementi, entità) interdipendenti che interagiscono fra loro in accordo a specifiche predefinite. Studio, analisi del sistema al variare delle caratteristiche operative.
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliTeoria delle File di Attesa
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
DettagliIl metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliTeoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi.
Teoria delle File di Attesa Una coda, o fila di attesa, si forma quando degli utenti attendono di essere serviti da uno o più serventi. Esempi: Studenti agli sportelli della segreteria Utenti di un centro
DettagliMobilificio. Si vuole simulare il comportamento della gestione degli ordini da parte di una azienda che produce mobili di due qualità
Mobilificio Si vuole simulare il comportamento della gestione degli ordini da parte di una azienda che produce mobili di due qualità Gli ordini arrivano secondo una distribuzione di Poisson di valor medio
DettagliProcessi random in natura
Processi random in natura Esistono in natura processi naturalmente random decadimento radiativo agitazione termica moto di particelle in sospensione Per descrivere questi fenomeni bisogna spesso ricorrere
DettagliIl metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliModulo Simulazione Parte 1. Simulazione ad Eventi Discreti: Concetti Base. Organizzazione del modulo
Modulo Simulazione Parte 1 Simulazione ad Eventi Discreti: Concetti Base Ing. R.G. Garroppo Organizzazione del modulo Simulazione ad eventi discreti: concetti base Testo: J. Banks, J.S. Carson, B.L. Nelson
DettagliGENERAZIONE DI NUMERI PSEUDOCASUALI
GENERAZIONE DI NUMERI PSEUDOCASUALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) GENERAZIONE
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI, RICHIAMI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione Nel
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Processi di Poisson Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Consideriamo eventi casuali come gli arrivi di lavori
Dettagli- 4 - La multiplazione statistica nelle reti a pacchetto
Politecnico di Milano Dipartimento di Elettronica e Informazione - 4 - La multiplazione statistica nelle reti a pacchetto Laboratorio di Reti di Telecomunicazione Premessa Useremo NS e nscript per studiare
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE ESEMPI DI SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Esempi di simulazione Presentiamo alcuni esempi
Dettagli- 4 - La multiplazione statistica nelle reti a pacchetto
Politecnico di Milano Dipartimento di Elettronica e Informazione - 4 - La multiplazione statistica nelle reti a pacchetto Laboratorio di Reti di Telecomunicazione Premessa Useremo NS e nscript per studiare
DettagliESEMPI DI SIMULAZIONE
ESEMPI DI SIMULAZIONE Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 7 Marzo 2006 Francesca Mazzia (Univ. Bari) ESEMPI DI SIMULAZIONE 7/03/2006
DettagliLa teoria delle code
La teoria delle code Ludovica Crosato INTRODUZIONE La Teoria delle code (o delle file d attesa) rappresenta l analisi dei fenomeni di attesa che si possono manifestare in presenza della domanda di un servizio,
DettagliIntroduzione alla Simulazione
Introduzione alla Simulazione Discrete-event simulation (DES) Modelli Stocastici e Dinamici Le variabili di stato cambiano valore solo in corrispondenza di eventi discreti, determinati a loro volta da
Dettagli2. Simulazione discreta: approcci alla simulazione
Anno accademico 2008/09 Elementi di un programma di simulazione Controllore Tempo di simulazione Generatore dei dati di input Entità Eventi Attività Stati Processi Simulazione per eventi: le classi L approccio
Dettagli' $ Teoria del traffico & % 1
Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze
DettagliPROCESSI DI POISSON. Corso di Tecniche di Simulazione, a.a. 2005/2006. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
PROCESSI DI POISSON Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 17 Aprile 2006 Francesca Mazzia (Univ. Bari) PROCESSI DI POISSON 17/04/2006
DettagliReti di Telecomunicazioni. Sistemi a coda M/M/1
Reti di Telecomunicazioni Sistemi a coda M/M/1 Ing. Francesca Lo Piccolo e-mail: francesca.lopiccolo@uniroma2.it Un ringraziamento particolare al Prof. Andrea Detti, autore delle presentazioni da cui è
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
DettagliUniversità di Bergamo. Dipartimento di Ingegneria dell Informazione e Metodi Matematici. Laboratorio di Reti. Prof.
Università di Bergamo Dipartimento di Ingegneria dell Informazione e Metodi Matematici Laboratorio di Reti Prof. Fabio Martignon 1 Università di Bergamo Dipartimento di Ingegneria dell Informazione e Metodi
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliLaboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliPROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa.
corso di Teoria e Tecnica della Circolazione + Trasporti e Territorio a.a. 2012-2013 ELEMENTI DI TEORIA DELLE CODE PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it
DettagliLa teoria delle code
La teoria delle code 3 marzo 205 Ing. foglietta.chiara@gmail.com Università degli Studi di Cassino e del Lazio Meridionale Agenda Reti di Aperte Reti di Aperte Sistema M/M/ I 2 Reti di Aperte Una coda
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
Dettagli4. Stime & Test. Corso di Simulazione. Anno accademico 2008/09
Anno accademico 2008/09 Media campionaria X 1, X 2,..., X n v.c. indipendenti con distribuzione F, e: E[X i ] = µ Var[X i ] = σ 2, i = 1,..., n Media campionaria: X n è uno stimatore di µ. È uno stimatore
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE TEORIA DELLE CODE Teoria delle code Obiettivo Avere uno strumento analitico per determinare le condizioni di funzionamento di una rete in termini prestazionali La teoria delle
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Serie storiche (verso fpca) La tecnica chiamata fpca (functional PCA) esamina serie storiche utilizzando paradigmi propri di PCA. E utile premettere un po di
DettagliLaboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo
Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica
DettagliIntroduzione al package ARENA
Introduzione al package ARENA Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.2 - Marzo 2003 ARENA Applicazione Windows che permette di creare modelli ed eseguire simulazioni del
DettagliLaboratori di FONDAMENTI DI RETI DI TELECOMUNICAZIONI
Politecnico di Milano Sede di Cremona A.A. 2007/08 Laboratori di FONDAMENTI DI RETI DI TELECOMUNICAZIONI Fabio Zeri (gundam@metarete.it) Slide 1 Multiplazione Permette la condivisione di un mezzo trasmissivo
DettagliCorso di FONDAMENTI DI RETI DI TELECOMUNICAZIONI. Martino De Marco
Politecnico di Milano Sede di Cremona A.A. 2004/05 Corso di FONDAMENTI DI RETI DI TELECOMUNICAZIONI Martino De Marco (demarco@cremona cremona.polimi.it) ESERCITAZIONE VALUTAZIONE DELLE PRESTAZIONI Slide
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliEsercitazione del 30/05/2018 Istituzioni di Calcolo delle Probabilità
Esercitazione del /5/8 Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Somma di variabili aleatorie indipendenti. Caso discreto. Siano X e Y due variabili aletaroie discrete
DettagliLa simulazione è l'imitazione di un processo o di un sistema reale per un
1 2 La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo di tempo. La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliGenerazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliVariabili aleatorie continue: la normale. Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia
Variabili aleatorie continue: la normale Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia 2015-16 1 / 40 Distinzione Le variabili aleatorie possono essere 1 discrete 2 continue 2
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 26 Giugno 2018 Scritto del 26-6 -18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliIntroduzione alla simulazione
Introduzione alla simulazione emiliano.casalicchio@uniroma2.it http://www.uniroma2.it/didattica/mmi I fondamenti (1) Per studiare scientificamente un Sistema è spesso necessario fare delle assunzioni semplificative
DettagliPROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati
PROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati 1. - Un urna contiene 2 palline bianche e 28 nere; da essa vengono
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliEsercitazioni di Sistemi di commutazione LS
Esercitazioni di Sistemi di commutazione LS Ing. ichele Savi DEIS - Universita di Bologna msavi@deis.unibo.it Analisi di architetture di commutazione Valutazione delle prestazioni di architetture di commutazione:
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE PRINCIPI GENERALI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Simulazione a eventi discreti Una simulazione a eventi
DettagliINTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 2 Concetti di base
INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte Concetti di base Pagina CONCETTI STATISTICI DI PARTENZA - DESCRITTORI DI UNA VARIABILE RANDOM - GRAFICI UTILI - DISTRIBUZIONI
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliSIMULAZIONE DI SISTEMI CASUALI 2 parte. Processi stocastici e teoria delle code. Processi stocastici
SIMULAZIONE DI SISTEMI CASUALI 2 parte Processi stocastici e teoria delle code Processi stocastici Generalità La distribuzione di Poisson (degli eventi rari) è caratterizzata dall avere una funzione di
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliEsercitazioni di Sistemi di commutazione LS. Analisi di architetture di commutazione
Esercitazioni di Sistemi di commutazione LS Ing. ichele Savi DEIS - Universita di Bologna michele.savi@unibo.it Analisi di architetture di commutazione Valutazione delle prestazioni di architetture di
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
Dettaglixn+1 distribuzione qualsiasi;
Numeri pseudocasuali Il periodo deve essere il più lungo possibile; la distribuzione deve essere uniforme in [0, 1] p(x)=costante in [0, 1]; le correlazioni devono essere trascurabili xn+1 x n xn+1 xn
DettagliL assegnazione è coerente? SÌ NO. A e B sono stocasticamente indipendenti? SÌ NO
CALCOLO DELLE PROBABILITÀ - gennaio 00 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati Nuovo Ordinamento esercizi -4. Vecchio Ordinamento esercizi -6..
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliCALCOLO DELLE PROBABILITÀ - 9 giugno 1998 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ - 9 giugno 1998 1. Dati gli eventi A,B,C, ognuno dei quali implica il successivo, e tali che P (A) è metà della probabilità di B, che a sua volta ha probabilità metà di quella
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliNUMERI CASUALI E SIMULAZIONE
NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI Usati in: statistica programmi di simulazione... Strumenti: - tabelle di numeri casuali - generatori hardware - generatori software DESCRIZIONE DEL PROBLEMA
Dettagli