modelovanje-predavanje 9 - novoelektron.tmf.bg.ac.rs/mod/predavanja/modelovanje-predavanje 9.pdfõ x...
TRANSCRIPT
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 1
MODELOVANJE I SIMULACIJA PROCESA
9. Stohastički pristup u modelovanju; modeli
raspodela verovatnoće
http://elektron.tmf.bg.ac.rs/modProf. dr Nikola Nikačević
OSNOVE STOHASTIČKOG PRISTUPA
• Koristi se za opisivanje sistema u kome se veličine u sistemu menjaju nepredvidljivo, odnosno slučajno.
• Procesi u kojima se veličine na izlazu i/ili posle određenog vremena ne mogu jednoznačno odrediti na osnovu stanja sistema na ulazu ili u predhodnom (početnom) trenutku.
• Često sistemi / procesi imaju složenu (unutrašnju)strukturu koja se ne može analitički (deterministički) opisati koriste se stohastički modeli.
• Stohastički modeli predviđaju ishod slučajnih procesa, ali sa izvesnom neodređenošću, koja se opisuje raspodelom verovatnoće zasnovani na teoriji i zakonitostima verovatnoće.
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 2
PRIMERI SLUČAJNIH PROCESA –NIVOI OPISA
• Mikroskopski – rast kristala, oblik i rast prskotine u materijalu, rast ćelija u tkivu, emisija elektrona sa katode, kretanje i sudari molekula gasa, šum izmerene veličine
• Mezoskopski – raspodela vremena zadržavanja elemenata fluida u sudu, kretanje čestica pri transportu, raspored čestica pakovanja pri nasipanju u kolonu, deaktivacija katalizatora
• Makroskopski – vreme rada uređaja do kvara, vreme remonta, broj defektnih proizvoda
• Megaskopski – uticaji klimatskih promena, broj dana u sezoni sa temperaturom manje od prosečne, procene rizika od pandemije
SLUČAJNA VELIČINA I STOHASTIČKI PROCESI
• Slučajna veličina (X) – ako se pri ponovljenim merenjima najčešće dobijaju različite vrednosti date veličine.
• Familija vremenskih funkcija slučajnih veličina 1(t), 2(t), 3(t),... predstavlja stohastički proces.
• Osnovne karakteristike stohastičkih veličina i procesa su:– Kumulativna raspodela verovatnoće– Gustina raspodele verovatnoće– Srednja vrednost – Varijansa (disperzija)– Autokorelaciona funkcija i uzajamna korelaciona funkcija – Stacionarnost i ergodičnost
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 3
KONTINUALNE I DISKRETNE FUNKCIJE
• Kontinualna – funkcija kontinualne promenjive može uzeti bilo koju vrednost unutar inervala
• Primeri: brzina kretanja čestice, temperaturni profil u reaktoru, gustina smeše,...
• Diskretna – funkcija dis-kretne promenjive može uzeti samo jednu različitu vrednost u intervalu / polju.
• Primeri: dnevne temperature u mesecu, uzorci fluida za merenje koncentracije,...
-8 -6 -4 -2 0 2 4 6 8
0
20
40
60
80
x
Kontinualna funkcija
y(x)
0 0.5 1 1.5 2 2.5 3 3.5 4-0.2
0
0.2
0.4
0.6
xy
[x]
Diskretna funkcija
KUMULATIVNA I GUSTINA RASPODELE VEROVATNOĆE
),()( txPxtXP
• Kumulativna raspodela verovatnoće slučajne X(t) :
• Svojstva kumulativne rasp.:1.
2.
3.
• Gustina raspodele vero-vatnoće veličine X(t) :
• Svojstvo gustine raspodele:1)(0 xP
1)(lim,0)(lim
xPxPxx
)()( 1221 xPxPxXxP
x
txPtxp
),(
),(
x
dxtxptxP ),(),(
1),( dxtxp
p(x)
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 4
PRIMER 1 – FUNKCIJE RASPODELE ZARAŽENIH U EPIDEMIJI VIRUSA
1. Broj ukupno potvrđenih slučajeva COVID-19 od 22.1 do 16.4.2020 u Kini (plava), Italiji (crvena) i Španiji (zelena)
Kumulativna raspodela
• U Kini je oko 1.3. dostignut plato (S kriva), kada u Italiji, a zatim i u Španiji počinje da raste broj slučajeva, i do 16.4 se ne stabilizuje.
• Ukupan (kumulativni) broj slučajeva je mnogostuko veći u Italiji i Španiji
PRIMER 1 – FUNKCIJE RASPODELE ZARAŽENIH U EPIDEMIJI VIRUSA
2. Broj dnevno potvrđenih slučajeva COVID-19 od 22.1 do 16.4.2020 u Kini (plava), Italiji (crvena) i Španiji (zelena)
Gustina raspodele
• U Kini je uža raspodela broja slučajeva, uz jedan veći pik
• U Italiji i Španiji je primetno smanjenje dnevno zaraženih, ali do 16.4 nije pri kraju.
• Striktne mere karantina i (samo)discipline u Kini su rezultovale u kraćem trajanju epidemije, i manjem broju zaraženih
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 5
SREDNJA VREDNOST I VARIJANSA• Srednja vrednost (SV)
slučajne veličine – mate-matičko očekivanje ():
• SV definiše položaj centra slučajne veličine
• SV stohastičkog procesa:
• Svojstvo aditivnosti SV:
• Varijansa (VAR) slučajne veličine – rasipanje, disper-zija oko srednje vrednosti:
• Dve slučajne veličine (pro-cesa) mogu da imaju istu SV a različitu VAR i obrnuto
• VAR stohastičkog procesa:
( ) ( ) ( , )X t X t x p x t dx
22
2 2
2 2
( ) ( ) ( ) var ( )
( ) 2 ( ) ( ) ( )
( ) ( )
X X
X X
X
t X t t X t
X t X t t t
X t t
( ) ( )t t
( ) ( ) ( )Z X YZ X Y t t t 22( ) ( ) ( ) var ( )Xt t t t
PRIMER 2 – SREDNJA VREDNOST I VARIJANSA ZA REZULTATE ISPITA
2. Na ispitu iz predmeta Modelovanje i simulacija procesa raspored broja studenata po intervalu osvojenih poena je:
Izračunati srednju vrednost i disperziju za ove rezultate.Srednja vrednost poena:
Varijansa:
Poena (xi) 50-60 60-70 70-80 80-90 90-100
Br. stud. (pi) 4 8 11 7 5 35
50 60 70 80 90 1000
2
4
6
8
10
12
Poena na testu
Bro
j stu
dena
ta �̅� =1
𝑁𝑥 ⋅ 𝑝 ≈ 75.3
𝜎 =1
𝑁𝑥 ⋅ (𝑝 − �̅�) =
=1
𝑁𝑥 ⋅ (𝑝 − �̅� ) = 145.6
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 6
MOMENTI• Moment p(x) funkcije
(gustine raspodele):
pa je: Nulti moment = 1
Prvi moment = sr. vred.
• Centralni moment:
pa je drugi centralni momenat = varijansa
gde je:
2 – varijansa (disperezija)
𝜇 = 𝑥 ⋅ 𝑝(𝑥)𝑑𝑥
𝜇 = 𝜇 − 𝜇 = 𝜇 − �̅� = 𝜎𝜇 = 𝑝 𝑥 𝑑𝑥 = 1
𝜇 = 𝑥 𝑝 𝑥 𝑑𝑥 = �̅�
𝜇 = (𝑥 − 𝜇 ) 𝑝 𝑥 𝑑𝑥
𝜇 = 𝑥 𝑝 𝑥 𝑑𝑥
AUTOKORELACIONA I UZAJAMNA KORELACIONA FUNKCIJA
• Autokorelaciona funkcija (AKF) – zavisnost X(t) u vremenu t1 od vrednosti u drugom vremenu t2:
• AKF pokazuje da li se X(t)menja brzo ili sporo.
• AKF za stohastički proces:
• Uzajamna korelaciona funkcija (UKF) – zavisnost jedne slučajne veličine X(t)od drugeY(t) :
• UKF pokazuje koliko su dve stohas. funkcije zavisne.
• UKF za stohastički proces:
1 2 1 2
1 2 1 2 1 2 1 2
( , ) ( ) ( )
( , ; , )
XXr t t X t X t
x x p x x t t dx dx
1 2 1 2 2 1
1 2
( , ) ( ) ( ) ( , )
( , ; , )
XY YXr t t X t Y t r t t
x y p x y t t dxdy
1 2 1 2( , ) ( ) ( )r t t t t ( ) ( ) ( )r t t t
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 7
STACIONARNOST I ERGODIČNOST STOHASTIČKIH PROCESA
• Stohastički proces je sta-cionaran ako su raspodele verovatnoće identične:
• Stacionarnost u širem smislu (slaba stac.) ako:– ne zavisi od t,– 2 ne zavisi od t,– r() r () su funkcije jedne
promenjive – dužine vremenskog intervala.
• Stacionaran stoh. proces je ergodičan ako prosečne vrednosti dobijene na osno-vu jednog niza opažanja mogu da se smatraju aproksimacijama prosečnih vrednosti procesa u celini.
svaka realizacija ili uzorak nosi tipične, zajedničke osobine za ceo proces.
i 2 procesa se mogu odrediti na osnovu jednog uzorka.
tnt
n
n
TtttiTtsvakoza
tttP
tttP
,...,,,0
)(),...,(),(
)(),...,(),(
21
21
21
OSNOVI POJMOVI MOLEKULSKE / STATISTIČKE TERMODINAMIKE - 1
• Mikroskopski opis termodinamičkih sistemapomoću teorije verovatnoće.
• Molekulska interpretacija termodinamičkih veliči-na: rada, toplote, slobodne energije i entropije.
• Cilj je da se merljive makroskopske veličine interpretiraju pomoću karakteristika konstitu-tivnih entiteta i interakcija između njih povezivanje termodinamičkih funkcija sa kvantno-mehaničkim jednačinama.
• Osnovni problem: raspodela određene količine energije na N identičnih podsistema - Boltzmann
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 8
OSNOVI POJMOVI MOLEKULSKE / STATISTIČKE TERMODINAMIKE - 2
• Boltzmann-ova raspodela za udeo entiteta Ni /Nkoji u setu stanja i poseduju odgovarajuću energiju Ei glasi:
gde je kB Boltzmann-ova konstanta, gi broj stanja sa energijom Ei (degeneracija) , a Z particiona funkcija:
)(
)(
TZ
eg
N
N TkEii
Bi
i
iNN
i
TkEi
BiegTZ )()(
MARKOV-LJEV LANAC• Markov-ljev lanac – stanje slučajne veličine (ili procesa) u
budućem vremenu zavisi samo od stanja u sadašnjem vremenu, a ne od stanja u prošlim vremenima:
• Markovljev lanac diskretna stanja, ako su kontinualne promenjive Markov-ljev proces.
• Pri svakom koraku, sistem može da se promeni u novo stanje ili da ostane u trenutnom stanju, po određenoj raspodeli verovatnoće – verovantnoća tranzicije.
1 1 1 1 1 1| , ,..., |n n n n n n n nP X x X x X x X x P X x X x
U primeru su data 3 stanja a, B, C i verovatnoće (P) prelaska iz jednog u dugo stanje (na vektorima i matrično)
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 9
MARKOV-LJEV LANAC – SLUČAJNO KRETANJE
• Primer Markov-ljevog lanca: slučajno kretanje (random walk) u jednom tranzicionom koraku verovatnoća kretanja od datog elementa ka bilo kom susednom elementu je jednaka, bez obzira na istoriju kretanja.
• Primene modela slučajnog kretanja:– U fizici: Brown-ovo kretanje, kretanje molekula u
gasu ili tečnosti, agregacija čestica,... – U hemiji: opis polimernog lanca,...
3D model 2D
- U biologiji: kretanje populacije životinja, genetička varijabilnost,...
- U informatičkim tehnologijama: procena veličine interneta,...
- U ekonomiji: modelovanje cena deonica,...
MODELOVANJE DISKRETNIH RASPODELA – 1
• Binomna raspodela – koristi se kod uzimanja uzoraka u eksperimentima, provere obrazaca, i dr...
• Uslovi: a) postoji utvrđen broj ishoda – n, b) ishod je ili povoljan ili nepovoljan, c) verovatnoća povoljnog ispoda p, a nepovoljnog (1-p), d) eksperimenti nezavisni.
Funk. raspodele ver. Srednja vrednost Varijansa
• Poisson-ova raspodela – kod radioaktivnog raspada, procesa čekanja i dolazaka, komunikacionih mreža i dr.
• Uslovi: dogadjaji nezavisni i retki.Funk. raspodele ver. Srednja vrednost Varijansa
x np 2 (1 )X np p
x np 2X np nxe
x
npxP np
x
,...,1,0,!
)()(
xnx ppx
nxP
)1()(
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 10
PRIMER 3 – VEROVATNOĆA POJAVE NEISPRAVNOG PROIZVODA
3. Izveštaji iz fabrike pokazuju da se na svakih 10000 proizvoda javlja 25 neispravnih. Kolika je verovatnoća da će 1000 proizvoda sadržati najviše 3 defektna?
Rešenje: U pitanju je diskretna raspodela. Pošto je frekvencija pojavljivanja neispravnih proizvoda mala, možemo koristiti Poisson-ovu raspodelu:
Verovatnoća pojave defekta:
Broj ishoda: ;
Ukupna verovatnoća za tri neispravna proizvoda jednaka je zbiru verovatnoća:
Koristeći Poisson-ovu raspodelu dobija se:
nxex
npxP np
x
,...,1,0,!
)()( 0025.010000/25 p
1000n
)3()2()1()0()( xPxPxPxPxP
758.0!3
5.2
!2
5.2
!1
5.2
!0
5.2 32105.2
eP
5.2 pn
MODELOVANJE DISKRETNIH RASPODELA – 2
• Polinomna raspodela – koristi se kod uzimanja uzorka, opšta binomna raspodela.
• Verovatnoća prvog ishoda x1 je p1, verovatnoća drugog ishoda x2 je p2 itd., pri čemu je p1+p2+...+pk=1.
• Uslov: svaki eksperiment nezavisan, verovatnoća svakog ishoda konstantna i predstavlja broj kombinacija c(n,x).
Funk. raspodele verov. Srednja vrednost Varijansa
• Hipergeometrijska raspodela – kod uzimanja probe bez povraćaja detekcija defektnog uzorka.
1 21 2
1 2
!( , ,..., )
! ! !nxx x
n nn
nP x x x p p p
x x x
x inp 2 (1 )X i inp p
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 11
MODELOVANJE KONTINUALNIH RASPODELA – 1
• Normalna (Gauss-ova) raspodela– koristi se često, za mnoge procese.Gustina normalne raspodele verovatnoće
• Ako se uvede smena za normiranu veličinu u :Gustina normirane raspodele Kumulativna normirane rasp.
Srednja vrednost normirane ras. Varijansa normirane rasp.
21 ( )( ) exp
22x
xx x
xp x
( ) /x xu x
21( ) exp
22
up u
21( ) exp
22
u uP u du
( ) 0u up u du
2 2var( ) ( ) ( ) 1uu u u p u du
MODELOVANJE KONTINUALNIH RASPODELA – 2
• Kumulativna funkcija normirane normalne raspodele P(u) se može dobiti numeričkom integracijom, rešavanjem tzv. Laplace-ove funkcije, odnosno integrala:
rešenja ovog integrala za x>0 se mogu naći u tablicama, dok za x<0 važi (-x)=-(x), jer je neparna f-ja.
• Shodno pravilu 3 za kumulativnu raspodelu (slajd 6), verovatnoća za slučajnu promenjivu x, sa srednjom vrednošću x i varijansom x , u intervalu a<x<b je:
Φ(𝑥) =1
2𝜋𝑒 𝑑𝑢
x
x
x
x
x
x
x
x
x
x abbxaPbxaP
9. STOHASTIČKI PRISTUP U MODELOVANJU
MODELOVANJE I SIMULACIJA PROCESA 12
PRIMER 4 – NORMALNA RASPODELA GREŠKE MERENJA GUSTINE SMEŠE
4. Za određivanje gustine trokomponentne smeše izveden je veliki broj eksperimenata. Utvrđeno je da se greška merenja (slučajna veličina - x) može prikazati pomoću normalne raspodele, a da je srednja vrednost greške 5 promila, a varijansa 1. Kolika je verovatnoća da će greška imati vrednost u intervalu od 4 do 7?
Rešenje: Primenom predhodne jednačine, za x=5 i x=1, dobija se:
Pri rešavanju se koristi svojstvo neparnosti Laplace-ove funkcije –(-x)=-(x). Rešenje je dobijeno pomoću tablica za (2) i (1).
8185.03413.04772.0)1()2(
)1()2(1
54
1
5774
xP
MODELOVANJE KONTINUALNIH RASPODELA – 3
• Logaritamska normalna raspodela – koristi se kod modelovanja raspodele veličina čestica (kondenzacija, aerosoli, granulometrija i dr.)
• Primenjuje se kada nekoliko nezavisnih faktora utiče na ishod dogadjaja.Gustina logaritamske normalne raspodele verovatnoće
gde je
Srednja vrednost Varijansa
• Druge raspodele: gama, eksponecijalna, beta, Hi-kvadrat.
1 (ln )( ) exp
22
xp x
x
0ln
xx
2
0var ln x
2exp / 2x 2 2exp(2 ) exp( ) 1x