Teoria. Tilastotietojen keruu

Samankaltaiset tiedostot
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio

11. Simulointi. Sisältö. Mitä simulointi on? Tiedote

AB TEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU

S Liikenneteorian perusteet K Simulointi. lect8.ppt Simulointi. Sisältö

Osa 2: Otokset, otosjakaumat ja estimointi

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Tilastollisen analyysin perusteet, kevät 2007

8. laskuharjoituskierros, vko 11, ratkaisut

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

11. Simulointi luento11.ppt S Liikenneteorian perusteet Kevät

S Laskennallinen systeemibiologia

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1

Osa 2: Otokset, otosjakaumat ja estimointi

Tilastolliset luottamusvälit

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1

Batch means -menetelmä

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

Otantajakauman käyttö päättelyssä

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Tilastollisen analyysin perusteet, kevät 2007

Yhden selittäjän lineaarinen regressiomalli

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

6.1 Riippumattomat satunnaismuuttujat

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

Tilastollinen todennäköisyys

4.3 Signaalin autokorrelaatio

Harjoitukset 1 : Tilastokertaus

Aritmeettinen jono

Luento 6 Luotettavuus Koherentit järjestelmät

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio)

Mat Sovellettu todennäköisyyslasku A

n = 100 x = %:n luottamusväli µ:lle Vastaus:

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Luento 7 Luotettavuus Koherentit järjestelmät

Tilastolliset menetelmät: Tilastolliset testit

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489

Mat Sovellettu todennäköisyyslasku A

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan

4. Todennäköisyyslaskennan kertausta

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

2-suuntainen vaihtoehtoinen hypoteesi

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

Tunnuslukuja 27 III TUNNUSLUKUJA

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

4.7 Todennäköisyysjakaumia

2-suuntainen vaihtoehtoinen hypoteesi

Matematiikan tukikurssi

****************************************************************** ****************************************************************** 7 Esim.

tilavuudessa dr dk hetkellä t olevien elektronien

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Mat Tilastollisen analyysin perusteet, kevät 2007

Tilastollinen aineisto Luottamusväli

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen

10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Matematiikan tukikurssi

Kertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Diskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =

Yhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli

Parametrien oppiminen

Tehtäviä neliöiden ei-negatiivisuudesta

Tilastolliset menetelmät: Varianssianalyysi

Markov-ketjun hetkittäinen käyttäytyminen

811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

Väliestimointi. Väliestimointi. Väliestimointi: Mitä opimme? 2/3. Väliestimointi: Mitä opimme? 1/3. Väliestimointi: Mitä opimme?

BM20A Integraalimuunnokset Harjoitus 8

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

EX1 EX 2 EX =

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia

Sovellettu todennäköisyyslaskenta B

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

3.2 Sijaintiluvut. MAB5: Tunnusluvut

Valvontakortit. Sovelletun Matematiikan Erikoistyö. Pastinen Tommi

Markov-ketjun hetkittäinen käyttäytyminen

3 Lukujonot matemaattisena mallina

Harjoitustehtävien ratkaisuja

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Esimerkki 2 (Kaupparatsuongelma eli TSP)

Transkriptio:

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi Trasiettie tilateide simuloiti ja tasapaiotilatee simuloiti Tilastollie aalyysi ja luottamusvälit Variassireduktiotekiikoista 8/09/2006 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Tilastotietoje keruu Johdaossa otettii lähtökohdaksi, että simuloii tavoitteea o tarkasteltava järjestelmä suorituskyvy arvioiti. Simuloimalla siis pyritää arvioimaa joki suorituskykyy liittyvä parametri arvo α Tämä parametri voi liittyä joko järjestelmä trasiettii käyttäytymisee esim. 25 esimmäise asiakkaa kokema keskimääräie odotusaika M/M/-joossa tietyllä kuormalla, ku oletetaa, että systeemi o alussa tyhjä tai sitte s. tasapaiotilaa (steady-state) esim. asiakkaa keskimääräie odotusaika M/M/-joossa tietyllä kuormalla Ko. suorituskykyparametri voi toisaalta kuvata tilaetta järjestelmä asiakkaide kaalta (diskreetisti) esim. Saapuva asiakkaa keskimääri äkemä joopituus M/M/-joossa tietyllä kuormalla tai sitte systeemi kaalta (jatkuvasti) esim. keskimääräie joopituus M/M/-joossa tietyllä kuormalla Joka tapauksessa yksittäie simuloitiajo tuottaa yhde havaio, joka jollaki lailla kuvaa arvioitavaa parametria Tilastolliste päätelmie tekemiseksi tarvitsemme useita havaitoja (mielellää riippumattomia ja samoi jakautueita) 8/09/2006 2

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasiettie piirteide simuloiti () Jos kyseessä o asiakkaide kokemaa palvelu laatuu liittyvä parametri yksittäie simuloiti päättyy, ku o saatu tietty määrä asiakkaita käsiteltyä esim. oltaessa kiiostueita k: esimmäise asiakkaa odotusajasta M/M/-joossa, simuloitia jatketaa, kues viimeieki äistä k asiakkasta o saapuut ja päässyt palveluu Yksittäisestä simuloiista saatava havaito o tässä tapauksessa äide k: asiakkaa odotusaikoje W i keskiarvo ko. simuloiissa: = k k ÿ i = W keskeise raja-arvolausee perusteella ko. keskiarvoa voidaa pitää aiaki likimai ormaalijakaumaa oudattavaa (sitä paremmi, mitä eemmä havaitoja) Tilastolliste päätelmie tekemiseksi tarvitsemme riippumattomia ja samoi jakautueita havaitoja. Näitä saadaa tekemällä useita samalaisia mutta toisistaa riippumattomia simuloitiajoja (toisistaa riippumattomilla satuaisluvuilla) i 8/09/2006 3 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasiettie piirteide simuloiti (2) Jos taas kyseessä o systeemi suorituskykyy liittyvä suure, jota seurataa jatkuvasti, yksittäie simuloiti päättyy ealta määrätyllä ajahetkellä T esim. oltaessa kiiostueita keskimääräisestä joopituudesta aikavälillä [0,T], (tapahtumapohjaista) simuloitia jatketaa esimmäisee hetke T jälkee tapahtuvaa tapahtumaa asti Yksittäisestä simuloiista saatava havaito o tässä tapauksessa joopituude L(t) aikakeskiarvo yli väli [0,T] = T T ÿ 0 L( t) dt koska joopituus ei muutu tapahtumie välillä, ko. itegraali o helposti laskettavissa elikulmioide summaa (huomaa viimeise tapahtumaväli erityiskäsittely) Tilastolliste päätelmie tekemiseksi tarvitsemme riippumattomia ja samoi jakautueita havaitoja. Näitä saadaa tekemällä useita samalaisia mutta toisistaa riippumattomia simuloitiajoja (toisistaa riippumattomilla satuaisluvuilla) 8/09/2006 4

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Tasapaiotilaa liittyvie piirteide simuloiti () Tilastotietoje keruu yksittäisestä simuloiista tapahtuu periaatteessa samalla tavalla kui trasietteja piirteitä simuloitaessa. Simuloii alussa o kuiteki s. lämmittelyvaihe (ee kui systeemi o likimai tasapaiossa), joka o jätettävä pois kerättävästä datasta. Simuloititoistoje tuottamiseksi o tässä tapauksessa aiaki kolme eri tapaa: riippumattomat toistot s. batch meas -meetelmä regeeratiivie meetelmä 8/09/2006 5 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Tasapaiotilaa liittyvie piirteide simuloiti (2) Riippumattomie toistoje meetelmässä tilastotietoje keruu aloitetaa vasta lämmittelyvaihee jälkee. oma ogelmasa o, mite pitkäksi lämmittelyvaihe pitäisi tehdä Batch meas -meetelmässä tehdää yksi pitkä simuloitiajo, joka (keiotekoisesti) jaetaa osii, joita tietoje keruu kaalta käsitellää omia simuloitiajoiaa. tarvitaa vai yksi lämmittelyvaihe, mutta havaiot eivät ole eää täysi riippumattomia Regeeratiivisessa meetelmässä vaaditaa, että simuloitava prosessi o regeeroituva. Tällöi kuiteki saadaa riippumattomia ja samoi jakautueita havaitoja peräkkäisiltä regeeroitumisjaksoilta. ogelmaa o, että jaksoje pituudet voivat satuaisesti kasvaa hyviki pitkiksi esim. G/G/-joo regeeroituu aia uude asiakkaa saapuessa tyhjää systeemii kaikki Markov-prosessit ovat regeeroituvia 8/09/2006 6

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto Yleesä ollaa kiiostueita simuloitava järjestelmä tasapaiotilaa liittyvistä suureista Tällöi simuloii alkuvaihetta, trasiettia, ei tulisi sisällyttää tuloste keruusee Tasapaio o saavutettu silloi, ku systeemi alkutila o uohtuut sillä, mikä alkutila tarkkaaottae oli, ei ole eää vaikutusta ykyise tila jakaumassa Trasieti poistoo käytetää seuraavia meetelmiä pitkä ajo sopiva iitialisoiti alkudata hylkäys batch meas regeeratiivie simuloiti 8/09/2006 7 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto (jatkoa) Pitkä ajo karkea meetelmä jos ajo o kylli pitkä, alkutrasieti vaikutus hukkuu muu data joukossa vaaditaa hyvi pitkiä ajoja -- hukkaa resursseja vaikea tietää, mikä o riittävä pitkä Sopiva iitialisoiti se sijaa, että aloitetaa simuloiti keiotekoisesta alkutilasta (esim. joot tyhjiä), käyistetää systeemi tilasta, joka o lähempää tasapaioa aetaa eri suureille alkuarvoiksi pitkä aikaväli keskiarvot ämä voidaa likimai tutea aikaisempie simuloitie tai aalyyttiste tarkasteluje perusteella tämä vähetää alkutrasieti vaikutusta, muttei poista sitä jos tilamuuttujie tasapaiojakaumat tuetaa, alkutrasietti voidaa kokoaa poistaa arpomalla muuttujie arvot kyseisistä jakaumista erillie arvota jokaisessa toistossa useimmite jakautumia ei kuitekaa tueta 8/09/2006 8

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto (jatkoa) Alkudata hylkäys suoraviivaie meetelmä suoritetaa alkulämmittely ja kerätää varsiaie data vasta tämä jälkee ogelma: kuika pitkä trasietti o? a) joissaki tapauksissa se tiedetää esimerkiksi tavallisessa häviöjärjestelmässä relaksaatioaika o sama kui yhteyde (puhelu) keskimääräie pitoaika karsittava osuus o tällöi * pitoaika, missä o luokkaa 3...0 alkuarvoje vaikutus o tällöi vähetyyt tekijällä e -0 0 -.3-4.3 b) yleesä relaksaatioaikaa ei tueta tällöi voidaa ojautua kokeiluu toistetuissa simuloieissa kaikista ajoista karsitaa pois samapituie osuus aetaa tämä pituude kasvaa 0:sta ylöspäi ja piirretää mitatu suuree (keski)arvo muulta jaksolta karsitu jakso pituude fuktioa ku keskiarvo ei eää muutu karsitu jakso pituutta kasvatettaessa, o trasietti karsittu pois 8/09/2006 9 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto (jatkoa) c) Keskiarvo liukuvassa ikkuassa tämä o toie kokeellie meetelmä trasieti kesto määräämiseksi toistetussa simuloiissa kustaki ajosta tuloksee kerätää vai tiettyy (suhteellise lyhyee) ikkuaa osuva pätkä realisaatiosta lasketaa halutu suuree arvo ikkua sijaii fuktioa keskiarvoistetaa toistoje yli vaihteluide vähetämiseksi (lyhye ikkua sisältä statistiikkaa kertyy vähä ja vaihtelut ovat suuria) sijaii fuktioa tarkasteltua suure yleesä muuttuu alussa ja sitte vakioituu ku vakiovaiheesee o päästy, trasietti o ohitettu usei trasietti o melko lyhyt ja o helppo toimia varma päälle: poistettava jakso voidaa valita vaikkapa kaksikertaiseksi kokeellisesti määrättyy trasieti kestoo ähde 8/09/2006 0

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti kesto arvioiti liukuva ikkua meetelmällä Pyritää saamaa käsitys havaittava suuree hetkellise arvo odotusarvo käyttäytymisestä aja fuktioa Odotusarvo määrätää toistokokeide keskiarvoa t t+ t Vaihteluide vähetämiseksi korvataa hetkellie arvo kussaki ajossa liukuva ikkua sisällä lasketulla keskiarvolla t Liukuva ikkua sijaii fuktioa piirretystä käyrästä voidaa arvioida, milloi trasietti loppuu trasietti 8/09/2006 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Simuloii päättämie Simuloii lopetusehdo täyttyessä suoritetaa simuloii päättämie Keskeeräiste asioide käsittelyssä o oltava huolellie Tarkasteltaessa asiakkaa äkökulmaa liittyvää s. tapahtumapohjaista suuretta tarjottuje kutsuje kokema esto, ylivuotavie pakettie osuus je o otettava huomioo vai e tapahtumat, jotka o käsitelty loppuu esim. keskimääräie odotusaika = (iide asiakkaide odotusaikoje summa, joide odotus o loppuut, ts. jotka ovat päässeet palveluu) / (iide asiakkaide lukumäärä, joide odotus o loppuut) Tarkasteltaessa systeemi äkökulmaa liittyvää (aikapohjaista) suuretta joopituus L, aikaosuus joka systeemi o estotilassa je o keskiarvo lasketa ulotettava simuloitijakso T loppuu asti esim. keskimääräie joopituus = T T ÿ o L( t) dt tavallisesti itegraalia kerätää vähetämällä saapumishetkellä saapumisaika ja lisäämällä poistumishetkellä poistumisaika eriksee o huomioitava myös e asiakkaat, jotka ovat sisällä simuloii loppuessa; käsitellää e ikää kui hetkellä T poistuvia asiakkaia 8/09/2006 2

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Joopituude aikaitegraali laskemie t t 2 Joopituude L(t) aikaitegraali muodostuu yksittäiste asiakkaide joossa viettämistä ajoista Yhde asiakkaa joossa viettämä aika o lähtöaja t 2 ja tuloaja t erotus t 2 -t L(t): itegraalia voidaa kerätä vähetämällä itegraali arvosta t asiakkaa tullessa jooo lisäämällä siihe arvo t 2 asiakkaa poistuessa joosta L(t) Simuloii päättyessä hetkellä T, itegraali tulee kerätyksi oikealta ajalta, jos loppuhetkellä sisällä olevie asiakkaide katsotaa poistuva järjestelmästä hetkellä T 0 T 8/09/2006 3 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi Trasiettie tilateide simuloiti ja tasapaiotilatee simuloiti Tilastollie aalyysi ja luottamusvälit Variassireduktiotekiikoista 8/09/2006 4

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Parametrie estimoiti Kute edellisessä kohdassa todettii, simuloiilla pyritää arvioimaa joki suorituskykyy liittyvä parametri arvo α (esim. asiakkaide keskimääräie systeemissäoloaika tai keskimääräie joopituus M/M/-joossa) Yksittäie simuloiti tuottaa kyseisestä parametrista havaio i,jokasiiso satuaismuuttuja. Havaitoa i saotaa harhattomaksi, jose[ i ]=α. Oletetaa, että olemme saaeet simuloimalla kpl riippumattomia ja samoi jakautueita (i.i.d.) havaitoja. Tällöi iide keskiarvo = ÿ i i= o parametri α harhato ja tarketuva estimaattori, sillä ÿ i i= 2 2 2 2 ÿ i i= E[ ] = E[ ] = α D [ ] = D [ ] = D [ ] = 0 8/09/2006 5 2 σ S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Esimerkki Pyrimme arvioimaa simuloimalla 25: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa kuormalla ρ = 0.9, ku systeemi hetkellä 0 o tyhjä. Teoreettie arvo: α = 2.24 Kymmee simuloitiajoa ovat tuottaeet seuraavat havaiot i (so. keskimääräiset odotusajat kyseisissä simuloieissa):.05, 6.438, 2.646, 0.805,.505, 0.546, 2.28, 2.822, 0.44 ja.307 Näide keskiarvo = ÿ i i= = 0 (.05+ 6.438+ ÿ+.307) =.982 o simuloitikokee atama (25: esimmäise asiakkaa) keskimääräise odotusaja estimaatti. 8/09/2006 6

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Estimaattori luottamusväli () Edellä o todettu, että simuloitikokeissa saadut havaiot i ovat aiaki likimai ormaalijakautueita Jos simuloitikokee atamat havaiot i oudattaisivat tarkasti ormaalijakaumaa N(α,σ 2 ) ja yksittäise havaio variassi σ 2 =D 2 [] tuettaisii, oudattaisi : toisto keskiarvo ormaalijakaumaa N(α,σ 2 /). Tästä saadaa piste-estimaattoria käytety havaitoje keskiarvo luottamusväliksi (luottamustasolla - β): ± z β / 2 σ missä kerroi z p tarkoittaa stadardi ormaalijakauma N(0,) p-fraktiilia, ts. P{Z z p }=p,missäz~n(0,) Tulkita: estimoitava parametri α o t:llä - β kyseisellä välillä. Esimerkiksi 95%: luottamustasoa vastaa kerroi z 0.975.960 8/09/2006 7 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Estimaattori luottamusväli (2) Yleesä emme kuitekaa tue yksittäise havaio variassia σ 2 =D 2 []. Sitä voidaa kuiteki puolestaa estimoida s. otosvariassilla S 2 = ÿ( i ) i= joka o (riippumattomie ja samoi jakautueide havaitoje tapauksessa) variassi harhato estimaattori. Otoshajota o otosvariassi eliöjuuri: 2 S = S 2 8/09/2006 8

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Estimaattori luottamusväli (3) Jos simuloitikokee atamat havaiot i oudattaisivat tarkasti ormaalijakaumaa N(α,σ 2 ), oudattaisi otoshajoalla sopivasti ormeerattu otoskeskiarvo s. Studeti t-jakaumaa vapausastei -. Tästä saadaa piste-estimaattoria käytety havaitoje keskiarvo luottamusväliksi (luottamustasolla - β): ± t, β / 2 missä kerroi t -,p tarkoittaa t-jakauma (vapausastei -) p-fraktiilia, ts. P{T t -,p } = p, missä T oudattaa ko. t-jakaumaa Tulkita: estimoitava parametri α o t:llä - β kyseisellä välillä. Esimerkiksi 95%: luottamustasoa vastaa 0 havaio tapauksessa kerroi t 9,0.975 2.262 ja 0 havaio tapauksessa kerroi t 00,0.975.984 S 8/09/2006 9 S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Esimerkki (jatkoa) Pyrimme arvioimaa simuloimalla 25: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa kuormalla ρ = 0.9, ku systeemi hetkellä 0 o tyhjä. Teoreettie arvo: α = 2.24 Kymmee simuloitiajoa ovat tuottaeet seuraavat havaiot i (so. keskimääräiset systeemissäoloajat kyseisissä simuloieissa):.05, 6.438, 2.646, 0.805,.505, 0.546, 2.28, 2.822, 0.44 ja.307 Otoskeskiarvoksi saatii.982 ja otoshajoaksi tulee 9 2 2 S = ((.05-.982) +... + ( 307. 982. ) ) = 78. Simuloitikokee atama 25: esimmäise asiakkaa keskimääräise odotusaja piste-estimaati luottamusväli 95%: luottamustasolla o siis S. 78 0 ± t, β / 2 = 982. ± 2. 262 = 982. ± 274. 8/09/2006 20

S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Havaitoja Simuloitikokee tulos tarketuu (so. piste-estimaati luottamusväli kapeee), ku simuloititoistoje eli riippumattomie havaitoje lukumäärää kasvatetaa yksittäise havaio variassia pieeetää (esim. ajamalla pitempiä yksittäisiä simuloitiajoja tai muilla s. variassi reduktiomeetelmillä) Jos o aettu haluttu simuloitituloste suhteellie tarkkuus (so. luottamusväli puolikkaa suhde otoskeskiarvoo), voidaa dyaamisesti seurata, kuika mota riippumatota simuloititoistoa o tehtävä ko. tavoitteesee pääsemiseksi 8/09/2006 2