Uvod u simulaciju

1. Simulacija, model definicije

Simulacija je imitacija funkcionisanja stvarnog procesa ili sistema tokom vremena.
Ponaanje sistema se analizira pomou razvijenog simulacionog modela.
Model se izgrauje na osnovu niza pretpostavki matematike, logike, i simbolike
veze izmeu entiteta (ili objekata od interesa) u sistemu.

2. Kada treba, ne treba koristiti simulaciju. Prednosti i nedostaci

simulacije.

Kada treba koristiti simulaciju:

1. Kompleksan sistem teko analitiki reiti
2. Kada je potrebno analizirati promene ponaanja modela (koje se mogu dobiti
simulacijom), npr. organizacione , ekoloke promene, i dr.
3. Znanje steeno tokom projektovanje simulacionog modela moe da bude od velike
koristi za eventualna poboljanja u sistemu.
4. Simulaciju promena ulaza i izlaza nastale posmatranjem moe da proizvede
dragocen uvid u znaajne veliine (promenljive) i kakva je njihova meuzavisnost.
5. Simulacija se moe koristiti kao pedagoki aparat za izuavanje metodologije
dobijanja analitikog reenja.
6. Simulacija se moe koristiti za proveru analitikih reenja.
7. Simulacioni modeli se mogu koristiti za obuku o sistemu bez potrebe za dodatnim
trokovima.
8. Animacija koja se dobija kroz simulaciju omoguuje vidljivost rada sistema.
9. Savremeni sistemi ( fabrike, sistemi distribucije, servisna organizacija, itd. ) su
veoma sloeni i mogu se analizirati samo kroz simulaciju

Kada ne treba koristiti simulaciju

1. Problem se moe reiti zdravim razumom
2. Problem se moe reiti analitiki
3. Lake je izvesti direktne eksperimente
4. Trokovi simulacije premauju utede
5. Potrebna sredstva nisu dostupna
6. Nema dovoljno vremena
7. Ne postoje potrebni podaci
8. Ne postoji mogunost provere rezultata
9. Sloen sistem ne moe da se definie
10.Menaderi postavljaju prevelika oekivanja

Prednosti simulacije
1. Novi reimi rada se mogu ispitati bez remeenja tekueg funkcionisanja procesa
2. Dizajn sistema koji bi zahtevao novi hardver, fiziku rasporeenost sistema, moe se
testirati bez ulaganja u nove komponente.
3. Mogu se analizirati i predvideti sluajevi deavanja nekih vanrednih situacija u
sistemu.
4. Simulacijom se spori sistemi mogu bre izvriti, dok se brzi po potrebi mogu sporije
izvravati.
5. Moe se dobiti uvid o meuzavisnosti pojedinih promenljivih.
6. Moe se dobiti uticaj pojedinih promenljivih na performanse sistema.
7. Moe se izvriti analiza uskih grla u sistemu (odlaganje pojedinih procesa ili zastoji)
8. Sama simulacija dodatno moe pomoi u razumevanju kako sistem radi
9. Mogu se analizirati situacije ta bi bilo kad bi bilo

Nedostaci simulacije
1.
2.
3.
4.

Izgradnja modela obino zahteva posebnu obuku.

Rezultati simulacije se mogu teko protumaiti.
Simulacija, modeliranje i analiza moe biti dugotrajan i skup.
Simulacija se koristi i u situacijama kada se moe analitiki doi do reenja .

3. Komponente sistema Primeri

Komponente sistema
Entiteti objekti od interesa
Atributi osobine entiteta
Aktivnost vremenski interval odreene duine
Stanje sistema definie se skupom promenljivih preko kojih se moe opisati sistem u bilo
kom trenutku (zavisi od postavljenih ciljeva)
Dogaaj trenutne pojave koje utie na stanje sistema
Endogeni termin koji opisuje aktivnosti i dogaaje koji se deavaju unutar sistema
Egzogeni - termin koji opisuje aktivnosti i dogaaje u okruenju koji utiu na sistem
Sistem Entiteti Atributi Aktivnosti Dogaaji Promenljive stanja

4. Klasifikacija modela. Diskretni, dinamiki i stohastiki sistemi

Klasifikacija modela
Fiziki ili matematiki
Simulacioni model je vrsta matematikog modela
Simulacioni model moe biti:
Statiki ili dinamiki
Deterministiki ili stohastiki
Diskretni ili kontinualni

Statiki i dinamiki modeli

Statiki modeli daju izlaze modela za sistem u ravnotei tzv. stacionarno stanje
Ako se stanje ravnotee promeni, izlazi se menjaju, ali se ne prikazuju naini i
uzroci prelaza iz jednog stacionarnog stanja u drugo
Promene u modelu ne zavise od vremena
Opisuje se algebarskim jednainama
Dinamiki modeli daju promene tokom vremena izazvane aktivnostima u sistemu
Opisuje se diferencijalnim jednainama
Kvazi statiki modeli
Statiki modeli koji se menjaju tokom vremena

Diskretni i kontinualni sistemi

Diskretni sistemi
Opisne promenljive uzimaju vrednosti iz skupova iji su elementni diskretne
vrednosti
Primeri: banka-redovi, samoposluga-kasa, saobraaj na raskrsnici
Kontinualni sistemi
Opisne promenljive uzimaju vrednosti opsega realnih brojeva
Primeri: Nivo tenosti u rezervoaru

Deterministiki i stohastiki modeli

Ako su izlazi modela uvek isti za iste ulaze i stanje modela deterministiki model
Suprotno, stohastiki model (nedeterministiki ili probabilistiki)
Model sa barem jednom stohastikom promenljivim = stohastiki model

5. Koraci simulacije

etiri faze:
1. Pripremna (koraci 1,2)
2. Izgradnja modela (3-7)
3. Izvravanje simulacija (8-10)
4. Implementacija (11,12)

Simulacija u irem smislu

Obuhvata ceo proces formiranja modela:
Formulisanje problema (1)
Definisanje ciljeva i plana projekta
istraivanja (2)
Izgradnju neformalnog (koncepcijskog)
modela (3)
Eksperimentisanje na realnom sistemu u
cilju merenja (snimanja) podataka o
ponaanju sistema (4)
Izgradnju detaljnog formalnog modela
(5a)
Programiranje izgradnja simulacionog
modela (5b)
Planiranje eksperimenata na raunaru
(8)
Ekperimentisanje programom na
raunaru i analiza
dobijenih rezultata (9) = simulacija u
uem smislu
Doterivanje modela (10)
Podeavanje parametara modela,
pojednostavljenja
Ceo proces je esto iterativan

Strukture podataka i Red sa prioritetima

6. Elementarne strukture podataka: Red i Stek

Elementarne strukture:
Stek (Stack)
Red (Queue)
Povezana lista (List)
Stablo (Tree)
Stek i red su dinamiki skupovi gde se elementi uklanjaju unapred odreenim
redosledom
Kod steka Delete brie poslednji (najmlai) dodat elemenat. Nazivamo ga LIFO
procesiranje (last-in, first-out)
Kod reda Delete brie prvi (najstariji) dodat elemenat. Nazivamo ga FIFO
procesiranje (first-in, first-out)
Stek
Operacije:
Push dodavanje elementa (insert)
Pop preuzimanje (brisanje) elementa (delete)
Provera: da li ima elemenata?
Podaci: niz S[1..S.top] sadri elemente
S[1] je elemenat na dnu, a S[S.top] je na vrhu steka.
Ako je S.top == 0, onda je stek prazan
Greka je kada se pozove Pop na praznom steku (greka tipa underflow)
Greka je kada se pozove Push na steku sa n elemanata (overflow)
Red (Queue)
Operacije:
Enqueue dodavanje elementa (insert)
Dequeue preuzimanje (i brisanje) elementa (delete)
Provera: da li ima elemenata?
Podaci:
glava (head) pokazuje na prvi elemenat reda. Preuzima se (dequeue)
element sa poetka glave reda.
rep (tail) pokazuje na poslednji elemenat reda. Dodavanje elementa ga
smeta na kraj rep reda.
Implementacija (jedan nain):
niz Q[1..n] je prostor za najvie n-1 elemenata reda
Q se koristi kao kruni bafer

7. Liste. Jednostruko i dvostruko spregnute liste.

Liste su strukture podataka gde su elementi ureeni u linearnom poretku.

Za razliku od nizova gde je poredak ureen preko indeksa, kod lista imamo pokazivae
na susedne elemente.
Pogodna su za:
esta dodavanja i brisanja elemenata
esta poseivanja elemenata niza iteriranje kroz listu.
Nisu pogodne za pretrage
Razlikuju se:
Jednostruko spregnute liste gde element pokazuje na naredni element.
Dvostruko spregnute liste gde element pokazuje i na naredni i na prethodni
elemenat.

 Cirkularne liste elementi su u prstenu (prvi pokazuje na poslednji, a

poslednji na prvi)
Dvostruko spregnuta lista
Svaki elemenat sadri
next pokaziva na naredni elemenat (== Nil kada je poslednji)
prev pokaziva na prethodni elemenat (== Nil kada je prvi)
key klju, prisutan kod sortiranih lista
drugi podaci (nisu prikazani na slici)
Pokaziva na prvi elemenat L.head
Ako je L.head == NIL lista je prazna
Pokaziva na poslednji elemenat L.tail
Jednostruko spregnuta lista
Jednostavnije je od dvostruko spregnute liste
Elementi nemaju prev polje koje pokazuje na prethodni elemenat
Nema L.tail
Omoguava kretanje od poetka (L.head) ka narednim elementima.
Nema mogunost kretanja ka prethodnom elementu.
Jedini nain da se doe do prethodnog elementa je ponovno kretanje od
L.head.

8. Heap struktura. Osobine i operacije.

Heap je niz elemenata koji se moe predstaviti kao binarno stablo
Binarno stablo je skoro kompletno, tj. mogue je da poslednji nivo nije
popunjen do kraja.
Vrste heap-a
Max-heap (A[Parent(i)] A[i]), najvei elemenat je u korenu
Min-heap (A[Parent(i)] A[i]), najmanji elemenat je u korenu
Osobine heap strukture
Za Heapsort algoritam se koristi max-heap
Visina heap-a je broj nivoa
Za n elemenata visina iznosi log2n
Operacije sa heap-om:
MAX-HEAPIFY odrava max-heap osobinu
BUILD-MAX-HEAP pravi max-heap na osnovu nesortiranog ulaznog niza
HEAPSORT sortiran niz u mestu
MAX-HEAP-INSERT, HEAP-EXTRACT-MAX, HEAP-INCREASE-KEY, HEAPMAXIMUM slue za implementaciju priority queue-a
MAX-HEAPIFY metoda
Primenjuje se za izgradnju Heap-a
Ako je u korenu podstabla vrednost manja nego u deci, proslediti tu vrednost
na dole tako da se odri osobina Heap-a.

9. HeapSort algoritam. Red sa prioritetima (Priority Queue)

Heapsort algoritam
Zapoinje Build-Max-Heap metodom
Nadalje, najvei elemenat u nizu (koji je u korenu heap-a) zamenjuje sa poslednjim
elementom niza A, skrauje niz za 1 elemenat i koriguje poredak (poziv MaxHeapify(A,1))
Nastavlja sa prethodnim korakom dok ima elemenata u nizu A
HEAPSORT(A)

1
2
3
4
5

BUILD-MAX-HEAP(A)
for i = A.length downto 2
A[1] A[i]
A.heap-size = A.heap-size - 1
MAX-HEAPIFY(A, 1)

Red sa prioritetima (Priority Queue)

struktura podataka Priority Queue organizuje skup podataka S gde svaki elemenat ima
udruen prioritet kao klju.
Max Priority Queue podrava operacije:
INSERT(S, X) dodaje elemenat x u skup S (S = S {x}).
MAXIMUM(S) vraa element iz S sa najveim kljuem.
EXTRACT-MAX(S) uklanja i vraa element iz S sa najveim kljuem.
INCREASE-KEY(S,x,k) poveava vrednost (kljua) elementa x na k (pod
uslovom da je k > tekueg kljua).
Primer upotrebe: rasporeiva zadataka u operativnom sistemu u Max Priority Queue
uva zadatke spremne na izvrenje.
Slino, Min Priority Queue podrava operacije:
INSERT, MINIMUM, EXTRACT-MIN, DECREASE-KEY

Primeri simulacija
10. Primer simulacije, generisanje sluajnih brojeva sluajne
decimale

Simulacija u tri koraka:

1. Definisanje karakteristika svakog ulaza statistike funkcije distribucije
2. Formiranje tabele simulacija (obino sadri ulaze, izlaze i stanja sistema) za svako
ponavljanje simulacije
3. U svakoj ponovljenoj simulaciji se generiu novi ulazi i dobijaju stanja i izlazi sistema
Simulacija sistema sa redom ekanja
Sistem se opisuje sa dolaznom populacijom - jedinkama, nainom dolazaka,
servisom, kapacitetom, pravilima reda
Sistem sa jednim kanalom usluivanja
Neograniena dolazna populacija
Generisanje dolazaka po sluajnoj raspodeli
Vremena meudolazaka i trajanja servisiranja na sluajan nain
Koncepti
Stanje sistema ine broj jedinki i stanje servera
Jedinke se opsluuju u redosledu dolazaka (FIFO)
Tabela dogaaja pojednostavljuje razumevanje ponaanja sistema
Prikazuju se dogaaji u razliitim vremenskim trenucima
Dogaaji se generiu na sluajan nain
Sluajni dogaaji najbolje oponaaju stvarno funkcionisanje sistema, a generiu se:
Korienjem tabele sluajnih brojeva
Upotrebom softverskih alata za generisanje sluajnih brojeva

11. Runa simulacija sistema sa jednim redom ekanja i jednim

servisom
Primer: Prodavnica runa simulacija

Osnovni principi
12. Koncepti simulacije diskretnih dogaaja. Vreme.

Sistem skup entiteta (ljudi, maina) koji meusobno komuniciraju u cilju postizanja
odreenog cilja
Model apstraktna reprezentacija sistema. Odlikuje se strukturnom, logikom ili
matematikom povezanou izmeu stanja, entiteta i njihovih atributa, skupova,
procesa dogaaja
Stanje sistema skup promenljivih koje u svakom trenutku u potpunosti opisuju
ponaanje sistema.
Entitet objekat ili komponenta u sistemu koja se predstavlja u modelu (npr. server,
klijent, maina i sl.)
Atributi osobine entiteta (npr. prioritet klijenta, i sl.)
Lista Skup logiki povezanih entiteta
Dogaaj trenutna pojava koja menja stanje sistema (npr. dolazak novog klijenta
u sistem)

 Evidentiranje dogaaja zapisivanje tekuih i buduih dogaaja sa svim

podacima neophodnim za njihovo izvravanje (minimum - tip i vreme dogaaja)
Lista dogaaja Lista evidentiranih dogaaja sortirana po vremenu pojave, tzv.
Lista buduih dogaaja (FEL - Future Event List)
Aktivnost definie se vremenski opsegom odreene duine, i poinje u nekom
trenutku (tzv. bezuslovno ekanje)
Kanjenje definie se vremenskim opsegom, ali se pre kraja ne zna njegova
duina (tzv. uslovno ekanje)
Vreme simulaciono vreme
Vreme
Deterministiko npr. tano 5min
Statistiko sluajan broj iz nekog skupa brojeva (npr. 2 , 5, 7) sa odreenom
verovatnoom
Funkcijski zavisno (od promenljive u sistemu ili atributa entiteta), npr. vreme utovara
rude gvoa na brod je funkcija nosivosti broda i kapaciteta maine koja utovara
(tona/h)
CLOCK promenljiva koja predstavlja simulaciono vreme

13. Simulacioni principi. Specifinosti i razlike.

Pristup predstavlja nain posmatranja modela i interakcija u njemu
Najee korieni naini obrade sistema u toku simulacije
1. Planiranje dogaaja (obrauju se dogaaji promenljivo vreme)
2. Interakcija procesa (promenljivo vreme)
3. Kontrola aktivnosti (fiksirano vreme koraci simulacije)
Programski jezik moe favorizovati neki od pristupa
Izbor pristupa je najee skriven od krajnjeg korisnika
Planiranje dogaaja
Analiziraju se dogaaji i njihov uticaj na stanje sistema
Karakteristian pristup za simulaciju na programskim jezicima vieg nivoa
Main: petlje, uklanjanje dogaaja iz FEL liste i poziv funkcija
Funkcije: poetak sevisiranja, ulazak u red, kraj servisiranja, itd.
Pristup interakcije procesa
Analiziraju se procesi
Definie se simulacioni model preko entiteta i njihovog ivotnog ciklusa (kretanja u
sistemu dogaaja i aktivnosti)
Proces je ivotni ciklus jednog entiteta. Tanije, proces je lista vremenski
rasporeenih dogaaja, aktivnosti i ekanja, ukljuujui zahteve za resursima
Obino postoji veliki broj procesa u sistemu meusobna interakcija kompleksan
sistem
esto korien, intuitivan (jednostavan) pristup pogodan za blokovsku predstava
Pristup kontrola aktivnosti
Vezan za aktivnosti modela i trenutke kada aktivnosti poinju
Vreme simulacije (CLOCK) se poveava i proveravaju se sve aktivnosti u sistemu.
Kada je ispunjen uslov za neku aktivnost (true) aktivnost poinje.
Jednostavan pristup sporo izvravanje na raunaru.
Modifikacija ovog pristupa je tzv. trofazni pristup
Kombinacija dva pristupa: planiranja dogaaja i kontrole aktivnosti
Dogaaji se smatraju aktivnostima u trajanju od 0 vremenskih jedinica.
Aktivnosti se dele u dve kategorije:
Tip B: unapred odreene aktivnosti (primarni dogaaji i bezuslovne
aktivnosti).
Tip C: uslovljene aktivnosti njihove aktivnosti zavise od zadovoljenja
nekih uslova

14. Princip: Planiranje dogaaja. Lista buduih dogaaja. Upravljanje

listom.
Mehanizam za definisanja simulacionog vremena i redosleda buduih dogaaja.
Zasnovan na voenju liste buduih dogaaja FEL (t< t1 t2 tn).

Algoritam narednih dogaaja

Korak 1:Ukloniti obavetenje za predstojei dogaaj
Korak 2:Pomeranje CLOCK na vreme predstojeeg dogaaja (sa t na t1)
Korak 3: Izvriti predstojei dogaaj: aurirati prom. stanja
Korak 4: Generisanje liste buduih dogaaja
Korak 5: aurirati kumulativnu statistiku i brojae
Upravljanje listom buduih dogaaja
Upravljanje listom obrada liste.
Osnovne operacije:
Uklanjanje predstojeih dogaaja
Dodavanje novih dogaaja u listu
Povremeno uklanjanje otkazivanje odreenih dogaaja (koji se tretiraju
kao neodgovarajui).
Na efikasno pretraivanje u listi utie logika organizacija liste
Ako je neki dogaaj generisan u trenutku t*, on se ubacuje na odreenu poziciju u
listu buduih dogaaja (FEL) koja se pronalazi pomou:
top-down pretrage, ili
bottom-up pretrage.
Efikasnost pretrage zavisi od logike organizacije liste, a ne od vrste pretrage
Budui dogaaji
Egzogeni dogaaji se pojavljuju izvan sistema i utiu na sistem, npr. dolasci i
servisiranje u sistemima sa redovima ekanja.
Dogaaj - dolasci:
Egzogeni dogaaj dolasci nastali izvan sistema, utiu na funkcionisanje
sistema
Dolazak u trenutku 0 u sistem se generie kao prvi dogaaj u FEL listi i nakon
promene sata, generie se drugi dolazak i tako redom.
Kraj intervala nekog meudolaska je primer primarnog dogaaja (koji se belei
u FEL listu)
Dogaaj zavretak servisiranja:
Uslovni dogaaj
Aktivira se samo pod uslovom da klijent postoji u sistemu i da je servis
slobodan.
Vreme servisiranja je primer aktivnosti.
Vreme rada i pad maine u sluaju kvara.
Dogaaj zaustavljanje simulacije E:
Najee se unapred definie vreme trajanja simulacija. Npr banka radi ukupno
12h dnevno, i sl.
U trenutku 0, planirani dogaaj zaustavljanje simulacije u trenutku TE. U tom
sluaju simulacija se izvrava u periodu [0, TE]

 Vreme zaustavljanja simulacije se moe odrediti i u toku simulacije, ako je

kriterijum npr. broj servisiranih klijenata ili simulacija se zaustavlja kada se
utvrdi kvar u sistemu prekoraenje vrednosti pojedinih parametara i sl..

15. Princip: Interakcija procesa.

Analiziraju se procesi
Definie se simulacioni model preko entiteta i njihovog ivotnog ciklusa (kretanja u
sistemu dogaaja i aktivnosti)
Proces je ivotni ciklus jednog entiteta. Tanije, proces je lista vremenski
rasporeenih dogaaja, aktivnosti i ekanja, ukljuujui zahteve za resursima
Obino postoji veliki broj procesa u sistemu meusobna interakcija kompleksan
sistem
esto korien, intuitivan (jednostavan) pristup pogodan za blokovsku predstavu
Primer: interakcija dva klijenta

16. Princip: Kontrola aktivnosti.

Vezan za aktivnosti modela i trenutke kada aktivnosti poinju

Vreme simulacije (CLOCK) se poveava i proveravaju se sve aktivnosti u sistemu.
Kada je ispunjen uslov za neku aktivnost (true) aktivnost poinje.
Jednostavan pristup sporo izvravanje na raunaru.
Modifikacija ovog pristupa je tzv. trofazni pristup
Kombinacija dva pristupa: planiranja dogaaja i kontrole aktivnosti
Dogaaji se smatraju aktivnostima u trajanju od 0 vremenskih jedinica.
Aktivnosti se dele u dve kategorije:
Tip B: unapred odreene aktivnosti (primarni dogaaji i bezuslovne
aktivnosti).
Tip C: uslovljene aktivnosti njihove aktivnosti zavise od zadovoljenja
nekih uslova
3-fazni pristup
Simulacija se svodi na ponavljanje 3 faze:
Faza A. Uklanjanje predstojeeg dogaaja iz FEL liste i pomeranje sata do
vremena njihovog deavanja.
Faza B. Izvravanje svih dogaaja tipa B koji su uklonjeni iz FEL liste (promena
stanja sistema i oslobaanje resursa)
Faza C. Provera uslova i izvravanje svih aktivnosti tipa C za koje su
zadovoljeni uslovi.

17. Korienje
liste ili nizova
za simulaciju.
Prednosti i
nedostaci.
Liste su skup
ureenih podataka
zapis (record).

 U simulaciji svaki zapis predstavlja jedan entitet ili beleku za jedan entitet.
One imaju vrh ili head (prvi element) i rep ili tail.
Neohodno je pretraivanje liste (potraga za 2., 3. itd. elementom).
Identifikator entiteta i njegovi atributi su polja fields u zapisu entiteta.
Svaki zapis u listu sadri i polje koje uva pokaziva na sledei zapis u listi.
Osnovne operacije sa listom su:
Uklanjanje elementa (zapisa) sa vrha liste
Uklanjanje elementa (zapisa) sa bilo kog mesta u listi
Dodavanje elementa (zapisa) za entitet na vrh ili rep liste
Dodavanje elementa (zapisa) za entitet na specificiranu (proizvoljnu) poziciju u
listi.
U pristupu planiranja dogaaja, gde e se u odreenom vremenskom trenutku
predstojei dogaaj izvriti:
Prvo, odvija se operacija uklanjanja
Ako se odreeni dogaaj uklanja ili se neki entitet uklanja iz liste jer se na
osnovu nekog svog atributa (npr. prioriteta ili vremena dolaska) aktivira, tada
poinje druga operacija uklanjanja
Ako se red sortira na osnovu najranijeg dolaska entiteta u sistem, tada se po
dolasku u red entitet svrstava po vremenu dolaska u sistem.
Za simulaciju na raunaru:
Svi elementi (zapisi) se smetaju u niz: elementi se uvaju u nizovima u
susednim lokacijama memorije raunara, referencirani indeksom u nizu.
Svi entiteti i beleke o dogaajima se predstavljaju strukturom u (C-u) ili
klasama (u Javi ili C#), alociraju se u RAM memoriji i pristupa im se preko
pokazivaa na odreeni zapis ili strukturu
Dinamika alokacija i uvezane liste
Zapisi entiteta se dinamiki kreiraju kada je i entitet kreiran.
Zapisi dogaaja se dinamiki kreiraju kad god se dogaaj unosi u listu buduih
dogaaja.
Jezici odravaju povezanu listu slobodnih paria memorije raunara i alociraju pare
eljene veliine na osnovu zahteva iz programa koji se izvrava.
Kada neki entitet postoji u simuliranom sistemu, i ako nakon nekog dogaaja,
beleka o tom dogaaju nije vie potrebna, odgovarajui zapis se oslobaa.
Zapis je referenciran pokazivaen umesto indeksom niza.
Pokaziva na zapis se moe tretirati kao fizika ili logika adresa zapisa u
memoriji.
Ako je potreban 3. element u listi, potrebno je proi kroz listu dok se ne doe
do 3. zapisa.
Korienje nizova
Nizovi se tipino koriste za smetanje listi podataka u FORTRAN-u.
Veina dananjih simulacionih paketa ne koristi nizove za uvanje listi, ve koristi
dinamiki alocirane zapise (nastaju kada se doda prvi, a nestaju kada se brie
poslednji).
Prednosti nizova:
Specifian zapis (npr. i-ti zapis) moe biti vraen brzo, bez pretraivanja
korienjem referenciranja
Nedostaci nizova:
Lista se preureuje kada se element dodaje na sredinu liste.
Ima fiksnu veliinu koja se utvruje u trenutku kompajliranja (problem je to je
teko unapred predvideti potrebe za simulaciju).
Dve osnovne metode za rangiranje (sortiranje) zapisa u listi:
Metod 1: Smetanje 1. zapisa u R(1), drugog u R(2), , i poslednjeg u
R(tailptr).
Jednostavan, ali izuzetno neefikasan metod.

 Na primer, dodavanje zapisa na poziciju 41 u listi od 100 elemenata,

zahteva da se 60 poslednjih zapisa fiziki pomere za jednu poziciju da bi
se napravio prostor za novi zapis.
Metod 2: Korienje head pokazivaa.
Promenljiva koja pokazuje na vrh liste se obeleava kao headptr.
Na primer, ako zapis na poziciji R(11) predstavlja zapis koji je na vrhu liste,
tada headptr treba da ima vrednost 11.
Pored toga, svaki zapis sadri indeks ili pokaziva na naredni zapis u listi.
R(i, next) predstavlja polje indeksa sledeeg zapisa

18. Runa simulacija. Primer kiper kamioni.

est kiper kamiona se koriste za prevoz uglja iz malog rudnika do eleznice.
Svaki kamion se puni jednim od dva raspoloiva bagera.
Kada se kamion napuni, odlazi na vagu za merenje.
Za usluivanje na bagerima i vagi se eka u redu (FCFS- First Come First
Served).
Nakon merenja, kamion odnosi ugalj, istovara ga i vraa se u red za utovar.
Vreme koje kamion iskoristi za navedeni proces (od merenja do novog utovara)
se naziva vreme putovanja.

Cilj: procena iskorienosti bagera i vage (% vremena zauzetosti)

Model se sastoji iz sledeih komponenti:
Stanja sistema [ LQ(t), L(t), WQ(t), Q(t)], gde je
LQ(t) = broj kamiona u redu ekanja za utovar (bager) u trenutku t
L(t) = broj kamiona (0, 1, ili 2) koji su na utovaru u trenutku t
WQ(t) = broj kamiona u redu ekanja za merenje u trenutku t
W(t) = broj kamiona (0 ili 1) koji su izmereni u trenutku t
Komentari dogaaja:
(ALQ, t, DTi), kamion i dolazi u red za utovar (ALQ) u trenutku t
(EL, t, DTi), kamion i je zavrio sa utovarom (EL) u trenutku t
(EW, t, DTi), kamion i je zavrio sa merenjem (EW) u trenutku t
Entiteti: est kamiona - kipera (DT1, , DT6)
Liste:
Red ekanja za utovar, svi kamioni koji ekaju u redu su poreani po
FCFS principu.
Red ekanja za merenje, svi kamioni koji ekaju u redu su poreani po
FCFS principu.
Aktivnosti: vreme utovara, vreme merenja, i vreme putovanja.
ekanje: ekanje u redu za utovar i u redu za merenje
Kada se desi dogaaj zavretak utovara (EL), npr. za kamion j u trenutku t, drugi
dogaaji se aktiviraju:
Ako je vaga slobodna [W(t) = 0], kamion j poinje sa merenjem i dogaaj
zavretka merenja kamiona j (EW) se belei u FEL listu. U suprotnom, kamion j
ulazi u red ekanja za merenje.
Ukoliko drugi kamion eka u redu za utovar, on se uklanja iz reda za utovar i
poinje sa njegovim utovarom kada je utovar prethodnog kamiona zavren
dogaaj (EL) i to se belei u FEL listu.
Logika za pojavu dogaaja zavretka utovara i logike za ostala dva dogaaja
treba da budu ukljuene u dijagram dogaaja.

 Rezultati: Dve kumulativne statistike se trae:

BL = ukupno vreme zauzetosti oba bagera od 0 do t
BS = ukupno vreme zauzetosti vage od 0 do t
Iz tabele simulacije, se dobija sledee:
Oba bagera su zauzeta od trenutka 0 do 20, tako da je BL = 40 u t = 20.
Od t = 20 do t = 24, samo je jedan bager zauzet, pa se BL poveava
samo za 4 minuta u intervalu [20, 24].
Od t =25 do t = 36, oba bagera su slobodna (L(25) = 0), pa se BL ne
menja.
Korienjem pristupa - kontrola aktivnosti, uslovi za poetak svake aktivnosti su:

Korienjem pristupa interakcija

procesa, posmatra se model sa
aspekta kipera i njegovog ivotnog
ciklusa
Uzimajui u obzir da je
poetak ivotnog ciklusa
dolazak u red za utovar, moe
se kompletan proces
predstaviti na sledei nain:

Softverski paketi za simulaciju

19. Kategorije softvera

Softver koji se koristi za simulaciju se moe podeliti u tri kategorije:

1. Vii programski jezici opteg tipa:
Fleksibilni, podstii kreativnost i uenje o DEVS,
podrka sa strukturama podataka, generatorima sluajnih brojeva
C, C++, C#, Java
2. Simulacioni programski jezici
Specijalizovani, zahtevaju inicijalno uenje jezika
GPSS/H, SIMAN V, SLAM II, i dr.
3. Simulaciona okruenja
brzo kreiranje modela grafiki interfejs, biblioteke potrebnih blokova,
animacija i grafiki prikaz rezultata
Paketi: Arena, AutoMod, ...

20. Izbor Simulacionog softvera. Postupak.

Razmotriti tanost, nivo detaljnosti, teinu uenja, podrku prodavca i primenljivost u
eljenim aplikacijama
Brzina izvravanja je vana
Ne odluivati se na osnovu reklama i demonstracija
Traiti od prodavca da rei pojednostavljenu verziju vaeg problema
Panja opcije (vremenska ogranienja)
Ispitati mogunost povezivanja sa drugim programskim jezicima (C++, C#, Java)
Proveriti potrebu za programiranjem, pored izgradnje blok dijagrama modela
Postupak prilikom izbora softvera
1. Definisati potrebe
2. Pretraivanje baze raspoloivih softvera i odrediti ui izbor
3. Definisanje kriterijuma za vrednovanje
4. Ocenjivanje softvera na osnovu kriterijuma
5. Izbor softvara

21. Specifinosti softvera: osobine, radno okruenje, grafika, izlaz,

podrka.
Osobine:
Preglednost modeliranja

- Interakcija procesa, perspektive dogaaja, po potrebi

i kontinualno modeliranje
Sposobnost analize ulaznih podataka -Procena empirijskih ili statistikih distribucija iz
sirovih podataka
Grafiko kreiranje modela
-Blok dijagram, tok procesa, mreni pristup
Usmeravanje
-Usmeravanje entiteta zasnovano na stanjima ili
atributima
Simulaciono programiranje
- Mogunost dodatnog programiranja logike u viim
programskim jezicima
Sintaksa
-Lako razumevanje, konzistentnost,
Fleksibilnost ulaza
-Preuzimanja podataka iz eksternog fajla, baze
podataka,...
Konciznost modeliranja
-Mone akcije, blokovi, nodovi
Sluajnost procesa
-Generatori sluajnih brojeva za sve tipove raspodela:
eksponencijalnu, normalnu, uniformnu, i dr.
Specijalizovane konponente i abloni -Upravljenje materijalom, vozila, komunikacioni
sistemi, call centri, raunarski sistemi,...
Korisniki objekti
-Viestruko korienje korisniki kreiranih objekata
Kontinualni procesi
-Npr. Distribucija vode, gasa, i dr.
Integracija sa prog. jezicima
-Povezivanje sa C, C++, C#, Java aplikacijama
Radno okruenje:

Brzina izvravanja

-Vie izvravanja razliitih scenarija i ponavljanja

eksperimenata znaajna brzina
Veliina modela, broj promenljivih i atributa -Trebalo bi da bude bez ogranienja
Interaktivni debugger
-Detaljan prikaz izvravanja simulacionog
modela. Mogunost zaustavljanja, promene
parametara, prikaz statusa, atributa,
promenljivih, itd.
Status modela i statistika
-Prikaz u svakom trenutku u toku
simulacije
Pristup modelu u toku simulacije
-Sposobnost da se menjaju parametri u toku
izvravanja simulacije
Animacija i osobine grafike:
Vrsta animacija
-Tanost skaliranja ili ikona (blok dijagram)
Import crtea i fajlova
-Iz CAD-a ili ikona
Dimenzionalnost
-2D, 2D sa razliitim perspektivama, 3D
Pomeranje
-Kretanje entiteta ili indikatori statusa
Kvalitet kretanja
-Kontinualan ili isprekidan
Biblioteka tipinih objekata
-Detaljna grafika obrada
Navigacija
-Pomeranje objekata, zoom, rotacija
Prikaz
-Korisniki definisan
Sekvenca prikazivanja
-Kontrola brzine animacije
Izbor objekata
-Dinamiki status i statistika izbora
Hardverski zahtevi
-Standardne ili specijalne grafike kartice, RAM
Osobine izlaza:
Scenariji
Kontrola izvravanja
sauvati rezultate
Nezavisna ponavljanja
Optimizacija
Stadardizovani izvetaji
itd.
Prilagodljivi izvetaji
Statistike analize
Biznis grafika
Modul trokova
Export fajlova
Podrka baze podataka

-Kreiranje korisniki definisanih scenarija za simulaciju

-Izvriti sve simulacije (scenarije, ponavljanja) i
-Korienje razliitih skupova sluajnih brojeva
-Genetski algoritam, Tabu pretraga,...
-Zavrni izvetaji sadre proseke, brojae, min, max,
-Prilagoena prezentacija za menadere
-Interval poverenja, projektni eksperiment
-Bar grafici, karte, histogrami, grafikoni
-Ukljuen proraun trokova na bazi aktivnosti
-Kreiranje fajlova koji se mogu koristiti
-Smetanje izlaza u bazu

Podrka prodavca i dokumentacija o proizvodu:

Obuka
-Organizovanje visokokvalitetne obuke
Dokumentacija
-Kvalitetna, sveobuhvatna, online
Help
-Opti ili specijalizovani
Uputstva
-Za uenje ili specifine osobine
Podrka
-Telefonska, email, web
Odravanje, update
-Nova verzija nadgrauje postojeu
Evidencija
-Stabilnost, istorija, odnos sa prodavcem

Statistiki modeli u simulaciji

22. Diskretne i kontinualne sluajne promenljive. Osnovni pojmovi u
statistici.

Diskretne sluajne promenljive

X je sluajna promenljiva ako je broj moguih vrednosti konaan, ili konano prebrojiv.
Primer: Poslovi koji se nude na birou.
Neka je X broj poslova koji pristiu svake nedelje u biro.
Rx = mogue vrednosti promenljive X (prostor moguih vrednosti za X) =
{0,1,2,}
p(xi) = verovatnoa da sluajne promenljiv dobije vrednost xi = P(X = xi)
p(xi), i = 1,2, mora da zadovolji sledee uslove:

Skup parova [xi, p(xi)], i = 1,2,, se zove raspodela verovatnoa za X, i p(xi) se zove
funkcija raspodele verovatnoa sluajne promenljive X.
Kontinualna sluajna promenljiva
X je kontinualna sluajna promenljiva ako je njen prostor moguih vrednosti Rx interval
ili vie intervala.
Verovatnoa da promenljiva X upada u interval [a,b] je data sa:

f(x), gustina verovatnoe za X zadovoljava:

Osobine

23. Raspodele diskretnih sluajnih promenljivih. Karakteristike.

Diskretne sluajne promenljive se koriste za opisivanje pojava u kojima se mogu

pojavljivati samo celobrojne vrednosti.
Najee koriene raspodele:
Bernulijevi eksperimenti i Bernulijeva raspodela
Binomna raspodela
Geometrijska i negativna binomna raspodela
Poasonova raspodela
Bernulijevi eksperimenti:
Razmatra se ekperiment koji se sastoji iz n testova, i svako od njih moe imati
dva rezultata uspean i neuspean. Neka je:
Xj = 1 ako je j-ti eksperiment uspean, i
Xj = 0 ako je j-ti eksperiment neuspean
Bernulijeva raspodela (jedan test):

gde je E(Xj) = p i V(Xj) = p(1-p) = pq

Bernulijev proces:

 Izvoenje n Bernulijevih ekperimenata gde su eksperimenti meusobno

nezavisni:
p(x1,x2,, xn) = p1(x1)p2(x2) pn(xn)
Binomna raspodela
Broj uspenih testova u n Bernulijevih eksperimenata - X ima binomnu rasodelu.

Matematiko oekivanje, E(x) = p + p + + p = n*p

Varijansa, V(X) = pq + pq + + pq = n*pq
Geometrijska raspodela
Broj Bernulijevih eksperimenata X, potrebnih da se pojavi prvi uspean:

E(x) = 1/p, i V(X) = q/p2

Nenegativna binomna raspodela
Broj Bernulijevih eksperimenata (X), potrebnih da se pojavi k uspenih
Ako je Y sluajna promenljiva koja ima nenegativnu binomnu distribuciju sa
parametrima p i k, tada je:

E(Y) = k/p, i V(Y) = kq/p2

Poasonova raspodela
Poasonova raspodela opisuje mnoge sluajne procese veoma dobro i matematiki
jednostavno.
za > 0, vai:

E(X) = = V(X)
Primer: Serviser se obavetava svaki put kada se pojavi zahtev za servisiranjem. Broj
zahteva po satu se deava po Poasonovoj raspodeli (a = 2 po satu).
Verovatnoa pojave tri zahteva u sledeem satu se rauna kao:
p(3) = e-223/3! = 0.18
takoe,
p(3)= F(3) F(2) = 0.857-0.677=0.18
Verovatnoa da se desi 2 ili vie zahteva u periodu od jednog sata, se odreuje kao:
p(x 2) = 1 p(0) p(1)
= 1 F(1)
= 0.594

24. Raspodele kontinualnih sluajnih promenljivih. Karakteristike.

Kontinualne sluajne promenljive se mogu koristiti za opisivanje sluajnih pojava u

kojim promenljive uzimaju vrednosti iz jednog ili vie intervala
Analizirae se sledee raspodele:
Uniformna

 Eksponencijalna
Normalna
Weibull-ova
Lognormalna
Uniformna raspodela
Sluajna promenljiva X ima uniformnu raspodelu na intervalu (a,b), U(a,b), ako vai:

Osobine
P(x1 < X < x2) je proporcionalna duini intervala :
[F(x2) F(x1) = (x2-x1)/(b-a)]
E(X) = (a+b)/2
V(X) = (b-a)2/12
U(0,1) predstavlja sredstvo za generisanje sluajnih brojeva, od kojih se mogu
generisati sluajne promenljive.
Eksponencijalna raspodela
Sluajna promenljiva X ima eksponencijalnu raspodelu sa parametrom l > 0 ako vai:

E(X) = 1/

V(X) = 1/2

Koristi se za modeliranje vremena meudolazaka kada su dolasci potpuno sluajni, i za

modelovanje vremena servisiranja koja su izrazito promenljiva
Na slici je prikazano nekoliko eksponencijalnih raspodela, vrednosti preseka na y-osi su
, i sve raspodele imaju meusobni presek.

Odsustvo pamenja
P(X > s+t | X > s) = P(X > t), za svako s, t 0
Primer: Lampa radi po eksponencijalnoj raspodeli = 1/3 po satu proseno 1 otkaz
na 3 sata.
Verovatnoa da lampa traje due od srednje vrednosti za ivotni vek:
P(X > 3) = 1-(1-e-3/3) = e-1 = 0.368
Verovatnoa da lampa radi izmeu 2 i 3 sata je:
P(2 <= X <= 3) = F(3) F(2) = 0.145
Verovatnoa da traje u narednom satu ako je radila 2.5 sata:
P(X > 3.5 | X > 2.5) = P(X > 1) = e-1/3 = 0.717

 Normalna raspodela
Sluajna promenljiva X ima normalnu raspodelu ako joj je gustina raspodele:

Srednja vrednost: -< <

Varijansa: 2 > 0
Oznaava se X ~ N(,2)
Osobine:

f(-x)=f(+x); gustina raspodele je simetrina oko srednje vrednosti .

Maksimalna vrednost gustine raspodele je u x = ; srednja vrednost i najee
ostvarena vrednost su jednake.
Reavanje raspodele:
Korienjem numerikih metoda
Nezavisnost od i , korienjem standardne normalne raspodele:
Z ~ N(0,1)
Transformacija promenljivih: Neka je Z = (X - ) / ,

Weibull raspodela
Sluajna promenljiva X ima Weibull raspodelu ako je funkcija:

3 parametra:
Lokacija: v,
skaliranje: , ( > 0)
oblik. , (> 0)
Ako je v= 0 tada je

Lognormalna raspodela
Sluajna promenljiva X ima lognormalnu raspodelu ako je:

Srednja vrednost E(X) = e+2/2

Varijansa V(X) = e2 +2/2 (e2 - 1)
Odnos sa normalnom raspodelom
Kada je Y ~ N(, 2), tada je X = eY ~ lognormal(, 2)
Parametri i 2 nisu srednja vrednost i varijansa i kod lognormalne raspodele

25. Poasonov proces.

N(t) je prebrojiva funkcija koja predstavlja broj dogaaja koji e se desiti u periodu
[0,t].
Proces {N(t), t>=0} je Poasonov proces sa srednjom vrednou ako vai:
Samo jedan dolazak je mogu u jednom trenutku
{N(t), t>=0} ima stacionarne promene
{N(t), t>=0} ima nezavisne promene
Osobine
Srednja vrednost i varijansa su jednake: E[N(t)] = V[N(t)] = t
Stacionarne promene: Broj dolazaka u periodu izmeu trenutaka s i t je takoe
Poasonova raspodela sa srednjom vrednou (t-s)
Karakteristike Poasonovog procesa
1. Stacionarnost - verovatnoa pojave dogaaja u segmentu [t,t+s] je nezavisna od t
i predstavlja funkciju samo od s (duine intervala)
2. Ordinarnost (retki dogaaji) verovatnoa da se u nekom kratkom vremenskom
intervalu t (t0) odigra vie od jednog dogaaja je zanemarljiva.
3. Odsustvo memorije ne postoji uticaj procesa iz prolosti na budue procese
Vremena meudolazaka
Posmatraju se vremena meudolazaka kao Poasonov proces (A1, A2, ), gde Ai
predstavlja vreme proteklo izmeu dolaska i i dolaska i+1

Prvi dolazak se deava posle vremena t, akko nema dolazaka u intervalu [0,t],
pa je:

P{A1 > t} = P{N(t) = 0} = e-t

P{A1 <= t} = 1 e-t
[gustina exp()]
Vremena meudolazaka, A1, A2, , imaju ekponencijalnu raspodelu i nezavisna
su sa srednjom vrednou 1/
Broj dolazaka se ponaa po Poasonovoj raspodeli sa srednjom vrednou
Razdvajanje Poasonovih procesa
Pretpostavka je sa svaki dogaaj Poasonovog procesa moe biti klasifikovan kao Tip I,
sa verovatnoom p, a kao Tip II sa verovatnoom 1-p.
N(t) = N1(t) + N2(t), gde su N1(t) i N2(t) Poasonovi procesi sa parametrima p i (1-p)

Grupisanje Poasonovih procesa

Neka se dva Poasonova procesa grupiu, tada je:
N1(t) + N2(t) = N(t), gde je N(t) Poasonov proces sa parametrom 1 + 2

26. Nestacionarni Poasonov proces.

Poasonov proces bez stacionarnog inkrementa, sa karakteristikom (t) za dolaske u
trenutku
t.
Oekivani broj dolazaka u trenutku
t, (t):

Uporeivanjem stacionarnog Poasonovog procesa n(t) sa =1 i NSPP N(t) sa (t):

Neka su vremena dolazaka stacionarnog procesa sa konstantom = 1
oznaena sa t1, t2, , a vremena dolazaka sa NSPP sa konstantom (t) se oznaavaju
sa T1, T2, , tada je:
ti = (Ti)
Ti = 1(ti)
Primer: Neka se dolasci u potu deavaju sa uestalou 2 u minutu u periodu od 8
-12h, a nakon toga su 0.5 po minuti do 16h [12,16].
Neka t = 0 odgovara vremenu 8h, NSPP N(t) ima funkciju :

Oekivani broj dolazaka u trenutku t:

Prema tome, raspodela verovatnoe broja dolazaka u periodu izmeu 11h i 14h, se
dobija kao:
P[N(6) N(3) = k] = P[N((6)) N((3)) = k]
= P[N(9) N(6) = k]
= e(9-6)(9-6)k/k!
= e3(3)k/k!
gde je N(t) stacionarni Poasonov proces sa uestalou 1.

27. Empirijska raspodela.

Raspodela iji paramatri su posmatrane vrednosti u uzorku podataka.
Moe da se koristi kada je nemogue ili nepotrebno da se utvrdi da sluajna
promenljiva ima neku posebnu raspodelu.
Za ovu raspodelu se ne vezuju parametri kao to su srednja vrednost i
varijansa
Prednost:ne postoji pretpostavka izvan posmatranih vrednosti u uzorku.
Mana:uzorak moda ne pokriva ceo opseg moguih vrednosti.
Primer empirijske raspodele
Klijenti dolaze u restoran na ruak u grupama od 1-8 osoba. Poslednjih 300 grupa
uneto u tabelu

Formira se histogram na osnovu podataka

Gustina raspodele verovatnoa se zove empirijska raspodela datih podataka

Modeli sa redovima ekanja

28. Osnovne komponente sistema sa redovima ekanja.
Entiteti (klijenti ili potroai)
Osobine:
Broj entiteta koji ulaze u sistem
Vremena meudolazaka entiteta
Naziv entiteta
Redovi (popunjavaju se entitetima)
Karakteristike:
pravilo upravljanja (nain dolaska u red i izlaska iz reda) tzv. disciplina
reda i
kapacitet.
Resursi (kanali usluivanja ili servisi) - obrada ili opsluivanje entiteta
Karakteristike resursa su:
zauzetost (slobodan/zauzet)
aktivnost (aktivan, privremeno neaktivan, trajno neaktivan)
zavisnost
Struktura sistema sa jednim redom ekanja i jednim kanalom opsluivanja

29. Karakteristini procesi, aktivnosti dogaaji u sistemima sa

redovima ekanja.
dolasci (dolazak entiteta u sistem),

 izbor reda (izbor reda ekanja i ulazak u odgovarajui red ekanja),

ekanje (ekanje u redu),
izbor kanala (dolazak na red za usluivanje i izbor kanala usluivanja),
servisiranje (usluivanje)
naputanje sistema ili prelazak u neki drugi red ekanja (u ovom sluaju se
vraa na proces 2.)

30. Tipovi sistema. Konfiguracija. Dodatne specifinosti.

Podela sistema
Mogu se podeliti na osnovu sledeih karakteristika:
Broja redova ekanja:
jedan,
vie.
Broja kanala usluivanja:
jedan,
vie.
Broja faza servisiranja (neophodnih servisa za potpuno usluivanje klijenta):
jednofazni,
viefazni.
Duine reda ekanja:
ogranien,
neogranien.
Kapaciteta sistema (ukupan broj klijenata koji se moe opsluiti):
ogranien,
neogranien.

Dodatne specifinosti sistema

Naputanje klijenti koji pristiu u sistem mogu odustati od ekanja i napustiti
sistem (npr. U sluaju da je dugaak red ekanja, doao u vreme pauze, i sl.)
Odustajanje klijent stane u red ekanja i posle nekog vremena uoi da je njegov
progres uredu toliko spor da odustaje od ekanja i naputa sistem.

 Prebacivanje ukoliko u sistemu ima vie redova ekanja, klijent koji je stao u
sporiji red moe se prebaciti u bri red.

31. Dolazna populacija. Modeli sa ogranienjima i bez ogranienja za

dolaznu populaciju.
Dolazna populacija: populacija potencijalnih klijenata - moe biti ograniena ili
neograniena.
Ograniena populacija
Ukoliko frekvencija dolazaka zavisi od broja klijenata koji su uslueni i ekaju,
Ako se npr. modeluje rad maine maina na popravci stopa dolazaka
postaje 0.
Neograniena populacija
Ako stopa dolazaka ne zavisi od broja usluenih klijenata
Kapacitet sistema
Ogranienje
Broj klijenata u sistemu
Broj klijenata koji ekaju u redu
Broj klijenata koji su proli kroz sistem
Tipovi sistema:
Sa ogranienim kapacitetom
Prostorija pote je veliine da maksimalno 15 klijenata moe stajati u
redu
Neogranienog kapaciteta
Za koncert na Uu nema ogranienja na broj prodatih karata
Modeli sa neogranienom populacijom
Vremena meudolazaka uzastopnih kupaca
Sluajni dolasci su obino opisani raspodelama verovatnoa
Najznaajniji model: Poasonov proces dolazaka (sa stopom ), gde An
predstavlja vreme meudolaska izmeu klijenta n-1 i klijenta n, i
eksponencijalne je raspodele (sa srednjom vrednou 1/).
Zakazani dolasci: vremena meudolazaka mogu biti konstantna ili malo
odstupati (+/-) od konstante (klijent malo poranio ili zakasnio)
Primeri: zakazani pacijenti u domu zdravlja, letovi aviona, ...
Sistemi kod kojih je pretpostavka da je najmanje jedan kupac uvek u sistemu
server nikada nije slobodan (npr. dovoljno sirovina za mainu)
Modeli sa ogranienom populacijom
Klijent je u oekivanju kada se nalazi van sistema (kao lan potencijalne
dolazne populacije),
Za klijenta se definie runtime kao duina vremenskog intervala od kada
klijent napusti sistem do njegovog dolaska u red. Primer problem popravke
maine, maine su klijenti, a runtime je vreme od popravke do otkaza.
Neka su A1 (i), A2 (i), uzastopna runtime-ovi klijenta i, a S1 (i), S2 (i)
uzastopna vremena u sistemu (popravka maine):

32. Ponaanje i disciplina reda.

Ponaanje reda: ponaanje klijenata dok ekaju u redu za servisiranje, npr. :
Guva: klijenti naputaju red kada vide da je previe dugaak,
Odustajanje: naputanje reda koji se pomera suvie sporo,
Preskok: prebacivanje na ekanje u kraem redu.
Disciplina reda: logiko sortiranje klijenata u redu u cilju odreivanja koji e se klijent
izabrati za servisiranje kada servis bude slobodan, npr. :
First-in-first-out (FIFO)
Last-in-first-out (LIFO)
Servisiranje po sluajnom redosledu (Service in random order - SIRO)
Prvi se servisira klijent sa najkraim vremenom servisiranja (Shortest
processing time first - SPT)
Po prioritetu (Service according to priority - PR).

33. Vreme i pravila servisiranja.

Vremena servisiranja uzastopnih dolazaka se oznaavaju sa S1, S2, S3.
Mogu biti konstantna i sluajno generisana.
{S1, S2, S3, } obino se karakterie kao niz nezavisnih i identino
raspodeljenih sluajnih promenljivih (sa istom raspodelom), npr.,
eksponencijalna, Weibull, gama, lognormalna ili ograniena normalna raspodela.
Sistem sa redom ekanja se sastoji od odreenog broja uslunih centara koji su
meusobno povezani redovima ekanja.
Svaki usluni centar se sastoji od odreenog broja servisa (c), koji rade u
paraleli, prihvatajui klijentske zahteve iz reda ekanja (klijent odlazi na 1.
slobodan servis).
Primer: pre odlaska na kasu u supermarketu, klijenti ekaju u redovima u
supermarketu za jo neke usluge (red mesara, red pekara, samoposluga i sl.)
Masovno usluivanje (server usluuje vie klijenata istovremeno), ili klijent zahteva
vie servera istovremeno.

34. Kendalova notacija.

Kendalova notacija predstavlja sistem sa redovima ekanja u formi:
A/B/C/X/Y/Z
gde je:
A pravilo dolazaka klijenata (proces dolazaka - raspodela vremena
meudolazaka)
B pravilo servisiranja (proces usluivanja raspodela vremena servisiranja
klijenata)
C broj paralelnih servera u sistemu
X - pravila opsluivanja klijenata iz reda ekanja disciplina reda
Y kapacitet sistema (npr. maksimalna duina reda ekanja)
Z veliina populacije
A - Dolasci klijenata u sistem

Generiu se vremena (relativna) dolazaka klijenata u sistem prema nekoj zakonitosti

(raspodeli):
Poasonova (ili eksponencijalna) raspodela - M
Erlangova (ili gama) raspodela - Er
Deterministika (konstantna) - D
Opta raspodela (npr. normalna) G
B Proces servisiranja
Ista notacija kao i za proces dolazaka klijenata u sistem
Npr. M / M / 1
sistem sa jednim serverom u koji klijenti pristiu i opsluujuju se u vremenima
generisnim po eksponencijalnoj raspodeli
- proseno vreme trajanja servisiranja
Problem: brzina pristizanja klijenata vea od brzine opsluivanja, > !?
X Zakonitosti opsluivanja
Nain opsluivanja klijenata moe biti utvren po jednom od sledeih pravila:
FIFO Servis obezbeuje da klijenti koji su ranije pristigli budu servisirani ranije
Sluajnim redosledom (SIRO Service in Random Order) naredni klijent se bira na
sluajan nain od preostalih klijenata u sistemu i to nakon zavretka sa opsluivanjem
LIFO klijenti koji poslednji uu u sistem prvi se opsluuju
Opsluivanje sa prioritetom (PRI) prednost u opsluivanju imaju klijenti sa
prioritetom (npr. prednost na raskrsnici imaju vozila hitne pomoi, prednost u redovima
na alterima imaju starije osobe i trudnice, prednost prilikom zapoljavanja imaju
osobe sa jaom vezom)
Npr. M / M / 1 / FIFO / / se pojednostavljuje u M / M / 1

35. Notacija sistema sa redovima ekanja. Objanjenje parametara.

Osnovne performanse merene u sistemima sa redom ekanja:
Pn: verovatnoa da se n klijenata nalazi u sistemu,
Pn(t):
verovatnoa da se n klijenata nalazi u sistemu u trenutku t,
: stopa dolazaka,
e: efektivna stopa dolazaka,
: stopa servisiranja na jednom serveru,
r:
iskorienost servera,
An: vreme meudolaska izmeu klijenta n-1 i klijenta n,
Sn: vreme servisiranja n-tog klijenta,
Wn: ukupno vreme koje n-ti klijent provede u sistemu,
WnQ: ukupno vreme koje n-ti klijent provede u redu,
L(t): broj klijenata u sistemu u trenutku t,
LQ(t):
broj klijenata u redu u trenutku t,
L:
prosean broj klijenata u sistemu,
LQ: prosean broj klijenata u redu,
w: proseno vreme koje klijenti provedu u sistemu (proseno sistemsko vreme),
wQ: proseno vreme koje klijenti provedu u redu.

36. Litlov zakon.

 Vai za gotovo sve sisteme i podsisteme sa redovima ekanja (bez obzira na broj
servera, disciplinu reda, i druge karakteristike sistema).
G/G/1/FIFO/N/K primer (nastavak): Ako se u proseku desi dolazak svaka 4 min i svaki
klijent provede proseno 4.6min u sistemu, tada je u proizvoljnom trenutku prisutno
proseno (1/4)(4.6) = 1.15 klijenata u sistemu.

37. Iskorienost servera u sistemima sa redovima ekanja.

Definicija: procenat vremena zauzetosti servera.
Razmatra se iskorienost servera ^ u periodu [0,T].
Dugorona iskorienost servera se oznaava sa .
Za sistem koji je dugorono stabilan vai:
^ -> kada T ->
Za G/G/1 sisteme:
Bilo koji sistem sa jednim serverom sa prosenom frekvencijom dolazaka
klijenata po jedinici vremena, gde je proseno vreme servisiranja E(S) = 1/
jedinica vremena, neogranienog kapaciteta i dolazne populacije.
Litlov zakon, L = w, moe se primeniti.
Za stabilne sisteme, prosena frekvencija dolazaka do servera s treba da
bude identina sa .
Prosean broj klijenata na serveru je:

Za jednokanalni sistem vai:

Za jednokanalni sistem sa stabilnim redom:

Za nestabilan red ( > ), dugorona iskorienost servera je 1.

Za sisteme G/G/c:
Sistem sa c identinih servera koji rade u paraleli.
Ako klijenti dolaze na servisiranje i zatiu vie slobodnih servera, biraju server
bez favorizovanja nekog servera (na sluajan nain).
Za sisteme u ravnotei, prosean broj zauzetih servera Ls, je:
Ls, = E(s) =/.
Dugorona prosena iskorienost servera je:

38. Mree redova ekanja.

Mnogi sistemi se predstavljaju mreom redova ekanja: klijenti iz jednog reda ekanja
se preusmeravaju u drugi red.

Sledei rezultati predstavljaju stabilan sistem sa neogranienom dolaznom

populacijom i neogranienim
kapacitetom sistema:
Ukoliko nema klijenata koji se kreiraju ili gube u sistemu, tada se frekvencija
odlazaka iz sistema ista kao i frekvencija dolazaka (za dug period simulacije).
Ako klijenti dolaze u red i sa frekvencijom i, i deo 0 pij 1 njih se usmerava
na red j nakon odlaska sa prethodnog servisa, tada je frekvencija dolazaka iz
reda i u red j je ipij (za dui period simulacije).
Ukupna frekvencija dolazaka u red j se rauna kao:

Ako red j ima cj < paralelnih servera, svaki radi brzinom j, tada je iskorienost
svakog servera u duem periodu j=j/(c j) (gde je j < 1 za stabilan red).
Ako spoljanji dolasci imaju Poasonovu raspodelu sa konstantom aj za svaki red j, i
ako postoji cj identinih servera sa eksponencijalnom raspodelom vremena servisiranja
sa srednjom vrednou 1/ j, tada se, u ustaljenom stanju, red j ponaa kao M/M/cj red
sa frekvencijom dolazaka
Primer- prodavnica :
Neka klijenti dolaze sa frekvencijom 80 po satu i 40% bira samoposluivanje.
Tada:
Frekvencija dolaska u servisni centar 1 je 1 = 80(0.4) = 32 po satu
Frekvencija dolaska u servisni centar 2 je 2 = 80(0.6) = 48 po satu
c2 = 3 prodavca i 2 = 20 klijenta po satu.
Dugorona iskorienost prodavca se rauna kao:
2 = 48/(3*20) = 0.8
Svi klijenti moraju doi na kasu na servisnom centru 3, ukupna frekvencija na
servisnom centru 3 je 3 = 1 + 2 = 80 po satu.
Ako je 3 = 90 po satu, tada je iskorienost kase:
3 = 80/90 = 0.89

Sluajni brojevi, generatori,

distribucije
39. Karakteristike sluajnih brojeva. Generisanje pseudosluajnih
brojeva razmatranja.
Dve vane statistike karakteristike:
Uniformnost (ravnomernost)
Nezavisnost.
Sluajan broj Ri, mora biti nezavisan uzorak dobijen iz uniformne raspodele:

Generisanje pseudosluajnih brojeva

Termin Pseudo se koristi zato to generisanje brojeva korienjem poznate metode

odbacuje potencijalnu stvarnu sluajnost.
Cilj: Da se napravi niz brojeva u [0,1] koji simulira, ili oponaa idealne osobine sluajnih
brojeva (RN).
Vana razmatranja u RN rutinama:
Brzina
Prenosivost na razliite raunare
Postojanje dovoljno dugog ciklusa
Ponovljivost
Priblino idealne statistike osobine uniformnosti i nezavisnosti

40. Tehnike generisanja sluajnih brojeva. Linearni kongruentni metod

(LCM).
Tehnike generisanja sluajnih brojeva
Linearni kongruentni metod (LCM - Linear Congruential Method).
Kombinovani linearni kongruentni generator (CLCG - Combined Linear
Congruential Generators).
Nizovi sluajnih brojeva.
Linearni kongruentni metod
Za dobijanje niza celih brojeva X1, X2, izmeu 0 i m-1 se koristi sledei izraz:

X0 se naziva seed (seme) i usmerava generator

Izbor vrednosti parametara a, c, m, i X0 drastino utie na statistike osobine i duinu
ciklusa.
Sluajni celi brojevi se generiu [0,m-1] i konvertuju u sluajne brojeve iz intervala
[0,1] pomou:

Primer: LCM
Ako je X0 = 27, a = 17, c = 43, i m = 100.
Vrednosti Xi i Ri su:
X0 = 27
X1 = (17*27+43) mod 100 = 502 mod 100 = 2,
R1 = 2/100 = 0.02;
X2 = (17*2+43) mod 100 = 77,
R2 = 77/100 = 0.77;
X3 = (17*77+43) mod 100 = 52,
R3 = 52/100 = 0.52;

41. LCM karakteristike dobrog generatora. Izbor parametara.

Maksimalna gustina
Preuzete vrednosti Ri, i = 1,2,, iz intervala [0,1] ne ostavljaju velike praznine
na intervalu
Umesto kontinualne, svaka Ri je diskretna
Reenje: veoma veliki ceo broj za modul m
Maksimalna perioda P
Za postizanje maksimalne gustine
Izbegavanje ponavljanja iste sekvence generisanih brojeva
Postie se dobrim izborom parametara: a, c, m, i X0.
Veina raunara koristi binarnu reprezentaciju brojeva

 Brzina i efikasnost se postiu postavljanjem modula m na stepen broja 2 (ili

priblino toliko!?)
Izbor parametara
m=2b, c0, maksimalna perioda P= m=2b, to se postie kada su c i m meusobno
prosti (NZD(c,m)=1) i a=1+4k (k je ceo broj)
m=2b, c=0, maksimalna perioda P= m/4=2b-2, to se postie ako je X0 neparan
a=3+8k ili
a=5+8k (k =0,1,2,...)
m je prost broj i c=0, P=m-1, ak-1 deljivo sa m i k=m-1

42. Kombinovani linearni kongruentni generatori.

Preporuena forma:

Npr. k=2
Maksimalan mogui period je:

Primer: Za 32-bitne raunare, LEcuyer [1988] predlae kombinaciju k = 2 generatora

sa
m1 = 2,147,483,563, a1 = 40,014, m2 = 2,147,483,399 i a2 = 40,692.
Algoritam postaje:
Korak 1: Izbor
seed-ova
X1,0 u
opsegu [1, 2,147,483,562] za 1.
generator
X2,0 u opsegu [1, 2,147,483,398] za 2. generator.
Korak 2: Za svaki generator,
X1,j+1 = 40,014 X1,j mod 2,147,483,563
X2,j+1 = 40,692 X1,j mod 2,147,483,399.
Korak 3: Xj+1 = (X1,j+1 - X2,j+1 ) mod 2,147,483,562.
Korak 4: Vraa

Korak 5: Postaviti j = j+1, korak 2.

Kombinovani generator ima period:
(m1 1)(m2 1)/2 ~ 2 x 1018

43. Testovi za sluajne brojeve. Aspekti i razlozi korienja.

Dve kategorije:
Testovi za uniformnost:
H0: Ri ~ U[0,1]
H1: Ri ~ U[0,1]
Odbacivanje nulte hipoteze H0, znai da neuniformnost nije utvrena.
Testovi za nezavisnost:
H0: Ri ~ nezavisno

H1: Ri ~ nije nezavisno

Odbacivanje nulte hipoteze H0, znai da zavisnost nije utvrena.
Nivo pouzdanosti (tanosti) verovatnoa odbacivanja H0 kada je tana: = P(reject
H0|H0 is true)
Kada se koriste:
Ako se koriste dobro poznati simulacioni jezici ili generatori sluajnih brojeva
verovatno je nepotrebno testiranje
Ako generatori nisu eksplicitno poznati ili dokumentovani, npr., programi za
tabelarne proraune spreadsheet programs, Simboliki/numeriki prorauni
testiranje bi trebalo primeniti na mnoge uzorke brojeva.
Tipovi testova:
Teorijski testovi: Procenjuju izbor parametara m, a, i c bez stvarnog
generisanje brojeva
Empirijski testovi: primenjuju se na aktuelni niz generisanih brojeva.
____________________________________
Frekvencijski testovi
Test za uniformnost
Dve razliite metode:
Kolmogorov-Smirnov test
Chi-square test

------------------------------------------------------44. Kolmogoriv-Smirnov test.

Poredi kontinualnu funkciju raspodele F(x) (uniformne raspodele) sa empirijskom
funkcijomSN(x) od N posmatranih uzoraka.
Poznato je: F(x) = x, 0 x 1
Ako uzorak je iz RN generatora R1, R2, , RN, tada je empirijska funkcija
raspodele SN(x):

Na osnovu statistike:
D = max| F(x) - SN(x)|
Procedura- Kolmogorov-Smirnov Test
Korak 1. Sortirati podatke
R(1) R(2)... R(N)
Korak 2. Izraunati
Korak 3. Izraunati
Korak 4. Pronau se iz tabele kritine vrednosti D (za -tanost i N)
Korak 5. Ako je D D prihvata se hipoteza, u suprotnom odbacuje se H 0
(uniformna raspodela)
Primer:
brojevi 0.44,
Korak 1:
Korak 2:

Pretpostavimo da su generisani
0.81, 0.14, 0.05, 0.93

Step 3:
Step 4:

D = max(D+, D-) = 0.26

Za = 0.05,
D = 0.565 > D
Prema tome, H0 nije odbaen.

45. Chi-Sqare test.

Chi-square test koristi statistiku:

Chi-square raspodela priblino ima n-1 stepeni slobode (gde se kritine

vrednosti nalaze u tabeli)
Za uniformnu raspodelu Ei oekivani broj pogodaka u
svakoj klasi
je:
gde je N ukupan broj generisanih
sluajnih
brojeva
Vai samo za velike uzorke, npr. N >= 50
Primer sa 100 brojeva iz intervala [0,1],
10 intervala
20.05,9 = 16.9
Prihvata se, jer je
X20 = 11.2 < 20.05,9

46. Testovi za autokorelaciju.

47. Generisanje sluajnih promenljivih. Tehnika inverzne
transformacije. Primeri.
Prikaz najee korienih tehnika za generisanje sluajnih promenljivih.
Inverzna transformacija
Tehnika Prihvatanje-odbacivanje
Tehnika inverzne transformacije
Koncept:
Za funkciju raspodele: r = F(x)
Generisati r iz uniformne raspodele (0,1)

Odrediti x: x = F-1(r)

=0.05

Koraci kod inverzne transformacije

Korak 1. Izraunati funkciju raspodele za eljenu sluajnu promenljivu X:
(eksponencijalna raspodela)
F(x) = 1 e-x , x 0
Korak 2. Postaviti F(X) = R na opsegu od X
Korak 3. Reiti jednainu F(X) = R po X u funkciji od R.
Korak 4. Generisati (po
potrebi) uniformne sluajne
brojeve R1, R2, R3... i izraunati
eljene sluajne
promenljive.
Tehnika inverzne
transformacije se u principu moe
primeniti na bilo koju
raspodelu.
Najee se koristi kada
funkcija raspodele ima inverznu
funkciju koja je jednostavna za
izraunavanje.
Primeri raspodela:
Uniformna
Weibull
Trouglasta
Uniformna raspodela inverzna transformacija
Sluajna promenljiva X ima uniformnu raspodelu na
intervalu [a,b]
Gustina raspodele

Funkcija kumul. Raspodele

Weibull raspodela inverzna transformacija

Sluajna promenljiva X ima Weibull raspodelu na intervalu [a,b]
Gustina raspodele

Funkcija kum. raspodele

48. Generisanje sluajnih promenljivih. Metod odbacivanja.

Metod odbacivanja
Korisan naroito kada inverzna funkcija raspodele ne postoji u zatvorenom obliku,
tzv.proreivanje
Primer: Za generisanje sluajne promenljive, X ~ U(1/4, 1)

R nema eljenu raspodelu, ali R je uslovljen (R) od

{R 1/4}.

dogaaja

Efikasnost: U velikoj meri zavisi od sposobnosti da se minimizira brojodbijanja.

Nestacionarni Poasonov proces metod odbacivanja
Nestacionarni Poasonov proces (NSPP): proces Poasonovih
dolazaka sa frekvencijom koja varira u vremenu
Ideja za proreivanje
Generisati stacionarni Poasonov proces dolazaka sa
najbrom frekvencijom, * = max (t)
Ali prihvatiti samo deo dolazaka, da bi se dobila
eljena raspodela

Primer: Generisati sluajnu promenljivu za NSPP

Procedura:
Korak 1. * = max((t)) = 1/5, t = 0, i = 1.
Korak 2. Za sluajan broj R = 0.2130,
E = -5ln(0.213) = 13.13
t = t + E= 13.13
Korak 3. generisati R = 0.8830
(13.13)/*=(1/15)/(1/5)=1/3
Poto je R>1/3, ne generisati dolazak
Korak 2. Za sluajan broj R = 0.5530,
E = -5ln(0.553) = 2.96
t = 13.13 + 2.96 = 16.09
Korak 3. Generisati R = 0.0240
(16.09)/*=(1/15)/(1/5)=1/3
tada je R<1/3, T1 = t = 16.09,
ii=i+1=2

Modelovanje ulaza
49. Koraci pri modelovanju ulaza.
Ulazni modeli predstavljaju pokretaku snagu za simulacioni model.
Kvalitet izlaza ne moe biti bolji od kvaliteta ulaza.
Analizirae se 4 koraka razvoja ulaza modela:
1. Prikupljanje podataka iz realnog sistema
2. Identifikovanje raspodelu verovatnoe koja predstavlja ulazni proces
3. Odreivanje parametara raspodele
4. Procena odabrane raspodele

50. Prikupljanje podataka. Predlozi za efikasnije prikupljanje.

Jedan od najveih zadataka pri reavanju realnog problema
Primeri
Zastareli podaci drugaiji postupci prikupljanja
Neoekivani podaci kanjenje detektora metala
Vremenski promenljivi podaci Call centar (camel hump)
Zavisnost podataka pia u sezoni
Predlozi za poboljanje i olakanje u prikupljanju podataka:

 Planiranje unapred: Bazirati se na iskustvu i ranije obraenim podacima, paziti na

neoekivane okolnosti
Analizirati adekvatnost podataka koji se prikupljaju (filtrirati podatke izostaviti
suvine podatke)
Kombinovati homogene skupove podataka, npr. Uzastopnih vremenskih perioda i u
razliitim danima,
Biti svestan filtriranja podataka: nisu kompletni
podaci preuzeti, gubici u dugomprenosu podataka
ili
je analitiar prevremeno prekinuo proces
Proveriti da li postoji veza izmeu promenljivih
Proveriti autokorelacije (npr. Vreme servisiranja
itog klijenta moe biti u korelaciji sa vremenom
servisiranja (i+n)-tog klijenta)
Prikupiti ulazne podatke, a ne podatke o performansama ili izlazima

51. Identifikovanje raspodele ulaza.

Histogrami
Izbor familija raspodela
Parametarska estimacija
Testovi fitovanja (Goodness-of-fit)
Fitovanje nestacionarnog procesa

52. Histogrami. Karakteristike.

Raspodela frekvencija ili Histogram je koristan nain za odreivanje oblika raspodele
1. Vri podelu opsega podataka na intervale (obino jednake duine).
2. Oznaava horizontalnu osu u skladu sa odabranim intervalima.
3. Odreuje frekvenciju dogaaja u svakom intervalu.
4. Oznaava vertikalnu osu tako da se ukupni broj dogaaja mogu prikazati za
svaki interval.
5. Iscrtava frekvencije na vertikalnoj osi.
Broj klasifikovanih intervala zavisi od:
Broja merenja (podataka)
Disperzije podataka
Preporuka: kvadratni koren veliine uzorka
Za kontinualne podatke:
Histogram odgovara funkciji gustine verovatnoe neke raspodele
Za diskretne podatke:
Odgovara raspodeli verovatnoe
Za veliki broj taaka podataka se formiraju elije za svaki opseg u koje se
smetaju podaci iz tog opsega
Ako su u podaci poznati u nekoliko taaka: pravi se odreena kombinacija susednih
elija

53. Izbor familije raspodela. Preporuke za izbor odreene raspodele.

Familija raspodela se bira na osnovu:
Konteksta ulazne promenljive
Oblika histograma
esto se pojavljuju raspodele:
Lake za analizu: eksponencijalna, normalna i Poasonova
Tee za analizu: Beta, Gama i Weibull
Korienje fizike osnove raspodele kao smernice, na primer:
Binomna: broj uspeha u n nezavisnih testova
Primer: broj raunarskih komponenti koji se moraju ispitati da bi se nala
4 neispravna
Poasonova: broj nezavisnih dogaaja koji se deavaju u odreenom broju u
odreenom vremenu i/ili prostoru

 Primer: Broj klijenata koji dolaze u prodavnicu u toku jednog sata, broj
defekata koji se pronau na 30m2 lima metala
Normalna: raspodela procesa je zbir broja komponenti procesa
Primer: vreme potrebno za sklapanju proizvoda je jednako zbiru
vremena potrebnog za svaku operaciju pri sklapanju
Napomena: dozvoljava negativne vrednosti (nije mogue za vreme)
Eksponencijalna: vreme izmeu nezavisnih dogaaja ili vreme procesa bez
pamenja
Primer: Vremena meudolazaka velike populacije potencijalnih klijenata
Veoma varijabilna, previe upotrebljavana zbog prilagodljivog modela
Ako je vreme meudolazaka eks, broj dogaaja u odr. vremenskom
periodu je Poas.
Weibull: vreme do otkaza komponente
Primer: vreme do otkaza hard diska
Eksponencijalna je specijalan sluaj Weibull raspodele
Diskretna ili kontinualna uniformna: modeli potpune neizvesnosti (kada
nema podataka)
Svi ishodi su podjednako verovatni
Trouglasta: Proces kod koga je poznata minimalna, najverovatnija i
maksimalna vrednost
Primer: minimalna, najverovatnije i maksimalno vreme potrebno za
testiranje proizvoda
Empirijska: ponovno uzorkovanje prikupljenih podataka
esto se koristi kada se ne moe teorijski odrediti odgovarajua
raspodela
Zapamtiti fizike karakteristike procesa
Da li je priroda procesa diskretna ili kontinualna? Da li je ogranien?
Opseg
vrednosti:
Cilj: dobiti dobru aproksimaciju rezultati simulacije

54. Testovi fitovanja. p- Vrednosti i najbolje provene.

Testiranje hipoteza o raspodeli ulaznih podataka pomou:

Kolmogorov-Smirnov testa
Chi-square testa
Ne postoji nijedna potpuno tana raspodela u realnim aplikacijama.
Ako je na raspolaganju malo podataka, malo je verovatno da se odbaci neki od
kandidata za raspodelu
Ako postoji veliki broj podataka, verovatno e se odbaciti svi kandidati za
raspodelu
p-Vrednosti i Najbolja procena
Hipoteze koje se testiraju zahtevaju toleranciju (nivo pouzdanosti)
Tolerancija () je i verovatnoa neopravdanog odbacivanja hipoteze H0
Najee se usvajaju vrednosti:
= 0.1,
= 0.05,
= 0.01.
Treba imati u vidu da nivo pouzdanosti ne govori nita o prirodi testa
Generalizacija nivoa pouzdanosti: p-Vrednosti
p-Vrednosti za testove koriste ih mnogi softveri
Tolerancija (nivo pouzdanosti) - za koju se odbacuje hipoteza H0 za date
statistike vrednosti. (granina-kritina vrednost)
Mera poklapanja vea tolerancija - bolje
Vea p-vrednost: bolje poklapanje vei rizik
Manja p-vrednost: loije poklapanje insistiranje na manjem riziku
Primer: Dolazaka vozila na raskrsnicu:
H0: podaci su sa Poasonovom raspodelom
Test :
, sa 5 stepeni slobode

 p-vrednost: F(5,27.68)= 0.00004, znai da e se odbaciti hipoteza H0 sa

0.00004 tolerancijom, pa e Poasonova biti odbaena (ako se zna da je
odbaena za toleranciju 0.05, tada e biti odbaena i za manju toleranciju).
Mnogi softverski paketi koriste p-vrednost kao mernu vrednost za automatsko
odreivanje najbolje procene. Treba obratiti panju da:
Softver ne moe poznavati poreklo i nain dobijanja podataka (i sistem),
familije raspodele koja se predlae moe biti neadekvatna.
Usaglaenost sa podacima ne daje uvek najprikladniji ulazni model. Npr.
Erlangova i eksponencijalna raspodela su specijalni sluajevi Gama raspodele, a
eksponencijalna je i
spec. sluaj
Weibull raspodele.
Automatsko
procenjivanje nalazi
prvu
raspodelu koja
zadovoljava
uslov (ne uvek i
najbolju).
p-vrednost se odnosi na zbirnu statistiku, a ne govori o tome gde se javilo
najvee odstupanje (grafike metode to pokazuju)
Preporuke: Uvek proveravati rezultate automatske selekcije sa grafikim metodama.

55. Fitovanje nestacionarnog Poasonovog procesa.

Fitovanje NSPP sa ulaznim podacima je teko, mogui pristupi:
1. Izabrati veoma fleksibilan model sa puno parametara primeniti metod ili
2. Aproksimacija konstantne brzine dolazaka u nekom osnovnom intervalu, i
njena promena od intervala do intervala (t)
Ako je potrebno modelovati dolaske u vrem. intervalu [0,T], drugi pristup je
najprikladniji kada se moe:
Ponoviti praenje u vremenskom intervalu [0,T],
Brojati dolasci beleiti vremena dolazaka,
Podelite vremenski period u k jednakih intervala duine L= T / K
Tokom n posmatranih perioda neka je Cij broj dolazaka tokom i-tog intervala na
j-tom periodu
Procenjena stopa dolazaka tokom i-tog vremenskog perioda je:

gde je:
n = broj razmatranih perioda,
t = duina vremenskog intervala
Cij = broj dolazaka u toku i-tog intervala na j-tom periodu (npr. danu)
Primer: Podeliti 10-asovni radni dan [8,18] u jednake intervale k = 20 sa duinom t
= 1/2, i za posmatrana n =3 dana

56. Izbor modela ulaza bez podataka.

Ako podaci nisu dostupni, mogui izvori informacija o procesu su:
Kataloki podaci: esto proizvod ili proces imaju karakteristike koje propisuje
proizvoa ili kompanija po posebnim standardima.
Ekspertske informacije: ljudi sa iskustvom i znanjem o procesu ili slinim
procesima, obino mogu da preporue optimistiku, pesimistiku, i najee
pojavljivanu vrednost neke promenljive.
Fizika ogranienja: fizike granice performansi, ogranienja i opseg ulaznog
procesa.

 Priroda procesa.
Kao model ulaza obino se koriste uniformna, trouglasta i beta raspodela.
Primer: Planiranje proizvodnje
Ulaz je obim prodaje razliitog proizvoda koji se zahteva, prodavac proizvoda
XYZ tvrdi da:
Prodavae se ne manje od 1000 jedinica i ne vie od 5000 jedinica.
S obzirom na iskustvo, prodavac veruje da su 90% anse da se proda
vie od 2000 jedinica, a 25% anse da se proda vie od 3000 jedinica, i
samo 1% anse za prodaju vie od 4000 jedinica.
Prevoenjem datih informacija u kumulativne verovatnoe dobija se:

Verifikacija i validacija modela

57. Verifikacija i validacija modela. Ciljevi. Mesto u procesu simulacije.
Validacija i verifikacija simulacionog modela spadaju meu najvanije i najtee zadatke
modelara
Cilj procesa validacije je:
Kreiranje modela koji dobro opisuje ponaanje sistema tako da se model moe
koristiti kao zamena za stvarni sistem, u cilju eksperimentisanja na sistemu,
analize ponaanja i previanja performansi sistema
Da se povea kredibilitet modela na prihvatljiv nivo koji se moe koristiti od
strane menadera i drugih donosioca odluka
Validaciju ne treba posmatrati kao proceduru koja je odvojena od razvoja modela, ve
je ona sastavni deo razvoja modela.
Validacija je proces pomou koga korisnici modela stiu poverenje da analiza izlaza i
izvedeni zakljuci odgovaraju razmatranom sistemu

Verifikacija ispravna izgradnja modela (pravilna implementacija sa dobrim ulazima i

strukturom)
Vri se poreenje konceptualnog modela i softverske reprezentacije koja ga
implementira
Pitanja: da li je model korektno softverski implementiran?...da li su ulazni
parameri i logika struktura modela korektno predstavljeni?
Validacija brine se o izgradnji korektnog modela
Pokuava da potvrdi da je model tana predstava stvarnog sistema
Obino se postie kroz kalibraciju iterativni proces poreenja ponaanja
modela i stvarnog sistema, i korienje eventualnih razlika za poboljanje
modela
Veina metoda su neformalna subjektivna predvianja, dok su nekolicina formalne
statistike procedure
Izgradnja modela, verifikacija i validacija
1. Prvi korak u izgradnji modela je posmatranje realnog sistema
Interakcija komponenti, prikupljanje podataka
Iskoristiti znanja eksperata
U toku razvoja modela se moe povremeno vratiti na ovaj korak
2. Izgradnja konceptualnog modela
Pretpostavka o komponentama i strukturi sistema
Hipoteze o ulaznim parametrima

3. Implementacija operativnog modela korienjem softvera (ugradnja pretpostavki iz

konceptualnog modela)

58. Preporuke za verifikaciju simulacionog modela.

Neke od zdravorazumskih sugestija su:
1. Neka neko drugi proveri model.
2. Napraviti blok dijagram koji obuhvata svaku logiku akciju u sistemu u sluaju nekog
dogaaja.
3. Detaljnije ispitati izlaz modela za razliite ulazne parametre.
4. tampanje ulaznih parametara na kraju simulacije, da se bude siguran da li su se
sluajno u meuvremenu izmenili.
5. Kreirati dobro dokumentovan (sa komentarima) simulacionimodel precizne
definicije parametara, i opis svakog podmodela, procedure, komponente
6. Ako model ima animacija - proveriti putem animacije da li se oponaa ponaanje
stvarnog sistema
7. Prikaz simulacije preko debugger-a kontrola greaka
Korak po korak provera vrednosti promenljivih
8. Korienje grafikog oblika dokumentovanja modela. Grafiki interfejs se moe
koristiti za verifikaciju i validaciju modela

59. Kalibracija i validacija. Trokorani pristup.

Verifikacija i validacija se obino sprovode istovremeno (iako su konceptualno razliite)
Validacija: ukupan proces poreenja modela i njegovog ponaanja sa realnim
sistemom.
Kalibracija: iterativni postupak poreenja modela sa realnim sistemom i dodatna
prilagoavanja modela.
Testovi mogu biti:
Subjektivni - obino ukljuuju ljude koji imaju znanja o jednom ili vie
aspektu ponaanja sistema i donose sud o modelu i njegovim izlazima
Objektivni testovi zahtevaju podatke o ponaanju sistema i
odgovarajue podatke dobijene iz modela
Statistiki testovi se sprovode za poreenje nekog aspekta sistema i modela
dovode do revizije konceptualnog i/ili operacionog (simulacionog) modela
Kritina situacija za kalibraciju:
1. validacija se vri samo za jedan skup skup originalnih podataka iz sistema,
2. za finalnu validaciju se koristi drugi skup podataka
3. ako se na kraju javi greka mora se ponoviti kalibracija
Nijedan model ne moe savreno reprezenovati sistem
Modelar mora da izvaga mogunosti poveanja tanosti u odnosu na cenu
poveanja dodatnih napora.
Validacija modela - Trokorani pristup
1. Izgraditi model koji ima visok nivo validnosti (oigledna validnost).
2. Validirati pretpostavke modela.
3. Porediti ulazno-izlazne transformacije modela sa podacima iz realnog sistema.
1. Oigledna validnost
Obezbediti visok stepen realizma: Potencijalni korisnici treba da budu ukljueni u
izgradnju modela (od njegove konceptualizacije do implementacije).
Analiza osetljivosti se moe koristiti za proveru ispravnosti modela.
Primer: U veini sistema sa redovima ekanja, ako se povea stopa dolazaka
klijenata, oekuje se da to uzrokuje poveanje iskorienosti servera, duine
reda ekanja i vremena ekanja u
redu.
Modelar nakon izgradnje modela ima oseaj kako treba da se menjaju pojedini
izlazni parametri (bar trend promene) sa poveanjem ili smanjenjem ulaznih
promenljivih

 Mogu se izabrati za testiranje samo najkritinije ulazne promenljive ako je

testiranje svih skupo ili vremeski zahtevno
2. Validiranje pretpostavki modela
Opte klase pretpostavki modela:
1. Strukturne pretpostavke:
kako sistem funkcionie,
pojednostavljenje i apstrakcija realnosti.
2. Pretpostavke o podacima:
pouzdani podaci i
korektna statistika analiza podataka.
Strukturne pretpostavke
Primer Banke: klijenti ekaju i usluuju se u banci.
klijenti ekaju u jednom redu (ili u vie?),
servisiraju se po FCFS pravilu.
broj slubenika je fiksan (ili promenljiv)
Prebacivanje iz jednog reda u drugi
Strukturne pretpostavke se mogu proveriti:
praenjem rada sistema u nekom periodu
razgovorom sa menaderima banke ili slubenicima
Pretpostavke o podacima
Primer Banke: klijenti ekaju i usluuju se u banci.
vremena meudolazaka klijenata,
vremena meudolazaka u periodu pauze ili van radnog vremena,
vremena servisiranja za poslovne raune,
vremena servisiranja za privatne raune.
Pretpostavke o podacima se mogu proveriti:
razgovorom sa menaderima banke koji identifikuju tipine dinamike u sistemu
Kombinacija dva ili vie skupa podataka za razliita vremena homogeni
statistiki skup
Analiza ulaznih podataka
1. Identifikovati odgovarajuu raspodelu verovatnoa
2. Estimacija parametara hipotetike raspodele
3. Validacija pretpostavljenih statistikih modela pomou testova korektnosti
fitovanja, kao to su Chi-square ili Kolmogorov-Smirnov test, ili pomou grafikih
metoda
Korienje testova korektnosti fitovanja je vaan deo validacije pretpostavljenih
podataka.

60. Validacija ulazno-izlaznih transformacija.

Cilj: Proveriti sposobnost modela da predvidi budue ponaanja
Testiranje modela kao celine.
Ako se ulazne promenljive poveavaju ili smanjuju (npr. frekv. meudolazaka),
model treba da predvidi ta e se tano deavati u realnom sistemu
Struktura modela bi trebalo da bude dovoljno precizna da bi dala dobre
prognoze za opsege ulaznih skupova podataka koji su od interesa (ne samo za
jedan ulazni skup podataka)
U ovom procesu se model posmatra kao ulazno-izlazna transformacija

Za validaciju IO transformacije neke verzije sistema moraju da postoje.

Ukoliko nema sistema, druge tipove validacije bi trebalo koristiti
Moda postoje samo podsistemi
Ako je sistem u planiranom stanju i ne mogu se prikupiti operativni podaci,
ulazno-izlazna validacija nije mogua
Prebacivanje na novi skup ulaznih podataka moe uzrokovati promene u simulacionim
modelu i zahtevati ponovnu validaciju
Ovo je zanimljiv problem validacije koji se odnosi na testove ta bi bilo kad bi
bilo
Mogui pristup: koristiti istorijske podatke koji su namenjeni samo za proces validacije
(ako se jedni podaci koriste za kalibraciju i validaciju -> drugi za finalnu validaciju)
Kriterijum: koristiti odgovore na kljuna pitanja (od interesa)

Analiza izlaza
61. Interval pouzdanosti.

Za potpuno razumevanje intervala pouzdanosti, vano je napraviti razliku izmeu mere

greke i mere rizika, odnosno intervala pouzdanosti i intervala predvianja.
Oba intervala pretpostavljaju da se simulacioni podaci dobro predstavljaju statistikim
modelom
Pretpostavimo da model ima normalnu raspodelu sa srednjom vrednou i
varijansom 2 (obe su nepoznate).
Neka je Yi proseno vreme ciklusa za delove proizvedene na i-tom (danu) testu
simulacije (njegovo matematiko oekivanje je ).
Proseno vreme ciklusa e varirati iz dana u dan, ali e dugoroni prosek biti
blizak .
Prirodni estimator za za R nezavisnih testova je
Greka: Y nije ve estimacija. Interval pouzdanosti je mera te greke.
Varijansa uzorka posle R testova je:

Interval pouzdanosti (CI confidence interval):

Mera greke.
Uobiajeni CI podrazumeva da Yi. imaju normalnu raspodelu.
Ne moe se pouzdano znati koliko je udaljena od ali interval pouzdanosti
ograniava tu greku.
Interval pouzdanosti, kao to je 95%, nam govori koliko moemo verovati da je
odstupanje od unutar granica intervala (zbog toga ga nazivamo i interval
poverenja)
to se vie replikacija simulacije odradi, manja greka e biti u .
(konvergencija na 0 kad R ->)
Interval predikcije(PI prediction interval):
Mera rizika.
Dobra pretpostavka za proseni vremenski ciklus na odreeni dan je na
estimator ali je neizvesno da e biti zaista dobar.

 PI je dizajniran da bude dovoljno irok da sadri stvarno proseno vreme

ciklusa na bilo koji dan sa visokom verovatnoom.
Normalna teorija intervala predikcije:
Duina PI nee ii ka 0 kada se R poveava, jer nikada se ne moe simulirati
daleki rizik.
Interval predikcije je
ogranien sa: z/2

62. Merenje performansi.

Takasti estimator.

Razmatra se procena parametra performansi (ili ) simuliranog sistema.

Diskretni podaci: [Y1, Y2, , Yn], sa srednjomvrednou :
Kontinualni podaci: {Y(t), 0 t TE} sa vremenski ponderisanom srednjom
vrednou:
Procene smera performansi se mogu podeliti na dva tipa:
1. Takaste procene
2. Intervalske procene
Takasta procena (Point estimation) za diskretne podatke.
Takasti estimator
Procena je
nepristrasna ako joj je oekivana vrednost , i
ako je: E () =
Procena je
pristrasna ako je E () ,
ta da se E () - , naziva odstupanje u taki
Takasta procena za kontinualne podatke.
Takasti estimator:
Da li je
pristrasan u celini gde: E (^)

Estimator - nepristrasan ili niske pristrasnosti je

poeljan.
Obino se mere performansi mogu posmatrati preko ili :
- npr. deo dana u kome se prodaja ne ostvari zbog praznog magacina
(iscrpljene zalihe) je:
npr. deo vremena kada je duina reda vea od k 0:

Posebne mere performansi: kvantil ili percentil opisuju nivo performansi koje mogu biti
isporuen sa datom
verovatnoom
p
Estimacija kvantila: inverzni problem procene proporcije ili verovatnoe.
Npr. Za 0.85 kvantil od Y je p=0.85
Posmatra se histogram sluajne promenljive Y:
Nai tako da 100p% histograma bude levo od (manje od) .
esto se koristi medijana koja je 0.5 kvantil ili 50-ti percentil
Primer: ako se posmatra 250 ekanja klijenata {Y1, ... Y250}, estimacija 85-tog
percentila ekanja je vrednost takvo da se je 0.85250213 od posmatranih
vrednosti manja ili jednaka

63. Interval pozdanosti sa specifinom preciznou.

Pola duine
pouzdanosti
raspodele se

intervala H od 100(1 )% intervala

za srednju vrednost , na osnovu t
rauna kao:

Pretpostavimo da kriterijum greke () je specificiran sa verovatnoom 1 - , za

dovoljno velik uzorak treba da bude zadovoljeno da je:
P(| - | < ) 1 -
Pretpostavimo da je dobijen inicijalni uzorak od R0 (nezavisnih) replikacija.
Odredi se inicijalna procena S02 za populaciju varijanse 2.
Zatim, izabere se uzorak veliine R tako da je R R0:
Poto je t/2,R-1 z/2, poetna
procena za R je:
R je najmanji ceo broj
Sakupi se dodatnih R - R0
100(1-)% interval

koji zadovoljava R R0 i
grupa uzoraka.
pouzdanosti za :

Primer Call Center: proceniti iskorienost agenta tokom prva 2 sata radnog dana.
Poetna vrednost uzorka veliine R0 = 4 je usvojena i inicijalna procena
varijanse uzorka je
S02 = (0.072)2 = 0.00518.
Dozvoljena greka je = 0.04, a interval poverenja je 1- = 0.95, tada,
konana veliina uzorka mora biti bar:
Za konanu veliinu uzorka:

R = 15 je najmanji ceo broj koji zadovoljava kriterijum o greci, pa R - R0 = 11

dodatne replikacija su neophodne.

64. Inicijalizacija. Podela na faze. Proseci.

Metode za smanjenje odstupanja takastog estimatora izazvane vetakim i nerealnim

poetnim uslovima u stacionarnom stanju:
Pametna inicijalizacija.
Podeliti simulaciju na inicijalnu i fazu prikupljanja podataka.
Pametna inicijalizacija
Inicijalizacija simulacije u stanje koje je reprezentativno za dugorone uslove.
Ako sistem postoji, prikupljanje podataka o njeme i korienje ovih podataka za
specificiranje tipinih poetnih uslova.
Ako se sistem moe dovoljno pojednostaviti da bude matematiki reiv, npr.
model sa redom ekanja, reavanje pojednostavljenog modela da bi se pronali
dugoroni oekivani ili najverovatniji uslovi (npr. oekivana broj klijenata u
redu) analitika reanja se koristi za inicijalizuje simulaciju.
Inicijalizacija dvofazni metod
Podeliti svaku simulaciju u dve faze:
Inicijalna faza, od 0 do trenutka T0.
Faza prikupljanja podataka, od T0 do vremena zaustavljanja T0+T.
Veoma je vaan izbor vremena T0:
Nakon T0 , ponaanje sistema bi trebalo da bude skoro stabilno
(ustaljeno stanje).

 Sistem je uao u stabilan reim: verovatnoa raspodele stanja sistema je bliska

verovatnoi raspodele u ustaljenom stanju
Primer M/G/1 sistema sa redom ekanja: Ukupno se izvrava 10 testova.
Svaki test poinje sa praznim sistemom i neaktivnim (slobodnim) stanjem
servisa.
Duina trajanja simulacije na svakoj replikaciji je T0+T = 15000 min.
Promenljiva odziva (rezultat): duina reda LQ(t,r) (u trenutku t u r-tom testu).
Paketni intervali od 1000 min, paketne srednje vrednosti
Proseci ansambla:
Za identifikaciju trenda u podacima u toku inicijalizacije
Prosek koji odgovara ukupnoj srednjoj vrednosti za j-ti paket nakon R testova:

Pri emu je

Poeljan metod za odreivanje taaka za brisanje.

Ukupni proseci ansambla j i kumulativni proseci (j, d) sa brisanjem
Estimatori poveavaju vrednost
kada se vie podataka obrie:
(15,2) = 8.43, (15,1) =
8.21, (15,0) = 7.94
Grafik globalnih proseka (n, d) , za 1000j,
for j = 1,2, ,15.
Ilustruje smanjanje uticaja
inicijalizacije tokom vremena,
brisanjem pojedinih taaka, uticaj
inicijalizacije na takastu procenu se
moe dodatno smanjiti.

Kumulativni prosek uzorka (nakon

brisanja d observacija):

Nije preporuljivo da se odredi faza

inicijalizacije na osnovu kumulativnik
proseka.
Odstupanje se moe smanjiti
brisanjem jedne ili vie observacija.

65. Procena greke.

Procena greke za stacionarno stanje simulacije
Za kovarijansu stacionarnih vremenskih serija, {Y 1, , Yn}:
k-korana autokovarijansa:
k-korana autokorelacija:
Ako vremenska serija ima stacionarnu kovarijansu, tada je varijansa od :

Oekivana vrednost procene varijanse je:

Procena greke
a) Stacionarna vremenska serija Yi ima pozitivnu
autokorelaciju.
k > 0 za skoro svako k
b) Stacionarna vremenska serija Yi ima negativnu autokorelaciju.
k < 0 za skoro svako k
c) Nestacionarna vremenska serija sa trendom rasta
Oekivana vrednost procene varijanse je:

Ako je Yi nezavisna, tada je S2/n nepristrasan estimator za V ()

Ako su autokorelacije k primarno pozitivne, tada je S2/n malo pristrasan estimator za
V ().
Ako je autokorelacija k izrazito negativna, tada S2/n je vie pristrasan estimator za V
().

66. Metoda replikacije.

Koristi se za procenu takastog estimatora varijabilnosti i za izgradnju intervala

pouzdanosti.
Pristup: napraviti R replikacija, inicijalizaciju i brisanje iz
svake na isti nain.
Vano je temeljno istraiti uticaj inicijalnog stanja:
Na inicijalni uticaj se utie broj replikacija, umesto toga, na njega se moe
uticati samo brisanjem vie podataka, (tj., poveanjem T 0) ili produavanjem
izvravanja (tj. poveanjem T).
Osnovni izlazni podaci {Yrj, r = 1, ..., R; j = 1, , n} se mogu dobiti:
1. Pojedinanim posmatranjem unutar replikacije r (npr. ekanje klijenta j u
redu).
2. Prosecima grupe Yrj iz replikacija r za neki broj diskretnih observacija.
3. Prosecima grupe kontinualnih procesa tokom vremenskog intervala j
(prosena duina reda u intervalu [1000(j-1), 1000j])
Svaka replikacija se smatra kao jedan uzorak za procenu . Za replikaciju r:
Ukupna takasta estimacija:

Ako su izabrane velike

n,d ~ .
(n, d) je priblino

vrednosti za d i n:
nepristrasan (unbiased) estimator sa .

 Za procenu standardne greke za , varijansa uzorka i standardna greka su:

Za procenu standardne greke za , varijansa uzorka i standardna greka su:

Duina svake replikacije (n) bez izbrisanih taaka (d):

(n - d) > 10d
tj. TE 10T0
Broj replikacija (R) treba da bude koliko vreme to dozvoljava, do oko 25 replikacija.
Ako nije vremenski mogue izvesti vie od 25 replikacija, tada treba izvesti 25
aplikacija koje traju
due od T0 + 10T0
M/G/1 primer reda ekanja:
Neka je R = 10, svaka duine T = 15000 min, sa poetkom u trenutku 0 u
praznom i neaktivnom stanju, inicijalizovan za T0 = 2000 min pre poetka
prikupljanja podataka.
Svaka serija srednjih vrednosti je prosean broj klijenata u redu za 1000
minutni interval.
Prve dve srednje vrednosti iz serije se briu (d = 2).
Takasti estimator i standardna greka su (=0.05, t /2,R-1= t0.025,9=2.26):
(15,2) = 8.43
s.e.((15,2)) = 1.59
95% interval pouzdanosti za srednju vrednost duine reda je:

Visok stepen poverenja da je dugorona prosena duina reda izmeu 4.84 i

12.02 (ako su d i n dovoljno veliki).

67. Veliina uzorka.

Za procenu dugorone mere performansi , u okviru sa pouzdanou 100(1-)%.
M/G/1 red ekanja (nastavak):
Poznato: R0 = 10, d = 2 i S02 = 25.30.
Za procenu dugorone srednje duine reda LQ, u okviru = 2 klijenta sa 90%
pouzdanosti(=10%).
Inicijalna procena:

Tada, bar je potrebno bar 18 replikacija, R = 18,19, uz R (t0.05,R-1S0 /)2

Utvrdi se da je:
Dodatne replikacije su potrebne:
R R0 = 19-10 = 9.
Alternativa poveanju R je poveanje ukupne duine trajanja simulacije T0+T u
svakoj replikaciji.
Pristup:
Poveanje duine izvravanja sa (T0+TE) na (R/R0)(T0+TE), i

 Brisanje dodatne koliine podataka od vremena 0 do (R/R0)T0.

Prednosti: svaka pristrasnost u estimiranoj taki se treba smanjiti.
Meutim, neophodno je da se sauva stanje modela u vremenu T0+TE i biti u
stanju da se restartuje model.

Poreenje i evaluacija razliitih dizajna sistema

Cilj: poreenje sistema sa razliitim dizajnom(konfiguracijom).
Pristup: analizirati pojedine statistike metode koje se mogu koristiti za poreenje dva ili vie dizajna
nekog sistema.
Statistika analiza je neophodna da se otkrije da li su uoene razlike nastale zbog:
Razlike u dizajnu, ili
Sluajne fluktuacije sadrane u modelu.
Za poreenje dva sistema:
Nezavisno uzorkovanje.
Korelisano uzorkovanje (zajedniki sluajni brojevi).
Za poreenje vie sistema:
Bonferroni pristup: procena intervala pouzdanosti i izbor najboljeg sistema.

68. Poreenje dva dizajna sistema.

Cilj: uporediti dve mogue konfiguracije sistema

npr. dve mogue strategije porudbina u sistemima sa lancima snabdevanja,
dva mogua pravila naruivanja.
Pristup: Metoda ponavljanja (replikacija) je koriena za analizu izlaznih podataka.
Prosena mera performansi sistema i je oznaena sa i (i = 1,2).
Dobijanje take i intervala procene za razliku u performansama 1 2.
Tehniki pregled vozila - primer:
Stanica obavlja 3 posla: (1) proveru konica, (2) proveru rada farova, i (3) test
upravljanja (volan).
Dolazak vozila: Poasonova proces sa frekvencijom= 9.5/h.
Sadanji sistem:
Tri paralelna boksa (za jedno vozilo se rade sva tri testa u jednom
boksu).
Vremena servisiranja za 3 posla: normalna raspodela sa srednjim
vrednostima 6.5, 6.0 i 5.5 minuta, respektivno.
Alternativni sistem:
Svaki serviser je specijaliz. za jedan task, svako vozilo prolazi kroz 3
radne stanice u seriji
Srednje vreme servisiranja za svaki posao opada za 10% (5.85, 5.4, i
4.95 minuta).
Mera performanse: srednje vreme usluivanja po vozilu (ukupno vreme od
dolaska vozila do odlaska iz sistema).
Od replikacije r sistema i, analitiar simulacije dobija procenu Yir za srednju vrednost
mere performanse i
Pod pretpostavkom da su procene Yir (bar priblino) nepristrasne:
1 = E(Y1r ), r = 1, , R1
2 = E(Y2r ), r = 1, , R2
Cilj: izraunati interval pouzdanosti za 1 2 da bi se uporedila dva dizajna sistema

 Interval pouzdanosti za 1 2 (c.i.):

Ako je c.i. Potpuno levo od 0, jak dokaz za hipotezu da je 1 2 < 0 (1 < 2 ).

Ako je c.i. Potpuno desno od 0, jak dokaz za hipotezu da je 1 2 > 0 (1 > 2 ).

Ako c.i. Potpuno sadri 0, nema jakih statistikih dokaza da je jedan sistem bolji
od drugog

Ako nema dovoljno prikupljenih dodatnih podataka (tj. Ri uveana), c.i. e se

najverovatnije pomeriti, a definitivno e se suziti, do zakljuka 1 < 2 ili 1 > 2.

69. Poreenje vie dizajna sistema. Bonferroni pristup.

Za poreenje K alternativnih dizajna sistema

Na osnovu neke specifine mere performanse i sistema i , za i = 1, 2, , K.
Procedure su klasifikovane kao:
Procedure sa fiksnom veliinom uzorka: unapred definisan uzorak se koristi za
izvoenje zakljuaka o testovima hipotezama za intervale pouzdanosti.
Sekvencijalno (viestepeno) uzorkovanje: sve vie podataka se skuplja dok
estimator sa specificiranom preciznou ne odabere jednu od alternativnih
hipoteza.
Neki ciljevi i pristupi za poreenje sistema:
Estimacija svakog parametra i ,
Poreenje svake mere performansi i sa kontrolnom 1.
Svi parovi i, - i se porede, za svako i j
Bira se najbolje i.
Bonferroni pristup
Za kreiranje iskaza (tvrdnje) o nekoliko parametara istovremeno (gde su svi iskazi
istovremeni).
Bonferroni-jeva nejednakost:

Ako je j manje, j-ti interval pouzdanosti e biti iri.

Osnovna prednost: nejednakost vai i kada modeli rade sa nezavisnim uzorcima ili
zajednikim sluajnim brojevima (CRN)
Osnovna mana: irina svakog individualnog intervala se poveava sa poveanjem broj
poreenja.
Treba da se koristi samo kada se pravi mali broj poreenja
Praktina gornja granica: oko 20 poreenja
3 mogue primene:
Pojedinani intervali pouzdanosti: Izgraditi 100(1- j)% interval pouzdanosti za
parametar i gde je broj poreenja = K.
Poreenje sa postojeim sistemom: Izgraditi 100(1- j)% interval pouzdanosti
za parametar

i 1 (i = 2,3, K), gde je broj poreenja = K 1.

Svi parovi: Za svaka dva razliita dizajna sistema, Izgraditi 100(1- j)% interval
pouzdanosti za parametar i j. Tada je ukupan broj poreenja = K(K 1)/2.
Bonferroni pristup za izbor najboljeg
Meu K dizajna sistema, treba pronai najbolji
Najbolji maksimalno oekivana performansa, gde i-ti dizajn ima oekivanu
performansu i.
Fokus na paramatrima: i maxjij za i = 1,2,...K
Ako je dizajn sistema i najbolji, postoji razlika u performansama izmeu
najboljeg i sledeeg najboljeg.
Ako je dizajn sistema i nije najbolji, postoji razlika u performansama izmeu itog sistema i najboljeg.
Cilj: verovatnoa odabira najboljeg sistema je bar 1 , kada je
i maxjij
I verovatnoa ispravnog izbora 1- i praktino znaajna greka , su pod
kontrolom.