1.

Komputerowe modelowanie wielkości losowych

Generowanie wielkości losowych odbywać może się przy wykorzystaniu generatorów sprzętowych
bądź programowych.

Nie jesteśmy w stanie generować prawdziwie losowych liczb, jednak możemy generować tak zwane
zmienne pseudolosowe, czyli ciągi liczb, które są nieprzewidywalne.

Cechy generatorów programowych:

- powtarzalność - programowe generatory są generatorami cyklicznymi. Wynika to z generowania

liczb na podstawie konkretnej, niezmiennej reguły. Cykle te jednak pozwalają na generowanie bardzo
długich ciągów liczb losowych bez ich powtarzania.

- pseudolosowość - należy zdawać sobie sprawę z tego, że otrzymane z generatora programowanego

liczby mają charakter pseudolosowy. Oznacza to, że każda kolejno uzyskana liczba nie jest liczbą
niezależną od poprzedniej, jednak rozpatrywane jako ciąg liczb cechują się pożądaną losowością.

- rozkład prawdopodobieństwa - cecha generatora mówiąca o tym do jakiego rozkładu

prawdopodobieństwa należy wytworzony przez niego ciąg liczb.

Rozkład jednostajny to podstawowy i najprostszy w uzyskaniu rozkład prawdopodobieństwa. Gęstość

prawdopodobieństwa takiego rozkładu jest stała co oznacza, że każda z liczb losowana jest z takim
samym prawdopodobieństwem. Ciąg liczb o takim rozkładzie posłużyć może do generowania bardziej
złożonych rozkładów. Realizacja generatora takiego rozkładu odbywa się poprzez funkcję piłokształtną
bądź wprost poprzez funkcję modulo.

Metoda odwrotnej dystrybuanty pozwala na generowanie liczb z dowolnego rozkładu

prawdopodobieństwa, pod warunkiem posiadania postaci analitycznej dystrybuanty F (wzoru na nią).
Polega ona na wyznaczeniu wzoru dystrybuanty odwrotnej F−1 , a następnie na utworzeniu ciągu z
liczb z wykorzystaniem liczb losowych z rozkładu jednostajnego.

Własności:

- wymagana znajomość analitycznej postaci dystrybuanty, dystrybuanta ta jest funkcją ciągłą i ściśle
rosnącą

- należy dokonać operacji odwrócenia dystrybuanty, co w wieli przypadkach może być bardzo
skomplikowane obliczeniowo

- do wygenerowania pojedynczej zmiennej losowej z rozkładu X potrzebna jest tylko jedna zmienna z
rozkładu jednostajnego

Metoda odrzucania

W przypadku, gdy nie posiadamy wzoru opisującego dystrybuantę danego rozkładu

prawdopodobieństwa, wykorzystać możemy metodę odrzucania. Do generacji liczb losowych z
przyjętego zakresu [a,b] wykorzystywana jest gęstość prawdopodobieństwa f oraz dwie zmienne
losowe z rozkładu jednostajnego: U 1[a, b] oraz U 2[0, d], gdzie:

d - stała, której wartość powinna przekraczać maksymalną wartość gęstości prawdopodobieństwa

Zmienna U1 odpowiada za współrzędną X wygenerowanego punktu, a zmienna U2 za współrzędną Y.

Następnie sprawdzane jest, czy dla argumentu U1, wartość U2 przekracza wartość funkcji w tym
punkcie f(U1).

Jeżeli U2 < f(U1) to wygenerowany punkt jest akceptowany i zapisywana jest współrzędna jako nasza
zmienna losowa.

Jeżeli U2 > f(U1) to wygenerowany punkt jest odrzucany i na nowo losowane są zmienne U1 oraz U2.

Właściwości:

- wymagana jest znajomość (analitycznej) postaci gęstości prawdopodobieństwa f

- jest to metoda stratna, tzn. w przypadku nie spełnienia warunku, wygenerowany punkt jest
kompletnie odrzucany i zmienne losowane są na nowo

- skuteczność zależna jest od przyjętego parametru d, im mniejsza skuteczność tym więcej należy
wygenerować par zmiennych losowych U1 oraz U2 w celu otrzymania jednej zmiennej losowej z
docelowego rozkładu prawdopodobieństwa

- nie wiemy ile razy trzeba wykonać pętlę, żeby otrzymać ustaloną ilość wyników

- jak rozkład będzie zły to większość liczb będzie odrzucana

 2. Podejście parametryczne i nieparametryczne w identyfikacji systemów
Identyfikacja systemu polega na znalezieniu modelu matematycznego opisującego jakiś system.
Sprowadza się do wyznaczenia zależności pomiędzy systemem wejściowym i wyjściowym. Ważne jest,
aby uwzględnić przy tym pewien nieznany sygnał zakłóceń.

Zadaniem identyfikacji jest wyznaczenie skończonej (znanej) ilości parametrów modelu na podstawie
zbioru obserwacji.

Parametryczne metody identyfikacji stosuje się, jeśli dysponujemy wystarczającą wiedzą aprioryczną
na temat struktury systemu oraz charakteru sygnału wejściowego i sygnału zakłócającego. Należy
sprowadzić zadanie identyfikacji do zadania wyznaczenia skończonej i znanej liczby parametrów
systemu.

- prowadzi do uzyskania opisu systemu w postaci modelu o zdefiniowanej strukturze

- aby zadziałała musimy znać dokładną charakterystykę systemu

- sprowadza się głównie do dobrania optymalnych parametrów i zminimalizowania błędu między

odpowiedzią rzeczywistego systemu oraz modelu

- da się je użyć często jeśli ograniczy się podzbiór sygnałów wejściowych do skończonej liczby punktów
odniesienia (wektorów nośnych)

Podstawowymi metodami identyfikacji modeli parametrycznych są:

- minimalna wartość błędu średniokwadratowego - celem jest minimalizacja wartości błędu

średniokwadratowego. Używa się jej głównie przy sygnałach stochastycznych (losowych)

- metoda najmniejszych kwadratów - często służy do estymacji i wyznaczania linii trendu. Końcowe
rozwiązanie minimalizuje sumę kwadratów błędów przy rozwiązaniu zestawu równań

- rekurencyjna metoda najmniejszych kwadratów - dedykowana jest dla sygnałów deterministycznych.

Cechuje się szybką zbieżnością, ale jest kosztowna obliczeniowo

Metody nieparametryczne stosujemy w sytuacjach, kiedy posiadamy jedynie ograniczoną informację

o danym systemie, a jej poszerzenie może okazać się zbyt kosztowne lub niemożliwe.

- prowadzi do uzyskania modelu w innej postaci, na przykład charakterystyki amplitudowo-fazowej,

funkcji odpowiedzi impulsowej

- nie znamy charakterystyki systemu

- nie znamy parametrów

Do modeli nieparametrycznych zaliczane są:

- histogram - najprostszy estymator gęstości. Jak się ustawi małą szerokość cel to po wygładzeniu
przypomina on w pewnym stopniu estymator jądrowy

- estymator jądrowy gęstości - przeznaczony do wyznaczania gęstości rozkładu zmiennej losowej na

podstawie próby. Zmienna może być jedno lub wielowymiarowa. I ponieważ jest nieparametryczny
nie trzeba wiedzy a’priori na temat rozkładu systemu
- ortogonalny estymator funkcji regresji (na przykład Gaussa-Mullera) - bazuje na rozwinięciu funkcji
w szereg ortogonaln
5. Postacie normalne odwzorowań, układów dynamicznych i układów
sterowania

Postać normalna - pewna szczególna postać wyrażenia, która dla specyficznych warunków jest
równoważna każdemu wyrażeniu z pewnego zbioru wyrażeń. Od postaci systemu zależy, jaki to będzie
zbiór i sens “równoważności”. Wyrażenie może mieć jedną postać normalną lub wcale

Odwzorowaniem jest przekształcanie elementów ze zbioru X w elementy zbioru Y. Przykładowo w

kinematyce odwzorowuje się funkcje pomiędzy układami współrzędnych, zmienia się np. zwykłe kąty
na kąty eulera.

Przykłady funkcji: homeomorfizm, dyfeomorfizm

Układ dynamiczny - model matematyczny rzeczywistego zjawiska, lub obiektu, którego ewolucja
wyznaczona jest jednoznacznie przez stan początkowy. Najczęściej opisany wektorowym równaniem
różniczkowym, zwanym równaniem stanu. Jest to system, który posiada stan zmieniający się w czasie.

Układ sterowania - to chyba to samo co układ dynamiczny, ale jeszcze ma dodatkową funkcję g(x),
która jest sterowaniem i ma wpływ na zachowanie układu.
6. Sprzężenie zwrotne w układach liniowych i nieliniowych

Sprzężenie zwrotne jest mechanizmem oddziaływania w formie bezpośredniej lub pośredniej zmian
na wyjściach danego systemu na stan jego wejść. Ideą działania sprzężenia zwrotnego jest
dostosowanie kolejnych odpowiedzi systemu na podstawie informacji dotyczących efektów własnego
działania. Sygnał uchybu stanowiący różnice pomiędzy sygnałem wejściowym i sygnałem sprzężenia
zwrotnego podawany jest do układu sterowania tak aby zminimalizować błąd i doprowadzić sygnał
wyjściowy do zadanej wartości. Sprzężenie zwrotne nazywamy dodatnim, gdy sygnał zwrotny z
sygnału wyjściowego doprowadzony jest do wejścia układu z tym samym znakiem co sygnał
wejściowy. Sprzężenie zwrotne nazywamy ujemnym, gdy sygnał zwrotny z wyjścia do wejścia układu
doprowadzony jest z przeciwnym znakiem niż sygnał wejściowy. Dążymy do tego, aby błąd był równy
zero, czyli żeby wartość wyjściowa była równa zadanej.

Po co są:

- pomagają eliminować zakłócenia

- poprawia stabilność układu

- w przypadku modeli nieliniowych często bez sprzężenia możemy nie być w stanie obiektem
sensownie sterować, bo nie umiemy dokładnie odtworzyć modelu

W układach nieliniowych zastosować można linearyzację poprzez sprzężenie zwrotne, która jest
jedną z podstawowych idei praktycznego podejścia do sterowania obiektami o charakterze
nieliniowym. W ogólnym podejściu polega ona na sprowadzeniu problemu nieliniowego do liniowego
poprzez zręczną podmianę zmiennych