Upload
phamtuong
View
218
Download
0
Embed Size (px)
Citation preview
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Modellierung und
Simulation 1
Prof. Dr. Henrik Schulze, Prof. Dr. Christian Lüders
Fachhochschule Südwestfalen
Standort Meschede
Fachbereich Ingenieur- und Wirtschaftswissenschaften
Tel.: 0291 / 99 10 -4300 | -4261
E-Mail: schulze.henrik | [email protected]
Kap. 4: Zuverlässigkeit und Verfügbarkeit
Kap. 5: Bediensysteme
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kap. 4: Zuverlässigkeit u. Verfügbarkeit
(in technischen Systeme)
4.1 Klärung wichtiger Begriffe
4.2 Zusammengesetzte Systeme
4.3 Stichproben und statistische Tests
Literatur
• A. Meyna, B. Pauli: Zuverlässigkeitstechnik – Quantitative Bewertungsverfahren, Hanser Verlag, 2010
• S. Eberlin, B. Hock: Zuverlässigkeit und Verfügbarkeit technischer Systeme : Eine Einführung in die Praxis,
Springer Fachmedien, 2014
• G. Linß: Qualitätssicherung – Technische Zuverlässigkeit, Hanser, 2016
• B. Bertsche, G. Lechner: Zuverlässigkeit im Fahrzeug- und Maschinenbau, Springer/VDI, 2004
• B. Bertsche, u.a.: Zuverlässigkeit mechatronischer Systeme, Springer/VDI, 2009
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.1 Wichtige Begriffe Fehler (Failure): Ein Objekt erfüllt seine vorgesehene Funktion nicht.
Objekt: Bauteil, technisches System, Industrieanlage
Fehlerrate: Fehlerwahrscheinlichkeit – Zahl zu erwartender Fehler
bezogen auf die Gesamtheit der betrachteten Objekte
Fehlerarten:
• vollständige Funktionsunfähigkeit
• eingeschränkte Leistungsfähigkeit
• Abweichung von Datenblättern / Spezifikationen
Behebbarkeit / Reparierbarkeit?
Dauer der Reparatur / des Austausches (Time to Repair)
Verfügbarkeit V (Availability): Wahrscheinlichkeit, dass System (zur Zeit t)
funktionsfähig
Unverfügbarkeit U = 1 – V
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Fehler in Stichproben: Binomial-Verteilung
Zufallsvariable mit zwei exklusiven Ereignissen:
• E1 (z.B. Bauelement defekt) – Fehler-Wahrscheinlichkeit p
• E2 (z.B. Bauelement intakt) – Wahrscheinlichkeit q = 1 – p
Wie groß ist die Wahrscheinlichkeit bei einer Stichprobe von n Bauelementen
in einer Gesamtheit von N Bauelementen (N >> n) k defekte zu finden?
, ( ) (1 ) , 0,1,2,...,k n k
n p
nb k p p k n
k
!:
! ( )!
n nBinomial Koeffizient
k k n k
0 1 1 0
1, 1,(0) 1 (1 ) 1 , (1) 1 (1 )p pb p p p b p p p Beispiel: n = 1 Ziehung
! 1 2 3 ... , 0! 1n n
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Binomial-Verteilung Beweis
Beweis über vollständige Induktion
• Aussage richtig für n = 1 (s.o.), Annahme: Aussage richtig für n - 1
• Nachweis der Richtigkeit für n:
, 1, 1,( ) ( 1) ( ) (1 )n p n p n pb k b k p b k p
( 1)! ( 1)!
( 1)! ( )! ! ( 1 )!
n n
k n k k n k
, ( ) (1 ) , 0,1,2,...,k n k
n p
nb k p p k n
k
1 1(1 ) (1 )
1
k n k k n kn n
p p p pk k
bisher:
k-1 Fehler
bisher:
k Fehler
kein
Fehler
jetzt:
Fehler
1 1
1
n n
k k
! !
! ( )! ! ( )!
k n n k n
n k n k n k n k
n
k
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kenngrößen der Binomial-Verteilung
Erwartungswert (für einen Fehler): E{K} = n p
(1 )K n p p
(1 )
0 ( )K p
C K für nE K n p
1 2
(1 )
pV K
n p p
0
0,05
0,1
0,15
0,2
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
p = 0,3 p = 0,5
0
0,05
0,1
0,15
0,2
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
p = 0,3 p = 0,5
Standard-Abweichung
Variationskoeffizient
n = 20
Schiefe
n = 40
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Übungen zur Binomial-Verteilung a) Berechnen Sie mit Matlab die Fakultäten von N = 1 | 2 | 3 | 4 | 5 | 6 !
b) Berechnen Sie die Gamma-Funktion: gamma(N+1)! Was fällt Ihnen auf?
c) Plotten Sie die Funktion gamma(x) in den Bereichen 1 bis 4 bzw. 1 bis 40
bei einer logarithmischen Auftragung der y-Achse! Was fällt Ihnen auf?
d) Plotten Sie die Wahrscheinlichkeitsdichte der Binomial-Verteilung für:
• n = 4, p = 0,1 bzw. n = 40, p = 0,01
e) Wahrscheinlichkeit bei 4 Ziehungen 2 oder mehr defekte Bauteile zu finden?
f) Vergleichen Sie die Binomial- und Poisson-Verteilung für µ = p n !
g) Fehlerrate p = 0,01: Wie groß muss man n wählen, dass bei n Ziehungen
nicht mehr als 1,05 p n Fehler auftreten?
h) Erzeugen Sie Binomial-verteilte Zufallszahlen und das zugehörige Histogramm!
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Zeitlicher Verlauf beim Ausfall von Objekten Zeit von einem Startpunkt bis zum Ausfall einer Baugruppe ist Zufallsvariable T mit
Wahrscheinlichkeitsfunktion (Failure): F(t) = PT(T ≤ t)
Ausfallwahrscheinlichkeit
Zuverlässigkeitsfunktion (Reliability): R(t) = 1 – F(t)
Überlebenswahrscheinlichkeit
Fehlerwahrscheinl. in Intervall Dt bei t: f(t) Dt
Mittlere Lebensdauer – Mean Time to Failure (MTTF)
Bei Reparatur: Mean Time Before Failure (MTBF)
Verfügbarkeit V: Wahrscheinlichkeit, dass funktionsfähig
Unverfügbarkeit U = 1 –V
= 1 – e–µt
= e–µt µDt
= e–µt
( )MTTF E T t f t dt
0
1µ tµ t e dtµ
Typisches Beispiel: Exponentieller Zerfall
MTBFV
MTBF MTTR
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Zeitlicher Verlauf beim Ausfall von Objekten
L10: Zeit (Life Time), nach der 10% der Bauelemente ausgefallen sind
a(t): Anteil der Bauelemente, die pro Zeitintervall Dt ausfallen, unter denen,
die bis zur Zeit t überlebt haben Erläuterung im Folgenden
L10 = –µ-1 ln(1 – 0,1)
a(t) = µ
Typisches Beispiel: Exponentieller Zerfall
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
)(
)|(BP
BAPBAP
Wahrscheinlichkeit, dass A eintritt unter der Bedingung, dass B vorliegt.
)(
)(
)(
)()|( AP
BP
BPAP
BP
BAPBAP
Falls A und B unabhängig sind:
Bedingte Wahrscheinlichkeit:
Wiederholung: Bedingte Wahrscheinlichkeiten
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Bsp: Würfeln mit 2 Würfeln
A: Augenzahlsumme 7
12/736/21)( AP
B: erster Würfel zeigt 6
6/1
6/1
)()|(
BP
BAPBAP
B: erster Würfel gerade
3
2
2/1
36/12
)()|(
BP
BAPBAP
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
)(
)|(BP
BAPBAP
Wahrscheinlichkeit, dass A eintritt unter der Bedingung, dass B vorliegt.
)(1
)()|],[(
tP
ttpüberlebttZeitzurbistttinAusfallPP
T
Tausfall
DDD
)(1
)(lim)(
0 tP
tp
t
Pt
T
Tausfall
t
D
D
Da
Wahrscheinlichkeit, dass Bauteil bis zur Zeit t ausfällt:
Verteilung: F(t) = PT( T ≤ t), Dichte: pT(t) = f(t) = F‘(t)
Ausfallrate:
Bedingte Wahrscheinlichkeit:
Bestimmung der Übergangsrate:
• A: Ausfall im Intervall [t, t + Dt]
• B: bis zur Zeit t überlebt
Bedingte Wahrscheinlichkeiten u. Ausfallrate / Ende-Rate
Einheit: 1/s oder 1/h oder …
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
( ) ( )( )
1 ( ) ( )
T
T
p t f tt
P t R ta
Ausfallrate:
)exp()()( tµµtptf T
Exponential-Verteilung mit Parameter µ:
Dichte:
)exp(1)()( tµtPtF T
µµt
µtµ
tP
tpt
T
T
))exp(1(1
)exp(
)(1
)()(a
Ausfallrate
Sterberate
Ende-Rate
Bei einer Exponential-Verteilung ist die Ausfallrate konstant (µ) und hängt nicht
von der Vorgeschichte ab – Gedächtnislosigkeit (Memoryless)
Mittlere Lebensdauer (Mean Time Before Failure): MTBF = E{T} = t = 1/µ
Analog bei Zwischenankunftszeiten/ Reparaturzeiten gemäß Exponential-Verteilung:
Konstante Ankunftsrate l / Reparaturrate r : r = 1/MTTR (Mean Time To Restore)
Ausfallrate: Gedächtnislosigkeit Exponential-Verteilung
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Zahlenbeispiele für e-Funktion als Zuverlässigkeit
10-2
10-1
100
101
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Zuverlässigkeitsfunktion R(t)
Zeit t /MTTF
Ausfall-Rate a(t): Anteil der Bauelemente, die pro Zeitintervall Dt ausfallen, unter denen,
die bis zur Zeit t überlebt haben
1 Fit (Failure in Time bei elektron. Bauelemente): a = 10–9 pro Betriebsstunde
Beispiel: Test von 100000 Widerständen, 72 Ausfälle in 10 Monaten
a = 72 / (105 7200 h) = 10–7 h–1 = 100 FIT
MTTF = 1 / a = 107 h = 1142 Jahre
L10 = 120 Jahre
nach 5 Jahren: ca. 430 Ausfälle
Wah
rsch
ein
lich
kei
t
Ausfallfunktion R(t)
L10 Halbwerts-
zeit
MTTF
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Sterbedaten - Deutschland
de.wikipedia.org/wiki/Datei:Sterbetafel.svg
de.wikipedia.org/wiki/Datei:Altersspezifische_
Sterberaten_Deutschland.svg
Quelle Datengrundlage: Statistisches
Bundesamt, Wiesbaden 2011
Urheber bzw.
Nutzungsrechtinhaber gnosis
Datum 24. August 2012
Datum 11. Mai 2013, 13:37:50
Quelle Eigenes Werk with data from the Human
Mortality Database (http://www.mortality.org)
Urheber Sven Drefahl
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
0
( ) ( )( ) lim
1 ( ) ( )
ausfall T
tT
P p t f tt
t P t R ta
D
D
D Ausfallrate:
Weibull-Verteilung mit Parameter µ, k:
Dichte:
k
T tµtPtF exp1)()(
1( )
( )1 ( )
kT
T
p tt k µ µ t
P ta
Ausfallrate
Sterberate
Enderate
Einfluss von k ?
kk
T tµtµµktptf
exp)()(1
Ausfallrate (Weibull-Verteilung)
t
r Badewannenkurve
Früh-
ausfälle Normalbereich Alterung
k = 1
k > 1 k < 1
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Eigenschaften der Weibull-Verteilung
0 0.5 1 1.5 2 2.50
0.5
1
1.5
2
2.5
3Wahrscheinlichkeitsdichte - Weibull
x / xc
p(x
)
0 2 4 6 8 1010
-3
10-2
10-1
100Komplementäre Wahrscheinlichkeitsverteilung - Weibull
x / xc
1 -
P(x
)
0 0.5 1 1.5 2 2.50
0.2
0.4
0.6
0.8
1Wahrscheinlichkeitsverteilung - Weibull
x / xc
F(x
)
Charakteristischer Wert xc = 1 / µ
Wahrscheinlichkeitsfunktion:
F(x) = 1 – exp(–(x/xc)k )
Erwartungswert / „Mittelwert“
E(x) = xc G( 1 + 1/k)
Standard-Abweichung
(x) = xc ( G( 1 + 2/k) m – G2( 1 + 1/k) )½
Form-
Parameter
k = 0,5
k = 1
k = 2
k = 4
k = 8
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kap. 4: Zuverlässigkeit u. Verfügbarkeit
(in technischen Systeme)
4.1 Klärung wichtiger Begriffe
4.2 Zusammengesetzte Systeme
4.3 Stichproben und statistische Tests
Literatur
• A. Meyna, B. Pauli: Zuverlässigkeitstechnik – Quantitative Bewertungsverfahren, Hanser Verlag, 2010
• S. Eberlin, B. Hock: Zuverlässigkeit und Verfügbarkeit technischer Systeme : Eine Einführung in die Praxis,
Springer Fachmedien, 2014
• G. Linß: Qualitätssicherung – Technische Zuverlässigkeit, Hanser, 2016
• B. Bertsche, G. Lechner: Zuverlässigkeit im Fahrzeug- und Maschinenbau, Springer/VDI, 2004
• B. Bertsche, u.a.: Zuverlässigkeit mechatronischer Systeme, Springer/VDI, 2009
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
System aus seriell geschalteten Teilen
1 2( ) ( ) ( ) ... ( )nR t R t R t R t
1 21 2
1 2
( )( ) ( )( )( ) ... ( ) ( ) ... ( )
( ) ( ) ( ) ( )
nn
n
f tf t f tf tt t t t
R t R t R t R ta a a a
1 2
1 1.
... n
MTBF bzw MTTFa a a a
1 2 ... nV V V V
Ausfall irgendeines Teilsystems Ausfall des Gesamtsystems
Gesamte Zuverlässigkeit R
Gesamte Verfügbarkeit V
Gesamt-Ausfallrate
Mean Time
To/Before Failure
1 2min , ,... , nT T T T
Ausfallzeit des Gesamt-Systems (mit Reparatur)
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
System aus parallel geschalteten Teilen
Ausfall des Gesamt-Systems nur, wenn alle Teilsysteme ausfallen (Redundanz)
Zuschalten der Redundanz erst bei Ausfall
1 2 ... nT T T T
1 2
1 2
1 2
1 1 ...
1 (1 ) (1 ) ... (1 )
...
n
n
n
V U U U U
V V V
V V V
1 2
1 2
( ) 1 (1 ( )) (1 ( )) ... (1 ( ))
( ) ( ) ... ( )
n
n
R t R t R t R t
R t R t R t
Gesamte Zuverlässigkeit R
Gesamte Verfügbarkeit V
Ausfallzeit des Gesamt-Systems (mit Reparatur)
1 2 ... nMTTF MTTF MTTF MTTF
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
System aus parallel geschalteten Teilen
Ausfall des Gesamt-Systems nur, wenn alle Teilsysteme ausfallen (Redundanz)
1 2
1 2
( ) 1 (1 ( )) (1 ( )) ... (1 ( ))
( ) ( ) ... ( )
n
n
R t R t R t R t
R t R t R t
1 2max( , ,... , )nT T T T
1 2
1 2
1 2
1 1 ...
1 (1 ) (1 ) ... (1 )
...
n
n
n
V U U U U
V V V
V V V
Gesamte Zuverlässigkeit R
Gesamte Verfügbarkeit V
Ausfallzeit des Gesamt-Systems (ohne Reparatur, alle Teilsysteme von Anfang an)
1
1 1: 1 ...
2gleiche Komponenten MTTF E T MTTF
n
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
System aus parallel geschalteten Teilen
k von n Teilsystemen müssen funktionsfähig für Gesamtfunktionsfähigkeit sein
???
Wie groß ist die Wahrscheinlichkeit bei
einer Stichprobe von n Bauelementen
k defekte zu finden?
, ( ) (1 ) , 0,1,2,...,k n k
n p
nb k p p k n
k
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Parallel- und Serienschaltung
A B
H C
G D
F E
A B
H C
G D
F E
Beispiel: Richtfunk-Kommunikation
VA = 99,9 %
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Übungen zu Ausfallzeiten
Betrachten Sie 4 Bauelemente mit exponential-verteilen Ausfallzeiten Ti, i = 1,.., 4,
mit einer Rate von 1000 FIT. Bestimmen Sie durch Simulation die Verteilungen
(Histogramme) der Ausfallzeiten für folgende 4 Fälle:
a) Serieller Betrieb
b) Paralleler Betrieb (heiße Reserve)
c) Paralleler Betrieb (kalte Reserve)
d) Nur ein Bauelement als Vergleich
Berechnen Sie zu allen Fällen auch Mittelwert und Standardabweichung und stellen
Sie diese Werte tabellarisch zusammen!
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kap. 4: Zuverlässigkeit u. Verfügbarkeit
(in technischen Systeme)
4.1 Klärung wichtiger Begriffe
4.2 Zusammengesetzte Systeme
4.3 Stichproben und statistische Tests
4.3.1 Grundlegende Begriffe und Bezeichnungen
4.3.2 Punktschätzungen von Parametern (bei bekannter Verteilung)
4.3.3 Intervallschätzung – Vertrauensintervall
4.3.4 Anpassung und Test von Verteilungen
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.3.1 Grundlegende Begriffe und Bezeichnungen
N: Anzahl der gleichartigen Objekte (Bauelemente) in einer Gesamtheit
X, T: Zufallsvariablen, die die Eigenschaften der Objekte charakterisieren
n: Anzahl der repräsentativ/zufällig ausgewählten Objekte in einer Stichprobe
n < N (meistens sogar n << N, im Folgenden vorausgesetzt mit n > 30)
x1, …xn: Werte der Zufallsvariablen X in der Stichprobe (oder auch t1, …tn)
k: Anzahl der defekten Objekte in der Stichprobe
Schätzer: Vorschrift (Funktion), um aus der Stichprobe einen Parameter der Gesamtheit
zu erhalten (z.B. Mittelwert als Schätzer für Erwartungswert)
Index S: Wert des Schätzers S für die Stichprobe wird mit dem Index S bezeichnet
a, b: Irrtumswahrscheinlichkeiten (bei der Schätzung)
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kriterien für Schätzfunktionen
Erwartungswerttreue:
Erwartungswert der Schätzfunktion = Wert des zu schätzenden Parameters
Effizienz: möglichst kleine Varianz
Konsistenz:
Für sehr große n strebt die Wahrscheinl. vom Parameterwert abzuweichen gegen Null.
Suffizienz:
Schätzer berücksichtigt alle Informationen aus der Stichprobe.
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.3.2 Parameter-Schätzung
a) über Mittelwert und Standardabweichung
( )Sµ mean X
1 2 3
1( ...)SMTTF t t t
n
n zufällige Stichproben einer Zufallsvariablen X: x1, x2, .. , xn
Schätzwerte für Erwartungswert (Mittelwert) µ und Standardabweichung
Beispiel – Normal-Verteilung:
( ) exp( )f t ta a
( ) (1 1/ ) ( ) ( 30)S std X n std X n
2
22
1 ( )( ) exp
22
x µf t
, ( ) (1 ) , 0,1,2,...,k n k
n p
nb k p p k n
k
Beispiel – Exponential-Verteilung: 1
S
SMTTFa
Beispiel – Binomial-Verteilung:
S
kp
nFehler-Wahrscheinlichkeit (bei k Fehlern)
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Parameter-Schätzung über Mittelwert und Standardabw.
F(x) = 1 – exp(–(x/xc)k )
Erwartungswert:
µ = E(X) = xc G( 1 + 1/k)
Standardabweichung:
(x) = xc ( G( 1 + 2/k) – G2( 1 + 1/k) )½
G(1 + n) = n!
0.5 1 1.5 2 2.5 3 3.5 40
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
Formparameter k
Variationskoeffizient
weichungStandardab
MittelwertC
cxWert charakt.
Mittelwert
Beispiel: Weibull-Verteilung
Gesucht: Charakt. Wert xc
Formparameter k
Gamma-Funktion
Variationskoeffizient
Standardabweichung
Mittelwert C =
C = 0,4
k = 2,7
xc = MW / 0,9
Nicht explicit nach k auflösbar!!!
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.3.2 b) Maximum-Likelihood-Schätzung
1 2 3 1 2 3( , , ,...; ) ( ; ) ( ; ) ( ; ) ...Gf x x x f x f x f xl l l l
1 2 3 1 2 3( ) ln ( , , ,...; ) ln ( ; ) ln ( ; ) ln ( ; ) ...GL f x x x f x f x f xl l l l l
1 2 3( ) ln( ) ( ...)L n t t ta a a 1 2 3
1 1( ...)S
S
MTTF t t tna
Zufallsvariable X mit Parameter-abhängiger W-Dichte f(x; l) u. Messwerten x1, x2, .. , xn
unabhängige Messungen Gesamtwahrscheinlichkeitsdichte als Produkt
Maximum-Likelihood: Bestimme Schätzwert lS so, dass fG maximal wird.
Beim Logarithmieren ändert sich die Lage des Maximums nicht Logarithmieren
( ) 0S
Ll
l
Maximum:
Beispiel – Exponential-Verteilung: ( ) exp( )f t ta a
( ) 0S
La
a
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Maximum-Likelihood-Schätzung (Pareto-Verteilung)
1 2 3 1 2 3( ) ln ( , , ,...; ) ln ( ; ) ln ( ; ) ln ( ; ) ...GL f x x x f x f x f xl l l l l
Maximum-Likelihood: Bestimme Schätzwert lS so, dass fG maximal wird.
Beim Logarithmieren ändert sich die Lage des Maximums nicht Logarithmieren
( ) 0S
Ll
l
Maximum:
Beispiel – Pareto-Verteilung: minmin( ) 1 ,
kx
F x x xx
min( )
kxk
f xx x
min min 1( , ) ln( ) ln( ) ( 1) ln( ) ... ln( )nL k x n k n k x k x x
min min 10 ( , ) ln( ) ln( ) ... ln( )s n
s
L nk x n x x x
k k
1
1 min minln( / ) ... ln( / ) /s nk x x x x n
min 1min( ,..., )nx x x
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.3.3 Intervallschätzung – Vertrauensintervall
Im vorherigen Abschnitt: Schätzung wichtiger Parameter einer als bekannt voraus-
gesetzten Verteilung.
- Erwartungswert E{X} als Mittelwert
- Standardabweichung
In diesem Abschnitt: Genauigkeit der Schätzung (des Erwartungswert)
- Vertrauensintervall
- zu einer statistischen Sicherheit 1 – a
- Irrtumswahrscheinlichkeit a (typischerweise a = 0,05)
Berechnung mit Hilfe der Standardabweichung und des zentralen Grenzwertsatzes
x
,E X x x x x D D
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Der zentrale Grenzwertsatz (s. Skript, Kap. 2.8)
Praktische Anwendung: in den allermeisten Fällen gilt für n > 30 in guter Näherung
Der Mittelwert der n Zufallsvariablen ist Gauß-verteilt 1 2( ... ) /nX X X X n
mit Mittelwert: 1 1µ E X E X µ
und Standardabweichung: 1
n
„am Mittelwert ändert sich nichts“
„Standardabweichung fällt mit
Wurzel aus n ab“
i
i
n n
n
n n
i i
1
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Summe von Zufallszahlen mit gleicher Verteilung (1)
-4 -3 -2 -1 0 1 2 3 40
0.5
1
1.5
2x 10
4 1
summe
Häufigkeit
-4 -3 -2 -1 0 1 2 3 40
0.5
1
1.5
2x 10
4 2
summe
Häufigkeit
-4 -3 -2 -1 0 1 2 3 40
0.5
1
1.5
2x 10
4 4
summe
Häufigkeit
-4 -3 -2 -1 0 1 2 3 40
0.5
1
1.5
2x 10
4 16
summe
Häufigkeit
1XS 21 XXS
4321 XXXXS 161521 ... XXXXS
Gleich-
verteilung
Dreieck
als
Faltung
Gauß-ähnlich
12/11 12 2
14 4
116 16
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
0 1 2 3 4 5 60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Normal-Verteilung und ihre Quantile
50 %:
±0,67
95 %: ±1,96
90 %: ±1,64
68 %: ±1,00
99 %: ±2,58
µ
F(t
) b
zw. f
(t)
+ - ,x x x x D D
( )( / 2)
std Xx q
naD
Vertrauensintervall
für den Mittelwert bei einer
Stichprobe von n (n > 30)
Werten bei einer statistischen
Sicherheit von 1 – a
( )std X
Xn
Standardabweichung des
Mittelwerts
q (0,1 / 2)
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Hypothesen-Test
H0 liegt vor H0 liegt nicht vor
Annahme von H0 Entscheidung richtig Fehler 2. Art (b-Fehler)
Irrtumswahrsch. b
Verwerfung von H0 Fehler 1. Art (a-Fehler)
Irrtumswahrsch. a
Entscheidung richtig
Null-Hypothese H0: Die Hypothese, von der erst einmal ausgegangen wird.
Test durch Vergleich eines aus einer Stichprobe ermittelten Wertes mit Schwellwert.
Annahme oder Verwerfung
Alternativ-Hypothese H1: Die Hypothese, von der bei Verwerfung von
H0 ausgegangen wird.
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Operationscharakteristik für Zuverlässigkeitstest
0 1 2 3 4 5 6 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Qualitätsmaß
Wahrs
chein
lichkeit
Abnehmer-
Risiko b
Hersteller-
Risiko a
RQL AQL RQL: Rejectable Quality Level
ACL: Acceptable Quality Level
a Operationscharakteristik OC
Wie groß ist die Wahrscheinlichkeit, dass in der Gesamtheit der Mittelwert µN kleiner
als der Wert der x-Achse ist, wenn in der Stichprobe der Mittelwert µn gemessen wurde?
Null-Hypothese
H0
Alternativ-
Hypothese
H1
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Operationscharakteristik für Zuverlässigkeitstest
0 1 2 3 4 5 6 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Qualitätsmaß
Wahrs
chein
lichkeit
Abnehmer-
Risiko b
Hersteller-
Risiko a
RQL AQL RQL: Rejectable Quality Level
ACL: Acceptable Quality Level
Operationscharakteristik OC
Wie groß ist die Wahrscheinlichkeit, dass in der Gesamtheit der Mittelwert µN kleiner
als der Wert der x-Achse ist, wenn in der Stichprobe der Mittelwert µn gemessen wurde?
4-fache
Stichprobe
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.3.4 Anpassung und Test von Verteilung
Welche Verteilung passt am Besten zu einer Zufallsvariablen X
Messwerten x1, x2, .. , xn ? Und wie kann man das testen?
Optische Test: Auftragungen
• der Häufigkeitsverteilung der Messwerte
• der zugehörigen kumulierten und normierten Häufigkeitsverteilung
• der zugehörigen komplementären Häufigkeitsverteilung
Besondere Auftragungsarten
• Logarithmische Auftragung auf der y-Achse: Exponential-Verteilung Gerade (Abb. 30 im Skript)
• Logarithmische Auftragung auf beiden Achsen: Pareto-Verteilung Gerade
• Logarithm. Auftragung auf x-Achse, doppelt log. auf y-Achse: Weibull-Verteilung Gerade
• P-P-Plot und Q-Q-Plot (s.u.)
Ausprobieren mehrerer Verteilungen und statistische Tests (s.u.)
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Pt
Pe
P-P-Plot
Pt
Pe
P-P-Plot
0 0.5 1 1.5 2 2.5 3 3.5 40
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.5 1 1.5 2 2.5 30
0.5
1
1.5
2
2.5
3
Qe
Qt
Q-Q-Plot
Q-Q-Plot Q: Quantil
Qt
Qe
Zeit t
F(t
) =
P
(T ≤
t)
Optische Analyse von experimentell
ermittelten Verteilungen am Beispiel
der Exponential-Verteilung
theoretisch
experimentell
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Beispiel: Einwohner-Zahlen von Städten in Deutschland
x = Einwohnerzahl x = Einwohnerzahl
PX(X ≤ x) = F(x) (CDF)
PX(X > x) = 1 – F(x) (IDF)
Wah
rsch
ein
lich
kei
t P
Wah
rsch
ein
lich
kei
t P
W
ahrs
chei
nli
chk
eit
P
minmin( ) 1 ,
kx
F x x xx
minmin1 ( ) ,
kx
F x x xx
Hypothese: Pareto-Verteilung
Daten-Quelle: www.wikipedia.org
Liste der Groß- und Mittelstädte in Deutschland
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Pareto-Verteilung
minmin( ) ( ) 1 für
k
X
xF x P x x x
x
100
101
102
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Wahrscheinlichkeitsverteilung - Pareto
x
P(x
)
100
101
102
10-4
10-3
10-2
10-1
100
101
Wahrscheinlichkeitsdichte - Pareto
x
p(x
)
xmin = 1
k = 4 3 2 1 0.5
k
0.5
1
2
3 k = 4
k > 0: Form-Parameter
xmin > 0: Minimal-Wert
min1
kE X x
k
min
1 2
x kX
k k
min( )
kxk
f xx x
xmin = 1
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Passt eine theoretische Verteilung zu einer empirischen?
A) Optischer Test: Verteilungen oder komplementäre Verteilungen
auftragen (eventuell logarithmisch)
Beispiel: Verteilung von Email-Längen (Zwei Modelle)
0,0100
0,1000
1,0000
1 10 100 1000 10000
ko
mp
lem
entä
re V
erte
ilu
ng
: 1
- F
e(x
)
Email-Größe / kByte
347,06,1
1)(
x
kBytexXPth
398,06,2
1)(
x
kBytexXPth
0,0000
0,2000
0,4000
0,6000
0,8000
1,0000
0 1000 2000 3000 4000 5000
ko
mp
lem
entä
re V
erte
ilu
ng
: 1
- F
e(x
)
Email-Größe / kByte
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Passt eine theoretische Verteilung zu einer empirischen?
B) Optischer Test: P-P-Plot
-0,2000
0,0000
0,2000
0,4000
0,6000
0,8000
1,0000
0,0000 0,2000 0,4000 0,6000 0,8000 1,0000
0,0000
0,2000
0,4000
0,6000
0,8000
1,0000
0,0000 0,2000 0,4000 0,6000 0,8000 1,0000
347,06,1
1)(
x
kBytexXPth398,0
6,21)(
x
kBytexXPth
)( xXPe
)( xXPe
Pth
(X ≤
x)
Pth
(X ≤
x)
x = 1,5 kB
x = 5 kB
x = 10 kB
x = 50 kB
x = 1,5 kB
x = 5 kB
x = 10 kB
x = 50 kB
Beispiel: Verteilung von Email-Längen (Zwei Modelle)
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
1,0
10,0
100,0
1000,0
10000,0
1,0 10,0 100,0 1000,0 10000,0
Passt eine theoretische Verteilung zu einer empirischen?
C) Optischer Test: Q-Q-Plot (Quantile)
347,06,1
1)(
x
kBytexFth
Theo
reti
sches
Quan
til
(Per
zenti
l)
x = 1,5 kB
x = 5 kB
x = 10 kB
x = 50 kB
Beispiel: Verteilung von Email-Längen (Zwei Modelle)
Empirisches Quantil (Perzentil)
Email-
Größe x /
kByte He(X ≤x) Pe(X ≤x)
1,5 0 0,0000
5 1094 0,2250
10 2083 0,4283
20 2636 0,5421
50 3239 0,6660
100 3563 0,7327
200 3863 0,7944
500 4199 0,8635
1000 4407 0,9062
2000 4615 0,9490
5000 4771 0,9811
10000 4830 0,9932
20000 4860 0,9994
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
0 0
Passt eine theoretische Verteilung zu einer empirischen?
Quantitativ: Kolmogorow-Smirnow-Test
x1 x2 x3 x4 x5 x6 x7 x8 xk
)()( nthnen xPxPd
)()(~
1 nthnen xPxPd
P(x)
x
geordnete Zufallszahlen …
Pth(x)
Pe(x)
)(0)()(: nxPxPIdee the
Pe(x2) n
ddTest kk
)2/ln(5,0~,max:
a
Null-Hypothese: Pth passt zu Pe
Verwerfe Null-Hypothese mit
Irrtumswahrscheinlichkeit a:
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
101
102
103
104
10-3
10-2
10-1
100
n
Verw
erf
ungsgre
nze
Verwerfungsgrenzen für den Kolmogorow-Smirnow-Test
für verschiedene Werte der Irrtumswahrscheinlichkeit a
1% 5%
10%
50%
90%
95%
y = 336436x-1,289
R² = 0,9968
0,0010
0,0100
0,1000
1,0000
10.000 100.000 1.000.000 10.000.000
P(X
> x
) x = Einwohnerzahl
Maximale Abweichung 0,037
bei n = 690 Städten
Bsp: Verteilung von EW in Städten
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Passt eine theoretische Verteilung zu einer empirischen?
Quantitativ: chi2-Test (c2-Test)
2
)1,1(
1 ,
2
,,
M
M
m mth
mthme
h
hhac
Idee: Abweichung von empirischen Häufigkeiten und theoretischen geht gegen Null
Vorgehen:
• Es liegen N Stichproben einer Zufallsvariablen X vor.
• Teile Wertebereich der Zufallsvariable X in M disjunkte Intervalle: I1, I2, … IM
• Es sollten mindestens 5 Stichproben in jedem Intervall liegen.
• Ermittle empirische Häufigkeiten he,m für alle Im
• Ermittle theoretischen Häufigkeiten
hth,m = N Pth(X Im) für alle Im
0
50
100
150
200
250
300
0 50 100 150 200
Ver
wer
fun
gsg
ren
ze
Anzahl Intervalle M
0,1 0,05 0,01 0,001
Verwerfe mit
Irrtumswahr. a,
wenn
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Übungen zur Parameter- und Verteilungsschätzung
Analysiert werden sollen die Verteilungen von Windgeschwindigkeiten an 3 Standorten
(eine auswählen, Quelle: DWD). Diese sind in Excel-Dateien gespeichert. Häufig wird
für Windgeschwindigkeiten eine Weibull-Verteilung angenommen. Dies ist zu testen!
a) Lesen Sie die Excel-Datei ein und erstellen Sie ein Histogramm.
b) Berechnen Sie Mittelwert, Median, Standardabweichung, Variationskoeffizient.
c) Schätzen Sie daraus die Parameter der zugehörigen Weibull-Verteilung (Folie!)!
d) Fertigen Sie einen Plot mit der theoretischen und gemessenen Wahrscheinlich-
keitsverteilung an! Passen Sie gut zusammen!
e) Analysieren Sie die Messdaten mit dem Matlab DistributionFitter-Tool!
f) Welche Parameter erhalten Sie jetzt für die Hypothese Weilbull-Verteilung?
g) Versuchen Sie es mit einer alternativen Hypothese (andere Verteilung)!
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Modellierung und
Simulation 1
Prof. Dr. Henrik Schulze, Prof. Dr. Christian Lüders
Fachhochschule Südwestfalen
Standort Meschede
Fachbereich Ingenieur- und Wirtschaftswissenschaften
Tel.: 0291 / 99 10 -4300 | -4261
E-Mail: schulze.henrik | [email protected]
Kap. 4: Zuverlässigkeit und Verfügbarkeit
Kap. 5: Bediensysteme
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kap. 5: Bediensysteme
5.1 Begriffe und Beispiele
5.2 Markov-Ketten (zeit-diskret)
5.3 Markov-Prozesse (zeit-kontinuierlich)
5.4 Ereignisorientierte Simulation
Literatur
• A. Meyna, B. Pauli: Zuverlässigkeitstechnik – Quantitative Bewertungsverfahren, Hanser Verlag, 2010
• S. Eberlin, B. Hock: Zuverlässigkeit und Verfügbarkeit technischer Systeme : Eine Einführung in die Praxis,
Springer Fachmedien, 2014
• G. Linß: Qualitätssicherung – Technische Zuverlässigkeit, Hanser, 2016
• U. Hedtstück: Simulation diskreter Prozesse, Springer – Vieweg, 2013
• K.-H. Waldmann, W.E. Helm, Simulation stochastischer Syteme, Springer Gabler, 2016
• M. Harchol-Balter: Perfomance Modelling and Design of Computer Systems, Cambridge UP, 2013
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
5.1 Bediensysteme: Begriffe und Beispiele
Quellen
Sources Warteschlange
Queue
Bedieneinheit
Server
Senke
Sink
Zeit
zufällige Startzeiten
zufällige Bedienzeiten
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Bediensysteme – Typische Fragen
1. Welcher Anteil der Anforderungen wurde erfolgreich bedient?
2. Wie groß war die gesamte Bedienzeit? (im Mittel, in 90% der Fälle)
3. Wie groß war die Wartezeit? (im Mittel, in 90% der Fälle)
4. Wie viele Server werden benötigt?
5. Wie viele Warteplätze werden benötigt?
6. Was ist die geeignete Abfertigungsmethode? (FIFO, Priorität)
7. Lassen sich die einzelnen Prozesse besser anordnen? (parallel)
8. Wie lässt sich die „Kundenzufriedenheit“ steigern?
9. Wie stark sind die einzelnen Server ausgelastet?
10. …
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Bediensysteme - Beispiele
1. Postschalter
2. Funkkanalzuteilung
3. Zugriffe auf ein BUS-System
4. Dimensionierung & Abfertigungsstrategien bei Routern
5. Dimensionierung von Servern
6. Lagerhaltung, Bestückung von Automaten
7. Geschäftsprozesse
8. Produktionsprozesse
9. …
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
R, tX t
Menge „gleichartiger“ Zufallsvariablen, die i.Allg. abhängig voneinander sind
Index wird vielfach als Zeit t (diskretisierte Zeit n) interpretiert
Wertebereich der Zufallsvariablen: Zustandsraum
0N, nX ndiskret: kontinuierlich
Markov-Kette Markov-Prozess
Spezialfall:
• Zustandsraum diskret
• Gedächtnislosigkeit
• Memoryless (M)
Stochastischer Prozess
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Beispiele für stochastische Prozesse 1. Anzahl der Sonnenstunden in Meschede am Tag n im Jahr
2. Globale Durchschnittstemparatur im Jahr n
3. Tabellenplatz von Schalke 04 am Spieltag n
4. Position des Fußballs im Spiel zur Zeit t
5. Buchstabe in einem Text an Position n
6. Windgeschwindigkeit an einem Standort zur Zeit t
7. Anzahl laufender Telefonate in einer Funkzelle zur Zeit t
8. Anzahl von insgesamt abgewickelter Telefonate am Tag n
9. Anzahl der Zugriffe auf einen Server
10. Aufgerufene Internetseite in einer Session nach Klick n
11. Bestand eines bestimmten Bauteils in einem Lager am Tag n
12. Zustand (defekt, intakt) eines Bauteils zur Zeit t
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.2 Markov-Ketten
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
)(
)|(BP
BAPBAP
Wahrscheinlichkeit, dass A eintritt unter der Bedingung, dass B vorliegt.
)(
)(
)(
)()|( AP
BP
BPAP
BP
BAPBAP
Falls A und B unabhängig sind:
Bedingte Wahrscheinlichkeit:
Wiederholung: Bedingte Wahrscheinlichkeiten
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Bsp: Würfeln mit 2 Würfeln
A: Augenzahlsumme 7
12/736/21)( AP
B: erster Würfel zeigt 6
6/1
6/1
)()|(
BP
BAPBAP
B: erster Würfel gerade
3
2
2/1
36/12
)()|(
BP
BAPBAP
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
A
)(
)|(BP
BAPBAP
Wahrscheinlichkeit, dass A eintritt unter der Bedingung, dass B vorliegt.
)(
)(
)(
)()|( AP
BP
BPAP
BP
BAPBAP
Falls A und B unabhängig sind:
Bedingte Wahrscheinlichkeit:
)()|( BPBAPBAP
i
ii
i
i BPBAPBAPAP )()|(
B1 B2 B3
B4 B5 B6
B7 B8 B9
Wiederholung: Bedingte Wahrscheinlichkeiten
Zerlegung von B in disjunkte Teil-Mengen Bi
P(Bi A)
Übergangswahrscheinlichkeiten
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Diskreter stochastischer Prozess mit diskretem Zustandsraum und folgender Eigenschaft
für die bedingten Wahrscheinlichkeiten:
)|(),,...,,( 1100112211 nnnnnnnnnn jXjXPjXjXjXjXjXP
Nur der unmittelbar vorhergehende Zustand spielt eine Rolle, nicht die Vorgeschichte.
Übergangswahrscheinlichkeiten von Zustand i j: pi j
)|()( 1 iXjXPnp nnji
Homogene Kette: Übergangswahrscheinlichkeiten unabhängig von n: pi j
1 2 k 0
10p 21p 32p 1, kkp
1,1kp32p21p10p
00p
Definition einer Markov-Kette
Übergangsgraph
für die Zustände 0, 1, 2, … k, k+1, …
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Die Übergangswahrscheinlichkeiten erlauben es, die Wahrscheinlichkeit für den
Zustand j zur Zeit n iterativ zu berechnen:
Zustandswahrscheinlichkeiten zur Zeit n als Zeilenvektor:
Iterative Berechnung der Zustandswahrscheinlichkeiten:
)()()()( 11 iPpiXPpjXPjP n
i
jin
i
jinn
............
...
...
...
222120
121110
020100
ppp
ppp
ppp
TP
...),2(),1(),0( nnnn PPPP
Tnn PP P 1
n
Tn PP P 0
Übergangswahrscheinlichkeiten als Elemente der
Übergangs-Matrix (Transission T):
Stationärer Zustand: Tstst PP P Eigenvektor der Übergangsmatrix z. Eigenwert 1
Wann existiert ein stationärer Zustand? Wann gilt: ? n
Tn
st PP P
0lim
Zeilensumme = ? Warum?
Markov-Kette: Übergangsmatrix u. stationärer Zustand
)|( 1 iXjXPp nnji
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Beispiel 1: System mit Ausfall und Reparatur
Ausfallrate, MTBF, MTTR, …
Mittlere Lebensdauer – Mean Time to Failure (MTTF)
Bei Reparatur: Mean Time Before Failure (MTBF)
Verfügbarkeit V: Wahrscheinlichkeit, dass funktionsfähig
( )MTTF E T t f t dt
MTBFV
MTBF MTTR
a(t): Anteil der Bauelemente, die pro Zeitintervall Dt ausfallen, unter denen,
die bis zur Zeit t überlebt haben
0
1µ tµ t e dtµ
a(t) = µ
Bei einer Exponential-Verteilung ist die Ausfallrate konstant (a = µ) und hängt nicht
von der Vorgeschichte ab – Gedächtnislosigkeit (Memoryless)
Mittlere Lebensdauer (Mean Time Before Failure): MTBF = E{T} = t = 1/µ
Analog bei Zwischenankunftszeiten/ Reparaturzeiten gemäß Exponential-Verteilung:
Konstante Ankunftsrate l / Reparaturrate r : r = 1/MTTR (Mean Time To Restore)
Ausfallwahrscheinlichkeit in Zeit Dt: a = a Dt für Dt << MTBF
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Beispiel 1: System mit Ausfall und Reparatur
1 0
r
a 1-a 1-r
rr
aapppp
1
1),(),( 1010
rpapp 100 )1( aprpp 011 )1(
rpap 100 aprp 010
Gerät in
Ordnung
Gerät
defekt
Stationärer Zustand
in Matrix-Form
Wahrscheinlichkeit
• für Ausfall an Tag n: a
• für Reparatur an Tag n: r Gleichgewicht
bei 0
GGW
bei 1
p0 a = p1 r Gleichgewicht auf Link
B.1: MATLAB-Übung
[V, D] = eig(A)
D: Diagonalmatrix mit Eigenwerten von A
V: Matrix mit Eigenvektoren von A
als Spalten
Normierung des 1. Eigenvektors (Warum?)
VN = V(:, 1) / sum( V(:, 1) )
• Berechne: Eigenvektor
• Berechne: PT^n, n = 1, 2, 4, 8, …
• Plot: n erste Zeile von PT^n
• Interpretation der Ergebnisse
01 pr
ap
00101 pr
appp
ra
rp
0
ra
ap
1
Normierung:
Ergebnis:
Vergleich für 2 Parametersätze
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Beispiel 2: Erweiterte Systeme mit Reparatur
1 0
r1
a1
1- a1 – a2
3 2
1 0
r
a 1-a
Gerät in
Ordnung
Gerät
defekt
2
1 - r
l
1 - l
Nicht
reparabel
a2 r2
Wahrscheinlichkeit
• für Ausfall an Tag n: a
• für Reparatur an Tag n: r
• für Neubeschaffung am Tag n: l
r1
a1
a2 r2
1- r1 – a2
1- r1 – r2 1- a1 – r2
Ausfallwahrscheinlichkeit
• falls beide Teile erforderlich: 1 – p0
• falls Teile redundant sind: p3
Ausfall eines Geräts aus zwei Teilen Nicht-reparabler Defekt
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Bediensystem mit einem Server und Warteschlange
• Diskreter, konstanter Zeittakt Dt
• unbegrenzte Warteplätze
• Zustand:
• Anzahl Kunden k im System
• Neuankunft Kunde: pa = l Dt
• Bedienzeit-Ende: pe = µ Dt
• Last: a = l / m < 1
1 Server, 1 Warteplatz
1 2 0
m m m
3
m
l l l l
1lm 1lm 1lm
1l
l pk = µ pk+1 a pk = pk+1
pk = ak p0 p0 = 1 – a
1 2 0
m m
l l
1lm
1l 1m
Mittlere Kundenzahl im System: E{K} = a/(1 – a)
B.2 MATLAB-Übung
• Übergangsmatrix PT aufstellen
• Eigenwerte / -vektoren berechnen
• PT^n berechnen
• Wartewahrscheinlichkeit?
• Serverauslastung?
• Mittlere Kundenzahl
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Weitere Beispiele für Markov-Ketten
0 1
q
p
3 2
p
q
q q p p
01 11
00 10
21
20
02 12 22
0
3 4
0,5
0,5
1 2 0,5
0,5
0,75
0,25
0,5 0,5
0,5 0,5
B.4 MATLAB-Übung
• Erzeuge PT
• Berechne: PT^n,
• n = 50, 51, 52, 53
• Was fällt auf?
• Woran liegt das?
• ….
Zweidimensionaler Prozess
„Random Walk“
Überlegung
• Was geschieht langfristig?
• Pn im stationärem Zustand?
• ….
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Internet-Suche als Markov-Kette
Einfaches Beispiel mit 5 verlinkten Seiten
5
2 4
3
1
p1j = (0, ¼, ¼ , ¼, ¼)
p2j = (½ , 0, 0 , ½, 0)
p3j = (0, 0, 0 , 1, 0)
p4j = (0, 1, 0 , 0, 0)
p5j = (1/3 ,1/3, 0 ,1/3, 0)
Übergangswahrscheinlichkeiten
aus dem Zustand i heraus: 1/L
L: Anzahl der Links
Wie sieht die stationäre Verteilung aus?
Ranking der Seiten nach
Wahrscheinlichkeit (stationär)
B.5a: MATLAB-Übung
• Übergangsmatrix PT einlesen
• liegt als Excel-Tabelle vor
• PT = xlsread(`www5.xlsx´)
• PT^n berechnen
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Internet-Suche als Markov-Kette
Einfaches Beispiel mit 6 verlinkten Seiten
5
2 4
3
1
p1j = (1- a) p1j + a / N
Problem?
6 Absorbierende
Zustände
Prozess läuft irgendwann in die
absorbierenden Zustände 3 und 6
und kehrt nicht mehr zurück
Lösung?
„Steuersatz“ a bei allen Zuständen
Link p34 gestrichen
Jetzt: immer ein Link zurück
B.5b: MATLAB-Übung
• Übergangsmatrix PT einlesen
• PT = xlsread(`www6.xlsx´)
• PT^n berechnen
• Mit Steuersatz modifizieren
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Für eine (positiv) rekurrente, aperiodische und irreduzible Markov-Kette gilt:
- Der folgende Grenzwert für die Übergangsmatrix existiert:
)(/1 kPstk t
- Es existiert ein eindeutiger stationärer Zustand (Eigenvektor): Tstst PP P
Wichtige Ergebnisse für Markov-Ketten
n
Tn
T PP
lim
- Alle Zeilen von sind identisch und gleich
TP stP
- Mittlere Zeit für die Rückkehr in den Zustand k:
- Das Verhalten der Markov-Kette ist ergodisch:
Erwartungswert/Ensemble-Mittel = zeitliches Mittel
k
st kPkKE )(
N
n
nN
t KN
K1
1lim
z.B. Mittlere
Kundenzahl
Gilt auch für andere Größen.
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Bediensystem mit einem Server und Warteschlange
• Diskreter, konstanter Zeittakt Dt
• unbegrenzte Warteplätze
• Zustand:
• Anzahl Kunden k im System
• Neuankunft Kunde: pa = l Dt
• Bedienzeit-Ende: pe = µ Dt
• Last: a = l / m < 1
1 Server, 1 Warteplatz
1 2 0
m m m
3
m
l l l l
1lm 1lm 1lm
1l
l pk = µ pk+1 a pk = pk+1
pk = ak p0 p0 = 1 – a
1 2 0
m m
l l
1lm
1l 1m
Mittlere Kundenzahl im System: E{K} = a/(1 – a)
B.2 MATLAB-Übung
• Übergangsmatrix PT aufstellen
• Eigenwerte / -vektoren berechnen
• PT^n berechnen
• Wartewahrscheinlichkeit?
• Serverauslastung?
• Mittlere Kundenzahl
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Explizite Simulation einer Markov-Kette (Bsp. M/M/1) nmax = 100000; % Maximale Laufzeit
lambda = 0.06; % Erzeugungswahrscheinlichkeit
mu = 0.1; % Ende-Wahrscheinlichkeit
a = lambda/mu; % Last
k = 0; % aktuelle Zahl: Kunden im System
K = zeros(1, nmax); % speichert Kunden in jedem Zeitschritt
N = 0; % aktuelle Anzahl erzeugter Kundenwünsche
for n = 1:nmax, % Schleife über Zeitschritte
if(rand(1,1) < lambda + mu), % Änderung der Kundenzahl
% mit p = lambda + mu
if( rand(1, 1) > a /(1 + a) ) % Verringerung Kundenzahl (Ende)
k = max(0, k - 1);
else % Erhöhung der Kundenzahl
k = k + 1;
end
end
K(n) = k; % Füge aktuelle Kundenzahl zu
end % Kundenzahlvektor hinzu
Statistische Auswertung, Diagramme
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Zeitlicher Verlauf der Kundenzahl und Histogramm
der Zustandswahrscheinlichkeiten für M/M/1-System
0 500 1000 1500 20000
1
2
3
4
5
6Kundenzahl im System als Funktion der Zeit
Zeitschritt
Kundenzahl im
Syste
m
0 2 4 6 8 100
0.5
1
1.5
2
2.5
3
3.5
4x 10
4 Histogramm der Kundenzahl im System
Kundenzahl
Häufigkeit
Parameter wie auf vorheriger Folie
zeitlicher
Mittelwert
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Aufg. B.3: Simulationsaufgaben zur Markov-Kette (M/M/1)
• Wie groß muss man nmax wählen, um ca. 20000 Ankünfte zu simulieren?
• Ergänzen Sie das Simulationsprogramm diskretMM1 um
– die Ausgabe der tatsächlichen Ankünfte
– ein Diagramm zum zeitlichen Verlauf der Kundenzahl sowie mit dem Histogramm
– die Ausgabe des Ensemble-Mittelwerts E{K} und des zeitlichen Mittelwerts der Kundenzahl
• Simulieren Sie das System für zwei verschiedene Werte der Last und vergleichen
Sie die Ergebnisse mit den Werten für die Formeln zum stationären Zustand.
• Simulieren Sie das System zweimal mit der Last a = 1! Was stellen Sie fest?
• Ergänzen Sie das Programm um die Möglichkeit des Abweisens (Blockierung B)
eines Kundenwunsches bei einer endlichen Warteschlangenlänge (z.B. nur 1 Platz)!
• Bauen Sie einen Zähler für die Anzahl von Blockierungen ein und geben Sie die die
Blockierwahrscheinlichkeit aus.
• Simulieren Sie das System für zwei verschiedene Werte der Last und vergleichen
Sie die Ergebnisse mit den Werten für die Formeln zum stationären Zustand.
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.3 Markov-Prozesse
(und ähnliche Prozesse)
- zeit-kontinuierlich
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Markov-Kette (diskrete Zeitschritte)
)|(),,...,,( 1100112211 nnnnnnnnnn jXjXPjXjXjXjXjXP
Nur der unmittelbar vorhergehende Zustand spielt eine Rolle, nicht die Vorgeschichte.
Übergangswahrscheinlichkeiten von Zustand i j: )|( 1 iXjXPp nnji
Markov-Prozess und Übergangsraten (1)
)()|()( iXPiXjXPjXP t
i
ttttt DD
)(
)|()()(iXP
t
iXjXP
t
jXPjXPt
i
jitttttt D
D
DD
)()( tPtdt
dPi
i
ji
j
b
Markov-Prozess (Zeit kontinuierlich)
0Dt
)()()()( 11 iPpiXPpjXPjP n
i
jin
i
jinn 1 Zeilensumme j
jip
jjji
jii
ji PP
bb j
jzz
zji
jii
ji PP
bb
0z
zib
Übergangsraten: bij
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
in Zustand j
hinein
aus Zustand j
heraus
Markov-Prozess und Übergangsraten (2)
)()|()( iXPiXjXPjXP t
i
ttttt DD
)(
)|()()(iXP
t
iXjXP
t
jXPjXPt
i
jitttttt D
D
DD
dt
dPj
Übergangsraten i j : bij
0Dt
j
jzz
zji
jii
ji PP
bb
0eZeilensumm0 j
jib
„Wahrscheinlichkeitsfluss“
0: dt
dPjZustandrstationäre
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
)(
)|(BP
BAPBAP
Wahrscheinlichkeit, dass A eintritt unter der Bedingung, dass B vorliegt.
)(1
)()|],[(
tP
ttpüberlebttZeitzurbistttinAusfallPP
T
Tausfall
DDD
)(1
)(lim)(
0 tP
tp
t
Pt
T
Tausfall
t
D
D
Da
z.B. Wahrscheinlichkeit, dass Bauteil bis zur Zeit t ausfällt:
Verteilung: F(t) = PT( T ≤ t), Dichte: pT(t) = f(t) = F‘(t)
Ausfallrate:
Bedingte Wahrscheinlichkeit:
Durch Reparatur bzw. Ausfall eines Bauteils / Ende oder Beginn eines Prozesses
ändert sich der Zustand eines Systems von i auf j = i ± 1
Bestimmung der Übergangsrate:
Bedingte Wahrscheinlichkeiten u. Ausfallrate / Ende-Rate
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
)(1
)()(
tP
tpt
T
T
aAusfallrate:
)exp()()( tµµtptf T
Exponential-Verteilung mit Parameter µ:
Dichte:
)exp(1)()( tµtPtF T
µµt
µtµ
tP
tpt
T
T
))exp(1(1
)exp(
)(1
)()(a
Ausfallrate
Sterberate
Ende-Rate
Bei einer Exponential-Verteilung ist die Ausfallrate konstant (µ) und hängt nicht
von der Vorgeschichte ab – Gedächtnislosigkeit (Memoryless)
Mittlere Lebensdauer (Mean Time Before Failure): MTBF = E{T} = t = 1/µ
Analog bei Zwischenankunftszeiten/ Reparaturzeiten gemäß Exponential-Verteilung:
Konstante Ankunftsrate l / Reparaturrate r : r = 1/MTTR (Mean Time To Restore)
Ausfallrate: Gedächtnislosigkeit Exponential-Verteilung
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Kendall-Notation für Bediensysteme A / B / s / q / K / SD
• A: Verteilung der Zwischen-Ankunftszeiten
• M: Memoryless (Exponential) D: Deterministisch
• G: General (beliebige Verteilung) P: Pareto ….
• B: Verteilung der Bedienzeiten
• Siehe A
• s: Anzahl der Bedieneinheiten 1, 2, 3, …
• q: Anzahl der Bedieneinheiten + Warteplätze s, s+1, s+2, …,
• K: maximale Anzahl der Kunden
• K = 1, 2, 3, …,
• SD: Sevice-Disziplin
• FIFO: First In First Out LIFO: Last In Last Out
• SJF: Shortest Job First PRIO: Prioriry …
Rot: Default-Werte
können weggelassen
werden, z.B.
• M/M/1 =
• M/M/1///FIFO
• M/M/8/8 =
• M/M/8/8//FIFO
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Mehrere Bedienplätze s, unbegrenzte Warteplätze: M/M/s
1 2 s 0
l l l l l l
1m 2m 3m sm sm sm
l
sm
k
l l
km k1m
Kunden im System: k
Anzahl Server: s
Ankunftsrate: l
Mittlere Bearbeitungszeit: t
Ende-Rate: µ = 1/t
Gesamtlast A = l/µ = l t
Last pro Server a = A/s
veränderlich
8
60 h-1
6 min = 0,1 h
10 h-1
60 h-1 0,1 h = 6 Erl
0,75 Erl pro Server
Parameter Zahlenbeispiel (kleines Callcenter)
Was passiert bei Lasterhöhung?
0,95 Erl pro Server
Pseudo-Einheit
Erlang (Erl)
Agner Krarup Erlang
Dän. Mathematiker u. Ingenieur
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Mehrere Bedienplätze s, unbegrenzte Warteplätze: M/M/s
1 2 s 0
l l l l l l
1m 2m 3m sm sm sm
l
sm
l pk + kµ pk = l pk-1 + (k+1)µ pk+1
l pk + sµ pk = l pk-1 + s µ pk+1
kµ pk = l pk-1
l p0 = 1µ p1
sµ pk = l pk-1
1 kk pk
Ap
0!
pk
Ap
k
k
1 kk pap
0!
pas
Ap sk
s
k
k = 1, 2, …., s – 1,
k = s, s+1, ….
1
11
0
0 )1(!!
a
s
A
k
Ap
ss
k
k
k
l l
km k1m Kunden im System: k
Anzahl Server: s
Gesamtlast A = l/µ = l t
Last pro Server a = A/s
Gleichgewicht bei Gleichgewicht bei
Normierung
Mittlere Länge
Warteschlange
Mittlere Anzahl
Kunden im System
02)1(!p
a
a
s
AK
s
W
WKAK
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
M/M/s/s-System, keine Warteplätze Verlustsystem
1 2 s 0
l l l
1m 2m 3m
l
sm
0!
pk
Ap
k
k
1
0
0!
s
k
k
k
Ap
k
l l
km k1m
Kunden im System: k
Anzahl Server: s
Gesamtlast A = l/µ = l t
0!
)|( ps
ApAnkunftskPB
s
s
Gesamtlast A = l / µ
Ankunftsrate l
Serverauslastung: A (1 – B)
Eintrittsrate: le l (1 – B)
System
Zustandswahrscheinlichkeiten für s ???
Blockierwahrscheinlichkeit (Erlang-B-Formel)
10-2
10-1
100
10-1
100
101
102
Last pro Server
Blo
ckin
g B
/ %
Neuankunft
Blockierung
s = 2 4 8 16 32
s =1
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Poisson-Prozess
Ak
k ek
Ap
!Wahrscheinlichkeit für k Kunden:
System ohne Begrenzungen:
Zwischenankunftszeiten exponential-verteilt, Bedienzeiten exponential-verteilt
Anzahl Kunden Kt im System zur Zeit t ist ein Poisson-Prozess
tKEµ
A l
0 5 10 150
0.1
0.2
0.3
0.4
0.5
k
pk
0 5 10 150
0.1
0.2
0.3
0.4
0.5
k
pk
0 5 10 150
0.1
0.2
0.3
0.4
0.5
k
pk
0 5 10 150
0.1
0.2
0.3
0.4
0.5
k
pk
A = 0,75 A = 1,5
A = 3 A = 6
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Theorem von Little Verweilzeiten im System
T1
T2
T3
T4
T5
T6
T7
T8
Ka
Dt1 Dt2 Dt3 Dt4
11
aK
j
jT
Ke
T
<<
GFTeK
j
j
1
1
DI
i
ii tkGFFlächeGraue1
D
I
i
iiT
t tkT
KKE1
1lim
aa K
j
j
a
a
K
j
j TKT
KT
T 11
11
TE l
Ergodischer Prozess (ohne Verluste)
TEKKE t l
Mittlere Kunden-
Zahl im System
Mittlere
Verweilzeit
Ankunfts-
rate = x
t
k
QQ TEKE l
TEBKE l)1(
in der Queue
mit Blockierung:
benötigt Markov-Eigenschaft nicht!!!
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Warte- & Verweilzeiten bei M/M/s über Theorem von Little
1 2 s 0
l l l l l l
1m 2m 3m sm sm sm
l
sm
1
11
0
0 )1(!!
a
s
A
k
Ap
ss
k
k
02)1(!p
a
a
s
AK
s
W
WKAK
k
l l
km k1m Kunden im System: k
Anzahl Server: s
Gesamtlast A = l / µ
Last pro Server a = A/s
Normierung
Mittlere Länge
Warteschlange
Mittlere Anzahl
Kunden im System
l/WW KT
WW T
µKAKT
1// ll
Mittlere Wartezeit Mittlere Verweildauer
Verteilung der Wartezeit Verteilung der Verweildauer
TttTP /exp1 WWW TtptTP /exp1
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Jackson-Netz: Netz aus M/M/1-Systemen
µ1 µ1
µ1 µ2 µ1
µ2
µ3
µ1
µ2
µ3 l2
l1
l1
l2 l1
l3 l1 l2
l3 ql1
l2 1q)l1
l1
Last an Bedieneinheit i: ai = li / mi
1el
2el
3el
4el
43211 eeee lllll
1el
11 )1( eq ll
q
n
i
i
k
in aakkkp i
1
11 )1(),...,(Zustandswahrsch.
nges KKKK ...21Mittl. Kundenzahl:
emee
gesKT
lll ...21 Mittl. Verweilzeit:
Eintrittsraten der für externe (e) Quellen: ejl
1el1el
1el
2el
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
S-Bahn-Station
An einer belebten S-Bahn-Station treffen im Mittel
10 Bahnen pro Stunde ein.
Ein Fahrgast trifft zu zufälligen Zeit ein. Wie lange
muss er im Mittel auf eine Bahn warten?
0 1 2 3 t / h
0 1 2 3 t / h
18 min
Mittlere Wartezeit: 0,3 1 min + 0,7 21 min = 15 min
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Pollaczek–Khinchine-Formel für M/G/1-System
2
)1( 2
,,
CTT MWGW
Mittlere
Wartedauer
Zwischenankunftszeiten: exponentialverteilt mit Rate l
Bedienzeiten T mit beliebiger Verteilung G = G(T)
• Mittelwert t
• Standardabweichung
• Variationskoeffizient C = / t
• Last a = l t
für ein beliebiges G
kein Markov-Prozess
• Index M: M/M/1-System
• Index G: M/G/1-System
2
)1( 2
,,
CKK MWGW
Mittlere Länge
Warteschlange
t WG TTMittlere
Verweilzeit
aKK GWG ,
Mittlere
Kundenzahl
Exponentialverteilung
C = ?
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Bedien-Disziplinen
ohne Pre-emption mit Pre-emption
Ohne Prioritäten
First In First Out (FIFO) =
First Come First Serve (FCFS)
Last In First Out (LIFO)
Random (RAND)
Priority
Shortest Remaining
Processing Time (SRPT)
Ohne Prioritäten
Processor Sharing (PS)
= Time Div. Multiplex (TDM)
= Round Robin (RR)
Forground Background (FB)
Priority (PRIO)
• Shortest Job First (SJF)
• Job Type
• Transmission Quality
• Proportional Fair
• Nearest Deadline
Pre-emption: Vorkaufsrecht, Verdrängung
i.A. keine analytischen Formeln
Simulation
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
4.4 Ereignisorientierte Simulation
(von Bediensystemen)
Komplexere Systeme mit beliebigen Bedienzeit-
Verteilungen und komplexen Zuteilungsstrategien
nicht analytisch behandelbar
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Ereignisorientierte Simulation
Nachteile von festen, diskreten Zeitschritten (Perioden-Orientierung) bei Zufallsprozessen
• Zeitschritt groß: mehrere „gleichzeitige“ Ereignisse in einem Zeitschlitz
• Zeitschlitz klein: in den meisten Zeitschlitzen geschieht nichts (ineffizient)
Lösung: Ereignisorientierte Simulation (Discrete Event (System) Simulation)
• Nur die Zeitpunkte werden betrachtet, an denen sich der Zustand des Systems ändert
• Ereignis: Zustandsänderung
• Abzuarbeitende Ereignisse werden in eine dynamische EventList eingetragen
• Kennzeichen eines Events: Eintrittszeitpunkt, Typ, zugeordneter Prozess (Kunde, Paket), …
• Abhängig von Typ wird zum Eintrittszeitpunkt bestimmte Routine (Funktion) abgearbeitet
• Je nach Ergebnis können neue Events erzeugt werden (zu zufälligen Zeiten)
• Abzuarbeitende Prozesse / erzeugte Pakete speichern ihren Lebenslauf
• Wann ist was passiert?
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Illustration: Ereignisorientierte Simulation
E1 E2 E3 E4 E5 E7 E8 E9 E10 E11
Packet 3
• pnr
• state
• type
• length
• origin
• Statistics
(Lebenslauf)
P 1 P 2 P 4
Event 6
• time
• type
• pnr
Generator
• RandomGenerator1
- verschiedene Param.
Ankunftszeit
• RandomGenerator2
- verschiedene Param.
Paketlänge
• weitere Parameter
Prozessor belegt:
Einreihen in Warteschlange
Prozessor frei:
Start der Bearbeitung
Ende festlegen
Bearbeitung abgeschlossen
Neues Paket in Warteschlange?
Zeit t
Zwischenankunftszeit Bearbeitungszeit Wartezeit
P 3
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Startzeiten von Prozessen / Paketen switch Generator.type
case 'deterministic'
NextTime = time + Generator.par1;
case 'uniformly_distributet'
dt = Generator.par2 - Generator.par1;
NextTime = time + Generator.par1 + dt*rand(1, 1);
case 'exponential'
lambda = Generator.par1; % hier nur par1 benötigt
NextTime = time - log(rand(1,1)) / lambda;
case 'weibull'
????????????;
case 'pareto'
????????????;
otherwise
NextTime = time
end
SetEvent(NextTime, 'generate', PacketNr)
Struktur Generator
Generator.type
Generator.par1
Generator.par2
analog für Paketlängen
Es lassen sich auch Ankunftszeiten
aus Dateien (Messungen) einbringen.
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Hauptprogramm und Abarbeitung von Events function t = ProcNextEvent()
…
…
% suche nächstes Event in der Liste –
% das mit dem niedrgsten Zeitwert t
% n ist die Position in der Liste
[t, n] = min([EventList.time]);
% führe die Verarbeitung für das Event
% gemäß Typ aus
switch EventList(n).type
case 'generate'
GeneratePacket(t);
case 'process'
ProcessPacket(t, EventList(n).Pnr);
case 'delete'
DeletePacket(t, EventList(n).Pnr);
otherwise
warning('Fehler Event.type')
end
% Lösche abgearbeitetes Event aus Liste
EventList(n) = [];
Initialisierung • Generator
• Bedieneinheit
• Event- und PacketList leer
MaxSimTime =1000; % maximale Zeit
time = 0; % aktuelle Zeit
pnr = 1; % 1. Paket
SetEvent(time, 'generate', pnr);
while time < MaxSimeTime;
time = ProcNextEvent();
end
Statistische Auswertung • Warte- und Verweilzeiten (Verteilung, MW, …)
• Erzeugte Anforderungen, Blockierungen
• Kundenzahl, Warteschlangenlänge (Vert., MW)
• Zeitlicher Verlauf, ….
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Bearbeitung eines ankommenden Paketes function ProcessPacket(time, PacketNr) …..
mch = Processor.channels; % Anzahl Bedieneinheiten (Kanäle)
q1 = min(find(queue1 == 0)); % suche ersten freien Warteplatz Prio1
if bch < mch, % Kanal frei? bch: busy channels
ach = min(maxchpp, mch - bch); % Anzahl zugeteilter Kanäle
PacketList(PacketNr).challoc = ach; % Paket kennt Anzahl zugeteilter Kanäle
bch = bch + ach; % ach Kanäle mehr belegt
duration = packet.length/(ach*rate); % Dauer der Bearbeitung
SetEvent(time + duration, 'delete', PacketNr); % Beende nach Verarbeitung
PacketList(PacketNr).start = time;
else
if packet.prio == 1,
if length(q1) == 0, % falls nicht vorhanden
PacketList(PacketNr).state = 'deletet'; % Blockierung
PacketList(PacketNr).blocking = 1;
warning('blocking prio1')
else % falls Warteplatz q frei
queue1(q1) = PacketNr; % trage Paketnummer dort ein
end
end
…
… % Aktualisiere Zustand Bediensystem
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Beendigung eines Prozesses (Paket verarbeitet) function DeletePacket(time, PacketNr)
PacketList(PacketNr).end = time; % Verarbeitung von PacketNr. beendet
PacketList(PacketNr).state = 'deleted'; % Setze Zustand auf 'deleted'
Processor.bch = bch - PacketList(PacketNr).challoc; % Kanäle freigeben
q1 = min(find(queue1 ~= 0));
if(q1 > 0) % Falls Warteschlange belegt,
p1 = queue1(1); % Hole nächstes Paket aus Queue1 (FIFO)
queue1(1) = 0; % Warteplatz freigeben
queue1 = circshift(queue1', -1)'; % die anderen Pakete nachrücken lassen
Packet = PacketList(p1); % zu verarbeitendes Packet
PacketList(p1).start = time; % setze Startzeit der Verabeitung
SetEvent(time+0.01, 'process', Packet.nr); % Starte Verarbeitung
….
else
…
end
Processor.queue1 = queue1; % Aktualisiere Zustand Bediensystem
Modellierung und Simulation 1
Prof. Dr. H. Schulze
Prof. Dr. C. Lüders
Aufg. B.6: Simulation einfacher Bedienprozesse
a) Simulieren Sie mit Hilfe der vorliegenden SW ein M/M/1-System für zwei verschiedene
sinnvolle Werte für die Last. Stellen Sie MaxSimTime so ein, dass ca. 10000 Pakete erzeugt
werden.
– Wie groß ist die mittlere Zahl der Kunden im Systeme, wie groß die Auslastung pro Kanal?
– Speichern Sie die (komplementären) Verteilungsfunktionen für die Warte- und Verweilzeit in einem
Word-Dokument und notieren Sie dabei die eingestellte Last.
– Was fällt Ihnen beim Vergleich der beiden Diagramme auf? Wie kann man die
Wartewahrscheinlichkeit ablesen?
– Überprüfen Sie, inwieweit das Gesetz von Little erfüllt ist!
b) Simulieren Sie mit Hilfe der vorliegenden SW ein M/M/s-System für eine selbst gewählte
Kanalzahl s > 1. Erhöhen Sie dabei die Last auf das s-fache gegenüber (a). Vergleichen Sie
die Ergebnisse mit denen für (a)!
c) Simulieren Sie ein M/G/1-System für eine Verteilung G Ihrer Wahl (z.B. Weibull, determin.,
nicht exponentiell). Dazu müssen beim Paketlängen-Generator den entsprechenden
Zufallszahlengenerator implementieren. Vergleichen Sie die Ergebnisse mit denen für (a)!
d) Simulieren Sie ein M/M/1-System mit einer anderen Bediendisziplin als FIFO (z.B. LIFO).
Dazu sind Änderungen in „DeletePacket“ vorzunehmen. Vergleichen Sie die Ergebnisse mit
denen für (a)!