Gliederung - wiwi.uni-sb.de · (ln ) ² σ µ πσ E(X) =eµ ... 158 Gammaverteilung Dichtefunktion...
Click here to load reader
-
Upload
truongduong -
Category
Documents
-
view
212 -
download
0
Transcript of Gliederung - wiwi.uni-sb.de · (ln ) ² σ µ πσ E(X) =eµ ... 158 Gammaverteilung Dichtefunktion...
154
1. Grundkenntnisse zur Simulation
2. Einführung in ProModel
3. Grundbausteine von ProModel
4. Path Networks
5. Variablen und Counter
6. User Distributions
7. Attribute
8. Uhrzeitabhängiges Routing und Schichtkalender
9. Statistische Auswertung der Simulationsdaten
10.Statistische Verteilungen
11.Aufbereitung empirischer Daten
12.Arbeiten mit ProActive X, Kosten
13.Fallstudie
Gliederung
155
10. ProModel – Statistische Verteilungen
156
Normalverteilung
-0,05
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
x
f(x)
µ = 0; σ = 1µ = 0; σ = 2µ = 1; σ = 1,5
Dichtefunktion Erwartungswert / Varianz Bedeutung:
µ=)(XE2)( σ=XV
10. Statistische Verteilungen
-Unterschiedliche Fehlertypen
-Mengen, die die Summe einer großen Anzahl anderer Mengen sind (Erkenntnis des
zentralen Grenzwertsatzes)
157
Logarithmische Normalverteilung
Dichtefunktion Erwartungswert / Varianz Bedeutung:
>
=
−−
sonst
xfürexxf
x
,0
0,2
1
)(
²2
)²(ln
σµ
σπ2/2
)( σµ+= eXE
)1()(222 −= + σσµ eeXV
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0 1 2 3 4 5 6 7 8 9 10x
f(x)
µ = 0; σ = 0,5µ = 0; σ = 2µ = 1; σ = 1
10. Statistische Verteilungen
-Zeit um Aufgaben auszuführen
-Mengen, die das Produkt einer großen Anzahl anderer Mengen sind
158
Gammaverteilung
Dichtefunktion Erwartungswert / Varianz Bedeutung:
≥
Γ=
−−−
sonst
xfürexxf
x
,0
0,)()(
/1 βαα
αβ αβ=)(XE
2)( αβ=XV
10. Statistische Verteilungen
0
0,5
1
1,5
2
2,5
0 1 2 3 4 5 6 7 8 9 10x
f(x)
α = 1; β = 0,5α = 2; β = 2α = 2; β = 1
-Zeit um Aufgaben fertig zu stellen (z.B.: Kundenservice, Maschinenreparatur)
159
Exponentialverteilung
Dichtefunktion Erwartungswert / Varianz Bedeutung:
0,)( ≥= − xfürexf xλλ
2
1)(
1)(
λ
λ
=
=
XV
XE
10. Statistische Verteilungen
0
0,5
1
1,5
2
2,5
0 1 2 3 4 5 6 7 8 9 10x
f(x)
λ = 0,5λ = 1λ = 2
-Zwischenankunftszeiten von Kunden in eine konstanten System
-Lebensdauer eines Objektes
160
Erlangverteilung
Dichtefunktion Erwartungswert / Varianz Bedeutung:
0,)!1(
)()(
1
≥−
=−
− xfürn
xexf
nx λλ λ
2)(
)(
λ
λn
XV
nXE
=
=
10. Statistische Verteilungen
-0,5
0
0,5
1
1,5
2
2,5
0 1 2 3 4 5 6 7 8 9 10
x
f(x)
λ = 1; η= 1λ = 1; η = 2λ = 2; η =1
-Zeitdauer zwischen Telefonanrufen
-Lebensdauer eines Objektes
-Warteschlangentheorie: Dauer zwischen zwei Ereignissen
161
Weibullverteilung
Dichtefunktion Erwartungswert / Varianz Bedeutung:
0,0,0,)( 1 >>>= −− βαβαβαβ xfürexxf x
+Γ= − 11
)( /1
βα βXE
+Γ−
+Γ= −
2
/2 11
12
)(ββ
α βXV
10. Statistische Verteilungen
0
0,2
0,4
0,6
0,8
1
1,2
0 1 2 3 4 5 6 7 8 9 10x
f(x)
α = 1; β = 4α = 1; β = 1α = 3; β = 5
-Zeit um Aufgaben fertig zu stellen
-Lebensdauer eines Objektes
162
10. Statistische Verteilungen
Dreiecksverteilung
Dichtefunktion Erwartungswert / Varianz Bedeutung:
≤≤−−⋅
−
≤≤−−⋅
−
=
sonst
bxHfürHb
xb
ab
HxafüraH
ax
ab
xf
,0
,2
,2
)(18
)²())(()²()(
3)(
aHaHababXV
HbaXE
−+−−−−=
++=
0
0,1
0,2
0,3
0,4
0,5
0,6
0 1 2 3 4 5 6 7 8 9 10x
f(x)
a=2; b=6; H=4
Wenn nur wenige Daten vorliegen, hilfreich sich der Realität anzunähern
163
10. Statistische Verteilungen
Poissonverteilung
Funktion Erwartungswert / Varianz Bedeutung:
Anzahl von Ereignissen, die in einem bestimmten Zeitintervall mit einem konstanten Abstand auftreten
)()( XVXE == λ
>≥
><=
∑=
−x
i
i
xwenni
e
xwennxF
0
0,0,!
0,0,0)( λλ
λλ
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
1 2 3 4 5 6 7 8 9 10
x
λ=1
λ=2
λ=3
164
10. Statistische Verteilungen
165
Arrivals• occurences• frequency
Bearbeitungszeiten
Transportzeiten
10. Statistische Verteilungen
166
10. Statistische Verteilungen
Es hat sich gezeigt, dass die Bearbeitungszeiten der Maschine 2 und der Mill nicht 100% konstant sind. Aufgrund der Maschinenbediener schwankt die Bearbeitungszeit normalverteilt um den Mittelwert 10 mit einer Varianz von 4.Nachdem diese Verteilung innerhalb der Simulation implementiert ist, soll überprüft werden, ob über 30 Simulationsläufe auch die erwarteteBearbeitungszeit verwendet wird. Dokumentieren Sie die Bearbeitungszeit jedes einzelnen Entities und bilden Sie über alle 30 Simulationsläufe den Mittelwert.
Gemeinsames Beispiel „Schreinerei XIV“
167
10. Statistische Verteilungen
Auf Grund der Komplexität der Erkrankung der Patienten schwankt die Behandlungsdauer durch den Arzt und kann durch eine Weibullverteilungmit den Parametern shape = 3,4935187 und scale = 61,9485900 abgebildet werden.Nachdem diese Verteilung innerhalb der Simulation implementiert ist, soll auch hier wieder über die 30 Simulationsläufe die Untersuchungsdauer jedes einzelnen Patienten dokumentiert werden und über alle 30 Simulationsläufe den Mittelwert ermittelt werden.
Übung „Röntgenpraxis XIV“
168
10. Statistische Verteilungen
Aufgrund externer Effekte wird nicht jeden Tag dieselbe Anzahl an Entitiesim Warehouse angeliefert. Die Warenanlieferung erfolgt der Anzahl nach normalverteilt mit einem Mittelwert von 70 und einer Standardabweichung von 7. Ebenso sind die Zwischenankunftszeiten nicht weiterhin deterministisch, sondern können durch eine Poissonverteilung mit dem Parameter 10 beschrieben werden.Implementieren Sie diese Verteilungen und überprüfen Sie wie bei den vorangegangenen Beispielen, ob die Simulation die richtigen Werte verwendet.
Gemeinsames Beispiel „Schreinerei XV“
169
10. Statistische Verteilungen
Übung „Röntgenpraxis XV“
In der Praxis wird nicht jeden Tag dieselbe Anzahl an Patienten untersucht. Obwohl die Praxis Termine mit den Patienten vorab vereinbart, werden diese jedoch oft nicht eingehalten, wodurch die Ankunftszeiten stochastischen Charakter aufweisen. Die Anzahl der Ankünfte ist normalverteilt mit einem Mittelwert von 30 und einer Varianz von 9. Die Zwischenankunftszeiten können ebenso durch eine Normalverteilung mit dem Mittelwert 20 und einer Standardabweichung von 5 beschrieben werden.Implementieren Sie diese Verteilungen und überprüfen Sie wie bei den vorangegangenen Beispielen, ob die Simulation die richtigen Werte verwendet.
170
10. Statistische Verteilungen
Gemeinsames Beispiel „Schreinerei XVI“
Es hat sich gezeigt, dass die Transportzeiten der Gabelstapler ebenfalls stocha-stischen Charakter haben. Die Werte innerhalb der Path Networks sind gemäß folgender Graphik anzupassen. In der Graphik nicht aufgeführte Pfade sind mit dem ursprünglichen deterministischen Wert beizubehalten!
171
10. Statistische Verteilungen
Übung „Röntgenpraxis XVI“
Die Patienten der Röntgenpraxis unterscheiden sich durch unterschiedliche Fitness. Daher benötigen die MTRA unterschiedliche Zeiten, um die Patienten auf den jeweiligen Wegen durch die Praxis zu begleiten.Die Begleitzeiten durch die MTRA sind gemäß folgender Abbildung zu implementieren.