MMI

Smoking_Man ha scritto:

RAGAZZI SCUSATE ma mi sa che stiamo facendo un po' di confusione.. Se si usa la stessa distribuzione lognormale con gli stessi parametri per generare numeri a caso questi numeri non possono prestarsi ad alcuna interpretazione e quei numeri devono assomigliarsi indipendentemente dalla particolare implementazione della funzione lognormal_random() impiegata.
Per la lognormale con sigma=1.001 e mu=7.63 la media dovrebbe essere pari a 3398.19 (vedere formula). Se io mi genero 100000 numeri con matlab mediante la funzione randraw('lognorm', [7.63, 1.001], 100000,1); o mediante la funzione lognrnd(7.63,1.001,100000,1); ottengo rispettivamente 3413,525658 e 3404,027594 come media. se faccio lo stesso con CSIM ottengo un numero ridicolo (intorno al 9) il che è sbagliato. Quindi non posso che dedurre che in CSIM ci sia qualcosa che non va...

Nash ha scritto:

Smoking_Man ha scritto:

RAGAZZI SCUSATE ma mi sa che stiamo facendo un po' di confusione.. Se si usa la stessa distribuzione lognormale con gli stessi parametri per generare numeri a caso questi numeri non possono prestarsi ad alcuna interpretazione e quei numeri devono assomigliarsi indipendentemente dalla particolare implementazione della funzione lognormal_random() impiegata.
Per la lognormale con sigma=1.001 e mu=7.63 la media dovrebbe essere pari a 3398.19 (vedere formula). Se io mi genero 100000 numeri con matlab mediante la funzione randraw('lognorm', [7.63, 1.001], 100000,1); o mediante la funzione lognrnd(7.63,1.001,100000,1); ottengo rispettivamente 3413,525658 e 3404,027594 come media. se faccio lo stesso con CSIM ottengo un numero ridicolo (intorno al 9) il che è sbagliato. Quindi non posso che dedurre che in CSIM ci sia qualcosa che non va...

ok c'è stato un errore di interpretazione della funzione lognormal in csim: non bisogna dargli "mu" come primo parametro ma appunto la media (mean). Si discostano pochissimo dalla media cmq (min: 3394,72 - max: 3401,89).

resta il problema della pareto che a questo punto non capisco come gestire (in csim prende un solo parametro, quello di forma...), e in che proporzione prendere valori della pareto e della log normale.

Nash ha scritto:

@lionel

- il prototipo di "lognormal" in csim è:

double lognormal (double mean, double stddev);

- "mean" significa media

- se calcoli la media usando la formula qui: en.wikipedia.org/wiki/Log-normal_distribution e i parametri di casalicchio, ottieni il valore che diceva prima Smoking_Man

- se dai quel valore a csim, genera valori che vanno d'accordo con quelli generati da Matlab.

- quindi l'errore di interpretazione (ovvero mettere "mu" al posto della media).

- per generare i valori con pareto, sono ancora una volta d'accordo con Smoking_Man: se fai l'integrale della pdf della lognormale fra 0 e 10240, come diceva lui, ottieni la probabilità che (con quei parametri) la lognormale ti dà valori fra 0 e 10240, ovvero poco meno del 95%. Quindi se il tuo set di valori random ha K elementi, 0.95*K li generi con la lognormale, e i restanti con pareto. Ovvero sulle ascisse della lognormale, in x=10240, ci appiccichi la pareto. Quello che dici tu ha senso in linea di principio, ma con la deviazione standard pari a 1.001 penso che ci possiamo scordare che lognormal tiri fuori valori >10240.

- altro accorgimento: in csim la pareto ha un solo parametro, che è quello di forma. La distribuzione è caratterizzata da un secondo parametro, di "scala", come si vede qui: en.wikipedia.org/wiki/Pareto_distribution . Per "scalare" i valori (credo) che bisogni moltiplicare il valore generato dalla pareto, appunto per 10240. Confrontando i valori con altri tool, sono ragionevolmente sicuro dell'affermazione .

Il tutto rigorosamente IMHO ... persa quasi una settimana appresso a queste amenità, ora ci apprestiamo finalmente a iniziare sto "esercizio". Non prima di aver risolto il problema della gaussiana inversa... qualcuno ha risolto?

Nash ha scritto:

@lionel


- altro accorgimento: in csim la pareto ha un solo parametro, che è quello di forma. La distribuzione è caratterizzata da un secondo parametro, di "scala", come si vede qui: en.wikipedia.org/wiki/Pareto_distribution . Per "scalare" i valori (credo) che bisogni moltiplicare il valore generato dalla pareto, appunto per 10240. Confrontando i valori con altri tool, sono ragionevolmente sicuro dell'affermazione .

Il tutto rigorosamente IMHO ... persa quasi una settimana appresso a queste amenità, ora ci apprestiamo finalmente a iniziare sto "esercizio". Non prima di aver risolto il problema della gaussiana inversa... qualcuno ha risolto?

p=uniform();//Ossia rand tra 0 e 1
CDF: p=1-(k/X)^alfa
Facendo l'inversa: X=k/radice_alfesima(1-p)

Xcsim=1/radice_alfesima(1-p)

Xcism*k=X

phizgerald ha scritto:

Rizzi ha scritto:

Anche io ho fatto esattamente così, in più ho modellato lo switch, o meglio la sua cpu, utilizzando le stesse formule usate per la cpu del web server e dimensionando il suo tasso di servizio affinchè fosse in grado di reggere gli arrivi.

stessa cosa io. in particolare la cpu dello switch l'ho modellata con un tasso di servizio indipendete dal tipo di richiesta.
una domanda forse importante: dal momento che per ogni richiesta il la cpu del web switch (visibile pag4 slide esame.pdf) processa due messaggi (richiesta e relativa risposta) il service demand della cpu dello switch è 2 / (tasso di servizio cpu webswitch) oppure 1 / (tasso di servizio cpu webswitch)?