Syntymä-kuolema-prosessit
|
|
- Jukka-Pekka Saarinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 J. Virtamo Jonoteoria / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti - tilat voiaan järjestää jonoksi, i=,,2,... siten, että - tilasiirtymiä voi tapahtua vain naapuritilojen välillä, i i + tai i i i... i i+ 3 i+ i+ i+2 Tilasiirtymänopeuet q i,j = λ i kun j = i + µ i kun j = i muulloin syntymätn. intervallissa t on λ i t kuolematn. intervallissa t on µ i t kun systeemi on tilassa i
2 J. Virtamo Jonoteoria / SK-prosessit 2 SK-prosessin tasapainotilatoennäköisyyet Käytetään leikkausmenetelmää = globaali tasapainoehto sovellettuna tilajoukkoon,,..., k. Tasapainotilassa toennäköisyysvirrat leikkauksen yli kumoavat toisensa (nettovirta =) λ k π k = µ k+ π k+ k =,, 2,... Saaaan rekursiokaava π k+ = λ k µ k+ π k Kaikki toennäköisyyet voiaan palauttaa rekursion avulla tilan toennäköisyyteen π π k = λ k λ k 2 λ π = k µ k µ k µ Soveltamalla normiehtoa π = k= + λ µ + λ λ µ µ 2 + i= λ i µ i+ π π k =, voiaan määrätä π = + k λ i k= i= µ i+
3 J. Virtamo Jonoteoria / SK-prosessit 3 SK-prosessin ajasta riippuvat ratkaisut Eellä tutkittiin SK-prosessin tasapainojakaumaa π. Joskus tunnetaan tilatoennäköisyyet hetkellä, π(), - tavallisin tilanne on se, että systeemin tieetään olevan hetkellä täsmälleen jossakin tilassa k; tällöin π k () = ja π j () =, kun j k ja halutaan selvittää, miten tilatoennäköisyyet kehittyvät ajan funktiona eli π(t) - tieetään, että lim t π(t) = π. Tämä määräytyy yhtälöstä π(t) = π(t) Q t missä Q = λ λ µ (λ + µ ) λ... µ 2 (λ 2 + µ 2 ) λ 2. µ 3 (λ 3 + µ 3 ) λ 3.. µ 4 (λ 4 + µ 4 )
4 J. Virtamo Jonoteoria / SK-prosessit 4 SK-prosessin ajasta riippuvat ratkaisut (jatkoa) i- i... i i+ 3 i i+ i+ i+2 Yhtälöt komponettimuoossa π i (t) t π (t) t = (λ i + µ i )π i (t) virrat ulos = λ π (t) + µ π (t) virta ulos virta sisään + λ i π i (t) + µ i+ π i+ (t) virrat sisään i =, 2,...
5 J. Virtamo Jonoteoria / SK-prosessit 5 Esim.. Puhas kuolemaprosessi λ i = µ i = iµ i =,, 2,... π i () = i = n i n jokaisella yksilöllä kuolemisnopeus on vakio µ systeemi lähtee tilasta n (n-) n- n n Tila on absorboiva tila, muut tilat ovat transientteja t π n(t) = nµπ n (t) π n (t) = e nµt t π i(t) = (i + )µπ i+ (t) iµπ i (t) i =,,..., n t (eiµt π i (t)) = (i + )µπ i+ (t)e iµt π i (t) = (i + )e iµt µ t π i+(t )e iµt t π n (t) = ne (n )µt µ t e nµt e (n )µt e µt t = n e (n )µt ( e µt ) Rekursiivisesti π i (t) = n (e µt ) i ( e µt ) n i i Binomijakauma: jokainen on muista riippumatta hetkellä t elossa tn:llä e µt
6 J. Virtamo Jonoteoria / SK-prosessit 6 Esim. 2. Puhas syntymäprosessi (Poisson-prosessi) λ i = λ µ i = i =,, 2,... π i () = i = i > syntymätoennäköisyys aikayksikköä kohen on vakio λ alkuhetkellä populaatio on 2... i- i Kaikki tilat ovat transientteja t π i(t) = λπ i (t) + λπ i (t) i > t π (t) = λπ (t) π (t) = e λt t (eλt π i (t)) = λπ i (t)e λt π i (t) = e λt λ t π i (t )e λt t π (t) = e λt λ t e λt e λt t = e λt (λt) Rekursiivisesti π i (t) = (λt)i e λt i! Syntymien lkm välillä (, t) Poisson(λt)
7 J. Virtamo Jonoteoria / SK-prosessit 7 Esim. 3. Yhen palvelimen järjestelmä Exp( ) Exp( ) - vakio saapumisnopeus λ (Poisson-saapumiset) - palvelun päättymisnopeus µ (eksp. palveluaikajak.) Järjestelmän tilat palvelin vapaa palvelin käytössä t π (t) = λπ (t) + µπ (t) t π (t) = Lasketaan yhtälöt yhteen λπ (t) µπ (t) Q = λ λ µ µ t (π (t) + π (t)) = π (t) + π (t) = vakio = π (t) = π (t) t π (t) + (λ + µ)π (t) = µ t (e(λ+µ)t π (t)) = µe (λ+µ)t π (t) = µ λ+µ + (π () µ λ+µ )e (λ+µ)t π (t) = λ λ+µ + (π () tasapainojakauma } {{ } poikkeama tasapainosta λ λ+µ )e (λ+µ)t häviää eksponentiaalisesti
8 J. Virtamo Jonoteoria / SK-prosessit 8 Markov-järjestelmien analyysi: yhteenveto. Etsi järjestelmälle tilakuvaus tähän ei ole valmista reseptiä usein sopiva tilakuvaus on ilmeinen joskus vaatii enemmän ajattelua systeemi voi olla markovinen jonkin tilakuvauksen suhteen ja ei-markovinen jonkin toisen tilakuvauksen suhteen (jolloin tila-informaatio ei ole riittävä) tilakuvauksen löytäminen on ongelman luova osa 2. Määrää tilasiirtymänopeuet suoraviivainen tehtävä, kun eksponentiaaliset pitoajat ja saapumisväliajat 3. Ratkaise tasapainoyhtälöt periaatteessa suoraviivainen tehtävä (lineaarisen yhtälöryhmän ratkaisu) tuntemattomien määrä (tilojen lukumäärä) voi olla hyvin suuri usein voiaan hyöyntää tilakaavion erityispiirteitä
9 J. Virtamo Jonoteoria / SK-prosessit 9 Globaali tasapainoehto i n + tilaa π {}}{ (π,..., π n ) q i, j q j, i j j q j,i = j iπ π i q i,j j i virta tilaan i Q virta tilasta i {}}{ q,j q, q,2... q,n j q, q,j q,2... q,n j q 2, q 2, q 2,j... q 2,n j q n,j q n, q n,, q n,2,... j i =,,..., n yksi yhtälö kutakin tilaa kohen =. π Q = π + π + + π n = yksi yhtälö on reunantti normiehto
10 J. Virtamo Jonoteoria / SK-prosessit Esim.. Jonojärjestelmä s palvelinta K ootuspaikkaa s palvelinta K ootuspaikkaa λ saapumisnopeus (Poisson) µ Exp(µ) pitoaika (oostusarvo /µ) K=5 s=4 Asiakkaien lukumäärä N kelpaa tilamuuttujaksi - määrää yksikäsitteisesti palvelussa olevien ja oottavien asiakkaien lukumäärät - minkä tahansa saapumisen tai poistumisen jälkeen palveltavana olevien asiakkaien jäljelläolevat palveluajat ovat Exp(µ)-jakautuneita (muistittomuus)
11 J. Virtamo Jonoteoria / SK-prosessit Esim. 2. Kutsuesto ATM-verkossa ATM-verkon virtuaaliväylälle (VP) tarjotaan kahenlaisia kutsuja. R = Mbps λ = saapumisnopeus µ = keskim. pitoaika a) Väylän kapasiteetti on suuri (ääretön) R 2 = 2Mbps λ 2 = saapumisnopeus µ 2 = keskim. pitoaika n 2 2 n 2 (n 2+) 2 (n +) n 2 2 n Markov-prosessin tilamuuttujana on tässä esimerkissä pari (N, N 2 ), missä N i kertoo päälläolevien, luokkaan i kuuluvien kutsujen lukumäärän tarkasteluhetkellä.
12 J. Virtamo Jonoteoria / SK-prosessit 2 Kutsuesto ATM-verkossa (jatkoa) b) Väylän kapasiteetti on 4.5 Mbps n 2 n
Syntymä-kuolema-prosessit
J. Virtamo Liikenneteoria ja liikenteenhallinta / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti
LisätiedotEstynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)
J Virtamo 383143 Jonoteoria / Engsetin järjestelmä 1 Äärellinen lähdepopulaatio: M/M/s/s/n-järjestelmä Tarkastellaan estojärjestelmää (ei odotuspaikkoja) tapauksessa, jossa saapumiset tulevat äärellisestä
LisätiedotEstojärjestelmä (loss system, menetysjärjestelmä)
J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)
LisätiedotOdotusjärjestelmät. Aluksi esitellään allaolevan kuvan mukaisen yhden palvelimen jonoon liittyvät perussuureet.
J. Virtamo 38.3143 Jonoteoria / M/M/ /-jonot 1 Odotusjärjestelmät Siirrytään tarkastelemaan odotusjärjestelmiä. Nämä ovat aitoja jonojärjestelmiä siinä mielessä, että niissä on odotuspaikkoja ja asiakkat
Lisätiedotkäännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.
J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 1 AJAN KÄÄNTÖ JA KÄÄNTYVÄT PROSESSIT Käännetty prosessi Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t. Tähän prosessiin voidaan liittää
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Virtamo 38.3143 Jonoteoria / Markov-prosessit 1 Markov-prosessit (Jatkuva-aikaiset Markov-ketut) Tarkastellaan (stationaarisia) Markov-prosessea, oiden parametriavaruus on atkuva (yleensä aika). Siirtymät
Lisätiedot4. Stokastiset prosessit. lect4.tex 1. Sisältö. Peruskäsitteitä. Poisson-prosessi. Markov-prosessit. Syntymä-kuolema-prosessit
4. Stokastiset prosessit lect4.tex 1 Sisältö Peruskäsitteitä Poisson-prosessi Markov-prosessit Syntymä-kuolema-prosessit 2 Stokastinen prosessi Tarkasteltavana oleva järjestelmä kehittyy ajan mukana ja
LisätiedotJatkuva-aikaisia Markov-prosesseja
5B Jatkuva-aikaisia Markov-prosesseja Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tasapainojakaumia. Laskuharjoitukseen kannattaa
LisätiedotJärjestelmässä olevien asiakkaiden lukumäärä N(t) ei muodosta enää Markov-prosessia.
J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 1 M/G/1-jono M (memoryless): Poisson-saapumisprosessi, intensiteetti λ G (general): yleinen palveluaikajakautuma, keskiarvo S =1/µ 1 : yksi palvelin, kuorma ρ
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
LisätiedotJ. Virtamo Jonoteoria / M/G/1/-jono 1
J. Virtamo 38.3143 Jonoteoria / M/G/1/-jono 1 M/G/1-jono M (memoryless): Poisson-saapumisprosessi, intensiteetti λ G (general): yleinen palveluaikajakautuma, keskiarvo S = 1/µ 1 : yksi palvelin, kuorma
LisätiedotSTOKASTISET PROSESSIT Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Stokastiset prosessit 1 STOKASTISET PROSESSIT Peruskäsitteitä Usein tarkasteltava järjestelmä kehittyy ajan mukana ja meitä kiinnostaa sen dynaaminen, yleensä satunnaisuutta
LisätiedotJ. Virtamo Jonoteoria / Jonoverkot 1
J. Virtamo 38.3143 Jonoteoria / Jonoverkot 1 JONOVERKOT Useasta jonosta muodostuva verkko Queueing network Network of queues Esimerkiksi Asiakkaita siirtyy postin, pankin, kaupan jonoista toiseen Datapaketteja
LisätiedotDemonstraatiot Luento 7 D7/1 D7/2 D7/3
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista
LisätiedotLittlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi
J. Virtamo 38.3143 Jonoteoria / Littlen tulos 1 Littlen tulos Littlen lause Littlen tuloksena tai Littlen lauseena tunnettu tulos on hyvin yksinkertainen relaatio järjestelmään tulevan asiakasvirran, keskimäärin
LisätiedotJ. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1
J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 Poisson-prosessi Yleistä Poisson-prosessi on eräs keskeisimmistä jonoteoriassa käytetyistä malleista. Hyvin usein asiakkaiden saapumisprosessia jonoon
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti
LisätiedotJatkuvan aikavälin stokastisia prosesseja
6A Jatkuvan aikavälin stokastisia prosesse Tämän harjoituksen tavoitteena on tutustua uusiutumisprosesseihin tkuva-aikaisiin Markovprosesseihin harjoitella laskemaan niihin liittyviä hetkittäisiä kaumia
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 15. maaliskuuta 2004 T-79.179: Stokastinen analyysi 8-1 Mihin tarvitaan stokastista analyysiä? Saavutettavuusanalyysissä
LisätiedotABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Peruskäsitteitä Poisson-prosessi Luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2005 2 Stokastiset prosessit () Stokastiset prosessit
Lisätiedot5. Stokastiset prosessit (1)
luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2006 Sisältö Peruskäsitteitä Poisson-prosessi 2 Stokastiset prosessit () Tarkastellaan jotakin (liikenneteorian kannalta tai sitten muuten) kiinnostavaa
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot TarkastellaanM/G/1-jonojärjestelmää, jossaasiakkaaton jaettu K:hon prioriteettiluokkaan, k =1,...,K: - luokalla 1 on korkein prioriteetti
LisätiedotATM-VERKON KUTSUTASON ESTO
J. Virtamo 38.3141 Teleliikenneteoria / Kutsutason esto 1 ATM-VERKON KUTSUTASON ESTO Kutsutasolla tehtävän resurssivarauksen kannalta vaihtuvanopeuksinenkin lähde näyttää vakionopeuslähteeltä. Sen nopeus
LisätiedotYlivuoto puskurillisessa systeemissä: nestejonot
J. Virtamo 38.3141 Teleliikenneteoria / Pursketaso 1 Ylivuoto puskurillisessa systeemissä: nestejonot Jos muodostuvat jonot ovat pitkiä (paljon asiakkaita jonossa), jonon yleiskäyttäytymisen kannalta saapuvan
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
LisätiedotJ. Virtamo Liikenneteoria ja liikenteenhallinta / Jonoverkot 1
J. Virtamo Liikenneteoria ja liikenteenhallinta / Jonoverkot JONOVERKOT Useasta jonosta muodostuva verkko Queueing network Network of queues Esimerkiksi Asiakkaita siirtyy postin, pankin, kaupan jonoista
LisätiedotDemonstraatiot Luento
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 8 Demonstraatiot Luento 8..8 D/ Tarkastellaan seuraavaa yksinkertaista piirikytkentäistä (runko)verkkoa.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotSamankaltaisia ongelmia esiintyy mm. puskurinhallinnan yhteydessä: on päätettävä,
J. Virtamo 38.3141 Teleliikenneteoria / Markovin päätösprosessit 1 MARKOVIN PÄÄTÖSPROSESSIT Aikaisemmin Markovin prosesseja käsiteltäessä on lähdetty siitä, että systeemin mahdolliset tilat ja näiden väliset
Lisätiedot3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät
luento03.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotHarjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,
Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
Lisätiedot10. Toisen kertaluvun lineaariset differentiaaliyhtälöt
37. Toisen kertaluvun lineaariset differentiaalihtälöt Tarkastelemme muotoa () ( x) + a( x) ( x) + a( x) ( x) = b( x) olevia htälöitä, missä kerroinfunktiot ja oikea puoli ovat välillä I jatkuvia. Edellisen
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
Lisätiedot6. Differentiaaliyhtälösysteemien laadullista teoriaa.
1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun
LisätiedotYleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat
J. Virtamo 38.3143 Jonoteoria / Jonojärjestelmät 1 JONOJÄRJESTELMÄT Yleistä Jonojärjestelmät muodostavat keskeisen mallinnuksen välineen mm. tietoliikenne- ja tietokonejärjestelmien suorituskyvyn analysoinnissa.
LisätiedotTeoria. Prosessin realisaatioiden tuottaminen
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotDISKREETIT JAKAUMAT Generoiva funktio (z-muunnos)
J. Virtamo 38.3143 Jonoteoria / Diskreetit jakaumat 1 DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos) Määritelmä Olkoon X diskreetti sm, jonka arvot ovat ei-negatiivisia kokonaislukuja, X {0, 1, 2,...}.
LisätiedotNumeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43
Numeeriset menetelmät TIEA381 Luento 7 Kirsi Valjus Jyväskylän yliopisto Luento 7 () Numeeriset menetelmät 10.4.2013 1 / 43 Luennon 7 sisältö Interpolointi ja approksimointi Interpolaatiovirheestä Paloittainen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
Lisätiedot4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.
LisätiedotSarjoja ja analyyttisiä funktioita
3B Sarjoja ja analyyttisiä funktioita 3B a Etsi funktiolle z z 5 potenssisarjaesitys kiekossa B0, 5. b Etsi funktiolle z z potenssisarjaesitys kiekossa, jonka keskipiste on z 0 4. Mikä on tämän potenssisarjan
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
Lisätiedot5. Liikenteen mallinnus ja mittaus
S-38.45 Liikenneteorian perusteet K-99 5. Liikenteen mallinnus ja mittaus lect5.ppt Sisältö Perinteinen puhelinliikenteen mallinnus Liikenteen vaihtelu Liikenteen mittaus Perinteinen dataliikenteen mallinnus
Lisätiedot3. Esimerkkejä. Sisältö. Klassinen puhelinliikenteen malli (1) Klassinen puhelinliikenteen malli (2)
Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle dataliikenteelle luento03.ppt S-38.45 - Liikenneteorian perusteet
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotSatunnaislukujen generointi
Satunnaislukujen generointi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Satunnaislukujen generointi 1/27 Kevät 2003 Lähteet Knuth, D., The Art of Computer Programming,
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
Lisätiedoty + 4y = 0 (1) λ = 0
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 6 mallit Kevät 2019 Tehtävä 1. Ratkaise yhtälöt a) y + 4y = x 2, b) y + 4y = 3e x. Ratkaisu: a) Differentiaaliyhtälön yleinen
LisätiedotLineaarinen toisen kertaluvun yhtälö
Lineaarinen toisen kertaluvun yhtälö Keijo Ruotsalainen Mathematics Division Lineaarinen toisen kertaluvun differentiaaliyhtälö Toisen kertaluvun täydellinen lineaarinen yhtälö muotoa p 2 (x)y + p 1 (x)y
LisätiedotJono- ja teleliikenneteorian tehtäväkokoelma. koonnut Esa Hyytiä 26. huhtikuuta 2005
Jono- ja teleliikenneteorian tehtäväkokoelma koonnut Esa Hyytiä 6. huhtikuuta 5 µ µ µ Tehtäväkokoelmaan on kerätty vuodesta 997 lähtien jonoteorian ja teleliikenneteorian tehtävät, laajakaistaisen välitystekniikan
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotProjektin arvon aleneminen
Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen
LisätiedotMarkov-ketjut pitkällä aikavälillä
MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 6. viikolle /
Differentiaali- ja integraalilaskenta 1 Ratkaisut 6. viikolle / 16. 18.5. Lineaariset differentiaaliyhtälöt, homogeeniset differentiaaliyhtälöt Tehtävä 1: a) Määritä differentiaaliyhtälön y 3y = 14e 4x
LisätiedotLiikenneteoriaa (vasta-alkajille)
Liikenneteoriaa (vasta-alkajille) samuli.aalto@hut.fi liikteor.ppt S-38.8 - Teletekniikan perusteet - Syksy 000 Sisältö Liikenneteorian tehtävä Verkot ja välitysperiaatteet Puhelinliikenteen mallinnus
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
LisätiedotAB TEKNILLINEN KORKEAKOULU
AB TEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio luento10.ppt S-38.145 - Liikenneteorian perusteet - Kevät 2002 1 Sisältö Johdanto Verkon suunnittelu Liikenne-ennusteet Mitoitus 2 Tietoliikenneverkko
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
Lisätiedot6. Stokastiset prosessit (2)
Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella
Lisätiedot4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =
BMA58 Funktiot, lineaarialgebra ja vektorit Harjoitus 6, Syksy 5. Olkoon [ 6 6 A =, B = 4 [ 3 4, C = 4 3 [ 5 Määritä matriisien A ja C ominaisarvot ja ominaisvektorit. Näytä lisäksi että matriisilla B
LisätiedotABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio. 10. Verkon suunnittelu ja mitoitus
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio 10. Verkon suunnittelu ja mitoitus luento10.ppt S-38.145 - Liikenneteorian perusteet - Kevät 2004 1 Sisältö Johdanto Verkon suunnittelu Liikenne-ennusteet
Lisätiedotd+tv 1 S l x 2 x 1 x 3 MEI Mallintamisen perusteet Harjoitus 6, kevät 2015 Tuomas Kovanen
MEI-55100 Mallintamisen perusteet Harjoitus 6, kevät 2015 Tuomas Kovanen Tehtävä 1: Tarkastellaan luentojen esimerkkiä, jossa johepalkki liikkuu kahen johelevyn välissä homogeenisessä magneettikentässä,
LisätiedotEsimerkki 1 Ratkaise differentiaaliyhtälö
Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
Lisätiedot17. Differentiaaliyhtälösysteemien laadullista teoriaa.
99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu
Lisätiedotmlnonlinequ, Epälineaariset yhtälöt
Aalto-yliopisto, Matematiikan ja Systeemianalyysin laitos -e mlnonlinequ, Epälineaariset yhtälöt 1. Historiallisesti mielenkiintoinen yhtälö on x 3 2x 5 = 0, jota Wallis-niminen matemaatikko käsitteli,
Lisätiedotlnx x 1 = = lim x = = lim lim 10 = x x0
BM0A580 - Differentiaalilaskenta ja sovellukset Harjoitus 5, Syksy 05. (a) (b) ln = sin(t π ) t π t π = = 0 = = cos(t π = ) = 0 t π (c) e [ = ] = = e e 3 = e = 0 = 0 (d) (e) 3 3 + 6 + 8 + 6 5 + 4 4 + 4
Lisätiedot. Mitä olisivat y 1 ja y 2, jos tahdottaisiin y 1 (0) = 2 ja y 2 (0) = 0? x (1) = 0,x (2) = 1,x (3) = 0. Ratkaise DY-ryhmä y = Ay.
BMA583 Differentiaaliyhtälöiden peruskurssi Harjoitus 6, Kevät 7. Oletetaan että saaliskalapopulaation lisääntymisnopeus (ilman kuolemia on suoraan verrannollinen kalapopulaation (merkataan tätä symbolilla
LisätiedotMatematiikka B2 - Avoin yliopisto
6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotMS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö
MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n
Lisätiedot1. Tarkastellaan kaksiulotteisessa Hilbert avaruudessa Hamiltonin operaattoria
Kvanttimekaniikka I, tentti 6.. 015 4 tehtävää, 4 tuntia 1. Tarkastellaan kaksiulotteisessa Hilbert avaruudessa Hamiltonin operaattoria ( { ( ( } E iδ H =, E, δ R, kannassa B = 1 =, =. iδ E 0 1 (a (p.
Lisätiedot1 p p P (X 0 = 0) P (X 0 = 1) =
Mat-2.3 Stokastiset rosessit Syksy 2007 Laskuharjoitustehtävät 3 Poroudas/Kokkala. Tarkastellaan Markov-ketjua, jonka tilajoukko on {0, } ja tilansiirtotodennäköisyysmatriisi P Olkoon alkujakauma α 0 a
Lisätiedoty (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x
BM0A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 4, Kevät 017 Päivityksiä: 1. Ratkaise differentiaaliyhtälöt 3y + 4y = 0 ja 3y + 4y = e x.. Ratkaise DY (a) 3y 9y + 6y = e 10x (b) Mikä on edellisen
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotTietorakenteet, esimerkkivastauksia viikon 12 laskareihin
Tietorakenteet, esimerkkivastauksia viikon laskareiin (a) Oletetaan seuraavan kuvan mukainen verkko ja etsitään lyyimpiä polkuja solmusta Ensimmäiseksi käsitellään solmu B, jonka etäisyys on kolme Seuraavaksi
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
Lisätiedot