ABTEKNILLINEN KORKEAKOULU

Samankaltaiset tiedostot
6. Stokastiset prosessit (2)

6. Stokastiset prosessit

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

3.5 Generoivat funktiot ja momentit

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Mat Lineaarinen ohjelmointi

AB TEKNILLINEN KORKEAKOULU

Jaksolliset ja toistuvat suoritukset

Luento 6 Luotettavuus Koherentit järjestelmät

7. Modulit Modulit ja lineaarikuvaukset.

1, x < 0 tai x > 2a.

Painotetun metriikan ja NBI menetelmä

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

7. Menetysjärjestelmät

4. Stokastiset prosessit. lect4.tex 1. Sisältö. Peruskäsitteitä. Poisson-prosessi. Markov-prosessit. Syntymä-kuolema-prosessit

HASSEN-WEILIN LAUSE. Kertausta

Monte Carlo -menetelmä

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

Usean muuttujan funktioiden integraalilaskentaa

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

Kokonaislukuoptimointi

Mat Sovellettu todennäköisyyslasku A

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

3 Tilayhtälöiden numeerinen integrointi

Mat Lineaarinen ohjelmointi

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

Epätäydelliset sopimukset

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

r i m i v i = L i = vakio, (2)

Tilastollisen fysiikan luennot

Yrityksen teoria ja sopimukset

Kanoniset muunnokset

Tchebycheff-menetelmä ja STEM

SU/Vakuutusmatemaattinen yksikkö (5)

ABTEKNILLINEN KORKEAKOULU

9. Muuttuva hiukkasluku

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Diskreettiaikainen dynaaminen optimointi

Käytetään säteille kompleksiesitystä. Tuleva säde on Ee 0 iw t ja peräkkäisiä heijastuneita säteitä kuvaaviksi esityksiksi saadaan kuvasta: 3 ( 2 )

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka

Rahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

Kollektiivinen korvausvastuu

SMG-1100: PIIRIANALYYSI I

3. Datan käsittely lyhyt katsaus

Tasapainojen määrittäminen tasapainovakiomenetelmällä

5. Stokastiset prosessit (1)

Pro gradu -tutkielma. Whitneyn upotuslause. Teemu Saksala

FYSA220/2 (FYS222/2) VALON POLARISAATIO

Demonstraatiot Luento 7 D7/1 D7/2 D7/3

5. KVANTTIMEKANIIKKAA

Eräs Vaikutuskaavioiden ratkaisumenetelmä

SU/Vakuutusmatemaattinen yksikkö (6)

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

BL20A0600 Sähkönsiirtotekniikka

Äärellisten ryhmien hajotelmat suoriksi tuloiksi

Galerkin in menetelmä

Reaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin

7. Menetysjärjestelmät

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18

VIHDIN KUNTA TOIMEENTULOTUKIHAKEMUS 1(5) PERUSTURVAKESKUS Perhehuolto

Rahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet

Aamukatsaus

Raja-arvot. Osittaisderivaatat.

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Riskienhallinnan peruskäsitteitä

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

Ilmanvaihdon lämmöntalteenotto lämpöhäviöiden tasauslaskennassa

Yhdistä kodinkoneesi tulevaisuuteen. Pikaopas

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

DEE Sähkömagneettisten järjestelmien lämmönsiirto

Markov-ketjut pitkällä aikavälillä

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

Demonstraatiot Luento

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

Yksikköoperaatiot ja teolliset prosessit

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

Luento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta

11. Vektorifunktion derivaatta. Ketjusääntö

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

10.5 Jaksolliset suoritukset

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Tarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi

Transkriptio:

ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5

6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

6. Stokastset prosesst () Markov-prosess Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella S {,,,N} ta S {,,...} Määr. Prosess X(t) on Markov-prosess, os P{ X ( tn ) xn X ( t) x, K, X ( tn) xn} P X ( t ) x X ( t ) x } { n n n n kaklla n, t < < t n a x,, x n Tätä ehtoa sanotaan Markov-omnasuudeks Jos Markov-prosessn nykytla tunnetaan, prosessn tulevasuus e mtenkään rpu prosessn aemmasta mennesyydestä (el stä, mten nykytlaan on tultu) Nykytla ss ssältää kaken atkon kannalta tarpeellsen nformaaton 3

6. Stokastset prosesst () Esmerkk Rppumattomen lsäysten prosess X(t) on ana Markov-prosess: X ( tn) X ( tn) ( X ( tn) X ( tn)) Seuraus: Posson-prosess A(t) on Markov-prosess Määrtelmän 3 mukaan Posson-prosessn lsäykset ovat rppumattoma 4

6. Stokastset prosesst () Akahomogeensuus Määr. Markov-prosess X(t) on akahomogeennen, os P { X ( t ) y X ( t) x} P{ X ( ) y X () x} kaklla t, a x, y S Tn: t P{X(t ) y X(t) x} evät ss rpu t:stä 5

6. Stokastset prosesst () Tlasrtymäntensteett Tarkastellaan akahomogeensta Markov-prosessa X(t) Tlasrtymäntensteett q (state transton rate), mssä, S, määrtellään seuraavast: q lm P{ X ( h) X () : h h Tlatn:t P{X(t) }, S, määräytyvät ykskästtesest srtymäntensteetestä q, kunhan ns. alkuakauma (ntal dstrbuton) el tn:t P{X() }, S, on annettu } Huom. Jatkossa raotamme tarkastelumme pelkästään akahomogeensn Markov-prosessehn 6

6. Stokastset prosesst () Eksponentaalsest akautuneet tlassaoloaat Oletetaan, että Markov-prosess on tlassa hetkellä t. Lyhyellä akavälllä (t, th] prosess srtyy uuteen tlaan tn:llä q h o(h) (rppumatta stä, mtä tapahtu ennen hetkeä t) Merktään q :llä kokonasntensteettä srtyä pos tlasta, ts. q : Lyhyellä akavälllä (t, th] prosess srtyy pos tlasta tn:llä q h o(h) (rppumatta stä, mtä tapahtu ennen hetkeä t) Kyseessä on selvästkn ns. unohtavasuusomnasuus Tlassa vetetty aka noudattaa ss eksponenttakaumaa ntensteettnään q q 7

6. Stokastset prosesst () Tlasrtymätodennäkösyydet Merktään T :llä oloakaa tlassa a T :llä sellasta (potentaalsta) oloakaa tlassa, oka päättyy srtymään tlaan : T Exp( q Sm T vodaan aatella rppumattomen a eksponentaalsest akautuneden sm:en T mnmks (ks. luennon 5 kalvo 44): ), T Exp( q ) T mnt Merk. p :llä tn:ttä, että toteutunut srtymä on tlasta tlaan. Ko. tlasrtymätodennäkösyydet (state transton probabltes) saadaan kaavalla q p P{ T T} q 8

6. Stokastset prosesst () Tlasrtymäkaavo Akahomogeennen Markov-prosess estetään usen ns. tlasrtymäkaavon (state transton dagram) avulla. Kyseessä on suunnattu verkko, onka solmut vastaavat prosessn tloa a ykssuuntaset lnkt vastaavat mahdollsa tlasrtymä lnkk tlasta tlaan q > Esm. Kolmtlanen Markov-prosess (S {,,}): Q q q q q 9

6. Stokastset prosesst () Pelkstymättömyys Määr. Tlasta pääsee tlaan ( ), os tlasrtymäkaavosta löytyy suunnattu polku :stä :hn Jos nän on, nn lähdettäessä tlasta tlassa käydään (oskus tulevasuudessa) postvsella tn:llä Määr. Tlat a kommunkovat ( ), os a Määr. Markov-prosess on pelkstymätön (rreducble), os kakk tlat kommunkovat keskenään Esmerkks edellsellä kalvolla estetty Markov-prosess on pelkstymätön

6. Stokastset prosesst () Tasapanoakauma a globaalt tasapanoyhtälöt Tark. pelkstymätöntä Markov-prosessa X(t) srtymäntensteeten q Määr. Olkoon (, S) tla-avaruudessa S määrtelty akauma, ts. se toteuttaa ns. normeerausehdon S (N) Jakauma on prosessn X(t) tasapanoakauma (equlbrum dstrbuton), os seuraavat globaalt tasapanoehdot (global balance equatons) ovat vomassa kaklla S: q (GBE) On mahdollsta, ette prosesslla ole tasapanoakaumaa. Kutenkn, os esm. tla-avaruus on äärellnen, tasapanoakauma on ana olemassa. Valtsemalla tasapanoakauma alkuakaumaks (ts. P{X() } ), ko. Markov-prosesssta tulee statonaarnen (statonaarsena akaumanaan ) q

6. Stokastset prosesst () Esmerkk Q (N) ) ( (GBE) 3 3 3,,

6. Stokastset prosesst () Lokaalt tasapanoyhtälöt a kääntyvyys Tarkastellaan edelleen pelkstymätöntä Markov-prosessa X(t) srtymäntensteeten q Väte. Olkoon (, S) tla-avaruudessa S määrtelty akauma, ts. S (N) Jos seuraavat lokaalt tasapanoehdot (local balance equatons) ovat vomassa kaklla, S: q nn on prosessn tasapanoakauma. Tod. (GBE):t seuravat (LBE):stä summaamalla Tässä tapauksessa ko. Markov-prosessa sanotaan kääntyväks (reversble) q (LBE) 3

6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst 4

6. Stokastset prosesst () Syntymä-kuolema-prosess Tark. atkuva-akasta a dskreetttlasta Markov-prosessa X(t) oko tla-avaruudella S {,,,N} ta S {,,...} Määr. Markov-prosess X(t) on syntymä-kuolema-prosess (brthdeath process), os tlasrtymät ovat mahdollsa van verekkästen tloen välllä, ts. Tässä tapauksessa merktään > q q :, q :, Huom. a N (kun N < ) 5

6. Stokastset prosesst () Pelkstymättömyys Väte: Syntymä-kuolema-prosess on pelkstymätön, os a van os > kaklla S\{N} a > kaklla S\{} Ääretöntlasen pelkstymättömän sk-prosessn tlasrtymäkaavo: 3 Äärellstlasen pelkstymättömän sk-prosessn tlasrtymäkaavo: N N- N N N N 6

6. Stokastset prosesst () Tasapanoakauma () Tarkastellaan pelkstymätöntä syntymä-kuolema-prosessa X(t) Tarkotus on ohtaa tasapanoakauma ( S), mkäl sellanen on olemassa Lokaalt tasapanoyhtälöt: Nän ollen Jakaumaehto el normeerausehto: S S (LBE) (N) 7

8 6. Stokastset prosesst (), Tasapanoakauma () Tasapanoakauma on ss olemassa täsmälleen sllon, kun Äärellnen tla-avaruus: Ko. summa on ana äärellnen. Tasapanoakaumaks tulee Ääretön tla-avaruus: Jos ko. summa on äärellnen, nn tasapanoakaumaks tulee < S, N 8

9 6. Stokastset prosesst () Esmerkk Q (N) ) ( ρ ρ ρ ρ ρ (LBE) ) / : ( ρ ρ ρ 9

6. Stokastset prosesst () Puhdas syntymäprosess Määr. Syntymä-kuolema-prosess on puhdas syntymäprosess, os kaklla S Ääretöntlasen syntymäprosessn tlasrtymäkaavo: Äärellstlasen syntymäprosessn tlasrtymäkaavo: N N N- N Esmerkks Posson-prosess on ääretöntlanen puhdas syntymäprosess (ntensteeten kaklla S {,, }) Huom. Puhdas syntymäprosess e ole koskaan pelkstymätön (saat stten statonaarnen).