käännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.



Samankaltaiset tiedostot
Syntymä-kuolema-prosessit

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Estojärjestelmä (loss system, menetysjärjestelmä)

Syntymä-kuolema-prosessit

ATM-VERKON KUTSUTASON ESTO

Odotusjärjestelmät. Aluksi esitellään allaolevan kuvan mukaisen yhden palvelimen jonoon liittyvät perussuureet.

STOKASTISET PROSESSIT Peruskäsitteitä

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

Estynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)

J. Virtamo Jonoteoria / Jonoverkot 1

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

J. Virtamo Jonoteoria / Poisson-prosessi 1

Vastaus 1. Lasketaan joukkojen alkiot, ja todetaan, että niitä on 3 molemmissa.

Miten perustella, että joukossa A = {a, b, c} on yhtä monta alkiota kuin joukossa B = {d, e, f }?

Miten osoitetaan joukot samoiksi?

Yleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat

Markov-ketjut pitkällä aikavälillä

Littlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi

J. Virtamo Liikenneteoria ja liikenteenhallinta / Jonoverkot 1

Esimerkki: Tietoliikennekytkin

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

J. Virtamo Jonoteoria / Prioriteettijonot 1

Johdatus matemaattiseen päättelyyn

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Johdatus matematiikkaan

J. Virtamo Jonoteoria / M/G/1/-jono 1

Järjestelmässä olevien asiakkaiden lukumäärä N(t) ei muodosta enää Markov-prosessia.

Martingaalit ja informaatioprosessit

Kuvaus eli funktio f joukolta X joukkoon Y tarkoittaa havainnollisesti vastaavuutta, joka liittää joukon X jokaiseen alkioon joukon Y tietyn alkion.

1 Lineaariavaruus eli Vektoriavaruus

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja.

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

Ennakkotehtävän ratkaisu

Liikenneongelmien aikaskaalahierarkia

Kuvaus eli funktio f joukolta X joukkoon Y tarkoittaa havainnollisesti vastaavuutta, joka liittää joukon X jokaiseen alkioon joukon Y tietyn alkion.

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

J. Virtamo Jonoteoria / Prioriteettijonot 1

802320A LINEAARIALGEBRA OSA I

Jatkuva-aikaisten Markov-prosessien aikakehitys

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

811120P Diskreetit rakenteet

Ratkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta).

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

3.6 Su-estimaattorien asymptotiikka

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

Joukot. Georg Cantor ( )

ABTEKNILLINEN KORKEAKOULU

Erilaisia Markov-ketjuja

MS-A0004/A0006 Matriisilaskenta

Sovellettu todennäköisyyslaskenta B

Prosessin reaalisaatioiden tuottaminen

Matematiikan ja tilastotieteen laitos Matematiikka tutuksi Harjoitus 2, malliratkaisut

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

(1) refleksiivinen, (2) symmetrinen ja (3) transitiivinen.

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

Markov-ketjut pitkällä aikavälillä

Lineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.

on Abelin ryhmä kertolaskun suhteen. Tämän joukon alkioiden lukumäärää merkitään

Tarkastelemme ensin konkreettista esimerkkiä ja johdamme sitten yleisen säännön, joilla voidaan tietyissä tapauksissa todeta kielen ei-säännöllisyys.

Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus.

Teoria. Prosessin realisaatioiden tuottaminen

5. Stokastiset prosessit (1)

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Sovellettu todennäköisyyslaskenta B

Luonnollisen päättelyn luotettavuus

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Jatkuva-aikaisia Markov-prosesseja

Sovellettu todennäköisyyslaskenta B

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Dynaamiset regressiomallit

MS-C1340 Lineaarialgebra ja

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset

Markov-kustannusmallit ja kulkuajat

Approbatur 3, demo 1, ratkaisut A sanoo: Vähintään yksi meistä on retku. Tehtävänä on päätellä, mitä tyyppiä A ja B ovat.

MS-A0402 Diskreetin matematiikan perusteet

Automaatit. Muodolliset kielet

Todistusmenetelmiä Miksi pitää todistaa?

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

1 Määrittelyjä ja aputuloksia

T Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 12 (opetusmoniste, kappaleet )

7 Vapaus. 7.1 Vapauden määritelmä

Derivaattaluvut ja Dini derivaatat

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Luonnollisten lukujen ja kokonaislukujen määritteleminen

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

4 Matemaattinen induktio

Generoivat funktiot, Poisson- ja eksponenttijakaumat

Kaikki kurssin laskuharjoitukset pidetään Exactumin salissa C123. Malliratkaisut tulevat nettiin kurssisivulle.

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

Esko Turunen MAT Algebra1(s)

Vuonohjaus: ikkunamekanismi

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Jonojen matematiikkaa

Transkriptio:

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 ns. käännetty prosessi X t, jossa prosessin X t kulkua tarkastellaan käännetyssä ajassa ( filmi pyöritetään takaperin ). X t = X τ t Miksi halutaan tutkia käännettyä prosessia Ajan kääntö hetken τ suhteen. Parametri τ on epäolennainen; se määrittelee vain, mihin kohtaan käännetyssä prosessissa sijoitamme ajan origon. Osoittautuu, että sen avulla saadaan lisänäkemystä prosessin ominaisuuksista. Monasti käänteisen prosessin tarkastelun avulla voidaan hyvin yksinkertaisesti ja elegantisti johtaa tuloksia, joiden suoraviivainen johtaminen vaatisi mutkikkaita laskuja. Esimerkiksi monimutkaisen järjestelmän tasapainoyhtälöt voidaan ratkaista arvaamalla käännetty prosessi. Jonojärjestelmän lähtöprosessin (ulostulo) ominaisuudet voidaan usein helpoiten selvittää tutkimalla käännettyä prosessia.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 2 Käännetty prosessi (jatkoa) Yleensä ajassa käännetty prosessi X t on eri prosessi kuin alkuperäinen prosessi. Esimerkki: Syklinen (jaksollinen) prosessi. Prosessissa X t tilat esiintyvät sekvenssissä 1 2 3 1. Käännetyssä prosessissa sekvenssi on 1 3 2 1. Selvästikään ei voi olla kysymyksessä sama prosessi. 1 2 3 Käännetyn prosessin tasapainojakauma Oletetaan, että prosessilla X t on tasapainojakauma π i = P{X t = i}. Tällöin myös käännetyllä prosessilla X t on tasapainojakauma π i = P{X t = i} ja tämä jakauma on sama kuin alkuperäisellä prosessilla π i = π i i Perustelu. π i ja π i edustavat niitä osuuksia ajasta, jonka prosessit X t ja X t viettävät tilassa i. Aikaosuus on riippumaton siitä, kummassa suunnassa prosessia tarkastellaan.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 3 Kääntyvä prosessi Jos prosessin X t käännetty prosessi X t on tilastollisesti identtinen alkuperäisen prosessin kanssa, sanotaan että prosessi X t on ajassa kääntyvä. Täsmällisesti määriteltynä kääntyvyys tarkoittaa sitä, että (X t1, X t2,..., X tn ) (X τ t1, X τ t2,..., X τ tn ) kaikilla arvoilla t 1, t 2,..., t n ja τ ja n ts. kyseisillä arvojoukoilla on samat yhteisjakaumat. Intuitiivisesti prosessin X t kääntyvyys tarkoittaa sitä, että ulkopuolinen tarkkailija ei pysty kertomaan ajetaanko filmiä oikeinpäin vai takaperin.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 4 Markovin ketju käännetyssä ajassa Lause. Stationäärisen Markovin ketjun..., X n 1, X n, X n+1,... käännetty ketju...,x n+1, X n, X n 1,... muodostaa stationäärisen Markovin ketjun. Todistus. Tarkastellaan arvon X m = j todennäköisyyttä ehdollistettuna sitä seuraaviin arvoihin X m+1 = i, X m+2 = i 2,..., X m+k, jotka käännetyssä ajassa ovat edeltäviä arvoja: P{X m = j X m+1 = i, X m+2 = i 2,..., X m+k = i k } = P{X m = j, X m+1 = i, X m+2 = i 2,..., X m+k = i k } P{X m+1 = i, X m+2 = i 2,..., X m+k = i k } ei riipu tästä, Markov! = P{X { }} { m = j, X m+1 = i}p{x m+2 = i 2,..., X m+k = i k X m = j, X m+1 = i} P{X m+1 = i}p{x m+2 = i 2,..., X m+k = i k X m+1 = i} = P{X m = j, X m+1 = i} P{X m+1 = i} = P{X m = j}p{x m+1 = i X m = j} P{X m+1 = i} Käänteisen prosessin siirtymätodennäköisyydet p i,j = P{X m = j X m+1 = i} = π jp j,i π i = π jp j,i π i ei riipu lainkaan muuttujien X m+2...x m+k arvoista i 2,..., i k

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 5 Markovin prosessi käännetyssä ajassa (jatkoa) Lause. Olkoon X t (jatkuva-aikainen) stationäärinen Markovin prosessi, jonka tilasiirtymänopeudet ovat q i,j ja tasapainotodennäköisyydet π i. Tällöin käännetty prosessi X t on stationäärinen Markovin prosessi ja sen tilasiirtymänopeudet ovat q i,j = π jq j,i π i Todistus. Samankaltainen kuin edellä. Huom. Nämä lauseet sanovat ainoastaan, että käännetty prosessi on markovinen, ei sitä että se olisi sama prosessi kuin alkuperäinen. Kääntyvyys on erillinen lisäominaisuus.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 6 Tasapainotodennäköisyyksien ratkaisu käännetyn prosessin avulla Lause. Olkoon X t Markov-prosessi, jonka tilasiirtymänopeudet ovat q i,j. Jos löytyy luvut q i,j ja luvut π i siten, että j iq i,j = j i q i,j i ja π i q i,j = π j q j,i i, j ja i π i = 1 niin π i :t ovat prosessien X t ja X t yhteiset tasapainotodennäköisyydet ja q i,j :t prosessin X t tilasiirtymänopeudet. Todistus: j q j,i = j iπ π i qi,j = π i j i j i q i,j = π i i,j = j iq j i π i q i,j i Siten π i :t toteuttavat X t -prosessin globaalit tasapainoyhtälöt. Lisäksi on q i,j = π jq i,j /π i eli X t :n siirtymänopeus. Lausetta voidaan (hiukan yllättäen) käyttää hyväksi sen todistamiseksi, että arvattu jakauma π i todella on tasapainojakauma arvaamalla lisäksi käänteisen prosessin siirtymänopeudet q i,j. On todella tapauksia (eräitä varsin mutkikkaita järjestelmiä), joissa π i :t voidaan arvata ja käänteinen prosessi on melko ilmeinen ja joissa globaalien tasapainoehtojen toteutumisen suora tarkastus olisi työlästä.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 7 Kääntyvä Markov-prosessi Käännetty Markov-prosessi X t käyttäytyy alkuperäisen prosessin tavoin, jos sillä on samat tilasiirtymänopeudet. Kääntyvyyden ehto on siten q i,j = q i,j i, j Aikaisemmin q i,j:lle annetun lausekkeen perusteella ehto on ekvivalentti seuraavan ominaisuuden kanssa π i q i,j = π j q j,i i, j Detaljibalanssi kääntyvyyden ehto Detaljibalanssi sanoo, että todennäköisyysvirrat minkä tahansa kahden tilan välillä ovat tasapainossa. Detaljibalanssista seuraa välittömästi globaalibalanssi eli että (kokonais)todennäköisyysvirta tilasta ulos, j π i q i,j, on yhtäsuuri kuin virta sisään, j π j q j,i. Tästä seuraa edelleen, että jos löytyy luvut π i siten, että detaljibalanssiehdot ovat voimassa, niin π i :t ovat systeemin tasapainotodennäköisyydet (normitettuna i π i = 1). Toisinpäin ei ole voimassa, että globaalitasapainosta seuraisi detaljibalanssi; kaikki Markovprosessit eivät ole kääntyviä.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 8 Detaljibalanssi π i q i,j = siirtymien i j frekvenssi π j q j,i = siirtymien j i frekvenssi i j tasapaino Detaljibalanssiehto sanoo, että prosessissa X t tilojen i ja j välisiä siirtymiä tapahtuu samalla frekvenssillä kumpaankin suuntaan. Kääntyvässä prosessissa täytyy näin tietenkin ollakin, sillä käännettäessa ajan suunta siirtymästä i j tulee siirtymä j i ja päinvastoin. Jotta käännetty prosessi näyttäisi samalta kuin alkuperäinenkin, täytyy siirtymäfrekvenssien molempiin suuntiin olla samat.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 9 Puut ovat kääntyviä Lause: Jos Markov-prosessin tilakaavio on puu, niin prosessi on ajassa kääntyvä. Todistus. Suorittamalla leikkaus minkä tahansa kahden tilan väliltä puu jakaantuu kahteen osaan. Näihin osiin sovelletusta tilaryhmien välisestä (globaalista) tasapainoehtosta seuraa detaljibalanssi leikkauksessa. Seuraus: Kaikki SK-tyyppiset Markov-prosessit ovat ajassa kääntyviä. Esim. M/M/1, M/M/n, M/M/, M/M/m/m,...

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 10 Kolmogorovin kriteeri Detaljibalanssin muodossa ilmoitettu kääntyvyysehto on sovellettavissa vain, kun tunnetaan sekä siirtymänopeudet q i,j että tasapainotodennäköisyydet π i. Jälkimmäiset voidaan aina ratkaista, kun q i,j :t on annettu, ja niin ollen detaljibalanssin voimassaolon tarkistamiseen riittää tuntea siirtymänopeudet q i,j. Voidaan kysyä, onko mahdollista päätellä kääntyvyys (detaljibalanssi) suoremmin siirtymänopeuksista q i,j ratkaisematta ensin tasapainotodennäköisyyksiä. Vastaus on myönteinen ja tarvittavan päättelyn kertoo seuraava: Kolmogorovin kriteeri Olkoon i 1, i 2,..., i m, i 1 mikä tahansa suljettu sykli tilakaaviossa. Kolmogorovin kriteeri on täytetty, jos jokaiselle tällaiselle syklille pätee q i1,i 2 q i2,i 3 q im,i 1 = q i1,i m q im,i m 1 q i2,i 1 ts. siirtymänopeuksien tulot syklin yli molempiin suuntiin laskettuina ovat samat. Voidaan todistaa, että Kolmogorovin kriteeri on ekvivalentti detaljibalanssiehtojen kanssa ja niin ollen se antaa riittävän ja välttämättömän ehdon prosessin kääntyvyydelle. Seuraus: Koska puumaisessa tilakaaviossa ei ole yhtään sykliä, Kolmogorovin kriteeri on aina täytetty ja seuraa uudelleen, että vastava Markovin prosessi on ajassa kääntyvä.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 11 Burken teoreema Burken teoreemana tunnettu lause sanoo: M/M/1-systeemissä, jossa poissonisen saapumisprosessin intensiteetti on λ, a) asiakkaiden poistumishetket muodostavat Poisson-prosessin intensiteetillä λ, b) kaikilla arvoilla t sisällä olevien asiakkaiden lukumäärä N t on riippumaton ulostuloprosessista ennen hetkeä t. Todistus. a) M/M/1-jono on ajassa kääntyvä. Käännetty systeemi käyttäytyy täsmälleen kuten M/M/1-jono. Alkuperäisen jonon lähtöprosessi on sama kuin käännetyn systeemin tuloprosessi, joka ollen identtinen alkuperäisen systeemin tuloprosessin kanssa on Poisson-prosessi intensiteetillä λ. poistumiset saapumiset saapumiset poistumiset b) Alkuperäisen prosessin lähtöhetket ennen hetkeä t ovat käännetyn prosessin tulohetkiä ajan t jälkeen. Koska kyseiset tulohetket muodostavat Poisson-prosessin, on sen kehitys hetken t jälkeen riippumaton kaikesta menneestä, mm. N t :n nykyisestä arvosta.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 12 Burken teoreema (jatkoa) Seuraus 1 Tarkkailemalla M/M/1-jonon lähtöhetkiä ei voida päätellä mitään siitä, montako asiakasta systeemissä tällä hetkellä on. Jos ulostulossa on havaittu ryöppy, niin jonossa todennäköisesti on ollut tavallista enemmän asiakkaita, mutta siitä, montako asiakasta siellä nyt vielä on, ei saada mitään tietoa. Ulostuloprosessia tarkkailemalla ei myöskään saada selville keskim. palveluaikaa 1/µ. Seuraus 2 Avoimessa jonoverkossa, joka lisäksi on asyklinen (ei takaisinkytkentäsilmukoita) kaikki jonot ovat riippumattomia M/M/1-jonoja. Jonojen tulovirrat ovat todellisia Poisson-virtoja. Syöttävien jonojen nykytilat ovat riippumattomia aikaisemmista lähtöprosesseistaan, joista syötetyn jonon nykytila yksinomaan riippuu. Huomautus Burken teoreema pätee myös M/M/m- ja M/M/ -systeemeille.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 13 Esimerkki: Tandem-jono Riippumattomat eksponentiaaliset palveluajat. Ensimmäinen jono on tavallinen M/M/1-jono. Burken teoreeman mukaan sen ulostuloprosessi on Poisson-prosessi. Siten myös jono 2 on M/M/1-jono. 1 2 Exp( 1 ) Exp( 2 ) Jonon 2 tila N 2 hetkellä t riippuu vain saapumisista ennen hetkeä t. Burken teoreeman mukaan ko. saapumisprosessi (= jonon 1 lähtöprosessi) ennen hetkeä t on riippumaton jonon 1 tilasta hetkellä t. N 1 ja N 2 ovat riippumattomia P{N 1 = i} = (1 ρ 1 )ρ i 1, ρ 1 = λ/µ 1 P{N 2 = j} = (1 ρ 2 )ρ j 2, ρ 2 = λ/µ 2 P{N 1 = i, N 2 = j} = (1 ρ 1 )(1 ρ 2 )ρ i 1ρ j 2

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 14 Kääntyvän prosessin katkaisu Olkoon X t kääntyvä Markov-prosessi, jonka tilaavaruus on S ja jonka tasapainotodennäköisyydet ovat π i. Kääntyvyys tarkoittaa sitä, että detaljibalanssiehdot ovat voimassa. Olkoon S tila-avaruuden osajoukko. Tarkastellaan katkaistua prosessia X t, jolla q i,j = q i,j, i, j S 0, muuten Oletetaan lisäksi, että X t on pelkistymätön. Tällöin prosessi X t tasapainojakauma on on kääntyvä ja sen π i = π i j S π j ts. P{X = i} = P{X = i X S } Todistus: Sijoitetaan π i yritteenä prosessin X t globaaleihin tasapainoyhtälöihin. Nähdään heti, että ne toteutuvat kaikille tiloille i S, koska poistuneiden transitioiden nettovirta kuhunkin tilaan on nolla. Todennäköisyysjakauma saadaan (uudelleen)normittamalla jakauma kaikkien tilojen j S yli. Huomautus. Katkaisuperiaate on käytännön sovelluksissa tärkeä.

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 15 Kääntyvän prosessin katkaisu (jatkoa) Esim. 1. Aikaisemmin on useasti todettu, että SK-prosessin (kääntyvä!) tila-avaruuden tekeminen äärelliseksi aiheuttaa ainoastaan jakauman katkaisun ja uudelleennormituksen: M/M/1/K jono, M/M/m/m } {{ } } {{ } Katkaistu geom. Erlang, katkaistu jakauma Poisson-jakauma, M/M/m/m/n } {{ } Engset, katkaistu binomijakauma Esim. 2. Kaksi M/M/1-jonoa, joilla yhteinen puskuritila 1 2 1 2 Oletetaan ensin, että muistitila on ääretön. Tällöin jonot ovat täysin riippumattomia. P{N 1 = i} = (1 ρ 1 )ρ i 1 n 2 P{N 2 = j} = (1 ρ 2 )ρ j 2 P{N 1 = i, N 2 = j} = (1 ρ 1 )ρ i 1(1 ρ 2 )ρ j 2 Prosessit N 1 ja N 2 erikseen ovat kääntyviä. On helppo osoittaa, että myös yhteisprosessi (N 1, N 2 ) on kääntyvä (harjoitustehtävä) eli että ylläoleva yhteisjakauma toteuttaa detaljibalanssiehdot. n (1-2) 2 2 n (1-1) 1 1 n 1 1 2 2 1 1 2 2 1

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 16 Kääntyvän prosessin katkaisu (jatkoa) Esim. 2. jatkuu... Äärettömän kapasiteetin systeemissä tilatodennäköisyydet ovat tulomuotoiset (jonojen 1 ja 2 reunajakaumien tulo) Kun muistitilalla on äärellinen kapasiteetti C, tapahtuu kuvan mukainen tila-avaruuden katkaisu. Katkaistussa tila-avaruudessa S tilatodennäköisyydet ovat samaa muotoa kuin ennenkin. a ρ i 1 ρ j 2, i + j C P{N 1 = i, N 2 = j} = 0, muulloin missä a on normitusvakio 1 a = ρ i 1 ρ j 2 i j i+j C Huom. Vaikka ratkaisu on tulomuotoinen alueessa S, se ei ole sitä kaikilla arvoilla i, j = 0, 1, 2,.... Jonot eivät ole riippumattomia vaan riippuvat rajoitusehdon kautta. C n 2 S' C n 1

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 17 Käännetyn prosessin käyttö jono-ongelmien ratkaisussa Esim. Tehty työ M/M/1-jonossa M/M/1-jonossa palveltavana olevan asiakkaan tekemätön työ on eksponenttijakauman muistittomuudesta johtuen Exp(µ)-jakautunut ja riippumaton jononpituudesta. Asiakkaan jo saama palvelu eli tehty työ Z sen sijaan korreloi jononpituuden kanssa: jos palvelu on kestänyt kauan, on todennäköistä, että jonoa on kertynyt paljon. Ajankääntötarkastelulla voidaan kätevästi johtaa Z:n jakauma ehdolla, että jononpituus on N = n. Viereinen kuva esittää tyypillistä jononpituuden kehittymistä Siitä hetkestä alkaen, kun nyt (hetkellä 0) palveltavana oleva asiakas pääsi palveluun, N t on kasvava (ei-vähenevä) ajan funktio; koska palvelu jatkuu, systeemistä ei tapahdu poistumisia. Z N n t

J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 18 Esim. Tehty työ M/M/1-jonossa (jatkoa) Saapumishetken suhteen on kaksi mahdollisuutta: a) Asiakas tuli tyhjään systeemiin. Käänteisessä ajassa hetki Z on hetki, jolloin sisällä olevat n asiakasta ovat poistuneet Z X 1 + X 2 + + X n X i Exp(µ), i = 1, 2,..., n Z Erlang(n, µ) N n Z t b) Asiakas tuli jonoon: palvelun alkuhetki Z on edellisen asiakkaan poistumishetki. Käänteisessä ajassa hetki Z on ensimmäisen asiakkaan saapumishetki Z Exp(λ) N n Z t Käänteisessä ajassa tarkasteltuna alkutilasta N = n lähtien systeemistä tapahtuu poistumisia Exp(µ)-väliajoin ja saapumisia Exp(λ)-väliajoin. Systeemi joko tyhjenee ensin kokonaan tai tulee uusi saapuminen. Se, joka tapahtuu ensin, määrää ajan Z: Z min(x, Y ), X Erlang(n, µ) Y Exp(λ); X ja Y riippumattomia