Jonojen matematiikkaa

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

J. Virtamo Jonoteoria / Prioriteettijonot 1

3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät

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

J. Virtamo Jonoteoria / Prioriteettijonot 1

Teoria. Prosessin realisaatioiden tuottaminen

3. Esimerkkejä. Sisältö. Klassinen puhelinliikenteen malli (1) Klassinen puhelinliikenteen malli (2)

Harjoitus 2: Matlab - Statistical Toolbox

Liikenneteoriaa (vasta-alkajille)

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Liikenneongelmien aikaskaalahierarkia

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

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

Malliratkaisut Demo 1

Prosessin reaalisaatioiden tuottaminen

Batch means -menetelmä

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Estojärjestelmä (loss system, menetysjärjestelmä)

Jonot ja niiden hallinta

Jonot ja niiden hallinta

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

Jonot ja niiden hallinta

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio

AB TEKNILLINEN KORKEAKOULU

Jonot ja niiden hallinta

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Mat Sovellettu todennäköisyyslasku A

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

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

Demonstraatiot Luento

4. laskuharjoituskierros, vko 7, ratkaisut

ABTEKNILLINEN KORKEAKOULU

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Diskreettiaikainen dynaaminen optimointi

Taulukko 1. Leikkausta, toimenpidettä tai hoitoa odottavien lukumäärä ja odotusajat

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

5. Stokastiset prosessit (1)

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

D ( ) E( ) E( ) 2.917

Taulukko 1. Leikkausta, toimenpidettä tai hoitoa odottavien lukumäärä ja odotusajat

Taulukko 1. Leikkausta, toimenpidettä tai hoitoa odottavien lukumäärä ja odotusajat

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

Otoskoko 107 kpl. a) 27 b) 2654

4.0.2 Kuinka hyvä ennuste on?

Tutkimustiedonhallinnan peruskurssi

Ylivuoto puskurillisessa systeemissä: nestejonot

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

1. Johdanto luento01.ppt S Liikenneteorian perusteet - Kevät

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Taulukko 1. Leikkausta, toimenpidettä tai hoitoa odottavien lukumäärä ja odotusajat

J. Virtamo Jonoteoria / Poisson-prosessi 1

Sovellettu todennäköisyyslaskenta B

JAKSO 2 KANTA JA KOORDINAATIT

Estimointi. Vilkkumaa / Kuusinen 1

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Algoritmit 1. Demot Timo Männikkö

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Matematiikan tukikurssi

Sovellettu todennäköisyyslaskenta B

¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.

5. laskuharjoituskierros, vko 8, ratkaisut

Taulukko 1. Leikkausta, toimenpidettä tai hoitoa odottavien lukumäärä ja odotusajat

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

805306A Johdatus monimuuttujamenetelmiin, 5 op

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

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

,ܾ jaü on annettu niin voidaan hakea funktion

9. laskuharjoituskierros, vko 12-13, ratkaisut

dx=5&uilang=fi&lang=fi&lvv=2014

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

T Luonnollisten kielten tilastollinen käsittely

1.1 Funktion määritelmä

Algoritmit 1. Luento 1 Ti Timo Männikkö

Simuloinnin taktisia kysymyksiä

Mat Sovellettu todennäköisyyslasku A

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

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

Tilastomatematiikka Kevät 2008

S Tietoverkkojen simulointi / Varianssinreduktiotekniikat 1(32) Teoria

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

Sovellettu todennäköisyyslaskenta B

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

Sovellettu todennäköisyyslaskenta B

riippumattomia ja noudattavat samaa jakaumaa.

MS-A0402 Diskreetin matematiikan perusteet

Osa 2: Otokset, otosjakaumat ja estimointi

pitkittäisaineistoissa

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jatkuvat satunnaismuuttujat

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

Transkriptio:

Lectio praecursoria Jonojen matematiikkaa Samuli Aalto luento.ppt 1

Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 2

Reaalimaailman ilmiö... ÿþýüûr.u.p.t. 3

matemaatikon silmin nähtynä... ÿþýüûr.u.p.t. λ m µ 1 n 4

=jonomalli µ Asiakkaiden saapumisprosessi λ m 1 satunnainen n keskimäärin saapuuλ asiakasta minuutissa Asiakkaiden palveluajat vaihtelevat satunnaisesti keskimääräinen yhden asiakkaan palveluaika 1/µ minuuttia Palvelijoiden lukumäärä n = 1,2,, Odotuspaikkojen lukumäärä m = 0,1,2,, Palvelujärjestys eli jonokuri tavallisesti palvellaan saapumisjärjestyksessä (FIFO) 5

Kiinnostavia suureita Järjestelmässä olevien asiakkaiden lukumäärä vaihtelee satunnaisesti jakauma: keskiarvo, varianssi, => järjestelmän mitoitus Asiakkaan odotusajan pituus vaihtelee satunnaisesti jakauma: keskiarvo, varianssi, => palvelun laatu 6

Yhden palvelijan jono 4 3 2 1 0 järjestelmässä olevien asiakkaiden tila (odotus/palvelu) odotusaika palveluaika asiakkaiden saapumishetket järjestelmässä olevien asiakkaiden lkm aika aika 7

Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 8

Hissi... 1 2 3 4 5 6 9

joukkopalveltuna jonona Tavallisessa jonossa palvelija palvelee kerralla vain yhtä asiakasta Joukkopalvellussa jonossa taas palveluun voidaan kerralla ottaa useampi asiakas Jonomallin täydennys: Palvelijan kapasiteetti Q eli palveluun kerralla otettavien asiakkaiden lukumäärän maksimi 10

Mielenkiintoisia kysymyksiä Olettaen, että joukkopalvellun jonon palvelua voidaan kontrolloida, voimme kysyä Millä hetkillä palvelu kannattaa käynnistää? Montako asiakasta kannattaa ottaa kerralla palveluun? Palveluhetket ja palveluun otettavien lukumäärät määräytyvät valitusta palvelupolitiikasta (operating policy) 11

Optimaalinen palvelupolitiikka Tavallista palvelupolitiikkaa noudatettaessa palvelu käynnistyy heti edellisen palvelun päätyttyä, jos asiakkaita on odottamassa; muussa tapauksessa seuraavan asiakkaan saapuessa palveluun otetaan aina maksimaalinen määrä asiakkaita Mutta onko tämä optimaalista? Vastaus tietysti riippuu siitä, miten optimaalisuus määritellään Väitöskirjassa tavoitteeksi asetettu asiakkaiden odotuksesta aiheutuvien kustannusten minimointi 12

Yhden palvelijan joukkopalveltu jono T 0 T 1 T 2 T 3 Palveluhetket T n Odottajien lukumäärä X(t) X(t) S 1 S 2 S 3 Q Palvelujen kestoajat S n Palvelijan kapasiteetti Q t Aika t Kustannusten kertymisnopeus Z(t) Z(t) t Aika t 13

Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 14

Tilastollinen kanavointilaite... 1 2 N-1 N Sisääntulolinjat i = 1,2,,N Puskuri Ulosmenolinja 15

pursketasolla tarkasteltuna... 1 2 N-1 N Sisääntulolinjat i = 1,2,,N Puskuri Ulosmenolinja 16

=> nestevarastomalli Sisäänvirtausnopeus r 0 (t) vaihtelee satunnaisesti väitöskirjassa rajoitutaan tapauksiin, missä r 0 (t) on Markov-hyppyprosessin moduloima tai on-off-tyyppisten lähteiden summa Puskurin koko äärellinen tai ääretön väitöskirjassa oletetaan äärettömäksi Puskurin vuotonopeus c 1 maksimaalinen ulosvirtausnopeus 17

Mielenkiintoisia suureita Puskurin sisältö Z(t) nesteen määrä puskurissa vaihtelee satunnaisesti Ulosvirtausnopeus r 1 (t) vaihtelee satunnaisesti Väitöskirjassa keskitytään ulosmenoprosessin karakterisointiin, toisin sanoen kuvaamaan, miten ulosvirtausnopeus vaihtelee ajan funktiona 18

Nestevarastomalli Sisäänvirtausnopeus r 0 (t) r 0 (t) c 1 Vuotonopeus c 1 Puskurin sisältö Z(t) Z(t) t Aika t Ulosvirtausnopeus r 1 (t) r 1 (t) t c 1 Aika t Vuotonopeus c 1 t Aika t 19

LOPPU 20