Syntymä-kuolema-prosessit

Samankaltaiset tiedostot
Syntymä-kuolema-prosessit

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

Estojärjestelmä (loss system, menetysjärjestelmä)

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

käännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.

Jatkuva-aikaisten Markov-prosessien aikakehitys

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

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

Jatkuva-aikaisia Markov-prosesseja

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

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

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

STOKASTISET PROSESSIT Peruskäsitteitä

J. Virtamo Jonoteoria / Jonoverkot 1

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

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

J. Virtamo Jonoteoria / Poisson-prosessi 1

Liikenneongelmien aikaskaalahierarkia

J. Virtamo Jonoteoria / Prioriteettijonot 1

Jatkuvan aikavälin stokastisia prosesseja

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

ABTEKNILLINEN KORKEAKOULU

5. Stokastiset prosessit (1)

J. Virtamo Jonoteoria / Prioriteettijonot 1

ATM-VERKON KUTSUTASON ESTO

Ylivuoto puskurillisessa systeemissä: nestejonot

Markov-ketjut pitkällä aikavälillä

J. Virtamo Liikenneteoria ja liikenteenhallinta / Jonoverkot 1

Demonstraatiot Luento

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

5. laskuharjoituskierros, vko 8, ratkaisut

Samankaltaisia ongelmia esiintyy mm. puskurinhallinnan yhteydessä: on päätettävä,

3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät

Esimerkki: Tietoliikennekytkin

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

Harjoitus 2: Matlab - Statistical Toolbox

1 Lineaariavaruus eli Vektoriavaruus

802320A LINEAARIALGEBRA OSA I

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.

10. Toisen kertaluvun lineaariset differentiaaliyhtälöt

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

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

Teoria. Prosessin realisaatioiden tuottaminen

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Markov-kustannusmallit ja kulkuajat

DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos)

Numeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43

Sovellettu todennäköisyyslaskenta B

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Sarjoja ja analyyttisiä funktioita

Matematiikka B2 - TUDI

5. Liikenteen mallinnus ja mittaus

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Satunnaislukujen generointi

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

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

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

y + 4y = 0 (1) λ = 0

Lineaarinen toisen kertaluvun yhtälö

Jono- ja teleliikenneteorian tehtäväkokoelma. koonnut Esa Hyytiä 26. huhtikuuta 2005

5 Differentiaaliyhtälöryhmät

Mat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ

Insinöörimatematiikka D

Käänteismatriisin ominaisuuksia

Avaruuden R n aliavaruus

Mat Sovellettu todennäköisyyslasku A

Projektin arvon aleneminen

Markov-ketjut pitkällä aikavälillä

Differentiaali- ja integraalilaskenta 1 Ratkaisut 6. viikolle /

Liikenneteoriaa (vasta-alkajille)

Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1

AB TEKNILLINEN KORKEAKOULU

Numeeriset menetelmät

6. Stokastiset prosessit (2)

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio. 10. Verkon suunnittelu ja mitoitus

d+tv 1 S l x 2 x 1 x 3 MEI Mallintamisen perusteet Harjoitus 6, kevät 2015 Tuomas Kovanen

Esimerkki 1 Ratkaise differentiaaliyhtälö

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Kanta ja dimensio 1 / 23

17. Differentiaaliyhtälösysteemien laadullista teoriaa.

mlnonlinequ, Epälineaariset yhtälöt

lnx x 1 = = lim x = = lim lim 10 = x x0

. 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.

Matematiikka B2 - Avoin yliopisto

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö

Numeeriset menetelmät

1. Tarkastellaan kaksiulotteisessa Hilbert avaruudessa Hamiltonin operaattoria

1 p p P (X 0 = 0) P (X 0 = 1) =

y (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

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Tietorakenteet, esimerkkivastauksia viikon 12 laskareihin

Satunnaismuuttujien muunnokset ja niiden jakaumat

Transkriptio:

J. Virtamo 38.343 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 2 2 2 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

J. Virtamo 38.343 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+

J. Virtamo 38.343 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 )

J. Virtamo 38.343 Jonoteoria / SK-prosessit 4 SK-prosessin ajasta riippuvat ratkaisut (jatkoa) 2 2 2 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,...

J. Virtamo 38.343 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 2 2 3... (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

J. Virtamo 38.343 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)

J. Virtamo 38.343 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

J. Virtamo 38.343 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

J. Virtamo 38.343 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

J. Virtamo 38.343 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) 2 3 4 5 6 7 8 9 2 3 4

J. Virtamo 38.343 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.

J. Virtamo 38.343 Jonoteoria / SK-prosessit 2 Kutsuesto ATM-verkossa (jatkoa) b) Väylän kapasiteetti on 4.5 Mbps n 2 n