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

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

J. Virtamo Jonoteoria / Prioriteettijonot 1

J. Virtamo Jonoteoria / Prioriteettijonot 1

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

Estojärjestelmä (loss system, menetysjärjestelmä)

J. Virtamo Jonoteoria / Poisson-prosessi 1

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

Liikenneongelmien aikaskaalahierarkia

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

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

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

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

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

Syntymä-kuolema-prosessit

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

J. Virtamo Teleliikenneteoria / Solutason jonot 1

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

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Teoria. Prosessin realisaatioiden tuottaminen

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

käännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Mat Sovellettu todennäköisyyslasku A

Martingaalit ja informaatioprosessit

Sovellettu todennäköisyyslaskenta B

Syntymä-kuolema-prosessit

Prosessin reaalisaatioiden tuottaminen

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Demonstraatiot Luento

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

Jonojen matematiikkaa

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

S Tietoverkkojen simulointi / Varianssinreduktiotekniikat 1(32) Teoria

Satunnaismuuttujien muunnokset ja niiden jakaumat

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

J. Virtamo Jonoteoria / Jonoverkot 1

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Sovellettu todennäköisyyslaskenta B

Avaruuden R n aliavaruus

5. laskuharjoituskierros, vko 8, ratkaisut

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.

ABTEKNILLINEN KORKEAKOULU

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

5. Stokastiset prosessit (1)

Jatkuva-aikaisten Markov-prosessien aikakehitys

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

Johdatus tn-laskentaan torstai

4. laskuharjoituskierros, vko 7, ratkaisut

Moniulotteisia todennäköisyysjakaumia

DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos)

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Jatkuvat satunnaismuuttujat

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

D ( ) E( ) E( ) 2.917

Esimerkki: Tietoliikennekytkin

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Harjoitus 2: Matlab - Statistical Toolbox

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.

Generoivat funktiot, Poisson- ja eksponenttijakaumat

Mat Sovellettu todennäköisyyslasku A

805306A Johdatus monimuuttujamenetelmiin, 5 op

Martingaalit ja informaatioprosessit

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

Markov-ketjut pitkällä aikavälillä

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Kanta ja dimensio 1 / 23

S Tietoverkkojen simulointi / Varianssinreduktiotekniikat 1(37) Teoria

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

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

Jatkuva-aikaisia Markov-prosesseja

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä

Sovellettu todennäköisyyslaskenta B

Poisson-prosessit. Heli Taattola. Matematiikan pro gradu

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

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

ABHELSINKI UNIVERSITY OF TECHNOLOGY

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

,ܾ jaü on annettu niin voidaan hakea funktion

V ar(m n ) = V ar(x i ).

MS-A0004/A0006 Matriisilaskenta

J. Virtamo Liikenneteoria ja liikenteenhallinta / Jonoverkot 1

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

6. laskuharjoitusten vastaukset (viikot 10 11)

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Sovellettu todennäköisyyslaskenta B

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Transkriptio:

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 = λ S (stabiilissa jonossa on ρ<1) Järjestelmässä olevien asiakkaiden lukumäärä N(t) ei muodosta enää Markov-prosessia. Todennäköisyys (aikayksikköä kohden) järjestelmän siirtymiselle tilasta {N = n} tilaan {N = n 1} eli asiakkaan poistumiselle riippuu myös siitä ajasta, jonka palveltavana oleva asiakas on jo palvelua saanut; tätä informaatiota ei sisälly muuttujaan N(t) ainoastaan eksponentiaalisen palveluaikajakauman tapauksessa jo saadun palvelun kestolla ei ole merkitystä (muistittomuus) Tästä huolimatta M/G/1-jonon keskimääräinen jononpituus, odotusaika ja viipymäaika voidaan selvittää. Pollaczek-Khinchinin kaavoina tunnetut tulokset johdetaan seuraavassa. Osoittautuu, että myös asianomaisten suureiden jakaumat voidaan selvittää. Upotetun Markovin ketjun tarkasteluun perustuva johto esitetään keskiarvokaavojen käsittelyn jälkeen.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 2 Pollaczek-Khinchinin keskiarvokaava Helpointa on lähteä liikkeelle odotusajan W odotusarvosta. W on aika, jonka asiakas joutuu odottamaan palveluun pääsyä (aika odotushuoneessa eli varsinaisessa jonossa). E[S] }{{} keskimääräinen palveluaika E[W ]= E[N q ] }{{} odottavien asiakkaiden lkm }{{} edessä olevien odottavien asiakkaiden palveluun keskimäärin kuluva aika + E[R] }{{} tekemätön työ palvelimessa (R = residuaalinen palveluaika) Suure R on palvelimessa olevan asiakkaan jäljelläoleva palveluaika (tekemätön työ ilmaistuna työn purkamiseen kuluvana aikana). Jos palvelin on tyhjä (eli systeemi on tyhjä), on R =0. Saapuvan asiakkaan odotusajan laskemiseksi tarvitaan N q :n (odottavien asiakkaiden lkm) asiakkaan saapumishetkellä. Poisson-prosessin PASTA-ominaisuuden perusteella saapuvan asiakkaan näkemät jakaumat ovat samat kuin jakaumat mielivaltaisella ajanhetkellä. Avainhavainto on, että Littlen tuloksen nojalla keskimääräinen odotusjonon pituus E[N q ] voidaan lausua odotusajan avulla (ottamalla odotushuone mustaksi laatikoksi) E[N q ]=λe[w ] E[W ]= E[R] Tehtäväksi jää määrätä E[R]. ρ = λe[s]

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 3 Pollaczek-Khinchinin keskiarvokaava (jatkoa) Jäljelläolevan palveluajan odotusarvo voidaan päätellä samanlaisen graafisen tarkastelun avulla, jota käytettiin liftarin paradoksin selityksessä. Kuvaaja esittää nyt palvelimessa olevan tekemättömän työn R(t) kehitystä ajan funktiona. R(t) _ R S 1 S 2 S n t Tarkastellaan pitkää ajanjaksoa t. Odotusarvo on sahalaitakäyrän keskiarvo ja voidaan laskea jakamalla kolmioiden pinta-alojen summa jakson pituudella. Nyt kolmioiden välissä voi olla tyhjiä jaksoja (jono tyhjä). Kolmioiden lukumäärä n määräytyy saapumisnopeuden λ perusteella; odotusarvo λt. E[R] = 1 t t 0 R(t )dt = 1 t n i=1 1 2 S2 i = n 1 }{{} t n λ n 1 2 S2 i } i=1 {{ } 1 2 E[S2 ] E[W ]= λe[s2 ] 2() Pollaczek-Khinchinin keskiarvokaava odotusajalle

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 4 Pollaczek-Khinchinin keskiarvokaava (jatkoa) Odotusajasta seuraa välittömästi kaava keskimääräiselle viipymäajalle systeemissä E[T ]= E[S] +E[W ] }{{} asiakkaan omaan palveluun kuluva aika Keskimääräiset ajat E[W ] = λe[s2 ] 2() = 1+C2 v 2 E[T ] = E[S]+ λe[s2 ] 2() = ( 1+ 1+C2 v 2 ρ E[S] ρ ) E[S] Neliöllinen variaatiokerroin Cv 2 Cv 2 = V[S]/E[S] 2 E[S 2 ] = V[S]+E[S] 2 = (1+Cv) 2 E[S] 2 Soveltamalla Littlen tulosta saadaan vastaavat lukumääräkaavat. Keskimääräiset lukumäärät E[N q ] = λe[w ] = λ2 E[S 2 ] 2() = 1+C2 v 2 E[N] = λe[t ] = λe[s]+ λe[s2 ] 2() = ρ + 1+C2 v 2 ρ 2 ρ 2

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 5 Huomioita PK-keskiarvokaavoista Keskiarvosuureet riippuvat vain palveluaikajakauman keskiarvosta E[S] ja varianssista V[S] mutta eivät muista momenteista. Kaikki keskiarvot kasvavat lineaarisesti varianssin mukana. Stokastisuus, sekasorto, lisää jonotusaikoja ja jononpituutta. Kaavat muistuttavat M/M/1-jonon vastaavia kaavoja; ainoa ero on kaavoissa esiintyvä ylimääräinen tekijä (1+C 2 v)/2.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 6 PK-keskiarvokaavat M/M/1- ja M/D/1-jonoille M/M/1-jono Eksponenttijakauman tapauksessa pätee V[S] =E[S] 2 C 2 v =1 M/D/1-jono Vakiopalveluajan tapauksessa pätee V[S] =0 C 2 v =0 E[N] = ρ + ρ2 E[T ] = ( 1+ ρ ρ = ) 1 E[S] = E[S] ρ 2 E[N] = ρ + 1 2 E[T ] = ( 1+ 1 ρ ) E[S] 2 Tavalliset M/M/1-jonon kaavat Tekijä 1/2 odotushuoneosuuksissa

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 7 Esimerkki. ATM-multiplekserin ulostulopuskurin jonoa voidaan likimääräisesti kuvata M/D/1-jonona. Vakiopalveluaika tarkoittaa nyt sitä, että ATM-solu on vakiomittainen (53 oktettia) ja sen lähetysaika linkille on vakio.... Poisson... 2.7 µ s 155 Mbps Jos linkin nopeudeksi oletetaan 155 Mbps, niin lähetysaika on S =53 8/155 µs =2.7µs. Kysytään, mikä on puskurin keskimääräinen miehitys (mukaanlukien kulloinkin lähetettävänä oleva solu) ja solun puskurissa kokema keskiviive, jos linkillä kulkeva informaatiovirta on keskimäärin 124 Mbps? Linkin kuormitusaste on ρ = 124/155 = 0.8. Tällöin E[N] = 0.8+ 1 2 E[T ] = ( 1+ 1 2 0.8 2 1 0.8 =2.4 0.8 ) 2.7 µs =8.1 µs 1 0.8

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 8 M/G/1-järjestelmän jononpituusjakauma Jononpituus N t M/G/1-jonossa ei muodosta Markovin prosessia. Pelkkä lukumäärä ei kerro, millä todennäköisyydellä palveltavana oleva asiakas poistuu systeemistä, vaan ko. todennäköisyys riippuu myös jo saadun palvelun kestosta. Kuten edellä nähtiin, keskimääräisen jononpituuden kaava voitiin johtaa helposti. Myös jononpituusjakauma voidaan selvittää. Tähän on kaksikin eri tietä: 1. Ensimmäinen perustuu havaintoon, että järjestelmässä oleva tekemätön työ X t (tai virtuaalinen odotusaika V t ) muodostaa Markovin prosessin. Markovisuus on valitun satunnaisprosessin, ei systeemin, ominaisuus. X t :n käyttäytymistä voidaan karakterisoida seuraavasti: kun saapumisia ei tapahdu X t pienenee vakionopeudella C (aina kun X t > 0). Lisäksi aikayksikköä kohden on olemassa todennäköisyys λ uuden asiakkaan saapumiselle, joka tuo mukanaan annetun jakauman mukaisen työmäärän. Karakterisoinnissa ei tarvita tietoa X t :n historiasta. Teknisenä hankaluutena on, että X t on jatkuva-arvoinen satunnaisprosessi. Ongelma ei ole kuitenkaan merkittävä. 2. Toinen perustuu havaintoon, että on mahdollista löytää upotettu Markovin ketju, josta haluttu jakaumavoidaan selvittää. Seuraavassakäytetääntätä upotetun Markovin ketjun menetelmää.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 9 Upotettu Markovin ketju Upotetun Markovin ketjun muodostaa poistuvan asiakkaan jälkeensä jättämä jono(asiakkaiden lukumäärä systeemissä). Se että tämä todella on Markovin ketju, perustellaan hiukan myöhemmin. Merkitään N = saapuvan asiakkaan näkemä jononpituus (jononpituus juuri ennen saapumista) N+ = poistuvan asiakkaan jälkeensä jättämä jononpituus N = jononpituus mielivaltaisella hetkellä Poisson-saapumisten PASTA-ominaisuuden perusteella pätee N N Lisäksi mille tahansa järjestelmälle, jossa saapumisia ja poistumisia tapahtuu yksitellen, pätee N + N (ns. tasonylitysominaisuus) Todistus: i+1 i N*=i - N*=i + Tapahtumat {N = i} ja {N + = i} esiintyvät pareittain. P{N = i} =P{N + = i} N N +

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 10 Upotettu Markovin ketju (jatkoa) On osoitettu N + N ja N N. N + N Jononpituuden N jakauman selvittämiseksi mielivaltaisella hetkellä riittää selvittää jakauma asiakkaiden poistumisten jälkeisinä ajanhetkinä. Seuraavassa keskitytään tarkastelemaan Markovin ketjua N+, jota seuraavassa lyhyyden vuoksi merkitään N:llä. Erityisesti merkitään N k = jononpituus asiakkaan k poistumisen jälkeen V k = asiakkaan k palveluaikana saapuneiden uusien asiakkaiden lukumäärä. N k-1 N k N k+1

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 11 Upotettu Markovin ketju (jatkoa) Väite: Diskreettiaikainen prosessi N k muodostaa Markovin ketjun (ei kuitenkaan SK-prosessia). Todistus: KunN k on annettu, N k+1 voidaan kirjoittaa tämän ja (N k :sta ja erityisesti sen historiasta) riippumattoman satunnaismuuttujan V k+1 avulla: N k+1 = N k 1+V k+1, N k 1 V k+1, N k =0 (=N k + V k+1 ) Jos N k 1, niin asiakkaan k poistuessa asiakas k +1 on jonossa (yksi N k :sta asiakkaasta) ja siirtyy palveluun. Asiakkaan k + 1 poistuessa jono vähenee yhdellä. Tällä välillä (asiakkaan k + 1 palveluaikana) on saapunut V k+1 uutta asiakasta. Jos N k =0,jonojäätyhjäksi asiakkaan k jälkeen. Asiakkaan k +1 saapuessa jononpituus kasvaa yhdellä ja vastaavasti vähenee yhdellä asiakkaan k + 1 poistuessa. Jonoon jäävät ne, jotka ovat saapuneet asiakkaan k + 1 palvelun aikana. Koska eri asiakkaiden palveluajat ovat riippumattomia ja saapumiset poissonisia, ovat saapumisten määrät V k toisistaan riippumattomia. Lisäksi V k+1 on riippumaton jononpituusprosessista ennen asiakkaan k poistumista eli N k :sta ja sitä edeltäneistä arvoista. N k+1 :n stokastinen käyttäytyminen riippuu N k :sta muttei aikaisemmista arvoista. MOT.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 12 Upotettu Markovin ketju (jatkoa) Merkitään ˆNk =(N k 1) + = N k 1, N k 1 N k (= 0), N k =0 Tällöin on N k+1 = ˆN k + V k Hypyt ylöspäin voivat olla mielivaltaisen suuria. Alaspäin tullaan askel kerrallaan. Tasapainotilanteessa (kun alkutilainformaatio on unohtunut) satunnaismuuttujat N k,n k+1,... ovat samoinjakautuneita. Niin myös satunnaismuuttujat ˆN k, ˆNk+1,... ovat keskenään samoinjakautuneita. Satunnaismuuttujat V k,v k+1,... ovat jo alunperin samoinjakautuneita. Merkitään vastaavia geneerisiä tasapainojakaumaa noudattavia satunnaismuuttujia ilman indeksejä, joten N = ˆN + V Koska V ja ˆN ovat riippumattomia, generoiville funktioille pätee G N (z) =G ˆN(z) G V (z) Tehtävänä on nyt laskea G ˆN(z) jag V (z).

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 13 ˆN:n generoivan funktion palautus N:n generoivaan funktioon G ˆN(z) = E[z ˆN] = z 0 P{ ˆN =0} + }{{} i=1 P{N=0}+P{N=1} z i P{ ˆN = i} }{{} P{N=i+1} = P{N =0} + 1 z i=1 z i P{N = i} = P{N =0} (1 1 z )+1 z } {{ } 1 ρ z i P{N = i} i=0 } {{ } G N (z) On saatu tulos G ˆN(z) = G N(z) ()(1 z) z missä ρ = λe[s]

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 14 Palveluaikana tulevien Poisson-saapumisten lukumäärä Olkoon X mielivaltainen satunnaismuuttuja (aikaväli). Halutaan selvittää Poisson-prosessista (intensiteetti λ) väliin X tulevien saapumisten lukumäärän K jakauma ja erityisesti sen generoiva funktio G K (z). G K (z) =E[z K ]=E[ E [ z K X ] }{{} K Poisson(λX) ]=E[e (1 z)λx ]=X ((1 z)λ) X (s) =E[e sx ] Yleisesti G K (z) =X ((1 z)λ) Erityisesti G V (z) =S ((1 z)λ) Tulos voidaan johtaa myös alkeellisemmin G K (z) = i=0 = 0 z i P{K = i} = f X (x)e λx = X ((1 z)λ) i=0 i=0 (λxz) i i! z i 0 (λx) i i! e λx {}}{ P{K = i X = x} f X (x)dx dx = 0 f X (x)e λx e λxz dx = 0 f X (x)e (1 z)λx dx

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 15 Palveluaikana tulevien Poisson-saapumisten lukumäärä (jatkoa) Tulos voidaan tulkita kollektiivisten merkkien avulla: Kollektiivisten merkkien menetelmän mukaan tulkittuna G K (z) tarkoittaa todennäköisyyttä, ettei yksikään välille X tulleesta K:sta saapumisesta ole merkitty, kun kukin saapuminen merkitään muista riippumatta todennäköisyydellä (1 z). Merkityt saapumiset muodostavat satunnaispoiminnalla saadun Poisson-prosessin, jonka intensiteetti on (1 z)λ. Laplace-muunnoksen tulkinta kollektiivisten merkkien avulla: X (s) on todennäköisyys, ettei välille X tule yhtään saapumista Poisson-prosessita, jonka intensiteetti on s: X (s) =E[e sx ] = E[E [0 saapumista välillä X X]] = E[0 saapumista välillä X] Kun merkintäprosessin intensiteetti on (1 z)λ, merkittömyystodennäköisyys on vastaavasti X ((1 z)λ).

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 16 Pollaczek-Khinchinin muunnoskaava jononpituudelle Kootaan tulokset yhteen G N (z) =G ˆN(z) G V (z) = G N(z) ()(1 z) z S ((1 z)λ) Tästä voidaan ratkaista G N (z) G N (z) = ()(1 z) S ((1 z)λ) z S ((1 z)λ) = ()(1 z) 1 z/s ((1 z)λ) Esimerkki. M/M/1-jono S Exp(µ) S (s) = µ s + µ S ((1 z)λ) = µ (1 z)λ + µ = 1 (1 z)ρ +1 ρ = λ/µ G N (z) = ()(1 z) 1 z((1 z)ρ +1) = ()(1 z) (1 z)(z) = z = (1 ρ)(1 + (ρz)+(ρz) 2 + ) (generoi M/M/1-jonon jakauman)

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 17 M/G/1-jono: viipymisajan T jakauma Edellä johdettiin kaava asiakkaan jälkeensä jättämän jonon N (täydellisempi merkintä N +) jakaumalle, joka todettiin samaksi kuin jononpituuden jakauma mielivaltaisella ajanhetkellä. Tuloksen perusteella voidaan päätellä enemmänkin, nimittäin asiakkaansysteemissä viettämän kokonaisajan eli viipymisajan T jakauma (odotusarvolle johdettiin jo aikaisemmin Pollaczek- Khinchinin keskiarvokaava). Avainhavainto päättelyssä on, että asiakkaan jälkeensä jättämä jono N muodostuu niistä asiakkaista, jotka ovat saapuneet asiakkaan systeemissäolon aikana. Jälleen voidaan soveltaa yleistä tulosta satunnaisessa aikavälissä tapahtuvien Poisson-prosessin saapumisten lukumäärän generoivalle funktiolle G N (z) =T ((1 z)λ) missä T ( ) on systeemissäoloajan Laplace-muunnos. Huomautus: Laskemalla derivaatta z:n suhteen pisteessä z = 1 saadaan E[N] =G N (1) = λt (0) }{{} E[T ] = λe[t ] Näin pitääkin olla Littlen tuloksen perusteella.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 18 M/G/1-jono: viipymisajan jakauma (jatkoa) On saatu yhtälö T ((1 z)λ) = ()(1 z) S ((1 z)λ) z S ((1 z)λ) Tässä z on vapaa muuttuja. Merkitään s =(1 z)λ eli z =1 s/λ, jolloin T (s) = ()s s λ + λs (s) S (s) Pollaczek-Khinchinin muunnoskaava viipymisajalle Esimerkki. M/M/1-jono S Exp(µ) S (s) = µ s + µ T (s) = ()s s λ + λ µ s + µ µ s + µ = ()s s λ s s + µ µ s + µ = µ λ s +(µ λ) T Exp(µ λ), kuten jo aikaisemmin on todettu.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 19 M/G/1-jono: odotusajan W jakauma Yleisesti pätee T = W }{{} odotus + S }{{} palvelu Koska W ja S ovat riippumattomia, Laplace-muunnoksille pätee T (s) =W (s) S (s) jolloin T (s):n kaavasta voidaan identifioida W (s) = ()s s λ + λs (s) Pollaczek-Khinchinin muunnoskaava odotusajalle Lauseke voidaan kirjoittaa myös muotoon W (s) = 1 S (s) se[s] ρ = λe[s] Merkitään nyt R:llä palvelimen jäljelläolevaa palveluaikaa ehdolla, että palvelimessa on asiakas. Voidaan osoittaa (harjoitustehtävä), että R:n tiheysfunktio on f R (t) = 1 F S(t) E[S] R (s) = 1 S (s) se[s] W (s) = R (s)

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 20 W (s)-kaavan tulkinta W (s) = R (s) = n=0 ()ρ n R (s) n Asiakkaan kokema odotusaika W on Poisson-saapumisten PASTA-ominaisuuden perusteella jakautunut kuten virtuaalinen odotusaika (tekemätön työ aikayksiköissäilmaistuna) mielivaltaisella ajanhetkellä. Virtuaalinen odotusaika jonossa on riippumaton vuoronjakomenetelmästä (perustellaan myöhemmin) ja on tavallisessa FIFO-jonossa sama kuin esim. PS-jonossa (Processor Sharing). M/M/1-PS-jonon jononpituusjakauma π n =(1 ρ)ρ n on palveluajan jakaumasta riippumaton eli pätee myös M/G/1-jonolle (FIFO-jonon tapauksessa näin ei ole asian laita). PS-jonossa mielivaltaisella hetkellä oleva tekemätön työ muodostuu eri asiakkaiden jäljelläolevista palveluajoista. Voidaan osoittaa, että ehdollistettuna jonossa olevien asiakkaiden lukumäärään n, näiden asiakkaiden jäljelläolevat palveluajat toisistaan riippumatta jakautuvat kuten R. Kyseisten asiakkaiden yhteenlasketulla jäljelläolevalla palveluajalla on Laplace-muunnos R (s) n. Kokonaistodennäköisyyden kaavan mukaan ylläoleva kaava antaa PS-jonon (ja siis myös FIFO-jonon) virtuaalisen odotusajan Laplace-muunnoksen.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 21 Virtuaalinen odotusaika (tekemätön työ) jonossa on palvelujärjestyksestä riippumaton Jos vuoronjako on ns. työn säilyttävä (work conserving) eli jonoa puretaan aina kun tekemätöntä työtä on varastossa, ei kiirejakson pituuden kannalta ole väliä, mikä asiakkaiden palvelujärjestys on eli mille jonossa olevalle asiakkaalle palvelua kulloinkin annetaan; kokonaistyö on anonyymiä työtä. Vuoronjako vaikuttaa N t :hen mutta ei X t :hen tai V t :hen. FIFO LIFO virtuaalinen odotusaika jononpituus virtuaalinen odotusaika jononpituus

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 22 M/G/1-jonon kiirejakso: odostusarvo Palvelin on vuorotellen käynnissä ja jouten. Kiirejaksolla tarkoitetaan yhtenäistä jaksoa, jonka palvelin kerrallaan on käynnissä. Kahden kiirejakson välissä on joutojakso. Merkitään B = kiirejakson pituus I = joutojakson pituus 1/λ E[B] Poisson-prosessissa saapumisväliajat ovat Exp(λ)-jakautuneita. Tämän muistittomuudesta johtuen joutojaksot (aika kiirejakson päättymisestä seuraavaan saapumiseen) noudattavat samaa jakaumaa, I Exp(λ), joten E[I] =1/λ. Palvelimen kuorma ρ = λe[s] on Littlen lauseen mukaan sama kuin keskimääräinen asiakkaiden lukumäärä. Koska palvelimessa voi olla kerrallaan vain yksi asiakas, kyseinen odotusarvo on sama kuin todennäköisyys, että palvelimessa on asiakas ja tämä on edellen sama kuin aikaosuus, jonka palvelin on käytössä: λe[s] = E[B] E[B]+E[I] = E[B] E[B]+1/λ E[B] = ρ 1 λ = E[S] M/M/1-jonon tapauksessa tämä onsamakuine[t ]:n kaava eli sama kuin asiakkaan keskimääräinen viipymä systeemissä!

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 23 Kiirejakson aikana keskimäärin palveltujen asiakkaiden lukumäärä Kiirejakso muodostuu aina tietyn asiakasjoukon täydellisestä palvelemisesta. Olkoon jakson aikana palveltujen asiakkaiden lukumäärä N b.päätellään odotusarvo E[N b ]. Jokaisen kiirejakson ensimmäinen asiakas näkee systeemin tyhjänä, muut ei-tyhjänä. Saapuva asiakas näkee siten systeemin tyhjänä todennäköisyydellä 1/E[N b ]. Todennäköisyys, että systeemi on tyhjä satunnaisella ajanhetkellä on. PASTA-ominaisuuden perusteella nämä todennäköisyydet ovat yhtäsuuret. E[N b ]= 1 Koska asiakkaan keskimääräinen palveluaika on E[S], tästä seuraa uudelleen, että E[B] = E[S]

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 24 M/G/1-jonon kiirejakson pituusjakauma Merkitään B = kiirejakson kesto S = kiirejakson aloittavan asiakkaan palveluaika V = tänä palveluaikana saapuneiden uusien asiakkaiden lukumäärä Kiirejakson kesto on riippumaton palvelujärjestyksestä kunhan tämä on työnsäilyttävä. Tarkastelua varten voidaan siten valita mikä tahansa vuoronjakomenetelmä. Helpointa on tarkastella pinoa eli LIFO-jonoa. B 1 B 2 S Ensimmäinen kiirejakson aikana saapuva asiakas keskeyttää kiirejakson aloittaneen asiakkaan palvelun. Kun tarkastellaan jaksoa tästä hetkestä siihen asti, kun kiirejakson aloittaneen asiakkaan palvelua jatketaan, havaitaan että ko. jakso itse muodostaa kiirejakson,joka on jakautunut samalla tavalla kuin B, ns. minikiirejakson. Voi tuntua paradoksaaliselta, että kiirejakson sisällä voi olla samalla tavalla jakautuneita minikiirejaksoja. Minikiirejaksojen lukumäärän odotusarvo on kuitenkin < 1. Tällaisia minikiirejaksoja on V kappaletta: aloittavan asiakkaan palvelu tapahtuu paloissa, joista kunkin kesto Exp(λ) (viimeistä lukuunottamatta); minikiirejaksojen lukumäärä on sama kuin palojen rajakohtien lukumäärä, joka on sama kuin saapumisten määrä Poisson(λ)-prosessista aikana S.

J. Virtamo 38.143 Jonoteoria / M/G/1/-jono 25 M/G/1-jonon kiirejakson pituusjakauma (jatkoa) B = S + B 1 + B 2 + + B V, V =0, 1, 2,..., B B 1 B 2 B V B (s) = E[e sb ] = E[E [ E [ e sb V,S ] S ] ] = E[E [ E [ e s(s+b 1+B 2 + +B V ) V,S ] S ] ] = E[E [ e ss E [ e s(b 1+B 2 + +B V ) V,S ] S ] ] = E[E[e ss E[e sb V ] }{{} S]] B (s) = E[e ss E [ B (s) V S ] ] = E[e (s+λ(1 B (s)))s ] }{{} e (1 B (s))λs B (s) =S (s + λ λb (s)) Takácsin yhtälö (funktionaaliyhtälö) B (s):lle Esimerkki: B:n ensimmäisen momentin laskeminen E[B] = B (0) = S (0)(1 λb (0)) E[B] = E[S] } {{ } E[S] } {{ } E[B], missä ρ = λe[s] Tämä on yhtäpitävä aikaisemmin johdetun tuloksen kanssa. Vastaavalla tavalla voidaan johtaa B:n korkeampia momentteja.