T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

Samankaltaiset tiedostot
T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

Jatkuva-aikaisia Markov-prosesseja

Lineaarialgebra ja matriisilaskenta I

Determinantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti

Oppimistavoitematriisi

Oppimistavoitematriisi

MS-C1340 Lineaarialgebra ja

Markov-ketjut pitkällä aikavälillä

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Ominaisarvo ja ominaisvektori

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Esimerkki: Tietoliikennekytkin

Erilaisia Markov-ketjuja

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.

802118P Lineaarialgebra I (4 op)

Jatkuvan aikavälin stokastisia prosesseja

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Johdatus tekoälyn taustalla olevaan matematiikkaan

Liikenneongelmien aikaskaalahierarkia

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

Matriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

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

Kurssin loppuosassa tutustutaan matriiseihin ja niiden käyttöön yhtälöryhmien ratkaisemisessa.

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

Lineaariset kongruenssiyhtälöryhmät

STOKASTISET PROSESSIT Peruskäsitteitä

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

Demonstraatiot Luento

Matematiikka B2 - TUDI

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Paikka siirtymä-verkot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

LU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24

Lineaariset yhtälöryhmät ja matriisit

Estojärjestelmä (loss system, menetysjärjestelmä)

Malliratkaisut Demot

Lineaarialgebra ja matriisilaskenta I

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151

Markov-kustannusmallit ja kulkuajat

Likimääräisratkaisut ja regularisaatio

Numeeriset menetelmät

Markov-ketjut pitkällä aikavälillä

Markov-kustannusmallit ja kulkuajat

Jatkuva-aikaisten Markov-prosessien aikakehitys

y + 4y = 0 (1) λ = 0

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

( 3) ( 5) ( 7) ( 2) ( 6) ( 4) Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 105 Päivitetty

Matematiikan tukikurssi

Matematiikan tukikurssi

TN-IIa (MAT22001), syksy 2017

Ominaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Lineaarialgebra ja matriisilaskenta I

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

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Prosessialgebra

Käänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla

9 Matriisit. 9.1 Matriisien laskutoimituksia

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

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

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

Satunnaismuuttujien muunnokset ja niiden jakaumat

Kaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine

P (A)P (B A). P (B) P (A B) = P (A = 0)P (B = 1 A = 0) P (B = 1) P (A = 1)P (B = 1 A = 1) P (B = 1)

Syntymä-kuolema-prosessit

Ortogonaalisen kannan etsiminen

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

2.5. Matriisin avaruudet ja tunnusluvut

ja piirrä sitä vastaavat kaksi käyrää ja tarkista ratkaisusi kuvastasi.

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)

Lineaarialgebra ja matriisilaskenta I

1. Tarkastellaan seuraavaa stokastista Petri-verkkoa: p 2. p 1. lock write 1

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

= 5! 2 2!3! = = 10. Edelleen tästä joukosta voidaan valita kolme särmää yhteensä = 10! 3 3!7! = = 120

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

Lineaarikuvauksen R n R m matriisi

12. Hessen matriisi. Ääriarvoteoriaa

Sovellettu todennäköisyyslaskenta B

Käänteismatriisin ominaisuuksia

Johdatus tekoälyn taustalla olevaan matematiikkaan

2.8. Kannanvaihto R n :ssä

Lineaarialgebra ja matriisilaskenta I

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

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

Similaarisuus. Määritelmä. Huom.

Oletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U

Lineaarialgebra ja matriisilaskenta I

Talousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi

Matematiikan tukikurssi, kurssikerta 3

Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

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

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

Transkriptio:

T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002

T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi ja siihen liittyvä mallintarkastus pystyvät verifioimaan järjestelmän oikeellisen toiminnan. Nykyään järjestelmiltä vaaditaan oikeellisuuden lisäksi myös tehokkuutta. Järjestelmän suunnittelijan täytyy voida taata, että esimerkiksi asiakkaan odotusajan odotusarvo pysyy vaadituissa rajoissa. 1980-luvun puolivälissä kehitetty stokastisten Petri-verkkojen teoria on osoittautunut hyväksi pienten ja keskisuurien järjestelmien suorituskykypainotteisessa mallintamisessa ja analyysissä.

T-79.179: Stokastinen analyysi 8-2 Stokastisten Petri-verkkojen työkaluista Stokastisten Petri-verkkojen suorituskykyanalysaattoreita ovat muun muassa DSPNExpress GreatSPN TimeNET Nämä työkalut ovat opiskelijoille ilmaisia.

T-79.179: Stokastinen analyysi 8-3 Stokastiset Petri-verkot versus stokastiset prosessit (1/2) Stokastiset Petri-verkot ovat pääpiirteittäin kuten paikka siirtymä-verkot. Erottavana tekijänä on se, että siirtymät eivät voi mielivaltaisesti laueta tai olla laukeamatta, vaan virittyneen siirtymän laukeamisviive noudattaa annettua jakaumaa. (Toinen ero on siirtymien laukeamisen rajoittaminen estokaarilla, mutta niitä emme käsittele tällä kurssilla.) Viive siirtymän virittymisestä sen laukeamiseen noudattaa negatiivista eksponentiaalijakaumaa. Koska tämä jakauma on muistiton, siirtymien väliset kilpatilanteet on helppo hallita.

T-79.179: Stokastinen analyysi 8-4 Stokastiset Petri-verkot versus stokastiset prosessit (2/2) Verkko, jossa kaikkien siirtymien laukeamisajat noudattavat eksponenttijakaumaa, kuvaa jatkuva-aikaista Markovin ketjua. Tällaisia verkkoja kutsutaan (tavallisiksi) stokastisiksi Petri-verkoiksi. (SPN) Verkko, jossa siirtymien laukeamisajat voivat joko noudattaa eksponenttijakaumaa, tai olla aidosti 0 (välitön siirtymä), kuvaa yleisempää stokastista prosessia. (Matematiikassa puhutaan puoli-markovisista prosesseista sekä uusiutumisprosesseista). Tällaisia verkkoja kutsutaan yleistetyiksi stokastisiksi Petri-verkoiksi (GSPN).

T-79.179: Stokastinen analyysi 8-5 Kuinka stokastisia Petri-verkkoja analysoidaan? Stokastisten Petri-verkkojen (nyt käsitellään ainoastaan tapausta SPN, ilman estokaaria) analyysi voidaan jakaa karkeasti kolmeen vaiheeseen. Nämä ovat: 1. Muodostetaan verkon saavutettavuusgraafi kuten paikka siirtymä-verkolle. 2. Merkitään saavutettavuusgraafiin kunkin siirtymän laukeamisfrekvenssi, jolloin siitä muodostuu tilasiirtymämatriisi Q. 3. Käyttäen standardeja tekniikoita (lue lineaarialgebraa), ratkaistaan Q-matriisin tasapainojakauma, ja käytetään sitä prosessin tunnuslukujen laskentaan. Seuraavassa näytetään esimerkin avulla kuinka tällainen stokastinen analyysi toimii.

T-79.179: Stokastinen analyysi 8-6 Esimerkkijärjestelmä ja saavutettavuusgraafi P1 M1=(1,0,0) t3 t1 λ 3 =4 t2 λ 1 =5 P2 λ 2 =2 P3 λ 1 =5 M2=(0,1,0) λ 2 =2 M3=(0,0,1) λ 3 =4

T-79.179: Stokastinen analyysi 8-7 Esimerkki jatkuu Edellisen kalvon saavutettavuusgraafista voidaan muodostaa suhteellisen helposti tarvittava Q-matriisi. Se on Q = 5 5 0 0 2 2 4 0 4 Yleisenä huomiona on muistettava, että lävistäjäalkiot q ii saadaan kaavasta q ii = j i q i j Toisin sanoen lävistäjäalkio q ii valitaan siten, että jokaisen rivin summa on 0. Seuraavaksi lasketaan lineaarialgebraa käyttäen Q-matriisin tasapainojakauma.

T-79.179: Stokastinen analyysi 8-8 Tasapainojakauman laskenta (1/3) Tasapainojakauma π toteuttaa seuraavan ehdon: { πq = 0 T i π i = 1 Nyt lasketaan tämä yhtälö vaiheittain äsken esitetylle järjestelmälle. ( ) π1 π 2 π 3 5 5 0 ( ) 0 2 2 = 0 0 0 4 0 4 π 1 + π 2 + π 3 = 1

T-79.179: Stokastinen analyysi 8-9 Tasapainojakauman laskenta (2/3) Tästä muodostuu yhtälöryhmä 5π 1 + 4π 3 = 0 5π 1 2π 2 = 0 2π 2 4π 3 = 0 π 1 + π 2 + π 3 = 1 Käsitellään kahta viimeistä yhtälöä: { 2π2 4π 3 = 0 π 3 = 1 π 1 π 2

T-79.179: Stokastinen analyysi 8-10 Tasapainojakauman laskenta (3/3) Edellisestä yhtälöparista saadaan suoralla sijoituksella 4 = 6π 2 + 4π 1. Nyt voimme ratkaista yhtälöparin, jossa käytämme yllaolevaa kaavaa, sekä alkuperäisen yhtälöryhmän toista yhtälöä: { 4π1 + 6π 2 = 4 5π 1 2π 2 = 0 Tästä saadaan ratkaisu π 1 = 19 4 ja π 2 = 10 19. Sijoittamalla π 2 alkuperäisen järjestelmän kolmanteen yhtälöön saadaan π 3 = 19 5. (Sama tulos seuraa myös normiehdosta.)

T-79.179: Stokastinen analyysi 8-11 Mitä tasapainojakaumalla tehdään? (1/2) Nyt tiedämme, että äskeisen järjestelmän tasapainojakauma on ( π1 π 2 π 3 ) = ( 419 10 19 5 19 ) Yleisessä tapauksessa tilojen tasapainotodennäköisyyksistä voi esimerkiksi laskea, montako merkkiä annetussa paikassa keskimäärin on, kuinka usein annettu siirtymä laukeaa jne. Kaava paikan keskimääräiselle merkkien määrälle on E("merkkejä paikassa s") = i (π i m i (s)). Kaavassa m i on järjestelmän merkintä ja m i (s) paikan s sisältämien täplien lukumäärä kyseisessä merkinnässä.

T-79.179: Stokastinen analyysi 8-12 Mitä tasapainojakaumalla tehdään? (2/2) Tasapainojakaumaa voi myös käyttää hyväksi kun määritellään kuinka usein (odotusarvoisesti) tietty siirtymä laukeaa aikayksikössä, kun järjestelmän kuvaama stokastinen prosessi on käynnissä. Kaava tälle suureelle on seuraava: f j = λ(t j ) 2 m i B j π i q ii Tässä kaavassa B j on niiden merkintöjen joukko, joissa siirtymä j on vireessä.

T-79.179: Stokastinen analyysi 8-13 Stokastisesta analyysistä yleensä Järjestelmien suorituskykyanalyysi on kertaluokkaa vaikeampi ongelma kuin järjestelmän verifiointi. Stokastinen analyysi vasta alkaa siitä mihin saavutettavuusanalyysi loppuu. Yleisessä tapauksessa, jos haluamme ratkaista tasapainotilan järjestelmälle, jonka saavutettavuusgraafi sisältää n solmua, meidän tulee kääntää neliömatriisi, jossa on n n alkiota. Tämä rajoittaa menetelmän käytettävyyttä. Joskus aika ei riitä matriisin kääntämiseen. Tällöin on perusteltua käyttää analysaattorien simulaatio-ominaisuuksia. Jos järjestelmää simuloidaan riittävän pitkään tilastojen keräämiseksi, tunnusluvuille voidaan johtaa likiarvoja.