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

Samankaltaiset tiedostot
Demonstraatiot Luento

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

Estojärjestelmä (loss system, menetysjärjestelmä)

3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät

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

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

Liikenneteoriaa (vasta-alkajille)

Esimerkki: Tietoliikennekytkin

1. Johdanto luento01.ppt S Liikenneteorian perusteet - Kevät

Sovellettu todennäköisyyslaskenta B

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

5. Stokastiset prosessit (1)

ABTEKNILLINEN KORKEAKOULU

Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä

Syntymä-kuolema-prosessit

J. Virtamo Jonoteoria / Poisson-prosessi 1

AB TEKNILLINEN KORKEAKOULU

Syntymä-kuolema-prosessit

j n j a b a c a d b c c d m j b a c a d a c b d c c j

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

Johdatus tn-laskentaan torstai

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio. 10. Verkon suunnittelu ja mitoitus

Harjoitus 2: Matlab - Statistical Toolbox

J. Virtamo Jonoteoria / Prioriteettijonot 1

ATM-VERKON KUTSUTASON ESTO

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

käännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

riippumattomia ja noudattavat samaa jakaumaa.

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Vuonohjaus: ikkunamekanismi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

D ( ) E( ) E( ) 2.917

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

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Tilastollinen aineisto Luottamusväli

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

Moniulotteisia todennäköisyysjakaumia

Jatkuva-aikaisten Markov-prosessien aikakehitys

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU

Mat Sovellettu todennäköisyyslasku A

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

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

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

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

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

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio

Liikenneongelmien aikaskaalahierarkia

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

5. laskuharjoituskierros, vko 8, ratkaisut

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

STOKASTISET PROSESSIT Peruskäsitteitä

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, , Ratkaisut (Sarja A)

Sovellettu todennäköisyyslaskenta B

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

Markov-ketjut pitkällä aikavälillä

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

Inversio-ongelmien laskennallinen peruskurssi Luento 7

Satunnaislukujen generointi

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.

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

4. laskuharjoituskierros, vko 7, ratkaisut

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

30A02000 Tilastotieteen perusteet

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

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

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

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

6. laskuharjoitusten vastaukset (viikot 10 11)

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

J. Virtamo Jonoteoria / Jonoverkot 1

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

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)

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

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Osa 2: Otokset, otosjakaumat ja estimointi

Diskreettiaikainen dynaaminen optimointi

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

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

Dynaamiset regressiomallit

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

Sovellettu todennäköisyyslaskenta B

Todennäköisyyslaskun kertaus. Heliövaara 1

Transkriptio:

TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista runkoverkon linkkiä. Linkkiä syöttävät liikennelähteet generoivat uusia kutsuja Poisson-prosessin mukaisesti. Uusien kutsujen väliaika on keskimäärin t aikayksikköä ja kutsujen keskimääräinen kestoaika on h aikayksikköä. (a Mikä liikennemalli on kyseessä (Kendallin merkinnöin? (b Laske aikaesto, kutsuesto ja kuljetettu liikenne tapauksessa n 2, t 4 min ja h min. D7/2 Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista liityntäverkon linkkiä. Linkkiä syöttää k identtistä on-off-tyyppistä käyttäjää, missä k > n. Käyttäjän joutojakso kestää keskimäärin t aikayksikköä, minkä jälkeen hän generoi uuden kutsun. Kutsujen keskimääräinen kestoaika on h aikayksikköä. (a Mikä liikennemalli on kyseessä (Kendallin merkinnöin? (b Laske aikaesto, kutsuesto ja kuljetettu liikenne tapauksessa n 2, k 4, t 9 min ja h min. D7/ Tarkastellaan kahden palvelijan puhdasta menetysjärjestelmää. Asiakkaat saapuvat systeemiin ryppäinä, joiden koko on tai 2 asiakasta. Kumpikin rypäskoko on yhtä todennäköinen. Asiakasryppäitä saapuu Poisson-prosessin mukaisesti intensiteetillä. Asiakasrypäs menetetään kokonaan, jos systeemi on täynnä ryppään saapuessa. Jos taas systeemissä on yksi vapaa palvelija ja sinne pyrkii kahden asiakkaan rypäs, toinen asiakkaista otetaan palveluun mutta toinen menetetään. Vaikka asiakkaat saapuvat ryppäinä, heidät palvellaan yksitellen. Yksittäisen asiakkaan palveluaika noudattaa muista riippumatta Exp(-jakaumaa. Merkitään X(t:llä systeemissä olevien asiakkaiden lukumäärää. Kyseessä on Markov-prosessi. (a Piirrä X(t:n tilasiirtymäkaavio. (b Johda X(t:n tasapainojakauma. (c Mikä on systeemin keskimääräinen käyttöaste tapauksessa? (d Mikä on systeemin kutsuesto, ts. todennäköisyys, että saapuva asiakas menetetään, tapauksessa?

D7/ (a Kyseessä on M/G/n/n-malli eli Erlang-mallin yleistys yleiselle kutsun pitoaikajakaumalle (L7/5. (b Koska uusien kutsujen väliaika on keskimäärin t 4 min, saapumisintensiteetti on tämän käänteisluku /t /4 kutsua/min. Näin ollen liikenneintensiteetiksi tulee a h h/t /4 0.75 erl. Erlang-mallissa kutsuesto Bc ja aikaesto B t ovat yhtäsuuria. Ne saadaan lakettua Erlangin kaavalla (L7/20 Bc B t Kuljetettu liikenne on a n n! n j0 aj 2 ( 4 2 + 4 + 2 ( 4 2 9 2 + 24 + 9 9 65 0.4 a carried a( Bc 4 ( 9 65 42 0.65 erl 65 Toisaalta kuljetettu liikenne a carried voidaan Littlen kaavan mukaan tulkita keskimäärin systeemissä olevien lukumääräksi E[X]. Koska Erlang-mallin tasapainojakauma tunnetaan (katkaistu Poisson-jakauma, L7/8, a i i! π i n, i 0,, 2, j0 aj voidaan jakauman keskiarvo laskea 4 E[X] i π i + 4 + 2 ( +2 2 ( 4 2 4 2 +( 4 + 2 ( 4 2 24 2 + 24 + 9 +2 9 2 + 24 + 9 42 65 0.65 Tulos on yhtäpitävä edellisen kanssa. D7/2 (a Kyseessä on M/G/n/n/k-malli eli Engset-mallin yleistys yleiselle kutsun pitoaikajakaumalle (L7/2. (b Yksittäisen käyttäjän joutenolojakson päättymisintesiteetti on /t /9 uutta kutsua/min ja vastaavasti kutsun päättymisintensiteetti /h / kutsua/min, joten / /9 / 0.. Aikaesto saadaan kaavalla (L7/6 n ( n B t n j0 j ( 6( 2 j +4( 6 +6( 2 9+2+6 2 9 0.22 Kutsuesto taas on sama kuin aikaesto sellaisessa systeemissä, missä on yksi käyttäjä vähemmän, ja saadaan Engsetin kaavalla (L7/40 n ( Bc n n j0 j ( ( 2 j +( +( 2 ++ 7 0.4 Kuljetettu liikenne a carried voidaan Littlen kaavan mukaan tulkita keskimäärin systeemissä olevien lukumääräksi E[X]. Koska Engset-mallin tasapainojakauma tunnetaan (katkaistu binomijakauma, L7/5, i ( i π i n, i 0,, 2, j0 j ( j 2

voidaan jakauman keskiarvo laskea 4( E[X] i π i +4( +2 6( 2 +6( 2 +4( +6( 2 2 9+2+6 +2 6 9+2+6 8 9 0.89 Kuljetetuksi liikenteeksi tulee siis a carried E[X]0.89 erl. Huom: Engset-mallin äärellisen populaation vuoksi on syytä erottaa kaksi erilaista tarjotun liikenteen käsitettä: hypoteettinen tarjottu liikenne a h offered ja toteutuva tarjottu liikenne a r. Luentojen (L7/5 mukaan (hypoteettinen tarjottu offered liikenne on tässä tapauksessa a h offered k + k( +( 4( +(. Kyseessä on siis vastaavassa estottomassa mallissa (binomimalli eli M/G/k/k/k kuljetettu liikenne. Tarjotun liikenteen luonnehdinta tapahtuu tässä systeemin parametreista riippumattomasti, kuten tavoitteena onkin. Toteutuva tarjottu liikenne kuitenkin poikkeaa tästä hypotettisesta arvosta tarkasteltavassa Engsetmallissa johtuen nimenomaan äärelliseen populaatioon liittyvästä takaisinkytkentämekanismista: samat asiakkaat palaavat aina uudelleen systeemiin. Toteutuva (keskimääräinen saapumisintensiteetti on r (k i π i 28 8, joten toteutuvaksi tarjotuksi liikenneintensiteetiksi tulee a r offered h / 28 27.07. Sama tulos saadaan itse asiassa kaavalla a r offered k ( Bc+ k( +( ( B c 4( +( ( 7 28 27.07. Kuljetettu liikenne voidaan laskea tästä a carried a r offered ( B c 28 27 ( 7 8 9 0.89 D7/ (a Markov-prosessin X(t tilasiirtymäkaavio on esitetty kuvassa. (b Kyseessä on selvästikin pelkistymätön Markov-prosessi. Koska tila-avaruus on äärellinen, tasapainojakauma π on olemassa, ja se löytyy globaalien tasapainoehtojen ja normeerausehdon avulla. Kirjoitetaan ensin globaalit tasapainoehdot (GBE tiloille 0 ja 2: π 0 π, π 2 2 π 0 2 + π

Kuva : [D7/] Tilasiirtymäkaavio. Tästä ratkaistaan muut todennäköisyydet π 0 :n funktiona: ( π π 0, π 2 π 0 4 ( + 2 ( 2 Puuttuva todennäköisyys π 0 selviää normeerausehdosta (N: π 0 + π + π 2 π 0 ( + 5 4 ( + 2 ( 2, joten tasapainojakaumaksi tulee π 0 + 5 4 ( + 2 ( 2, π + 5 4 ( + 2 ( 2, π 2 4 ( + 2 ( 2 + 5 4 ( + 2 ( 2 Kohtia (c ja (d varten lasketaan tasapainojakauma tapauksessa : π 0 4 0.6, π 4 0.6, π 2 0.27 (c Lasketaan ensin keskimäärin käytössä olevien palvelijoiden lukumäärä E[Xs]: E[Xs] i π i 4 +2 0 0.9 Systeemin keskimääräinen käyttöaste E[U] on keskimäärin käytössä olevien palvelijoiden lukumäärän suhde palvelijoiden kokonaismäärään: E[U] E[X s] n ( 0 2 5 0.45 (d Kutsuesto voidaan laskea jakamalla keskimäärin yhdestä ryppäästä menetettyjen asiakkaiden lukumäärä E[L] saapuvan ryppään keskikoolla E[A]. Saapuvan ryppään koko on systeemin tilasta riippumaton satunnaismuuttuja, jolla on odotusarvo E[A] P {A } +2 P {A 2} 2 +2 2 2.50 4

Toisaalta taas Poisson-prosessin PASTA-ominaisuuden (L5/28 nojalla saapuva rypäs näkee systeemin tasapainossa. Näin ollen keskimäärin ryppäästä menetettävien asiakkaiden lukumäärä on E[L] π ( P {A 2}+π 2 ( P {A } +2 P {A 2} π P {A 2} + π 2 E[A] 4 2 + 2 22 0.59 Kutsuesto Bc on siis tässä tapauksessa Bc E[L] E[A] 22 2 0.9 Huom: Systeemin liikenneintesiteetti a on tässä tapauksessa a E[A] E[A] 2.50 Jos asiakkaat saapuisivat yksitellen, niin kutsuesto saataisiin Erlangin kaavasta (L7/20 Erl(n, a a n n! n j0 aj 2 ( 2 2 + 2 + 2 ( 2 2 9 8+2+9 9 29 0. Asiakkaiden saapuminen ryppäissä siis kasvattaa kutsuestoa. 5