Projekt prfundimtar n Prdorim softesh : R

Msc. 2011- 2012, Departamenti i Matematiks, Fakulteti i Shkencave t Natyrs , UT

Modeli M/M/1 per pritjen e telefonatave

EAGLE-MOBILE

Hysni Kucuku

hysnikucuku@gmail.com

HYRJE :

Teknika q jane perdorur ne drtimin e projektit sht library(Rcmdr) per therritjen e te dhenave Prkufizim Projekti tregon ; 1prosin e teorin e rradheve 2numrin e kanaleve t shrbimit , vetit ergodike e proseve lindje- vdekje , modeli M/G/1 , kohzgjatje e rradhs .

Ligji per mberitjen e klienteve

Ligji percakton karakteristikat e procesit te mberitjeve,ku mund te jete kostant ose sokastik.Mberitja e klienteve mund te shmanget jo vetem kur ata mberijne te vecuar por edhe kur mberijne grupe-grupe tem adhesive te ndryshme. Nj rast tjeter I mbrritjeve sht rasti kur klienti n vend t nj pritje jetgjat preferon t mos futet fare ne rradh

Zgjedhja e klienteve
FIFO (first in, first out ) LIFO( last in , first out ) SIRO(service in randon order)- klienti q do t shrbehet zgjidhet rastesisht nga rradha PRI (priority)- klientet q vine kan nj shkall prioriteti GB -raste t tjera

Proceset lindje-vdekje dhe vetia ergodike e tyre

Q nj process t jet plotsisht ergodik duhet q t plotsoj kushtet : Le t jet dhe athere K.N.M q nj proces lindje vdekje ku t konvergjoje Pra nqs shnojm dhe ku Kemi q jan probabilitetet (k>0) ku t jet plotsisht ergodik sht q seria

Nj process I till (plotsisht ergodik) kemi q E(k)= E(w)=

T paraqitura kto n rend rrits kjo sepse nmodelet e hapura gjendjet e mundshme t sistemit jan:

dhe n modelet e mbyllura gjendjet e numurushme jan: dhe probabilitetin

Modeli

M/G/1

Numri I mberitjeve gjate kohes qe sherbehet nje klient

Shohim se kemi t bejm me nj process stokastik (lindje-vdekje )ku: Intervalet kohore ndermjet mbrritjeve jann t pavarura nga njra-tjetra (s=1,2. Pr astin fillestar t=0 e n vijim ) Pra nqs n.r e mbrritjeve s klientve , athere vargu I formuar prej tyre n mnyre q: 0 sht ekuivalente me klientit t nga I (S+1 dhe funksion shperdarje K(Z)=1Paraqet nj proes stokastik i cili sht koha q ndan mbrritjen e T dy kto prose I binden ligjit eksponecial : mesatare E(Z)=

Numri I klienteve ne radhe per te pritur

Kemi shnuar W-numrin e klienteve q ndodhen n rradh , vlera e t cilit jann.r (S=1,2, .) ku tregon numrin e klienteve n momentin kur klientii S merr plotsisht shrbimin e krkuar . Gjatsia e rradhs n kohn q klienti i (S+1) merr shrbimin e krkuar ( e barabart me:
1- Numrin e klientve

(S+1), ( paraardhst S ,
2-

q vijn gjat kohs s shrbimit t klientvet n rastin kur n prfundim t shrbimit t klientit

Shnojm I(

n.r q tregon nse ka apo jo rradhn pasi shrbehet klienti i )

(largohet klienti i Pra I(

Nga del se

I(

(S=0,1,2.) gj q tregon se gjatsia e .

rradhs prbn nj process stokastik q varet nga

Kohezgjatja e radhes
N kt rast kemi t bjm me n.r T vlerat e scils ( r=1,2,) prbjn nj process stokastik t Markovit stacionar , me t cilin bashksia e indekseve t gjendjeve t mundshme t tij sht bashksie pafundme e vazhdueshme kur vlera e mundshme A ose B i prkasin nj bashksie t pafundme t vazhdueshme . Kshtu sht I barabart me:

a) Zero ,kur klienti i (r+1) hyn n rradh pasi t jet larguar klienti i r , pra kur

.
b)

Prej nga P P P Ku ( Kshtu kur P P sht nj vler vler e caktuar e n.r T ndrsa t(t>0) sht nj vler fardo . sht vler koresponduese e gjendjes

te sht vler koresponduese e gjndjes kto probabilitete formojn matricn e tranzicionit t sistemit .

Modeli M/M/1

Ky model sht

rast i veant i M/G/1

Pra kemi t bjm me nj model q bazohet n proesin e puasonit n kuptim q :qoft mbrritjet qoft koht e sherbimit jan t shprndara eksponeciale me parametra A(mbrritjet) me mesatare t ktyre intervaleve me mesatare t ktyre sherbimeve

B (kohzgjatja e shrbimit )

klienti

1.4.2010 koha e mberritjes 12:00 12:00 12:02 12:04 12:04 12:04 12:09 12:12 12:20 12:22 12:26 12:32 12:33 12:36 koha e shebimit 2 1 3 5 4 0.25 6 2 4 3 1 0.1 0.15 1 koha e mberritjes 12:00 12:00 12:01 12:06 12:13 12:18 12:18 12:22 12:23 12:27 12:29 12:37 12:40 12:44 12:46

6.4.2010 koha e shebimit 5 4 6 0.30 2 3 4 9 0.12 0.25 2 5 5 2 3

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

klienti

12.4.2010 koha e mberritjes 12:00 12:00 12:01 12:15 12:18 12:23 12:24 12:28 12:33 12:33 12:35 12:35 12:37 12:44 12:45 koha e shebimit 4 3 7 4 4 8 1 0.40 3 1 3 2 0.25 1 2 koha e mberritjes 12:00 12:00 12:01 12:01 12:04 12:11 12:11 12:13 12:19 12:20 12:25 12:33 12:53 12:55

13.4.2010 koha e shebimit 10 2 1 0.20 2 5 1 0.35 2 3 1 22 2 1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

klienti

16.4.2010 koha e mberritjes 12:00 12:00 12:02 12:13 12:18 12:18 12:25 12:28 12:29 12:31 12:40 12:40 12:40 12:53 koha e shebimit 1 0.15 4 9 8 0.40 1 1 3 1 0.25 2 4 0.30 koha e mberritjes 12:00 12:00 12:03 12:14 12:20 12:25 12:26 12:28 12:32 12:37 12:37 12:41 12:43 12:43

19.4.2010 koha e shebimit 3 8 0.30 14 1 0.20 6 0.15 3 1 3 52 4 1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Ndertimin e histograms do ta bejme me ane te pakets library(Rcmdr) dhe nga aty bjm importimin nga excel

N baz t t dhnave ndrtojm histogramen e shperdarjes dhe nga forma e tij ngrejm hipotezn : q paraqet gjatsin e intervaleve t mbrritjeve , pa shprdarje eksponeciale Fillimisht po logaritim vleren e parametrit t vetm t ksaj shprdarje

Klasat [0.1[ Efektivat 80

[1,2[ 50

[2,3[ 48

[3,4[ 44

[4,5[ 30

[5,6[ 18

[6,7[ 16

[7,8[ 15

[8,9[ 15

[9,10[ [10,11[ 12 6

[11,12[ [12,14[ 11 6

[17,+ 5

Llogaritjet ne R:

> x=c(80,50,48,44,40,30,18,16,15,15,12,6,11,4,1,1,5) x [1] 80 50 48 44 40 30 18 16 15 15 12 6 11 4 1 1 5 > m=c(0,1,2,3,4,5,6,7,8,9,10,11,12,14,15,17,18) >m [1] 0 1 2 3 4 5 6 7 8 9 10 11 12 14 15 17 18

> mu=sum(x*m) > mu [1] 1559

> y=1559 > z=396 > y/z [1] 3.936869

Nje paraqitje garfike per tabelen klasa\efektiva eshte:

>plot(x,m,type="o",col="red")

10

15

20

40 x

60

80

Ndertimi I histogramave per x dhe m:

>hist(x)

His tog ram o f x

6 Frequency 0 1 2 3 4 5

20

40 x

60

80

>hist(m)

Histogram of m
6 Frequency 0 1 2 3 4 5

10 m

15

20

Duke ditur q n shprdarjen eksponeciale probabiliteti

<X< marrim me rradh

= = = = = = = = = = = = = = 5

= Gjetja e probabiliteteve 1 ) > f<-function + (x)0.25*exp(-0.25*x) > integrate(f, lower=0 ,upper=1) 0.2211992 with absolute error < 2.5e-15

2 ) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=1 ,upper=2) 0.1722701 with absolute error < 1.9e-15 3) > f<-function(x)0.25*exp(-0.25*x)

> integrate(f, lower=2 ,upper=3) 0.1341641 with absolute error < 1.5e-15 4) > f<-function(x)0.25*exp(-0.25*x)

> integrate(f, lower=3 ,upper=4) 0.1044871 with absolute error < 1.2e-15 5) > f<-function(x)0.25*exp(-0.25*x)

> integrate(f, lower=4 ,upper=5) 0.08137464 with absolute error < 9e-16 6) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=5 ,upper=6) 0.06337464 with absolute error < 7e-16 7) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=6 ,upper=7) 0.04935622 with absolute error < 5.5e-16 8) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=7 ,upper=8) 0.03843866 with absolute error < 4.3e-16 9) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=8 ,upper=9) 0.02993606 with absolute error < 3.3e-16 10) > f<-function(x)0.25*exp(-0.25*x)

> integrate(f, lower=9 ,upper=10) 0.02331423 with absolute error < 2.6e-16

11) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=10 ,upper=11) 0.01815714 with absolute error < 2e-16 12) f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=11 ,upper=12) 0.01414079 with absolute error < 1.6e-16 13) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=12 ,upper=14) 0.01958968 with absolute error < 2.2e-16 14) f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=14 ,upper=17) 0.01593315 with absolute error < 1.8e-16 15) > f<-function(x)0.25*exp(-0.25*x) > integrate(f, lower=17 ,upper=+) -0.1210710 with absolute error < 1.3e-15

Refernca Te dhenat jane marre nga data base e eagle mobile ne nje periudhe nje mujore te telefonatave qe kryeshin dhe kohen e pritjes te tyre.