Professional Documents
Culture Documents
Markovljevi Lanci PDF
Markovljevi Lanci PDF
Markovljevi lanci
Markovljevi procesi su oni stohastiki procesi ije budue stanje ovisi samo o trenutnom stanju. To
svojstvo zovemo svojstvo odsustva pamenja (memoryless property ). Isto svojstvo ima i Poissonov proces,
pa je Poissonov proces posebna vrsta Markovljevog procesa. Markovljevi procesi mogu imati diskretan
ili kontinuiran skup stanja. U ovom poglavlju promatramo procese s diskretnim stanjima - lance. Bez
obzira da li su kontinuirani ili diskretni po parametru, lanci mijenjaju stanje u diskretnim tokama u
indeksnom skupu T (nekontinuirano).
U ovom poglavlju emo se upoznati s osnovnim matematikim modelima za opis Markovljevih lanaca.
Pomou tih modela emo kasnije analizirati sustave posluivanja i mree repova.
P (Xn+1 = j | X0 = i0 , X1 = i1 , . . . , Xn = in ) = P (Xn+1 = j | Xn = in ).
(4.1)
Probability Matrix ))
Prijelaz iz stanja i u koraku n 1 u stanje j u koraku n opisan je prijelaznom vjerojatnou:
(n)
(4.2)
Prijelazna vjerojatnosti pij je lan matrice prijelaznih vjerojatnosti na mjestu (i, j). Matrica prijelaznih
vjerojatnosti u n-tom koraku je
h
i
(n)
P(n) = pij
(4.3)
155
156
(4.4)
1q
q
(4.5)
P(n) =
w
1w
Matrica prijelaznih vjerojatnosti nam omoguuje izraun vjerojatnosti da se Markovljev lanac u n-tom
koraku nae u nekom konkretnom stanju j . Neka p(n) oznaava vektor-stupac iji j -ti element oznaava
vjerojatnost da se lanac u n-tom koraku nalazi u stanju j . Neka elementi tog vektor-stupca redom nose
oznake p1 (n), p2 (n), . . .. Moemo napisati
>
(4.6)
Ako se proces u n-tom koraku nalazi u stanju j , onda se u (n 1)-om koraku nalazio u stanju 1, pa je
skoio u stanje j , ili se nalazio u stanju 2 pa je skoio u stanje j itd. Dogaaj proces je bio u stanju k i
skoio je u stanje j je disjunktan sa svim drugim dogaajima tog oblika. Zato moemo napisati:
X
pj (n) =
P {Xn = j, Xn1 = i} =
i
(n)
pij pi (n 1)
(4.7)
Budui da zbroj u gornjem izrazu odgovara mnoenju vektor-retka pi (i 1) s desne strane s matricom
prijelaznih vjerojatnosti, dobivamo:
(4.8)
>
(4.9)
Koristei izraz (4.9) moemo izraunati razdiobu vjerojatnosti stanja Markovljevog lanca u bilo kojem
koraku.
157
Markovljevi lanci kod kojih matrica prijelaznih vjerojatnosti P(n) ne ovisi o koraku n se zovu homogeni
(n)
Markovljevi lanci. Vrijedi da je pij = pij , n, i, j . Tu konstantnu matricu prijelaznih vjerojatnosti
oznaavamo P.
Ukoliko je neki Markovljev lanac homogen, vektor-stupac vjerojatnosti Markovljevog lanca u n-tom
koraku izraunavamo prema izrazu:
>
p(n) = (Pn ) p(0)
(4.10)
Nadalje emo promatrati upravo homogenu klasu Markovljevih lanaca.
Promotrimo matricu Pn . To je matrica iji element (i, j), kojeg emo oznaiti pij (n), predstavlja
vjerojatnost prijelaza procesa iz stanja i u stanje j nakon n koraka. Ako matrica Pn konvergira k nekoj
kada n tei u beskonano i ako su svi elementi te matrice vei od 0, onda Markovljev lanac ima
matrici P
svojstvo prelaska u stacionarno stanje - stanje kada se vjerojatnost da se proces nalazi u nekom stanju i
ne mijenja u vremenu. Ovo svojstvo je izreka ergodikog teorema.
Neka matrica prijelaznih vjerojatnosti P homogenog Markovljevog lanca ima svojstvo da barem jedna
njena potencija Pn sadri elemente koji su svi strogo vei od nule. Ako postoji takva matrica P, onda
jednaka:
zasigurno postoji matrica P
= lim Pn
P
(4.11)
n
pj = lim pij ,
n
(4.12)
. Vektor-stupac
pj se zovu stacionarne vjerojatnosti i one ine vektor-stupac stacionarnih vjerojatnosti p
stacionarnih vjerojatnosti jednak je svakom retku matrice P. Markovljev lanac za kojeg postoji limes
(4.11) zove se regularan ili ergodiki Markovljev lanac.
Ergodiki teorem koristimo da bismo saznali da li Markovljev lanac ima stacionarne vjerojatnosti.
Dosta esto se uvjet postojanja stacionarnih vjerojatnosti uvodi kroz pojam pozitivne rekurentnosti
Markovljevog lanca.
Ako vrijedi i j i j i, onda stanja i i j meusobno komutiraju. Ako sva stanja Markovljevog lanca
meusobno komutiraju, onda je lanac ireducibilan.
Stanje Markovljevog lanca i je rekurentno ako je dostupno iz samog sebe u konanom broju koraka, tj. ako
se u konanom broju koraka moe vratiti u samo sebe. Stanje i je pozitivno rekurentno ako je oekivani
broj koraka do povratka u stanje i manji od beskonano. Inae, stanje je nul-rekurentno.
Stanje i ima period k ako je pnii = 0 kada god n nije djeljiv s k i k je najvei cijeli broj s takvim svojstvom.
158
pj = lim pij ,
n
(4.13)
= [
i vektor p
p1 , p2 , . . .]> je jedinstven.
1/3 2/3
P=
3/8 5/8
Primjer 4.1
Gornja matrica znai da ako je proces u stanju 0, vjerojatnost da e ostati u istom stanju je 1/3, a da e
prei u stanje 1 je 2/3. Isto tako, ako je proces u stanju 1, vjerojatnost da e ostati u istom stanju je 5/8,
a vjerojatnost da e prei u stanje 0 je 3/8. Budui da se prijelazne vjerojatnosti ne mijenjaju, opisani
proces moemo opisati dijagramom na slici 4.2. Takav dijagram zovemo dijagram stanja Markovljevog
lanca. Izraunajmo matricu prijelaznih vjerojatnosti nakon 2 i 3 koraka.
"
P2 =
Moe se pokazati da je:
Pn =
13/36 23/36
23/64 41/64
9
25
9
25
1
25
1
25
1 n 43n
3 2
1 n 2n
8 3
"
P3 =
16
1
25 25
16
1
25 + 25
311
864
553
1536
9
25
16
25
1 n 43n
3 2
1 n 2n
8 3
553
864
983
1536
159
Sada iitamo bilo koji redak ove matrice i dobivamo vektor stacionarnih vjerojatnosti:
h
i>
9 16
=
p
25 25
Objasnimo sada to tono znai dobiveni vektor. Neka je proces u poetnom (nultom) koraku bio u
bilo kojem stanju. Vjerojatnost da e u nekom sljedeem dalekom koraku biti u stanju 0 je 9/25, a u
stanju 1 je 16/25.
Ukoliko netko zada konkretne vrijednosti vjerojatnosti stanja u inicijalnom (nultom) koraku s vektorom p(0), vjerojatnosti stanja u dalekoj (stacionarnoj) budunosti su jednaka:
= p(n = ) = P
p
Drugim rijeima, poetno stanje ne uvjetuje stacionarne vjerojatnosti procesa.
Primijetimo da je pokazani postupak raunanja stacionarnih vjerojatnosti izuzetno sloen. Pokuajmo izraunati stacionarne vjerojatnosti ne traei opi izraz za n-tu potenciju matrice P. Mogui nain
traenja ovih vjerojatnosti je koritenje metode dijagonalizacije matrice P. Drugi nain je metoda spektralne dekompozicije, a trei je rjeavanje sustava linearnih jednadbi. Sve metode su objanjene u
sljedeim primjerima.
1
, (0 < , < 1)
P=
1
Problem u ovom primjeru je traenje izraza za ope lanove matrice Pn . Jedno mogue rjeenje je metoda
dijagonalizacije. elimo matricu P zapisati na sljedei nain:
P = S D S1
gdje je D dijagonalna matrica - matrica koja samo na dijagonali ima ne-nul elemente. Dijagonalna
matrica ima sljedee korisno svojstvo:
n
d1 0 . . . 0
d1 0 . . . 0
0 d2 . . . 0
0 dn2 . . . 0
n
D= .
D
=
..
.. . .
..
.. . .
..
..
.
.
.
.
.
.
.
0
0 . . . dnk
0 0 . . . dk
Izraunajmo Pn :
Pn = S D S1 S D S1 . . . S D S1 = S Dn S1
Dakle, ukoliko matricu P raspiemo kao umnoak S D S1 , dobili smo opi oblik za n-tu potenciju
matrice P. Sada nam jo samo treba metoda raspisivanja. Prisjetimo se sada jednog teorema linearne
algebre:
Neka je P kvadratna matrica dimenzija k k . Neka su 1 , . . . , k svojstvene vrijednosti (eigenvalues )
matrice P, a ~e1 , . . . , ~ek svojstveni vektori (eigenvectors ) (vektor-stupci) matrice P. Onda je dijagonalna
matrica D matrice P matrica koja na glavnoj dijagonali ima svojstvene vrijednosti, a matrica S matrica
iji su stupci svojstveni vektori matrice P, tj.:
1 0 . . . 0
0 2 . . . 0
D= .
S = ~e1 . . . ~ek
.. . .
..
.
.
. .
.
...
160
Sada jo samo treba znati izraunavati svojstvene vrijednosti i svojstvene vektore matrica. Prisjetimo
se da su svojstvene vrijednosti neke matrice P one vrijednosti koje zadovoljavaju sljedeu matrinu
~ je vektor-stupac):
jednadbu (vektor X
~ =X
~
PX
~ =X
~ I
PX
~ X
~ I = [0]
PX
~ = [0]
[P I] X
det[ I P] = 0
Izraunajmo odmah svojstvene vrijednosti za ovaj primjer:
1
= 2 ( + ) 1 + + = 0
det( I P ) =
1
Rjeavajui dobivenu kvadratnu jednadbu dobivamo da su 1 = 1, 2 = + 1. Sada trebamo odrediti
svojstvene vektore. To su vektori koji zadovoljavaju poetnu matrinu jednadbu. Za prvu svojstvenu
vrijednost dobivamo:
1
x1
x1
=1
1
x2
x2
To je sustav dvije linearne jednadbe:
x1 + (1 ) x2 = x1 ,
(1 ) x1 + x2 = x2
x1 + (1 ) x2 = ( + 1) x1 ,
Rjeavanjem dobivamo:
(1 ) x1 + x2 = ( + 1) x2
x2 = x1
1
1
1
1
~e1 =
~e2 =
1
1
Matrice S i D su:
1
1
S=
1
1
D=
1
0
0
+1
P =SD S
Pn =
1
=
2
1
1
1
1
1
1
1
0
1
n
0 ( + 1)
1
1
1
>
1
=
2
(1 ) + (1 ) ( + 1)n
(1 ) (1 ) ( + 1)n
1
1
1
1
1
1
(1 ) (1 ) ( + 1)n
(1 ) + (1 ) ( + 1)n
161
1
(1 ) + (1 ) ( + 1)n (1 ) (1 ) ( + 1)n
= lim
P
=
(1 ) (1 ) ( + 1)n (1 ) + (1 ) ( + 1)n
n 2
1
(1 ) (1 )
=
(1 ) (1 )
2
Stacionarne vjerojatnosti su:
1 =
p
1
2
2 =
p
1
2
Iako ovaj primjer izgleda izuzetno komplicirano, metoda dijagonalizacije je relativno jednostavna za
konkretne numerike primjere, a posebno je korisna u sluaju kada je broj moguih stanja lanca vei od
dva.
Pn = n1 E1 + n2 E2
E1 =
1
[P 2 I]
1 2
E2 =
1
[P 1 I]
2 1
Provjerimo odmah ovu metodu na prethodnom primjeru. Matrica P i svojstvene vrijednosti su redom:
1
P=
(0 < , < 1)
1
1 = 1
2 = + 1
Nadalje je
1
1
E1 =
[P 2 I] =
1 2
2
1
1
E2 =
[P 1 I] =
2 1
+2
1
1
1
1
1 1
1
( + 1)n
1n
1 1
+
P =
2 1 1
+2
1
(1 ) + (1 ) ( + 1)n
=
(1 ) (1 ) ( + 1)n
2
n
1 1
1
(1 ) (1 ) ( + 1)n
(1 ) + (1 ) ( + 1)n
odnosno
> p
=p
X
j
pj = 1
(4.14)
162
Izraz (4.14) se temelji na posljedici ergodikog teorema da se razdioba vjerojatnosti stanja u stacionarnom
stanju ne mijenja s korakom. Dakle, izraz (4.14) jednostavno kae da je razdioba u sljedeem koraku
jednaka razdiobi u sadanjem koraku. Meutim, taj izraz predstavlja i sustav linearnih jednadbi. Dakle,
ako rijeimo ovaj sustav, izraunali smo stacionarne vjerojatnosti.
Zamislimo da se elektron moe nai u ukupno m energetskih stanja: E = {1, 2, . . . , m}. U vie stanje elektron moe prei samo kad je u stanju 1. Vjerojatnosti
da iz prvog pree u bilo koje drugo stanje su jednake. Kada se nae u stanju i > 1, u sljedeem koraku
moe prei jedino u stanje i1. Pronaimo vjerojatnost da je elektron u nekom stanju j pretpostavljajui
da je proces uao u stacionarno stanje.
Primjer 4.4 (Sustav linearnih jednadbi)
1/m
1
P=
0
.
..
0
1/m . . .
0
...
..
.
1
..
..
.
.
0
...
> p
=p
1/m 1
1/m 0
..
..
.
.
1/m 0
1/m 0
0
1
..
.
0
0
...
...
..
.
...
...
0
0
..
.
1/m
0
..
.
1/m
0
..
.
0
1
0
0
pj = 1
p1
p2
..
.
1 pm1
0
pm1
p1
p2
..
.
=
pm1
pm1
p1 = p1 + p2
pm1 = 2 pm
p2 = p1 + p3
pm2 = 3 pm
..
..
.
.
p2 = (m 1) pm
pm1 = p1 + pm
p
1 = m pm
pm = p1
m
Primijetimo da jednadbe moemo takoer postaviti na sljedei nain. Promatrajmo stanje k naeg
procesa. Vjerojatnost da e lanac biti u stanju k u sljedeem koraku je jednaka vjerojatnosti da je lanac
163
trenutno u stanju k i da e ostati u istom stanju (pk pkk ) plus zbroj vjerojatnosti vjerojatnosti
da se
P
proces nalazi u nekom drugom stanju j i da e proces u sljedeem koraku prei u stanje k ( j6=k pj pjk ).
Takvim razmiljanjem dobivamo jednadbu:
pk = pk 0 + pk+1 1 + p1
1
m
i = [m + (m 1) + ... + 2 + 1] pm =
p
i=1
m(m + 1)
pm = 1
2
pm =
2
m(m + 1)
2(m j + 1)
,
m(m + 1)
j = 1, . . . , m
Izuzetno je vano primijetiti da je linearni sustav koji se postavlja homogen i da se rjeenje moe
pronai jedino tako da se dodatno iskoristi jednadba:
X
pj = 1
j
Primjer 4.5 (Postavljanje matrine jednadbe za stacionarne vjerojatnosti) Veina konkretnih Markovljevih lanaca je teko rjeiva runo i esto se za rjeavanje koriste odreeni matematiki proc Mathematica i
c MATLAB. Ti alati imaju ugraene funkcije za rjeavanje
gramski alati. Primjeri su
sustava linearnih jednadbi (Solver ). Sline funkcije imaju i neki PalmTop kalkulatori, npr. HP-48 GX.
Te funkcije rjeavaju matrinu jednadbu
A ~x = ~b
Pogledajmo na koji nain moemo generirati matricu A i vektor ~b koji su ulazni parametri ovakve funkcije.
Neka je zadan dijagram stanja na slici 4.4. Odgovarajua matrica prijelaznih vjerojatnosti P je:
0.7 0.3 0
0
0.3 0.1 0.2 0.4
P=
0 0.6 0.4 0
0 0.9 0 0.1
Da bismo pronali stacionarne vjerojatnosti, postavljamo dvije jednadbe:
=p
P> p
(4.15)
164
(4.16)
pi = 1
=Ip
P> p
Ip
=0
P> p
>
=0
P I p
Dobili smo jednadbu oblika A~x = ~b, ali takav sustav nije jedinstveno rjeiv budui da je ~b = 0. Da
bismo dobili jedinstveno rjeiv sustav, moramo ukljuiti jednadbu (4.16). To radimo tako to neki od
redaka matrice P> I (k -ti) zamijenimo s jedininim retkom, a kao k -ti element nul-vektora upiemo
jedinicu. Za k -ti redak odabiremo onaj koji ima najvie nenul elemenata.
0.7 1
0.3
0
0
0.3
0.1 1
0.6
0.9
P> I =
0
0.2
0.4 1
0
0
0.4
0
0.1 1
Odabiremo drugi redak i dobivamo sustav:
0.3 0.3
0
1
1
1
0
0.2 0.6
0
0.4
0
|
{z
0
p0
1
p1
0 p2
0.9
p3
} | {z
=
}
~
x
0
1
0
0
{z }
~b
A ~x = ~b /A1
A1 A ~x = A1 ~b
~x = A1 ~b
Ovaj pristup je bolji ukoliko piemo program za traenje stacionarnih vjerojatnosti, budui da je
funkciju za invertiranje matrice jednostavno lako napistati. Kako god radili, dobivamo sljedea rjeenja:
0.16 ]
= P> p
p
pB = (1 p) pB + q pA
1 = pA + pB
pB = pB p pB + q (1 pB ) pB =
pA = 1 pB =
p
q+p
q
q+p
165
P (Ai ) = (1 q)i1 q
Dobili smo izraz za geometrijsku razdiobu. Zakljuujemo da je varijabla koja mjeri broj koraka koji
Markovljev lanac s diskretnim parametrom ostaje u istom stanju rasporeena po geometrijskoj razdiobi.
Slino vrijedi i za vjerojatnost P (Bi ):
P (Bi ) = (1 p)i1 p
Prisjetimo se izraza za oekivanje geometrijske razdiobe. Izraunali smo oekivanje za sluaj kada
je funkcija vjerojatnosti bila Pi = (1 p)i p. No u naem sluaju je funkcija vjerojatnosti oblika Pi =
(1 p)i1 p. Stoga je oekivanje E[Ai ] jednako:
E[Ai ] =
iq(1 q)i1 = . . . =
i=1
Dakle, vrijedi:
E[Ai ] =
1
q
E[Bi ] =
1
q
1
p
Budui da stacionarne vjerojatnosti odgovaraju udjelima vremena koje lanac provodi u odgovarajuem
stanju, moraju vrijediti sljedee relacije:
E[Ai ]
E[Ai ] + E[Bi ]
E[Bi ]
pB =
E[Ai ] + E[Bi ]
pA =
pA =
E[Ai ]
=
E[Ai ] + E[Bi ]
pB =
E[Bi ]
=
E[Ai ] + E[Bi ]
1
q
1
q
1
p
1
p
1
q
1
p
p
q+p
q
q+p
166
Dakle, ako neka varijabla Ai mjeri broj koraka (intervala) u kojima se proces bez prekida nalazi u
istom stanju, onda se razdioba te varijable ravna po geometrijskoj razdiobi. Omjer oekivanja za neko
specino stanje A i zbroja oekivanja za sva stanja lanca daje stacionarnu vjerojatnost stanja A.
Sluajni proces s diskretnim stanjima X(t) je Markovljev lanac kontinuiran u vremenu ako za sve brojeve
n N, i svaki slijed t1 , t2 , . . . , tn , tn+1 takav da je t1 < t2 < . . . < tn < tn+1 vrijedi
P [X(tn+1 ) = j | X(t1 ) = i1 , X(t2 ) = t2 , ..., X(tn ) = in ] = P [X(tn+1 ) = j | X(tn ) = in ]
(4.17)
167
Denirajmo prijelaznu vjerojatnost i matricu prijelaznih vjerojatnosti Markovljevog procesa s kontinuiranim parametrom:
Proces se u nekom vremenskom trenutku t moe nalaziti samo u jednom stanju (konzervativan proces).
Zbroj vjerojatnosti prijelaza iz jednog stanja u sva sljedea mogua stanja jednak je 1, tj.:
X [s,t]
(4.19)
pij = 1
j
Matrice prijelaznih vjerojatnosti imaju sljedee zanimljivo svojstvo: prijelazna matrica iz trenutka s
u trenutak u jednaka je umnoku matrica prijelaza P [s,t] P [t,u] = P [s,u] . To je izreka poznatog ChapmanKolmogorovljevog teorema:
Neka je P[s,u] matrica prijelaznih vjerojatnosti Markovljevog procesa kontinuiranog u vremenu. Tada ona
zadovoljava Chapman-Kolmogorovljevu jednadbu:
P[s,u] = P[s,t] P[t,u] ,
(4.20)
stu
[s,t]
(t)ji
(j i)!
P[s,t]
(ts)
=e
1
0
0
..
.
..
.
[(ts)]1
1!
1
0
..
.
..
.
[(ts)]2
2!
[(ts)]1
1!
1
..
.
..
.
[(ts)]3
3!
[(ts)]2
2!
[(ts)]1
1!
..
..
.
...
...
...
..
.
..
168
Svi elementi matrice ispod dijagonale jednaki su 0. Razlog tome je to to je vjerojatnost da proces
prijee u nie stanje jednaka 0. Ova matrica ima svojstva da joj sve sporedne dijagonale imaju jednake
elemente i da ovisi samo o razlici vremena (t s). Markovljeve lance s ovim svojstvom zovemo homogeni
Markovljevi lanci. Treba primijetiti da ovaj proces nije stacionaran - oekivanje procesa nije konstanta,
tj. stanje raste u vremenu, a s tim i oekivanje.
Najznaajnija klasa Markovljevih lanaca su homogeni procesi. To su oni procesi kod kojih matrica
prijelaznih vjerojatnosti P[s,t] ne ovisi o vrijednostima t i s, nego iskljuivo o razlici t s. Homogene
Markovljeve lance deniramo na sljedei nain:
Neka je {Xt | 0 t < } Markovljev lanac s kontinuiranim parametrom. Ukoliko sve prijelazne vjerojatnosti matrice P[s,t] , pij = P (Xt = xj |Xs = xi ), i, j = 1, 2, . . . ne ovise pojedinano o vrijednostima
parametara s odnosno t, nego jedino o razlici = t s, tj.:
P (Xt = xj | Xs = xi ) = pij ( ), i, j = 1, 2, . . .
(4.21)
pij (t) je funkcija parametra t. Ustvrdit emo (bez dokaza!) da ona zasigurno ima derivaciju u toki t = 0.
Oznaimo tu derivaciju po vremenu s qij :
pij (t)
qij =
(4.24)
t t=0
Denirajmo matricu Q kao matricu koja je sastavljena od elemenata qij . Tu matricu zovemo matrica
gustoa prijelaza ili innitezimalna matrica:
..
..
..
..
.
.
.
.
Derivirajmo Chapman-Kolmogorovljevu jednadbu s lijeve i s desne strane po s. Dobivamo:
pkj (s)
pij (t + s) X
=
pik (t)
s
s
k
169
pkj (0)
pij (t) X
=
pik (t)
t
s
k
X
p0ij (t) =
pik (t) qkj
k
P0 (t) = P(t) Q
(4.25)
Dobivena jednadba se zove Kolmogorovljeva jednadba unaprijed (forward Chapman equation ). Slino,
ako Chapman-Kolmogorovljevu jednadbu deriviramo po t i stavimo da je t = 0, dobivamo Kolmogorovljevu jednadbu unazad (backward Chapman equation ):
P0 (t) = Q P(t)
(4.26)
Sada kada znamo Kolmogorovljeve jednadbe unaprijed i unazad, moramo otkriti za to ih moemo
iskoristiti. Svrhu emo vidjeti tek kada pokaemo jo neka zanimljiva svojstva koja slijede iz Kolmogorovljevih jednadbi i rijeimo na prvi primjer.
Zamislimo da je Markovljev proces u stanju i. Vjerojatnost da u buduem periodu duljine 0 sekundi
proces ostane u istom stanju je 1, a da promijeni stanje je 0. Dakle, vano je primijetiti da je matrica
prijelaznih vjerojatnosti P(0) jednaka je
P(0) = I,
pij (t)
pij (t)
pij (t) pij (0)
qij =
= lim
.
= lim
t0
t t=0 t0
t
t
Ako uzmemo da t ne tei k nuli nego da je t relativno mala veliina, onda moemo napisati
(4.27)
pii (t) 1
pii (t)
pii (t) pii (0)
qii =
= lim
= lim
t0
t0
t t=0
t
t
(4.28)
Dakle, ukoliko promatramo stanje i nekog lanca, onda za takvo stanje moemo uvijek postaviti jednadbe
(4.27) i (4.28). Ove jednadbe zovemo svojstvima regularnosti Markovljevog lanca kontinuiranog po
parametru ili Kolmogorovljevim diferencijskim jednadbama. Proces postavljanja jednadbi moemo
olakati ukoliko nacrtamo dijagram stanja za takav lanac (slika 4.8).
Prisjetimo se naina na koji je bilo denirano svojstvo regularnosti Poissonovog procesa:
170
izuzetno zanimljivo je da ukoliko vrijednost koecijenta qij , i 6= j pomnoimo s jako malim vremenskim
intervalom duljine t, dobivamo vjerojatnost da lanac u periodu t prijee iz stanja i u stanje j .
U skladu s ovim opaanjem, elemente matrice Q shvaamo kao intenzitete prijelaza. Matricu Q
zovemo matricom intenziteta prijelaza ili jo innitezimalnom matricom. Koecijente qij jo zovemo i
gustoama prijelaza.
Pogledajmo kakva pravila vrijede u toj matrici. Analizirajmo izraz (4.27). Budui da vjerojatnost ne
smije biti manja od 0, zakljuujemo da mora biti ispunjeno:
qij 0, za i 6= j
(4.29)
Isto tako, vjerojatnost ne smije biti vea od 1, pa iz (4.28) zakljuujemo da mora biti ispunjeno:
(4.30)
qii 0
Elementi matrice gustoe prijelaza na dijagonali su tako uvijek negativni, a na sporednim dijagonalama
pozitivni. Pored ovoga moemo zakljuiti i sljedee:
X
pij (t) = 1
j
d X
pij (t) =
dt j
X
p0ij (t) =
j
qij
d
(1)
dt
0,
a uz t = 0
(4.31)
Zbroj gustoa prijelaza u bilo kojem retku matrice gustoe prijelaza jednak je 0. Stoga mora biti zadovoljeno:
X
qii =
qij
(4.32)
j, j6=i
Pronaimo matricu gustoa prijelaza za Poissonov proces. Iz primjera 4.6 nam je poznata
matrica prijelaza ovog Markovljevog procesa kontinuiranog u vremenu:
Primjer 4.7
P[s,t]
(ts)
=e
1
0
0
..
.
..
.
[(ts)]1
1!
1
0
..
.
..
.
[(ts)]2
2!
[(ts)]1
1!
1
..
.
..
.
[(ts)]3
3!
[(ts)]2
2!
[(ts)]1
1!
..
..
.
...
...
...
...
..
.
171
pij
= P [X(t + s) X(s) = j i] = et
(t)ji
(j i)!
pij (t)
t
t=0
qij = e
et (t)ji1
+
(j i)!
(j i 1)! t=0
ji
t (t)
0 ...
0 . . .
Q= 0
0 . . .
..
..
..
..
.
.
.
.
U veini zadataka koje emo rjeavati, matrica Q je poznata ili se do nje dolazi preko dijagrama
stanja. Zadatak je nai matricu prijelaznih vjerojatnosti. Do matrice prijelaznih vjerojatnosti se dolazi
rjeavanjem Kolmogorovljevih jednadbi unaprijed i unazad, izravno ili koristei odreene metode. Vjerojatnosti iz ove matrice se mogu shvatiti kao funkcija vjerojatnosti neke sluajne varijable, na primjer
varijable duljine repa u redu ekanja. Raunanjem oekivanja takve varijable moemo odrediti srednju
duljinu repa ili srednje vrijeme ekanja itd.
172
Q=
..
.
N
(N 1)
..
.
0
0
0
0
0
...
(N 1) . . .
..
..
.
.
0
0
...
...
0
0
..
.
0
0
..
.
0
0
..
.
(N 1)
0
(N 1)
N
p01 (t + t) = t + o(t),
pk,k+1 (t + t) =
N
k
X
p01 (t + t),
p10 (t + t) = t + o(t)
pk,k1 (t + t) =
i=1
k
X
p10 (t + t)
i=1
pk,k1 (t + t) = kt + o(t)
173
Neka je {Xt | 0 t < } homogeni Markovljev lanac s pripadnom matricom gustoa prijelaza Q.
Neka je Ti sluajna varijabla koja mjeri vrijeme ostanka procesa u istom stanju i, odnosno varijabla koja
mjeri vrijeme izmeu ulaska i izlaska Markovljevog lanca u/iz stanja i. Tada sluajna varijabla Ti ima
eksponencijalnu razdiobu s parametrom = qii :
(4.33)
Ti Ex[qii ]
j, j6=i
Promatrajmo vremenski period duljine i izraunajmo vjerojatnost P [Ti > ]. Podijelimo period na n
dijelova (slika 4.12), tako da je:
=
n
Funkciju razdiobe sluajne varijable Ti moemo izraunati na sljedei nain:
n
X
i=0
n+1
= lim 1 [1 p( )]
n
1 [1 p( )]n+1
p( )
n
1 1 + p( )
(1 p( ))i p( ) = lim
n+1
= 1 lim [1 p( )]
n
Prethodni izraz moemo interpretirati na sljedei nain. Ako smo period podijelili na jako veliki broj
jednakih segmenata (n), onda je svaka kontinuirana vrijednost u < priblino jednaka i /n, za neki i. Ta
je vrijednost tonije opisana to je n vei. Vjerojatnost da je Ti < jednaka je zbroju vjerojatnosti da je Ti
tono jednaka i /n preko svih i = 0, . . . , n i da je nakon toga proces promijenio stanje. p( ) oznaava
vjerojatnost da u buduem trenutku proces prijee u novo stanje. Poto budue stanje Markovljevog
lanca ovisi samo o sadanjem, to su svi p( ) jednaki, pa se jedna realizacija sluajne varijable Ti ravna
174
po geometrijskoj razdiobi kao i u sluaju Markovljevog procesa s diskretnim parametrom. Sada jedino
trebamo jo rijeiti gornji limes.
Budui da Landauov simbol tei k nuli bre nego sam parametar, to u limesu zbog jednostavnosti
slobodno moemo ispustiti Landauov simbol:
h
in+1
n+1
FTi ( ) = 1 lim [1 p( )]
= 1 lim 1 + qii + o( /n)
=
n
n
n
h
i
n+1
= 1 lim 1 + qii
= 1 eqii
n
n
Time smo jednostavno pokazali da sluajna varijabla Ti ima eksponencijalnu razdiobu s parametrom qii ,
Ti Ex[qii ].
Q.E.D.
Dakle, vrijeme koje Markovljev proces provodi u istom stanju je raspodijeljeno eksponencijalno s
parametrom koji je jednak zbroju gustoa prijelaza iz promatranog stanja u sva druga mogua stanja
osim promatranog. Ovaj rezultat je iznimno vaan. On nas upuuje na zakljuak da se svi procesi u kojima
se pojavljuju eksponencijalno raspodijeljene varijable mogu opisati Markovljevim lancem s kontinuiranim
parametrom. Ovaj rezultat se moe neposredno primijeniti i pri simulaciji Markovljevih procesa.
Q=
Do vjerojatnosti prijelaza dolazimo preko Kolmogorovljevih jednadbi. Rijeimo Kolmogorovljevu
jednadbu unaprijed:
P0 (t) = P(t) Q
0
175
p10 (t) =
+
p01 (t) =
+
p11 (t) =
+
p00 (t) =
+
+
+
e(+)t
e(+)t
e(+)t
e(+)t
Dobili smo vjerojatnosti prijelaza, tj. elemente matrice P(t). Sada moramo izraunati vjerojatnost
da se proces u nekom trenutku t nalazi u stanju 0, odnosno u stanju 1. Te vjerojatnosti dobivamo na
sljedei nain:
p1 (t) =
p0 (t) =
e
+
+
Dakako, ove vjerojatnosti moemo izraunati samo ako nam netko zada konkretne vrijednosti za
vjerojatnosti p1 (0) i p0 (0).
Iz ovog primjera nam je jasno da je postupak dobivanja matrice prijelaza relativno sloen, ak i
za jednostavne procese s dva stanja. Postupak se sastoji od postavljanja velikog broja diferencijalnih
jednadbi i njihovog rjeavanja pomou Laplaceove transformacije.
Na sreu, postoje odreene metode za traenje matrice prijelaznih vjerojatnosti koje se ne temelje na
Laplaceovoj metodi, nego na metodi dijagonalizacije innitezimalne matrice. Prije nego to se upoznamo
s ovom metodom moramo dati teorem o opem rjeenju Kolmogorovljevih jednadbi.
Neka je A kvadratna matrica dimenzije n. Denirajmo specijalnu eksponencijalnu funkciju iji je
argument matrica A na sljedei nain:
X
Ak
(4.34)
eA =
k!
k=0
gdje je A k -ta potencija matrice A. Dakle izraz e na kvadratnu matricu treba shvatiti kao zbroj
potencija matrice A koji odgovara razvoju eksponencijalne funkcije u red. Rezultat potenciranja baze
k
176
gdje je Q matrica gustoa prijelaza, P(t) matrica prijelaznih vjerojatnosti, a P0 (t) matrica derivacija
elemenata matrice P(t) po parametru t. Neka je zadan i poetni uvjet:
P(0) = I
(4.35)
Dokaz:
Pretpostavimo da je rjeenje Kolmogorovljevih jednadbi uz zadani uvjet:
P(t) = eQt =
k
X
(Q t)
k!
k=0
k
X
(Q t)
k=0
d
d
=
{I} +
dt
dt
k!
(
)
=
k
X
(Q t)
k!
k=1
Uoimo da je:
(
)
k
d Q k tk
d (Q t)
d tk
tk1
tk1
k
=
=Q
= Q Qk1
= Qk1
Q
dt
k!
dt
k!
dt k!
k 1!
k 1!
Slijedi:
P0 (t) = 0 +
Q Qk1
k=1
X
tk1
tk1
=Q
Qk1
= Q P(t)
k 1!
k 1!
k=1
X
k=1
Qk1
X
tk1
tk1
Qk1
Q=
Q = P(t) Q
k 1!
k 1!
k=1
X
0k
k=0
k!
00
=I
0!
Q.E.D.
177
Pogledajmo na koji nain moemo iskoristiti ovaj teorem. Pretpostavimo da matrica Q ima razliite
svojstvene vrijednosti. Druge sluajeve neemo razmatrati. Ako matrica Q ima sve razliite svojstvene
vrijednosti, onda se ona zasigurno moe dijagonalizirati i zapisati u obliku:
Q = S D S1
Slijedi:
Qt
X
Qk tk
k=0
k!
=S
X
Dk tk
k=0
S1 = S eDt S1
k!
eDt = .
..
..
.
...
...
..
.
...
P(t) = eQt = S .
..
..
.
0
0
..
.
ek t
...
0
...
0
1
.. S
..
.
.
ek t
...
b b
Q=
a a
Primjer 4.8
det(I Q) = det
+b
b
a + a
= ( + a)( + b) ab = 2 + (a + b) = [ + a + b] = 0
Q ~e1 = 0 ~e1
~e1 =
Za 1 = (a + b),
Q ~e2 = (a + b) ~e2
Nadalje slijedi:
S=
1
1
1
ab
~e2 =
eDt
Rjeenje je:
1
1
a
a+b
S =
1
0
=
0 e(a+b)t
ab
1
1
ab
1
1
178
a
P(t) =
a+b
1
1
1
ab
ab e(a+b)t
a
a + b b + b e(a+b)t
a
a
0
e(a+b)t
b
a
1 + e(a+b)t
1
1
1 ab e(a+b)t
(4.36)
>
p(t) = eQt p(0).
Ovaj nain moe biti opravdan ako je mogue dijagonalizirati matricu Q. Meutim, ponekad moramo
rjeavati Markovljeve lance za opi sluaj i u tom sluaju ne moemo primijeniti nikakve numerike
metode za dijagonalizaciju matrice Q. To je naroito neizvedivo u sluaju beskonano velike matrice
Q. U takvim sluajevima je do razdiobe stanja lanca neto lake doi postavljanjem i rjeavanjem
diferencijalnih jednadbi.
Ovdje elimo samo demonstrirati postupak postavljanja diferencijalnih jednadbi jer e nam takav
postupak biti izuzetno koristan u kasnijem razmatranju, kada budemo promatrali beskonane i strukturirane Markovljeve lance u stacionarnom stanju. Pogledajmo sljedei primjer:
Primjer 4.9
Pogledajmo dijagram stanja Markovljevog lanca prikazan na slici 4.13. Odredimo vjeroja-
179
Vidimo da je u svim jednadbama indeks vjerojatnosti pi (t+h) s lijeve strane jednak indeksu vjerojatnosti
pi (t) s desne strane koja mnoi 1. Prebacimo sve takve vjerojatnosti na lijevu stranu, podjelimo sve
jednadbe s h i potraimo limese s lijeve i desne strane kada h tei k nuli:
o( h)
p0 (t + h) p0 (t)
= p0 (t)0 + p1 (t)1 + p2 (t)0 +
/ lim
h0
h
h
o(h)
p1 (t + h) p1 (t)
= p0 (t)0 p1 (t)(1 + 1) + p2 (t)2 +
/ lim
h0
h
h
p2 (t + h) p2 (t)
o(h)
= p1 (t)1 p2 (t)(0 + 2 ) +
/ lim
h0
h
h
nadalje je:
dp0 (t)
= p0 (t)0 + p1 (t)1 + p2 (t)0
dt
dp1 (t)
= p0 (t)0 p1 (t)(1 + 1 ) + p2 (t)2
dt
dp2 (t)
= p1 (t)1 p2 (t)(0 + 2 ).
dt
Tako smo dobili sustav lako rjeivih diferencijalnih jednadbi. Ukoliko pogledamo innitezimalnu
matricu Q:
0
0
0
1
Q = 1 (1 + 1 )
0
2
(0 + 2 )
zakljuujemo da sustav diferencijalnih jednadbi koji smo dobili zadovoljava matrino-vektorsku jednadbu:
p0 (t) = Q> p(t)
(4.37)
odnosno:
0
p00 (t)
p01 (t) = 0
0
p02 (t)
1
0
p0 (t)
p1 (t) .
(1 + mu1 )
2
1
(0 + 2 )
p2 (t)
d
dt
180
Na alost, sada nastupaju veliki problemi. Kada rijeimo sustav linearnih jednadbi po nepoznanicama
P0 (s), P1 (s)P2 (s), dobivamo izuzetno kompleksna rjeenja:
P0 (s) =
(0 0 + 1 (0 + 2 )) + (0 + 0 + 1 + 2 )s + s2
s(1 (0 + s) + (1 + s)(0 + 2 + s) + 0 (1 + 0 + 2 + s))
P1 (s) =
0 (0 + 2 ) + s0
s(1 (0 + s) + (1 + s)(0 + 2 + s) + 0 (1 + 0 + 2 + s))
P2 (s) =
0 1
.
s(1 (0 + s) + (1 + s)(0 + 2 + s) + 0 (1 + 0 + 2 + s))
Ovakve jednadbe u opem sluaju teko rjeavamo i kako bismo rjeavanje uinili razumnim, moramo
koristiti odreene matematike alate.
Ovaj postupak demonstrira nain na koji moemo postaviti diferencijalne jednadbe za Markovljev
lanac u opem sluaju. Smisao ovog postupka bit e jasan kad se upoznamo s pojmom stacionarnosti
Markovljevog lanca. Rubni sluaj diferencijalnih jednadbi bit e od izuzetne vanosti pri rjeavanju
problema beskonanih jednostruko povezanih lanaca - procesa raanja i umiranja.
181
(4.38)
i vrijednosti limesa pj ne ovise o poetnom stanju lanca ili razdiobi vjerojatnosti stanja u t = 0,
2. za ergodian i ireducibilan Markovljev lanac postoje limesi:
X
lim pj (t) = lim
pij (t) pi (0) = pj 0
t
(4.39)
i vrijednosti limesa ne ovise o poetnom stanju lanca ili razdiobi vjerojatnosti stanja u t = 0,
3. ukoliko vrijede (4.38) i (4.39) i zadovoljeno je:
X
pj = 1
(4.40)
dpij (t)
= 0.
dt
(4.41)
onda je i
lim
Ovaj teorem ima nekoliko implikacija. Svi ireducibilni Markovljevi lanci imaju sposobnost ulaska u
stacionarno stanje. Stacionarno stanje moemo zamisliti kao stanje procesa u kojem (diskretna) razdioba
stanj
a lanca:
x1 x2 . . . xi . . .
X
p1 p2 . . . pi . . .
ne ovisi o vrijednosti parametra t. Drugim rijeima, ireducibilan lanac u poetku prolazi kroz odreeni
prijelazni period i polako ulazi u stacionarno stanje. Stacionarno stanje odlikuje svojstvo da vjerojatnost
da se lanac nalazi u stanju i ne mijenja u vremenu, da prijelazne vjerojatnosti ne ovise o vremenu i da je
derivacija prijelaznih vjerojatnosti po vremenu jednaka 0.
Budui da je zadovoljen izraz (4.38), to je limes matrice prijelaznih vjerojatnosti matrica iji su reci
> = [
jednaki vektoru stacionarnih vjerojatnosti p
p1 p1 . . .]:
..
..
..
.. ..
.. . .
..
..
..
.
.
.
.
.
. = .
.
.
.
P = lim P(t) = lim
t
t
pi1 (t) pi2 (t) . . . pij (t) . . . p1 p2 . . . pj . . .
..
..
..
..
..
..
..
.. . .
..
.
.
.
.
.
.
.
.
.
.
Dakle, stacionarne vjerojatnosti Markovljevog lanca moemo iitati iz bilo kojeg retka matrice P(t)
kada t tei u beskonano. Zbroj elemenata bilo kojeg retka jednak je 1. Neka je vektor p(t) vektor
razdiobe vjerojatnosti stanja Markovljevog lanca u trenutku t:
p1 (t)
p2 (t)
..
.
pj (t)
..
.
P
Pi pi1 (t) pi (0)
i pi2 (t) pi (0)
..
=
.
P
pj (0)
p
(t)
pi (0)
i ij
..
..
.
.
p1 (0)
p2 (0)
..
.
182
Ako potraimo limes prethodne jednakosti, svi reci matrice P(t) bit e sastavljeni od jednakih elemenata
- pi . Stoga ispred sume koja se javlja u vektoru razdiobe stanja moemo izluiti pj :
X
X
pij (t) pi (0) = pj
pi (0) = pj .
i
| {z }
=1
Slijedi:
p1 (t)
p2 (t)
..
.
..
.
p1
p2
..
.
=p
=
.
pj
..
.
Time smo pokazali da je stacionarna razdioba stanja Markovljevog lanca neovisna o razdiobi poetnog
stanja procesa.
Veina problema koji se javljaju u teoriji prometa daju se opisati ireducibilnim Markovljevim lancima.
Ti problemi se daju rijeiti jedino poznavanjem stacionarnih vjerojatnosti stanja procesa. Stoga se nadalje
.
usredotoujemo na izraunavanje vektora stacionarnih vjerojatnosti p
Jedan nain izraunavanja stacionarnih vjerojatnosti je traenjem limesa limt P(t) i iitavanjem
u bilo kojem retku dobivenog limesa. Evo kako bismo stacionarne vjerojatnosti nali za primjer
vektora p
Markovljevog lanca iz primjera 4.8.
Primjer 4.10 (nastavak primjera 4.8)
= lim P(t)
P
t
= lim P(t) = a
P
t
a+b
1
1
1
1
0
ab
0
0
b
a
1
1
a
=
a+b
ab
ab
1
1
b
a+b
=
p
a
a+b
Metoda traenja stacionarnih vjerojatnosti traenjem limesa matrice vjerojatnosti prijelaza je sloen
postupak, no u nekim sluajevima moe biti izuzetno koristan. Standardne metode koje se koriste za
traenje stacionarnih vjerojatnosti su metoda rjeavanja sustava linearnih jednadbi i metoda globalne
ravnotee.
P0 (t) = P(t) Q
Potraimo li limes kada t tei u beskonano, lan P0 (t) postaje jednak nul-matrici 0. Dakle, Kolmogorovljeva jednadba za stacionarno stanje procesa postaje jednaka:
Q.
0=P
(4.42)
(4.43)
183
(4.44)
ime sustav postaje netrivijalno rjeiv. Demonstrirajmo ovu metodu sljedeim primjerom:
Zadan je Markovljev lanac dijagramom stanja na slici 4.15. Potrebno je izraunati stacionarne vjerojatnosti stanja lanca.
Primjer 4.11
2
Q= 4
5
2
7
0
0
3
5
2
p0 + 4
p1 + 5
p2 = 0
2
p0 7
p1 + 0
p2 = 0
0
p0 + 3
p1 5
p2 = 0
Dobiveni sustav jednadbi je homogen, pa jednu od jednadbi zamjenjujemo jednadbom
p0 + p2 + p2 = 1
Mogui konani sustav linearnih jednadbi je:
1
p0 + 1
p1 + 1
p2 = 1
2
p0 7
p1 + 0
p2 = 0
0
p0 + 3
p1 5
p2 = 0
Ovaj sustav rjeavamo Gauss-Jordanovom metodom eliminacije ili Cramerovom metodom.
1. Gauss-Jordanova metoda:
2
0
2. Cramerova metoda:
1 1
1 0
7 0 0 = . . . = 0 1
3 5 0
0 0
1
D= 2
1
7
3
0 = 51
35
51
10
51
2
17
184
D0 = 0
1
7
3
p0 =
0 = 35,
5
D0
35
=
,
D
51
D1 = 2
0
p1 =
1
0
0
0 = 10,
D1
10
=
,
D
51
p2 =
D2 = 2
1
7
3
0 =6
D2
6
2
=
=
D
51
17
Metoda raunanja stacionarnih vjerojatnosti sustavom linearnih jednadbi je povoljna samo ukoliko
imamo Markovljeve lance s konanim, relativno malim brojem stanja. Ukoliko se pojavi problem rjeavanja Markovljevog lanca s beskonanim brojem elemenata, metoda sa sustavom linearnih jednadbi je
gotovo beskorisna i moramo pronai druge naine. Jedan od naina rjeavanja ovog problema je postavljanjem jednadbi globalne ravnotee.
2
p0 = 4
p1 + 5
p2 ,
(4 + 3)
p1 = 2
p0 ,
5
p2 = 3
p1 ,
stanje 0
stanje 1
stanje 2
Moemo uoiti da ove jednadbe u potpunosti odgovaraju sustavu linearnih jednadbi kojeg smo dobili rjeavajui Kolmogorovljevu jednadbu u prethodnom primjeru. Dakako, to nije sluajno. Princip
globalne ravnotee vrijedi openito, za sve Markovljeve lance. Taj nam princip omoguava postavljanje
sustava linearnih jednadbi neposredno iz dijagrama stanja Markovljevog lanca. Jednadbe koje dobivamo su homogene pa ih, kao i prije, nadopunjujemo jednadbom
pi = 1.
Jednadbe globalne ravnotee se postavljaju jednostavno, no njihovo rjeavanje je pitanje strukturiranosti Markovljevog lanca. Sljedei primjer demonstrira sluaj povoljno strukturiranog lanca.
Razmatrajmo lanac koji opisuje broj realiziranih poziva na pretplatnikom stupnju centrale. Uz uvjet da je broj pretplatnika jako velik, dolazni proces zahtjeva za uspostavu poziva se moe
aproksimirati Poissonovim procesom. Lanac se moe opisati dijagramom na slici 4.17.
Primjer 4.12
185
p0 = p1
( + )p1 = p0 + 2p2
( + 2)p2 = p1 + 3p3
..
.
( + k)pk = pk1 + (k + 1)pk+1
..
.
Uoimo da je lijeva strana prve jednadbe jednaka prvom lanu desne strane druge jednadbe. Druga
jednadbe se transformira u
p1 = 2p2
Ponavljajui ovaj postupak zakljuujemo da se sve jednadbe transformiraju u
pk = (k + 1) pk+1 .5
Dalje slijedi:
pk = (k + 1) pk+1
pk+1 =
pk
(k + 1)
Da bismo rijeili ovaj sustav moramo pronai opi izraz za pk . Sukcesivnim uvrtavanjem dobivamo:
k
pk =
p0
k!
pk = 1
i=0
e p0 = 1
i=0
p0 =
p0 = 1
k!
k
pk =
k!
186
vjerojatnosti po stanjima openito nejednolika, moramo izraunati vjerojatnost skoka lanca iz trenutnog
stanja u novo stanje.
Promotrimo dio trajektorije Markovljevog lanca prikazan na slici 4.18. Budui da budue stanje
Markovljevog procesa ovisi samo o trenutnom, ovaj lanac moemo poeti promatrati upravo u trenutku
promjene njegovog stanja. Vrijeme poetka promatranja po svojstvu odsustva pamenja ne utjee na
konani ishod procesa, pa moemo promatrati kratki period h s poetkom u trenutku promjene stanja
i potraiti prijelaznu vjerojatnost iz stanja xi u kojem se proces nalazi u trenutku h = 0 u neko drugo
stanje xj . Jasno je da proces ne moe ponovno prijei u isto stanje jer bi to znailo da proces u trenutku
h = 0 uope ne mijenja stanje, to je u suprotnosti s pretpostavkom. Budui da nas zanima stanje procesa
u trenutku h, gdje h 0, moramo potraiti limes prijelazne vjerojatnosti kada h tei k 0. Oznaimo
stanje procesa u trenutku h s X(h), a mogua stanja procesa s xk . Moemo napisati sljedee:
P [X(h) = xj X(0) = xi xi 6= xj ]
=
h0
P [X(0) = xi xi 6= xj ]
P [X(h) = xj xi 6= xj |X(0) = xi ] P [X(0) = xi ]
= lim
=
h0
P [xi 6= xj | X(0) = xi ] P [X(0) = xi ]
P [X(h) = xj xi 6= xj |X(0) = xi ]
= lim
=
h0
1 P [X(h) = xi | X(0) = xi ]
pij (h)
qij h + o(h)
= lim
= lim
= qii =
qij =
h0 1 pii (h)
h0 1 (1 + qii + o(h))
i, i6=j
= lim
qij + o(h)
qij
qij h + o(h)
h
= lim
= , i 6= j
h0 q + o(h)
h0 qii h + o(h)
qii
ii
= lim
Dakle, vjerojatnost skoka Markovljevog lanca iz stanja xi u stanje xj u trenutku promjene stanja je:
pij =
qij
, i 6= j
qii
(4.45)
Koristei injenicu da je vrijeme koje Markovljev lanac provodi u istom stanju raspodijeljeno eksponencijalno i poznavajui vjerojatnosti skokova moemo s lakoom (npr. u diskretnom simulatoru)
modelirati bilo kakav Markovljev lanac.
187
Q= 0
0
..
..
.
.
0 ...
...
. . .
..
..
.
.
Rekli smo da gustou prijelaza qij moemo shvatiti kao intenzitet prijelaza. Za Poissonov proces
intenzitet prijelaza ostaje konstantan bez obzira u kojem se stanju proces nalazio. Dopustimo sada da je
intenzitet prijelaza u vie stanje funkcija stanja u kojem se proces nalazi. Proces koji ima svojstvo da mu
gustoa prijelaza u prvo vie stanje ovisi o stanju i uvijek je pozitivna zovemo proces raanja. Procesi
raanja su posebna klasa Markovljevih lanaca u kojima je doputen jedino prijelaz iz trenutnog stanja n
u prvo vie stanje n + 1.
Tipian proces raanja je proces mnoenja bakterija. Kada imamo samo jednu bakteriju, onda se
odreenim intenzitetom ona podijeli na dvije bakterije. Kada imamo dvije bakterije, tj. kada smo u
stanju 2, onda se intenzitet raanja novih bakterija poveao. Intenzitet raanja raste s poveanjem
broja bakterija.
Openito moemo zapisati da je vjerojatnost realizacije k dogaaja u nekom malom vremenskom
intervalu h procesa raanja jednaka
j i = 1,
j1 h + o(h)
[t,t+h]
o(h)
j i 2,
pi,j
= pk (h) = P (X(t + h) = j|X(t) = i) =
1 j h + o(h)
j=i
Iz diferencijskih oblika za Chapman-Kolmogorovljevu jednadbu direktno dobivamo matricu gustoa prijelaza Q.
0 0
0
... 0 ...
0
1 1 . . . 0 . . .
..
..
..
..
..
.
. . ...
.
Q= .
...
0
n n 0 . . .
..
..
..
..
.. . .
.
.
.
.
.
.
Razmotrimo problem nalaenja vjerojatnosti prijelaza ovog procesa. Zasigurno bi bilo teko upotrijebiti matrino rjeenje za Kolmogorovljevu jednadbu unaprijed. Bilo bi potrebno nai svojstvene vrijednosti i svojstvene vektore beskonane kvadratne matrice. Bolje je potraiti opi lan Kolmogorovljeve
jednadbe i rijeiti ga kao diferencijalnu jednadbu.
Prisjetimo se da je opi lan Kolmogorovljeve jednadbe:
X
p0ij (t) =
pik (t) qkj
k
188
j1 h + o(h)
j =i+1
o(h)
j i + 2, j i 2
pij (h) = P (X(t + h) = j|X(t) = i) =
j+1 h + o(h)
j =i1
1 (j + j )h + o(h)
j=i
Ako je veliina populacije 0, onda nema umiranja u populaciji, pa shodno
0 = 0. Ekvivalentna matrica gustoe prijelaza je:
0
0
0
0 0
0
1 (1 + 1 )
0
0
0
(
+
.
.
.
0
0
2
2
2
2
..
..
..
..
.
..
.
Q=
..
..
.
.
.
.
.
0
0
0
0
.
.
.
(
+ n )
n
n
..
..
..
..
..
..
..
.
.
.
.
.
.
.
tome deniramo da je
0
0
0
..
.
n
..
.
...
...
..
.
Ukoliko nam je poznata ovakva matrica, rjeenja za prijelazne vjerojatnosti nalazimo pomou Kolmogorovljeve jednadbe unaprijed. Ope rjeenje eQt nije primjenjivo zbog nemogunosti dijagonalizacije
ovakve matrice. Zbog toga postavljamo opi sustav diferencijalno-rekurzivnih jednadbi. Rjeenje je
mogue ishoditi samo ukoliko nam je poznata funkcijska ovisnost intenziteta raanja i umiranja o stanju
lanca. Do diferencijalno-rekurzivne relacije dolazimo na sljedei nain:
189
Prisjetimo se sada rasprave u 4.2.5. Tamo smo ustanovili da rjeavanje diferencijalnih jednadbi u
opem sluaju nema prevelikog smisla budui da dobivamo ekstremno komplicirana rjeenja. Tako je i s
rjeavanjem gore izvedenih diferencijalnih jednadbi.
Jedino to ima smisla je traiti stacionarne vjerojatnosti. Njih nalazimo na taj nain to pretpostavimo
da su sve derivacije u limesu kad t jednake 0:
Na ovaj nain gornje diferencijalne jednadbe moemo preurediti u obine rekurzivne jednadbe koje
rjeavaju problem stacionarnih vjerojatnosti procesa raanja i umiranja:
(4.46)
Primjer 4.13
190
Moemo postaviti jednadbe globalne ravnotee ili moemo postaviti diferencijalno-rekurzivne jednadbe, pa potraiti limes kad t ide u beskonano. Odluimo se za diferencijalno-rekurzivne jednadbe
kako bismo utvrdili postupak.
pk (t + h) = pk1 (t) [kh + o(h)] + pk+1 (t) [(k + 1)h + o(h)] + pk (t) {1 [k + (k + 1)] h + o(h)} .
Podijelimo obje strane s h:
o(h)
o(h)
o(h)
pk (t + h) pk (t)
= pk1 (t) k +
+ pk+1 (t) (k + 1) +
pk (t) k + (k + 1) +
h
h
h
h
i potraimo limes kad h tei k nuli:
p0k (t) = pk1 (t) k + pk+1 (t) [(k + 1)] pk (t) [k + (k + 1)]
Slino dobivamo i za nulto stanje:
p0 = p1
(2 + )p1 = p0 + 2p2
(3 + 2)p2 = 2p1 + 3p3
..
.
[(k + 1) + k] pk = kpk1 + (k + 1)pk+1
..
.
Ovaj sustav rjeavamo rekurzivno, uvrtavajui rjeenje prve jednadbe u drugu, pa rjeenje druge u
treu itd. Na kraju sva rjeenja zbrojimo i izjednaimo s 1, te dobijemo funkciju vjerojatnosti stanja
lanca. Sukcesivnim uvrtavanjem dobivamo:
k
p0
pk =
pk = 1
k=0
k
k=0
p0 = 1
<1
p0
=1
1
p0 = 1
pk =
1
.
191
Dakle, stacinarna razdioba stanja u ovom primjeru se ravna po geometrijskoj razdiobi. Moramo uoiti
da su stacionarne vjerojatnosti ovog procesa uvjetovane s / < 1. Razlog zato se postavlja ovaj uvjet
je neergodinost lanca u opem sluaju. Ovaj lanac je pozitivno rekurentan (a time i ergodian) samo uz
zadani uvjet.
Procesi raanja i umiranja kako smo ih denirali imaju beskonaan broj stanja. Meutim, u brojnim
primjenama je broj stanja ogranien. Takve lance zovemo odsjeenim procesima raanja i umiranja. Za
njih vrijede isti principi koji vrijede i za regularne procese raanja i umiranja. Jedina je iznimka ta to
postoji najvie stanje i to za njega posebno postavljamo jednadbu globalne ravnotee, jednako kao i za
nulto stanje.
(4.47)
Ukoliko se radi o stanju koje nema sva etiri susjedna stanja, onda shvaamo da su intenziteti prijelaza
prema tim stanjima i od tih stanja jednaka 0, tako da uz taj dogovor jednadba (4.47) vrijedi u opem
sluaju.
Prisjetimo se sada izreke teorema o egzistenciji stacionarnih stanja. Po tom teoremu ako je lanac
ireducibilan, onda postoji razdioba stacionarnih vjerojatnosti i ona je jedinstvena. Dakle, ako neka
192
razdioba zadovoljava sve jednadbe globalne ravnotee, onda je to traena jedinstvena razdioba. Ako
paljivije pogledamo izraz (4.47), uoavamo da za svaki pribrojak na desnoj strani postoji odgovarajui
pribrojak na lijevoj strani. Ukupno postoje etiri takva para:
(4.48)
pi,j j 2 = pi,j1 2
Kada zbrojimo ove jednadbe, opet dobivamo poetnu jednadbu globalne ravnotee. Sada je bitno
primijetiti da razmatramo ireducibilan Markovljev lanac, i da su rjeenja pi,j , pi+1,j , pi1,j , pi,j+1 i
193
pi,j1 jedinstvena. Dakle, ako uspijemo nai rjeenje za sustav jednadbi (4.48), onda ista rjeenja
zadovoljavaju i jednadbu (4.47). Budui da su rjeenja koja zadovoljavaju sustav jednadbi globalne
ravnotee stacionarne vjerojatnosti stanja Markovljevog lanca, to su i rjeenja sustava svih jednadbi
(4.48) stacionarne vjerojatnosti stanja Markovljevog lanca. Jednadbe (4.48) zovemo jednadbe lokalne
ravnotee.
Jednadbe lokalne ravnotee su glavni alat u rjeavanju sloenih uravnoteenih Markovljevih lanaca
i mrea Markovljevih lanaca. Njih emo iscrpno koristiti u svim narednim poglavljima i pomou njih
pokazati veliki broj izuzetno korisnih svojstava sustava s posluivanjem. Glavni doprinos jednadbi
lokalne ravnotee je taj to sustav sloenih jednadbi globalne ravnotee pretvara u sustav manjih, znatno
jednostavnijih jednadbi.
Prije nego to ih ponemo koristiti, moramo znati gdje ih moemo koristiti. Naime, jednadbe lokalne
ravnotee se ne mogu postaviti za sve Markovljeve lance. Jednadbe lokalne ravnotee se mogu postaviti
samo onda kada one neposredno slijede iz jednadbe globalne ravnotee. Kroz sljedea poglavlja ukazivat
emo na ope sluajeve kada moemo napisati jednadbe lokalne ravnotee. Za sada moemo konstatirati
da ih moemo redovito pisati za ireducibilne lance raanja i umiranja.
Jednadbe lokalne ravnotee je trivijalno napisati i onaj tko rjei jednadbe lokalne ravnotee, rijeio
je problem stacionarnih vjerojatnosti Markovljevog lanca. Jednadbu lokalne ravnotee u viedimenzionalnim procesima raanja i umiranja postavljamo na sljedei nain. Uoimo par susjednih stanja, i i j
(slika 4.23).
p00 1
p01 1
p02 1
p03 1
= p10 1
= p11 1
= p12 1
= p13 1
p10 1 = p20 21
p11 1 = p21 21
p12 1 = p22 21
p20 1 = p30 31
p00 2 = p01 2
p10 2 = p11 2
p20 2 = p21 2
p01 2 = p02 22
p11 2 = p12 22
p21 2 = p22 22 .
p02 2 = p03 32
p12 2 = p13 32
XX
i
p03 2 = p04 42
p04 2 = p05 52
pij = 1.
Dakle, dobili smo sustav od 18 + 1 jednostavnih jednadbi. Da smo postavljali jednadbe globalne
ravnotee, imali bismo 15 + 1 jednadbu, no oblik jednadbi bi bio sloen. Problem koji preostaje je
kako rijeiti ovakav sustav jednadbi. Evo jednog od naina. Neka je:
a1 =
1
1
a2 =
2
.
2
p00
p01
a1
1
a1
1
..
.
= p10
p10
= p11
p11
a1
2
a1
2
= p20
= p21
p20
a1
3
= p30
194
p10 =
a1
00
1! p
p20 =
a21
00
2! p
p11 =
a1
01
1! p
p21 =
a21
01
2! p
p12 =
a1
02
1! p
a1
03
1! p
p22 =
a21
02
2! p
p13 =
p01 =
p11 =
p21 =
a2
00
1! p
a2
1! p10
a2
20
1! p
p30 =
a31
3! p00
(4.50)
p02 =
p12 =
p22 =
a22
2!
a22
2!
a22
2!
p00
p03 =
p10
p13 =
a32
3!
a32
3!
p00
p04 =
a42
4!
p05 =
a52
5!
p00
p10
p20
Primijetimo da se sve vjerojatnosti mogu pokazati u funkciji od p00 ! To svojstvo emo iskoristiti na taj
nain da emo izraunati vrijednost od p00 i neposredno dobiti sve ostale vjerojatnosti. p00 dobivamo iz
uvjeta da zbroj svih stacionarnih vjerojatnosti mora biti jednak 1.
1=
3
X
i=0
pi0 +
2
X
i=0
pi1 +
2
X
i=0
pi2 +
1
X
pi3 +
i=0
5
X
p0j +
j=0
3
X
p1j +
j=0
2
X
p2j =
j=0
2
2
1
5
3
2
3
X
ai1 a02 X ai1 a12 X ai1 a22 X ai1 a32 X ai2 a01 X ai2 a11 X ai2 a21
+
+
+
+
+
+
= p00
i! 0!
i! 1!
i! 2!
i! 3! j=0 i! 0! j=0 i! 1! j=0 i! 2!
i=0
i=0
i=0
i=0
p1
00 =
X ai aj
1 2
i! j!
(i,j)S
S = {(0, 0), (1, 0), (2, 0), (3, 0), . . . , (1, 3), (0, 4), (0, 5)}
Stacionarne vjerojatnosti dobivamo uvrtavajui rjeenje za p00 u (4.50). Ako paljivije razmotrimo
sustav (4.50) dobit emo i univerzalni izraz za raunanje stacionarnih vjerojatnosti:
ai1 aj2
i! j!
pij =
X ai aj
1 2
i! j!
(4.51)
(i,j)S
Izraz (4.51) se u literaturi zove rjeenje u produktnoj formi (product-form solution ) za dvodimenzionalni
sluaj.
Izraunali smo stacionarne vjerojatnosti i postavljamo pitanje to s njima? Odgovor na to pitanje ovisi
o problemu koji se istrauje. Na primjer, koristei stacionarne vjerojatnosti stanja moemo izraunati
prosjeno zauzee linka. Trenutno zauzee linka raunamo prema izrazu:
(i,j)S
Takoer moemo izraunati vjerojatnost blokiranja uspostave veze. Ta je vjerojatnost jednaka zbroju
vjerojatnosti da se lanac nae u stanju koje je blokirajue. Na primjer, stanje (0, 5) je blokirajue za
obje vrste veza zato to je to stanje kada u linku nema slobodnog prijenosnog pojasa. Stanje (0, 4)
195
je blokirajue za veze tipa A, ali ne i za tip B. Vjerojatnost blokiranja za tip A dobivamo zbrajajui
stacionarne vjerojatnosti za stanja koja su blokirajua za tip A. To su stanja:
KA = {(0, 5), (0, 4), (1, 3), (2, 2), (2, 1), (3, 0)}
Za tip B su to stanja:
pi,j
(i,j)KB
Pojam jednadbe lokalne ravnotee je najvredniji alat u analizi sustava posluivanja. Kako emo
vidjeti u narednim poglavljima, sustavi posluivanja i mree takvih sustava se redovito mogu opisati
procesima raanja i umiranja. Stoga ovaj matematiki aparat treba shvatiti kao bazino znanje bez kojeg
neemo moi izraunati vrijednosti prometnih parametara koji nas budu zanimali.
0.5 0.5
.
P=
0.6 0.4
Zadatak 4.1
Koristei metodu dijagonalizacije matrice izraunajte stacionarne vjerojatnosti Markovljevog procesa s dva stanja ija je matrica prijelaznih vjerojatnosti
0.6 0.4
P=
.
0.5 0.5
Zadatak 4.2
Promatrajte binarni izvor kod kojeg je vjerojatnost prijelaza iz stanja 1 u stanje 0 1/3, a
vjerojatnost prijelaza iz 0 u 1 2/3. Izraunajte stacionarne vjerojatnosti za ovaj binarni izvor.
Zadatak 4.3
Zadatak 4.4
1a
a
P=
.
b
1b
Zadatak 4.5
1a
a
P=
.
b
1b
Prijenosni kanal uspostavljen je kroz 3 neovisna serijski spojena prijenosna sustava. Vjerojatnost pogreke bita na svakom od prijenosnih sustava za promatrani kanal je 0.01. Izraunajte vjerojatnost pogreke bita s kraja na kraj prijenosnog kanala.
Zadatak 4.6
196
Zadatak 4.7
vjerojatnosti
P=
1a
a
b
1b
stanja
P=
1
0
1/2 1/2
stanja
P=
0 1
1 0
Zadatak 4.11
Zadan je Markovljev lanac dijagramom na slici 4.24. Pronaite matricu prijelaznih vje-
Zadan je Markovljev lanac dijagramom stanja na slici 4.25. Pronaite matricu prijelaznih
Zadatak 4.13
197
1
2
Stacionarne vjerojatnosti Markovljevog lanca s dva stanja su: p0 = i p1 = . Izrau3
3
najte prijelazne vjerojatnosti ovog lanca.
Zadatak 4.15
Razmatrajte stohastiki proces sluajnog hoda. To je Markovljev lanac. Pronaite matricu prijelaznih vjerojatnosti P tog procesa.
Zadatak 4.16
Zadatak 4.18
5
4
0
1
8 14 6
0
.
Q=
0
3
5
2
5
0
7 12
198
Zadatak 4.21
5 5
Q=
3 3
9 9
Q=
4 4
3 3
Q=
.
3 3
5 5
Q=
.
3 3
Napiite diferencijske jednadbe prijelaznih vjerojatnosti za ovaj proces i postavite diferencijalne jednadbe. Izraunajte matricu prijelaznih vjerojatnosti.
Pronaite matricu gustoa prijelaza Poissonovog procesa. Izvedite diferencijske jednadbe za Poissonov proces. Poite od klasine denicije Poissonovog procesa. Iz diferencijskih jednadbi
izvedite diferencijalno-rekurzivne jednadbe.
Zadatak 4.25
Zadatak 4.26
Q=
Napiite diferencijske jednadbe prijelaznih vjerojatnosti za ovaj proces i postavite diferencijalne jednadbe. Rijeite diferencijalne jednadbe Laplaceovom transformacijom.
Yule-Furryijev proces zadan je diferencijalnim jednadbama
(j 1)h + o(h) j i = 1,
[t,t+h]
o(h)
j i 2,
pi,j
= pk (h) = P (X(t + h) = j |X(t) = i) =
1 jh + o(h)
j=i
Zadatak 4.27
199
8
8
8
P(t) = 83 3e8t
5
3e8t
8
8
8 +
8
Promatrajte Markovljev lanac deniran u zadatku 4.22. Izraunajte stacionarne vjerojatnosti lanca iz matrice prijelaznih vjerojatnosti.
Zadatak 4.30
Promatrajte Markovljev lanac deniran u zadatku 4.23. Izraunajte stacionarne vjerojatnosti lanca iz matrice prijelaznih vjerojatnosti.
Zadatak 4.31
Razmatrajte Markovljev lanac deniran u zadatku 4.19. Izraunajte stacionarne vjerojatnosti rjeavajui sustav linearnih jednadbi.
Zadatak 4.32
Razmatrajte Markovljev lanac deniran u zadatku 4.20. Izraunajte stacionarne vjerojatnosti rjeavajui sustav linearnih jednadbi.
Zadatak 4.33
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.30. Rjeavanjem sustava
linearnih jednadbi izraunajte stacionarne vjerojatnosti ovog lanca.
Zadatak 4.34
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.31. Rjeavanjem sustava
linearnih jednadbi izraunajte stacionarne vjerojatnosti ovog lanca.
Zadatak 4.35
200
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.32. Postavite i rijeite
jednadbe globalne ravnotee zadanog lanca.
Ako se lanac nalazi u stanju 1, kolika je vjerojatnost da prilikom promjene stanja skoi u stanje 2.
Zadatak 4.38
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.33. Postavite i rijeite
jednadbe globalne ravnotee zadanog lanca.
Zadatak 4.39
h + o(h)
j =i+1
o(h)
j i + 2, j i 2
pij (h) = P (X(t + h) = j|X(t) = i) =
h + o(h)
j =i1
1 ( + )h + o(h)
j=i
Zadatak 4.41
Postavite diferencijalne jednadbe za vjerojatnost pn (t) i napiite matricu gustoa prijelaza za ovaj
proces. (Ne rjeavajte jednadbe!)
Neka je proces raanja i umiranja zadan diferencijskim jednadbama
(j 1)h + o(h)
j =i+1
o(h)
j i + 2, j i 2
pij (h) = P (X(t + h) = j|X(t) = i) =
(j + 1)h + o(h)
j =i1
1 (j + i)h + o(h)
j=i
Zadatak 4.42
Postavite diferencijalne jednadbe za vjerojatnost pn (t) i napiite matricu gustoa prijelaza za ovaj
proces. (Ne rjeavajte jednadbe!)
201
0
0
...
( + )
0
...
0
2
(
+
2)
.
..
Q=
,
0
0
3
( + 3) . . .
..
..
..
..
..
.
.
.
.
.
tj.
n = n 0
n = n n 0
Promatrajte sustav posluivanja s 2 posluitelja i spremnikom kapaciteta 3 jedinice. Vrijeme posluivanja u posluiteljima je raspodijeljeno eksponencijalno s parametrom , a jedinice dolaze
u sustav po Poissonovom procesu s intenzitetom . Ako Markovljev proces kontinuiran u vremenu ima
stanja koja odgovaraju broju jedinica u sustavu posluivanja, pronaite matricu gustoa prijelaza za ovaj
sustav. Postavite jednadbe lokalne ravnotee i rijeite ih.
Zadatak 4.45
Promatrajte sustav posluivanja s 2 posluitelja i spremnikom kapaciteta 2 jedinice. Vrijeme posluivanja u posluiteljima je raspodijeljeno eksponencijalno s parametrom , a jedinice dolaze
u sustav po Poissonovom procesu s intenzitetom . Ako Markovljev proces kontinuiran u vremenu ima
stanja koja odgovaraju broju jedinica u sustavu posluivanja, pronaite matricu gustoa prijelaza za ovaj
sustav. Postavite jednadbe lokalne ravnotee i rijeite ih.
Zadatak 4.46
Promatrajte sustav posluivanja s 3 posluitelja i spremnikom kapaciteta 2 jedinice. Vrijeme posluivanja u posluiteljima je raspodijeljeno eksponencijalno s parametrom , a jedinice dolaze
u sustav po Poissonovom procesu s intenzitetom . Ako Markovljev proces kontinuiran u vremenu ima
stanja koja odgovaraju broju jedinica u sustavu posluivanja, pronaite matricu gustoa prijelaza za ovaj
sustav. Postavite jednadbe lokalne ravnotee i rijeite ih.
Zadatak 4.47
Promatrajte link kapaciteta C = 20 Mb/s. Kroz link se uspostavljaju dva tipa veza:
A koji rezervira 15 Mb/s i B koji rezervira 10 Mb/s. Zahtjevi za uspostavom veze obaju tipova dolaze
jednakim intenzitetom , a prosjeno trajanje veze za oba tipa je 1/. Izraunajte vjerojatnost blokiranja
uspostave veze tipa A.
Zadatak 4.48
Potrebno je izraunati n-tu potenciju matrice P, i izraunati limes kada n tei u beskonanost. n-tu
potenciju matrice P potrebno je napisati u obliku
Pn =
n1
n2
[P 2 I] +
[P 1 I],
1 2
2 1
0.5
0.5
|P I| =
= (0.5 )(0.4 ) 0.3 =
0.6
0.4
202
1 = 1 i 2 = 0.1
Pn
lim Pn
1n
(0.1)n
0.5 (0.1)
0.5
0.5 1
0.5
+
0.6
0.4 (0.1)
0.6
0.4 1
1 (0.1)
1 0.1
1
0.6 0.5
0.54 0.45
=
0.5 4 0.4 5
1.1 0.6 0.5
Potrebno je izraunati n-tu potenciju matrice P, i izraunati limes kada n tei u beskonanost. n-tu
potenciju matrice P potrebno je napisati u obliku
Pn = SDn S1
gdje je D dijagonalna matrica koja na dijagonalama ima svojstvene vrijednosti matrice P, a S matrica
svojstvenih vektora matrice P. Izraunajmo prvo svojstvene vrijednosti matrice P.
0.6
0.4
|P I| =
= (0.6 )(0.5 ) 0.2 =
0.5
0.5
1 = 1 i 2 = 0.1
Potraimo odmah i svojstvene vektore pripadnih svojstvenih vrijednosti
0.6 0.4
x1
i x1
P~ei = i~ei
=
0.5 0.5
x2
i x2
0.6x1 + 0.4x2
i x1
=
0.5x1 + 0.5x2
i x2
Rjeenje ovog sustava jednadbi je
x1 =
i 0.5
x2
0.5
1
1 = 1 : ~e1 =
1
x2 =
0.4
x2
i 0.6
2 = 0.1 : ~e2 =
0.4
0.5
1 0.4
1 0
0.5 0.4
P = SDS1 =
1 0.5
0 0.1
1.1 1.1
1 0.4
1 0
0.5 0.4
0.5
lim Pn = S lim Dn S1 =
=
1 0.5
0 0
n
n
1.1 1.1
0.5
Stacionarne vjerojatnosti su: p
1 = 0.5 , p
2 = 0.4 .
0.4
0.4
203
Potrebno je odrediti matricu prijelaza ovog Markovljevog procesa diskretnog u vremenu. Ukoliko nam
indeksi u matrici P odgovaraju stanjima, matrica prijelaza je
"
#
P=
1
3
1
3
2
3
2
3
Nema potrebe traiti stacionarne vjerojatnosti ovog procesa. Ukoliko pogledamo matricu P, vidimo da su
njeni reci jednaki i da je zbroj vjerojatnosti u retku 1 . Potenciranjem matrice P opet dobivamo matricu
P. Dakle reci matrice P ve sadravaju stacionarne vjerojatnosti sustava. Zakljuujemo, stacionarne
vjerojatnosti su: p0 = 13 , p1 = 23 .
Zadatak se rjeava jednakim postupkom kao u primjeru 4.2. Krajnji rezultat je:
" a(1ab)n
#
a(1ab)n
b
a
+ a+b
a+b
a+b
a+b
n
P =
.
b(1ab)n
b(1ab)n
b
a
a+b
a+b
a+b +
a+b
Zadatak se rjeava jednakim postupkom kao u primjeru 4.3. Krajnji rezultat je:
" a(1ab)n
#
a(1ab)n
b
a
+ a+b
a+b
a+b
a+b
n
P =
.
b(1ab)n
b(1ab)n
b
a
a+b
a+b
a+b +
a+b
Budui da je vjerojatnost pogrenog prijenosa bita denirana openito, matricu prijelaznih vjerojatnosti
za jedan prijenosni sustav deniramo na sljedei nain:
0.99 0.01
P=
0.01 0.99
Propagacija bita kroz tri sustava prikazana je na slici ispod.
0.99
0.99
0.99
0.01
0.01
0.01
0.01
0.01
0.01
0.99
0.99
0.99
0.9706
1
0.0294
0.0294
0.9706
Zakljuujemo da e prijelazne vjerojatnosti propagacije bita kroz sva tri sustava biti denirane treom
potencijom matrice prijelaza P.
0.99 0.01
0.9705 0.0294
3
P =
=
0.01 0.99
0.0294 0.9705
Vjerojatnosti prijelaza bita iz 0 u 1 i obrnuto su jednake, pa zakljuujemo da je vjerojatnost pogreke
bita s kraja na kraj 0.0294.
204
Vektor vjerojatnosti stanja u poetnom koraku je p(0) = [0 1]. Vjerojatnost stanja u n-tom koraku
raunamo na sljedei nain:
>
p(n) = [Pn ] p(0)
a(1ab)n
b
+ a+b
a+b
b(1ab)n
b
a+b
a+b
b
a+b
b(1ab)n
a+b
a
a+b
a
a+b
a
a+b
a(1ab)n
a+b
b(1ab)n
a+b
b(1ab)n
a+b
#>
1
i>
U sluaju n = 5, rjeenje je
h
b
a+b
p(5) =
b(1ab)5
a+b
a
a+b
b(1ab)5
a+b
i>
p1 =
b(1 a b)5
a
+
a+b
a+b
= P> p
.
p
Dobivamo:
p0
p1
"
1
0
1
2
1
2
p0
p1
1
p0 = p0 + p1
2
p0 + p1 = 1
p0 = 1.
= P> p
.
p
Dobivamo:
p0
p1
0
1
1
0
p0
p1
p0 = p1
p0 + p1 = 1
p0 = p1 =
1
.
2
Lanac u svakom prijelazu alternira izmeu stanja 0 i 1. Polovicu vremena provodi u svakom od stanja,
pa je stoga vjerojatnost da lanac zateknemo u bilo kojem od stanja 1/2.
205
Pri traenju matrice prijelaznih vjerojatnosti bitno je primijetiti da zbroj vjerojatnosti u retku matrice
mora biti jednak jedan. Prema iskazu zadatka, proces u svakom sljedeem koraku mijenja svoje stanje
prema gore ili dolje, no samo ukoliko je to mogue. To znai da ako je u stanju 1, onda moe prei u
stanje 2 s vjerojatnou p, no moe ostati i u istom stanju s vjerojatnou q , jer nema nieg stanja. Slino
vrijedi i za sluaj kada je proces u stanju 5. Iz tog stanja moe prei samo u stanje 4 s vjerojatnou q
ili ostati u stanju 5 s vjerojatnou p. Jednostavno nalazimo da je matrica prijelaznih vjerojatnosti
q p 0 0 0
q 0 p 0 0
P=
0 q 0 p 0
0 0 q 0 p
0 0 0 q p
Matrinu jednadbu postavljamo na sljedei nain:
1 1
1
p 1 q
A = P> I =
0 p 1
0 0
p
0 0
0
1
0
q
1
p
1
0
0
q
q
~b =
= ~b
Ap
0.5
p1 + 0.4
p2 = p1
0.3
p1 + 0.6
p2 + p2 = p2
0.2
p1 = p3
Sustav postaje netrivijalan tek uz jednadbu:
p1 + p2 + p3 = 1
Eliminacijom druge jednadbe dobivamo nehomogeni sustav:
5
p1
4
p1 + p2 + p3 = 1
p1 = 5
p3
p2 =
p1 =
20
,
49
p2 =
25
,
49
p3 =
P=
0 1
1 0
4
49
1
0
0
0
0
206
p1 = p2
p1 + p2 = 1
Slijedi:
p1 = p2 =
1
2
Dijagram stanja je nepotpun i trebamo odrediti prijelazne vjerojatnosti ostanka u istom stanju. Potpun
dijagram stanja je prikazan na slici 4.34.
0.4 0.6 0
P = 0.3 0.6 0.1
0 0.2 0.8
Nehomogeni sustav jednadbi je:
0.4
p0 + 0.3
p1 = p0
0.6
p0 + 0.6
p1 + 0.6
p2 = p1
0.1
p1 + 0.8
p2 = p2
Sustav je najlake rijeiti zamjenjujui drugu jednadbu s p0 + p1 + p2 = 1. Dobivamo rjeenja:
p0 =
1
,
4
p1 =
1
,
2
p2 =
1
4
Razdioba broja koraka koje lanac provodi u istom stanju ravna se po geometrijskoj razdiobi. Ako je
proces proveo u nekom stanju n koraka (intervala), to znai da je napravio n 1 prijelaza u isto stanje
i da je n-ti put napravio prijelaz u neko drugo stanje. Vjerojatnost naputanja stanja 1 je p = 0.4, a
ostanka u istom stanju je q = 0.6. Ako je N sluajna varijabla koja mjeri broj koraka provedenih bez
prekida u stanju 1, onda je njena funkcija vjerojatnosti:
P (N = n) = q n1 p
Oekivanje ove sluajne varijable odgovara prosjenom broju koraka koje lanac bez prekida provodi u
stanju 1:
X
1
p
= = 2.5
E[N ] =
kq k1 p = . . . =
(1 q)2
p
k=1
207
1p
p
P=
q
1q
onda je rjeenje:
p0 =
q
1
= ,
p+q
3
p1 =
p
2
=
p+q
3
q
p0
1
= =
p1
2
p
p = 2q
P [Xn = k|Xn1 = k 1] = p
P [Xn = k|Xn1 = k + 1] = q
Budui da nemamo rubnih ogranienja, zakljuujemo da je matrica prijelaznih vjerojatnosti beskonana
kvadratna matrica s elementima
pi,i+1 = p
pi,i1 = q
pi,j = 0,
za |i j| > 1 i i j = 0
..
.
...
P =
...
...
..
.
.. .. ..
. . . ...
0 p 0 ...
q 0 p ...
0 q 0 ...
.. .. .. . .
.
. . .
Matricu gustoa prijelaza Q itamo neposredno iz dijagrama stanja. Zbroj elemenata u retku mora biti
jednak 0.
3
3
0
0
1 14 4
9
Q=
0
5
5 0
0
6
0 6
Prilikom crtanja trajektorije, moramo paziti na mogue prijelaze. Na primjer, prijelaz iz stanja 2 u
stanje 3 nije mogu. Segment jedne mogue trajektorije prikazan je na slici 4.35.
Dijagram stanja dobivam paljivim tumaenjem matrice Q. Q ima dimenziju etiri, to znai da lanac
ima 4 stanja, npr. stanje 0, 1, 2 i 3. Prijelazi su doputeni samo izmeu onih stanja za koje je element
qi j matrice Q razliit od 0. Negativne qi i ne ucrtavamo u dijagram stanja.
Segment jedne mogue trajektorije prikazan je na slici 4.37.
208
4
Q= 6
0
Prema teoremu 4.4 slijedi da je:
4
15
6
0
9
6
E[T1 ] =
1
15
11
Q= 6
6
4
7
5
7
1
11
209
E[T1 ] =
1
7
Ope rjeenje matrice prijelaznih vjerojatnosti (Kolmogorovljeve jednadbe) Markovljevog lanca kontinuiranog u vremenu je:
P(t) = eQt .
Da bismo izraunali eQt , matricu Q moramo napisati u obliku Q = S D S1 , gdje je D dijagonalna
matrica. Dijagonalna matrica na dijagonali ima svojstvene vrijednosti matrice Q, a matrica S je vektor
redak svojstvenih vektora matrice Q. Pronaimo svojstvene vrijednosti matrice Q.
5 5
Q=
3 3
( + 5)
5
|Q I| =
3
( + 3)
= ( + 5)( + 3) 15 =
= 2 + 8 + 15 15 = ( + 8) = 0
Svojstvene vrijednosti ove matrice su: 1 = 0, 2 = 8. Pronaimo svojstvene vektore.
5 5
x1
x1
=
3 3
x2
x2
5
+5 x2
1
x1 = x2 ~e1 =
1
5
x1 = 53 x2 ~e2 =
3
za 1 = 0 :
za 2 = 8 :
Dobivamo matrice D i S:
S=
D=
1
1
5
3
0
0
0
8
S1 =
1
8
Dt
1
0
3 5
1 1
0
e8t
P(t) = S e
Dt
1
=
8
1
=
8
"
1
1
5
3
1
0
e8t
3 + 5e8t
5 5e8t
3 3e8t
5 + 3e8t
3 5
1 1
1 = 0,
2 = 13.
210
~e1 =
Nadalje je:
S=
D=
1
1
9
4
0
0
0
8
1
1
Dt
1
=
13
9
4
~e2 =
1
0
0 e13t
4 9
1 1
P(t) = S e
1
=
13
1
=
13
"
1
1
9
4
1
0
0 e13t
4 + 9e13t
9 9e13t
4 4e13t
9 + 4e13t
4 9
1 1
1 = 0,
Svojstveni vektori su:
~e1 =
Nadalje je:
S=
D=
1
1
1
1
1
1
0
0
0
6
2 = 6.
1
=
2
Dt
1
1
~e2 =
1
1
1
0
1
1
0
e6t
P(t) = S e
Dt
1
=
2
1
=
2
"
1
1
1
1
1
0
0
e6t
1 + e6t
1 e6t
1 e6t
1 + e6t
Q=
5
3
5
3
1
1
1
1
211
pa slijedi:
o(h)
p0 (t + h) p0 (t)
= 5p0 (t) + 3p1 (t) +
h0
h
h
dp0 (t)
= 5p0 (t) + 3p1 (t)
dt
p1 (t + h) = p0 (t)p01 (h) + p1 (t)p11 (h)
p1 (t + h) = p0 (t)(5h) + p1 (t)(1 3h) + o(h)
p1 (t + h) p1 (t) = 3hp1 (t) + 5hp0 (t) + o(h)
p1 (t + h) p1 (t)
o(h)
= 3p1 (t) + 5p0 (t) +
h0
h
h
dp1 (t)
= 3p1 (t) + 5p0 (t)
dt
pij (t) = et
(t)ji
(j i)!
dpij
qij =
dt t=0
Dobivamo razliite vrijednosti ovisno o razlici j i.
det
dpi,i (t)
=
= et t=0 =
qi,i =
dt
dt t=0
t=0
dpi,i+1 (t)
d(t)et
qi,i+1 =
=
= 2 tet t=0 + et t=0 =
dt
dt
t=0
t=0
dpi,j (t)
qi,j = |j i + 2| =
=0
dt t=0
Matrica gustoa prijelaznih vjerojatnosti je:
Q= 0
0
..
.
0
0
..
.
0
..
.
0 ...
0 ...
...
. . .
..
..
.
.
212
Iz jednadbi
slijedi
pk (t + h) pk (t)
o(h)
= pk (t) + pk1 (t) +
h0
h
h
dpk (t)
= pk (t) + pk1 (t)
dt
p0 (t + h) = p0 (t)p00 (h)
p0 (t + h) = p0 (t)(1 h) + o(h)
p0 (t + h) p0 (t)
o(h)
= p0 (t) +
h0
h
h
dp0 (t)
= p0 (t)
dt
Q=
213
p0 (t + h) p0 (t)
o(h)
= p0 (t) + p1 (t) +
h0
h
h
dp0 (t)
= p0 (t) + p1 (t)
dt
p1 (t + h) = p0 (t)p01 (h) + p1 (t)p11 (h)
p1 (t + h) = p0 (t)(h) + p1 (t)(1 h) + o(h)
p1 (t + h) p1 (t) = hp1 (t) + hp0 (t) + o(h)
p1 (t + h) p1 (t)
o(h)
= p1 (t) + p0 (t) +
h0
h
h
dp1 (t)
= p1 (t) + p0 (t)
dt
Za rjeavanje ovih jednadbi potrebno je uzeti dodatnu jednadbu:
p0 (t) + p1 (t) = 1.
Prva diferencijalna jednadba sada ima samo jednu nepoznanicu:
dp0 (t)
= ( + )p0 (t) + .
dt
Laplaceovom transformacijom transformirajmo obje strane gornje jednadbe. Dobivamo:
+ p0 (0)
s
p0 (0) +
p0 (0)
P0 (s) =
+
=
+
s(s + + ) s + +
s++
P0 (s) [s + + ] =
p0 (t) =
+ p0 (0)
e(+)t
+
+
p1 (t) = 1 p0 (t).
Q=
0 0
0
0 0
0 0
..
..
.
.
2
0
..
.
0
...
0
...
2 . . .
3 . . .
..
..
.
.
214
o(h)
pk (t + h) pk (t)
= kpk (t) + (k 1)pk1 (t) +
h0
h
h
dpk (t)
= kpk (t) + (k 1)pk1 (t)
dt
dp0 (t)
=0
dt
"
= lim P(t) = lim
P
t
3
8
3e8t
8
5
8
3e8t
8
3
8
5e8t
8
5
8
5e8t
8
"
=
3
8
3
8
5
8
5
8
: p0 = 3 , p1 = 5 Matricu
Stacionarne vjerojatnosti itamo iz bilo kojeg retka dobivene matrice P
8
8
gustoa prijelaznih vjerojatnosti raunamo kao vrijednost derivacije prijelaznih vjerojatnosti u toki t = 0:
pij (t)
qij =
. Dobivamo
t
3 3
Q=
5 5
3 5
> =
p
8 8
215
4
9
>
=
p
13 13
1
P(t) =
2
"
1 + e6t
1 e6t
1 e6t
1 + e6t
1 1
> =
p
2 2
4
Q= 6
0
4
15
6
0
9 .
6
~0 = Q> p
p0 + p1 + p2 = 1
Ovaj sustav jednadbi je jednoznano rjeiv. Imamo sljedee jednadbe:
4
p0 + 6
p1 = 0
4
p0 15
p1 + 6
p2 = 0
9
p1 6
p2 = 0
p0 + p1 + p2 = 1
Budui da sustav ima jednu jednadbu previe, drugu jednadbu emo zamijeniti posljednjom, pa
zapravo rjeavamo sustav:
4
p0 + 6
p1 = 0
p0 + p1 + p2 = 1
9
p1 6
p2 = 0
216
0 10 4
4 6 0 0
1
1 1 1 1 = 1 1
0 9 6 0
0 1 2
2
2
4
5
0 1
5
3
3
1 = 1 0
5 =
5
16
0
0 0
2
15
2
5
3
5
1
2
5
3
5
3
8
0 1
= 1 0
0 0
2
8
3
8
3
8
p0 =
3
8
p1 =
1
4
p2 =
3
8
11 4
7
7
1
Q= 6
6
5 11
1 1
1 1
1
5 0 = ... = 0
4 7
7 1 11 0
0
0
1
0
6
17
79
204
53
204
Za rjeavanje ovog sustava moemo iskoristiti i Cramerovo pravilo, kojim lake dolazimo do rjeenja.
Stacionarne vjerojatnosti su:
6
79
53
p0 =
p1 =
p2 =
17
204
204
4
Q= 0
5
Iz jednadbi:
4
9
6
0
9
11
~0 = Q> p
p0 + p1 + p2 = 1
4
p0 + 5
p2 = 0
9
p1 11
p2 = 0
p0 + p1 + p2 = 1
Rijeimo ovaj sustav uvrtavanjem rjeenja prve dvije jednadbe po p0 u treu:
4
p0
5
11
11 4
p1 =
p2 =
p0
9
9 5
11 4
4
p0 +
p0 + p0 = 1
9 5
5
p2 =
217
9
25
11 4
44
p1 =
p0 =
9 5
125
4
36
p2 = p0 =
5
125
p0 =
4
Q= 0
0
Iz jednadbi:
0
5
4
4
5
4
~0 = Q> p
p0 + p1 + p2 = 1
4
p0 + 3
p2 = 0
5
p1 + 4p2 = 0
p0 + p1 + p2 = 1
Rijeimo ovaj sustav uvrtavanjem rjeenja prve dvije jednadbe po p0 u treu:
4
p0
3
4
p1 = p2
5
11
p0 +
9
p2 =
Dobivamo:
4 4
p0
3 5
4
4
p0 + p0 = 1
5
5
5
17
4 4
16
p1 = p0 =
3 5
51
4
20
p2 = p0 =
3
51
p0 =
Jednadbe globalne ravnotee postavljamo po principu da je ukupni izlazni tok iz stanja jednak ukupnom
ulaznom toku u stanje.
4
p0 = 5
p2
9
p1 = 4
p0 + 6
p2
(5 + 6)
p2 = 9
p1
p0 + p1 + p2 = 1
Rjeavanjem sustava dobivamo sljedea rjeenja:
p0 =
9
,
25
p1 =
44
125
p2 =
36
125
218
Jednadbe globalne ravnotee postavljamo po principu da je ukupni izlazni tok iz stanja jednak ukupnom
ulaznom toku u stanje.
4
p0 = 3
p2
5
p1 = 4
p2
(3 + 4)
p2 = 4
p0 + 5
p1
p0 + p1 + p2 = 1
Rjeavanjem sustava dobivamo sljedea rjeenja:
p0 =
5
,
17
p1 =
16
51
p2 =
20
51
p0 = p1
p2 = p1
p3 = p1
3
p1 = p0 + p2 + p3
4
p1 = p0 + p1 + p2 + p3 = 1
Slijedi:
1
4
Vjerojatnost skoka iz stanja 1 u stanje 2 raunamo prema izvedenoj formuli
p0 = p1 = p2 = p3 =
pij =
qij
, i 6= j.
qii
Dakle,
p12 =
1
1
= .
3
3
3
p0 = 2
p1 + p3
3
p1 = p0 + 2
p2
3
p2 = p1 + 2
p3
3
p3 = 2
p0 + p2
1 = p0 + p1 + p2 + p3
Sustav rjeavamo sukcesivnim uvrtavanjem ili Gauss-Jordanovom metodom. Dobivamo sljedee stacionarne vjerojatnosti:
1
p0 = p1 = p2 = p3 =
4
Vjerojatnost skoka iz stanja 1 u stanje 2 raunamo prema izvedenoj formuli
pij =
qij
, i 6= j.
qii
Dakle,
p12 =
1
1
= .
3
3
219
pi,i+1 (h) =
pi,i1 (h) =
pi,j (h) =
pii (h) =
h + o(h)
h + o(h)
o(h), |j i| 2
1 ( + )h + o(h)
Iz
pii (h) =
pij (h) =
dobivamo
Q=
1 + aii h + o(h)
aij h + o(h)
0
0
...
( + )
0
...
( + )
...
0
0
( + ) . . .
..
..
..
..
..
.
.
.
.
.
pi,i+1 (h)
pi,i1 (h)
pi,j (h)
pii (h)
=
=
=
=
h + o(h)
h + o(h)
o(h), |j i| 2
1 ( + )h + o(h)
Iz ovih jednadbi dobivamo diferencijalne jednadbe. Pri tom uvaavamo injenicu da je skok od dva ili
vie koraka u innitezimalno kratkom periodu h zanemariv i tu zanemarivu vjerojatnost oznaavat emo
s o(h).
pk (t + h)
pk (t + h)
pk (t + h) pk (t)
pk (t + h) pk (t)
h
dpk (t)
dt
Slinim razmatranjem dobivamo
=
=
=
=
=
o(h)
( + )pk (t) + pk1 (t) + pk+1 (t) +
h0
h
( + )pk (t) + pk1 (t) + pk+1 (t), k > 0
dp0 (t)
= p0 (t) + p1 (t)
dt
Iz
dobivamo
Q=
0
0
..
.
pii (h) =
1 + aii h + o(h)
pij (h) =
aij h + o(h)
( + )
0
..
.
0
0
0
( + )
( + )
..
..
.
.
...
...
...
...
..
.
220
pk (t + h)
pk (t + h) pk (t)
o(h)
= k( + )pk (t) + (k 1)pk1 (t) + (k + 1)pk+1 (t) +
h0
h
h
dpk (t)
= k( + )pk (t) + (k 1)pk1 (t) + (k + 1)pk+1 (t)
dt
Slinim razmatranjima dobivamo i drugu diferencijalnu jednadbu:
dp0 (t)
= p1 (t)
dt
Iz
pii (h) =
pij (h) =
dobivamo
Q=
1 + aii h + o(h)
aij h + o(h)
0
0
0
( + )
0
2
2( + )
0
0
3
..
..
..
.
.
.
0
0
2
3( + )
..
.
...
...
...
...
..
.
Iz
pii (h) =
pij (h) =
1 + aii h + o(h)
aij h + o(h)
dobivamo
pi,i+1 (h) =
h + o(h)
pi,i1 (h) =
pi,j (h) =
(i 1)h + o(h)
o(h), |j i| 2
pii (h) =
1 ( + (i 1))h + o(h), i 0
221
pk (t + h)
pk (t + h)
pk (t + h) pk (t)
pk (t + h) pk (t)
h
dpk (t)
dt
=
=
=
=
=
Slino dobivamo:
o(h)
h0
( + (k 1))pk (t) + pk1 (t) + (k 1)pk+1 (t) +
h
( + (k 1))pk (t) + pk1 (t) + (k 1)pk+1 (t)
dp0 (t)
= p0 (t)
dt
Jednadbe lokalne ravnotee postavljamo po principu izjednaenosti tokova izmeu svih parova stanja u
procesu raanja i umiranja. Ovaj lanac se moe shvatiti kao dvodimenzionalni proces raanja i umiranja.
Stoga je mogue postaviti jednadbe lokalne ravnotee. Dobivamo sustav jednadbi:
p0
p2
p3
p0 + p1 + p2 + p3
= p1
= p1
= p1
=1
p0 = p1 = p2 = p3 =
1
4
Promatramo sustav posluivanja s dva posluitelja i jednim spremnikom kapaciteta 3 jedinice. Moemo
denirati dijagram stanja kako je prikazano na slici.
0
0
0
0
( + )
0
0
0
0
2
( + 2)
0
0
Q=
0
0
2
( + 2)
0
0
0
2
( + 2)
0
0
0
0
2
2
222
Budui da se radi o jednodimenzionalnom lancu raanja i umiranja, moemo postaviti sljedee jednadbe lokalne ravnotee:
p0 =
p1
p1 = 2
p2
p2 = 2
p3
p3 = 2
p4
p4 = 2
p5
p1 =
p0
p0
1
p3 =
p2 = 2
p0
2
2
4
1
p3 = 3
p0
p4 =
2
2
5
1
p5 =
p4 = 4
p0
2
2
p2 =
1
p1 =
2
2
1 = p0 + p1 + p2 + p3 + p4 + p5
Iz dobivenih jednadbi dobivamo vrijednost za p0 , a time i sve ostale stacionarne vjerojatnosti:
1
2
3
4
5
p0 = 1 + +
+
+
+
2
4
8
16
gdje je =
Promatramo sustav posluivanja s dva posluitelja i jednim spremnikom kapaciteta 2 jedinice. Moemo
denirati dijagram stanja kako je prikazano na slici.
Intenziteti raanja su elementi prve gornje sporedne dijagonale matrice gustoa prijelaza, dok su
intenziteti umiranja elementi prve donje sporedne dijagonale matrice Q.
Q=
0
0
0
0
0
0
( + )
0
0
2
( + 2)
0
0
2
( + 2)
0
0
2
2
Budui da se radi o jednodimenzionalnom lancu raanja i umiranja, moemo postaviti sljedee jed-
223
p0 =
p1
p1 = 2
p2
p2 = 2
p3
p3 = 2
p4
p1 =
p0
p0
1
p3 =
p2 = 2
p0
2
2
1
p4 =
p3 = 3
p0
2
2
1
p2 =
p1 =
2
2
1 = p0 + p1 + p2 + p3 + p4 + p5
Iz dobivenih jednadbi dobivamo vrijednost za p0 , a time i sve ostale stacionarne vjerojatnosti:
2
3
4
p0 = 1 + +
+
+
2
4
8
gdje je =
Promatramo sustav posluivanja s tri posluitelja i jednim spremnikom kapaciteta 2 jedinice. Moemo
denirati dijagram stanja kako je prikazano na slici.
Intenziteti raanja su elementi prve gornje sporedne dijagonale matrice gustoa prijelaza, dok su
intenziteti umiranja elementi prve donje sporedne dijagonale matrice Q.
Q=
0
0
0
0
0
0
0
( + )
0
0
2
( + 2)
0
0
3
( + 3)
0
0
3
( + 3)
0
0
0
3
0
0
0
0
Budui da se radi o jednodimenzionalnom lancu raanja i umiranja, moemo postaviti sljedee jed-
224
p0 =
p1
p1 =
p1 = 2
p2
p2 =
p2 = 3
p3
p3 = 3
p4
p4 = 3
p5
p0
p0
p3 =
p2 =
p0
3
23
4
p4 =
p3 =
p0
3
2 32
5
1
p4 =
p0
p5 =
3
2 33
1
p1 =
2
2
1 = p0 + p1 + p2 + p3 + p4 + p5
Iz dobivenih jednadbi dobivamo vrijednost za p0 , a time i sve ostale stacionarne vjerojatnosti:
1
2
3
4
5
p0 = 1 + +
+
+
+
2
6
18 54
gdje je =
U ovom zadatku se radi o dvodimenzionalnom procesu raanja i umiranja. Dijagram stanja ovog lanca
je prikazan na slici 4.41.
p01 = p00
2
2
p00 =
1
1 + 2 +
2
2
Vjerojatnost blokiranja veza tipa A je jednaka zbroju vjerojatnosti stanja (1, 0), (0, 1) i (0, 2). Stoga je:
pBA =
2 +
2
2
1 + 2 +
2
2