Professional Documents
Culture Documents
Markovljevi Lanci
Markovljevi Lanci
Markovljevi lanci
Markovljevi procesi su oni stohastiki procesi ije budue stanje ovisi samo o trenutnom stanju.
memoryless property ).
To
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
(nekontinuirano).
U ovom poglavlju emo se upoznati s osnovnim matematikim modelima za opis Markovljevih lanaca.
Pomou tih modelima emo kasnije analizirati sustave posluivanja i mree repova.
4.1
4.1.1
Prvo analiziramo Markovljeve lance s diskretnim parametrom. Oni igraju vanu ulogu u opisu informacijskih svojstava izvora informacije, ali i u opisu prometa.
koji u koracima (jednakim vremenskim razmacima) generira 0 ili 1. Ako takvo izvorite promatramo kao
E = f1; 2; : : : ; 10g.
1 do 10.
P (Xn+1 = j j X0 = i0 ; X1 = i1 ; : : : ; Xn = in ) = P (Xn+1 = j j Xn = in )
(4.1)
Probability Matrix ))
P(n) = p(ijn)
153
i
(4.3)
154
POGLAVLJE 4.
MARKOVLJEVI LANCI
p(ijn) = 1; p(ijn) 0
(4.4)
n.
q, a
w. Tada je matrica prijelaznih vjerojatnosti jednaka:
1 q q
P(n) =
(4.5)
w 1 w
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
p(n) = [p1 (n); p2 (n); : : :]>
(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:
lance zovemo
homogenim.
pj (n) =
i
X
i
P fXn = j; Xn 1 = ig =
Budui da je
p(ijn) pi (n
pi (i
(4.7)
1)
1)
(4.8)
2) =
(4.9)
Koristei izraz (4.9) moemo izraunati razdiobu vjerojatnosti stanja Markovljevog lanca u bilo kojem
koraku.
4.1.
155
Markovljevi lanci kod kojih matrica prijelaznih vjerojatnosti P(n) ne ovisi o koraku n se zovu homogeni
Markovljevi lanci. Vrijedi da je p(ijn) = pij ; 8 n; i; j . Tu konstantnu matricu prijelaznih vjerojatnosti
oznaavamo P.
n-tom
(4.10)
Pn .
matrici
i u stanje j
nakon
svojstvo prelaska u stacionarno stanje - stanje kada se vjerojatnost da se proces nalazi u nekom stanju
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!1
8i
(4.12)
p^j se zovu stacionarne vjerojatnosti i one ine vektor-stupac stacionarnih vjerojatnosti p^ . Vektor-stupac
retku
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.
dostupno
ireducibilan
komutiraju
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.
156
POGLAVLJE 4.
MARKOVLJEVI LANCI
aperiodino
Markovljev lanac je pozitivno rekurentan ako je ireducibilan i ako je barem jedno stanje pozitivno rekurentno.
Markovljev lanac je aperiodian ako su mu sva stanja aperiodina.
Pozitivno rekurentan, aperiodian Markovljev lanac se zove
4.1.2
(n)
p^j = nlim
!1 pij ;
8i
(4.13)
Osnovni problem koji se javlja u primjeni Markovljevih lanaca je nain raunanja stacionarnih vjerojatnosti stanja lanca.
^
P
Primjer 4.1
P.
P=
1=3 2=3
3=8 5=8
= f0; 1g.
Pretpostavimo da je
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.
"
13=36 23=36
P2 =
23=64 41=64
P3 =
"
311 553
864 864
553 983
1536 1536
Pn = 4
9 1
25 + 25
9 1
25 25
1 n 4 3n 16 1
3 2
25 25
1 n 32 n 16 + 1
8
25 25
n tei u beskonanost:
"
9 16 #
25
^ = lim Pn = 9 2516
P
n!1
25 25
1 n 4 3n
3 2
1 n 32 n
8
3
5
4.1.
157
Sada iitamo bilo koji redak ove matrice i dobivamo vektor stacionarnih vjerojatnosti:
p^ =
9
25
16
25
i>
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.
Mogui nain
sljedeim primjerima.
P=
(0 < ; < 1)
Pn .
P =SDS 1
gdje je
Dijagonalna
2
6
D=6
6
4
Izraunajmo
Pn :
P.
0
.
.
.
0
0
:::
d2 : : :
.
.
.
..
0 0
.
.
.
: : : dk
7
7
7
5
Dn = 6
6
4
dn1
0
.
.
.
0n
0
0
:::
d2 : : :
.
.
.
0 0
..
.
.
.
: : : dnk
3
7
7
7
5
Pn = S D S 1 S D S 1 : : : S D S 1 = S Dn S 1
d1
S D S 1,
n-tu
potenciju
Sada nam jo samo treba metoda raspisivanja. Prisjetimo se sada jednog teorema linearne
algebre:
2
6
D=6
6
4
1
0
.
.
.
:::
2 : : :
.
.
.
0 0
..
0
0
.
.
.
: : : k
3
7
7
7
5
S=
S.
~e1 : : : ~ek
D
158
POGLAVLJE 4.
MARKOVLJEVI LANCI
Sada jo samo treba znati izraunavati svojstvene vrijednosti i svojstvene vektore matrica. Prisjetimo
se da su svojstvene vrijednosti neke matrice
jednadbu (vektor
X~
one vrijednosti
je vektor-stupac):
~
PX
= X~ ) P X~ = X~ I
) P X~ X~ I = [0]
) [P I] X~ = [0]
det[ I
P] = 0
det( I
P) =
1
1
= 2 ( + ) 1 + + = 0
1 = 1, 2 = +
svojstvene vektore. To su vektori koji zadovoljavaju poetnu matrinu jednadbu. Za prvu svojstvenu
vrijednost dobivamo:
x1
x2
=1
x1
x2
x1 + (1 ) x2 = x1 ;
Rjeavanjem dobivamo da mora biti ispunjeno
rjeenje
x1 = x2 = 1.
x1
(1 ) x1 + x2 = x2
= x2 . Sustav je homogen pa izabiremo trivijalno
x1 + (1 ) x2 = ( +
Rjeavanjem dobivamo:
S i D su:
) x1 + x2 = ( +
1
x2 = x1
1
1) x2
Matrice
1) x1; (1
x1 =
S=
1, a iz toga slijedi da je x2 = 1
1
1
~e1 = 1
~e2 = 1
1 1
1 1
D=
1
0
1 1 1
0 n 1 1 1
1 1
0 ( + 1)
1 1
1 1 1 = 1 1 1 > = 1 1 1
S 1=
1 1
det(S) 1 1
2 1 1
2
n
n
1
(1
)
+
(1
)
(
+
1)
(1
)
(1
)
(
+
1)
n
P =
2 (1 ) (1 ) ( + 1)n (1 ) + (1 ) ( + 1)n
Ako su i vjerojatnosti, onda je 0 j +
1j 1, pa je
1 (1 ) + (1 ) ( + 1)n (1 ) (1 ) ( + 1)n =
^ = lim
P
(1 ) (1 ) ( + 1)n (1 ) + (1 ) ( + 1)n
n!1 2
) (1 )
= 2 1 (1
(1 ) (1 )
Pn = S Dn S 1 =
4.1.
159
p^ 1 =
p^ 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.
kovljeve lance s dva stanja - binarne lance. Spektralna dekompozicija je pojednostavljenje prethodne
metode. To je nain raunanja
n-te potencije matrice prijelaznih vjerojatnosti pomou svojstvenih vri1 ; 2 i konstituirajuih matrica E1 i E2 matrice P na sljedei
Pn = n1 E1 + n2 E2
E1 =
1
2
[P 2 I]
E2 =
2
1
P=
1 = 1
[P 1 I]
(0 < ; < 1)
2 = + 1
Nadalje je
E1 =
E2 =
Pn
1
2
1
1
2
1
1
1
[P 1 I ] = + 2 1
[P 2 I ] = 2
( +
1
=2
1 + +
) + (1 ) ( +
= 2 1 (1
(1 ) (1 ) ( +
1n
1
1
1 1
1
1
1)n 1 1
2 1
1)nn (1 ) (1 ) ( + 1)nn
1) (1 ) + (1 ) ( + 1)
U sluaju kada imamo Markovljev lanac s vie od dva stanja, postupak raunanja
postaje uistinu kompliciran.
nalaziti i direktno iz matrice
potencije
p^j =
odnosno
n-te
p^k pkj
^ > p^ = p^
P
j
X
p^j = 1
p^j = 1
(4.14)
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.
160
POGLAVLJE 4.
E = f1; 2; : : : ; mg.
MARKOVLJEVI LANCI
m energet-
iz prvog pree u bilo koje drugo stanje su jednake. Kada se nae u stanju
prei jedino u u stanje
P.
1=m 1=m
6 1
0
6
6
P=6
1
6 0
6
4
.
.
.
.
.
.
1=m 1=m 3
0 0 77
:::
:::
..
..
:::
.
.
.
.
.
.
0
1
0
0
7
7
7
7
5
^ > p^ = p^
P
2
6
6
6
6
6
4
Dobivamo
1=m 1 0
1=m 0 1
.
.
.
.
.
.
.
.
.
1=m 0 0
1=m 0 0
:::
:::
..
:::
:::
03
0 77
.
.
.
1
0
7
7
7
5
X
2
6
6
6
6
6
4
p^j = 1
p^1
p^2
.
.
.
p^m 1
p^m 1
7
7
7
7
7
5
6
6
6
6
6
4
p^1
p^2
.
.
.
p^m 1
p^m 1
3
7
7
7
7
7
5
1 p^1 + p^2 9
>
>
>
>
m
>
>
>
>
1
>
p^2 = p^1 + p^3 >
>
>
m
>
p^1 =
.
.
.
>
>
>
>
>
pm >
>
>
>
>
>
>
>
;
p^m 1 = p^1 + ^
m
1
p^m = p^1
m
8
pm
>
>
>
>
>
pm
>
>
<
)>
>
>
>
>
>
>
:
^
^
1 = 2 p^m
2 = 3 p^m
.
.
.
p^2 = (m 1) p^m
p^1 = m p^m
4.1.
161
m
X
i=1
p^ i = [m + (m
p^ m
p^j =
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:
p^j = 1
Veina konkret-
nih Markovljevih lanaca je teko rjeiva runo i esto se za rjeavanje koriste odreeni matematiki programski alati. Primjeri su
Solver ).
PalmTop
A ~x = ~b
Neka je zadan dijagram stanja na slici 4.4. Odgovarajua matrica prijelaznih vjerojatnosti
P je:
0:7
6 0:3
P=6
4 0
0
0:3
0:1
0:6
0:9
0
0:2
0:4
0
0 3
0:4 77
0 5
0:1
P> p^ = p^
X
p^i = 1
(4.15)
(4.16)
162
POGLAVLJE 4.
MARKOVLJEVI LANCI
^ = I p^
P> p
>
^ =0
P p^ I p
>
^ =0
P
I p
Dobili smo jednadbu oblika
A~x = ~b,
~b = 0.
Da
bismo dobili jedinstveno rjeiv sustav, moramo ukljuiti jednadbu (4.16). To radimo tako to neki od
jedinicu. Za
P>
redaka matrice
P>
0:7 1 0:3
0
0 3
6 0:3
0:1 1 0:6
0:9 77
I=6
4
0
0:2 0:4 1 0 5
0
0:4
0 0:1 1
2
6
6
4
|
Vrijednosti za
0:3
1
0
0
0:3 0
1 1
0:2 0:6
0:4 {z 0
A
0 32
1 77 66
0 54
0:9 } |
p^0
p^1
p^2
p^3
{z
~x
03
7 6 1 7
7=6
7
5 4 0 5
0
} | {z }
~b
A 1 A ~x = A 1 ~b
~x = A 1 ~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:
p^ > = [ 0:36
4.1.3
Promotrimo dio slijeda ATM elija koje stvara neki izvor. Pretpostavimo da takav izvor moemo opisati
Markovljevim lancem s dva stanja:
A i B.
4.1.
163
p^ = P> p^
geometrijsku razdiobu.
Markovljev lanac s diskretnim parametrom ostaje u istom stanju rasporeena po geometrijskoj razdiobi.
Slino vrijedi i za vjerojatnost
P (Bi ):
P (Bi ) = (1 p)i 1 p
Pi
i=1
Dakle, vrijedi:
E [ Ai ] =
1
q
E [Bi ] =
Budui da stacionarne vjerojatnosti odgovaraju udjelima vremena koje lanac provodi u odgovarajuem
stanju, moraju vrijediti sljedee relacije:
p^A =
p^B =
Provjerimo ovu tvrdnju:
p^A =
p^B =
E [Ai ]
E [Ai ] + E [Bi ]
E [Bi ]
E [Ai ] + E [Bi ]
E [Ai ]
E [Ai ] + E [Bi ]
E [Bi ]
E [Ai ] + E [Bi ]
= 1 +q 1 = q +p p
q
p
1
= 1 +p 1 = q +q p
q
p
164
POGLAVLJE 4.
Ai
4.2
MARKOVLJEVI LANCI
geometrijskoj razdiobi.
U prethodnom dijelu smo promatrali Markovljeve lance za koje nas nije zanimalo kada i kako esto
mijenjaju svoja stanja. U ovom emo dijelu dodati vremensku dimenziju i promatrati Markovljeve lance
kontinuirane u vremenu.
Promatrajmo neki stohastiki proces koji ima skup diskretnih stanja
E.
jeni svoje stanje u bilo kojem trenutku u vremenu i neka budue stanje ovisi samo o sadanjem. Takav
proces zovemo Markovljev lanac kontinuiran u vremenu. Primjer ovakvog procesa je trgovaki putnik koji
putuje izmeu
n gradova.
Putnik
moe promijeniti grad u bilo kojem trenutku u vremenu, a time i stanje procesa.
Dajmo sada egzaktnu deniciju Markovljevog lanca s kontinuiranim parametrom:
Sluajni proces s diskretnim stanjima X (t) je Markovljev lanac kontinuiran u vremenu ako za sve brojeve
n 2 N , i svaki slijed t1 ; t2 ; : : : ; tn ; tn+1 takav da je t1 < t2 < : : : < tn < tn+1 vrijedi
(4.17)
Kon-
tinuiran Markovljev lanac odlikuje svojstvo odsutnosti pamenja. Takvo svojstvo imaju i procesi s neovisnim prirastima diskretni po vrijednostima i kontinuirani po vremenu.
u budunosti ne ovisi o prirastima u prolosti.
Primjer procesa s neovisnim prirastima je Poissonov proces. On ima kontinuiran parametar, diskretna
stanja i svojstvo odsutnosti pamenja. To ga ini primjerom Markovljevog lanca. Evo dokaza:
4.2.
165
Denirajmo prijelaznu vjerojatnost i matricu prijelaznih vjerojatnosti Markovljevog procesa s kontinuiranim parametrom:
(4.18)
zove se prijelazna vjerojatnost Markovljevog lanca iz stanja xi u stanje xj . Matrica P [s;t] sastavljena od
elemenata p[ijs;t] se zove matrica prijelaznih vjerojatnosti Markovljevog lanca.
Zbroj vjerojatnosti prijelaza iz jednog stanja u sva sljedea mogua stanja jednak je 1, tj.:
X [s;t]
pij
j
=1
(4.19)
Matrice prijelaznih vjerojatnosti imaju sljedee zanimljivo svojstvo: prijelazna matrica iz trenutka
u trenutak
Kolmogorovljevog teorema:
Neka je P[s;u] matrica prijelaznih vjerojatnosti Markovljevog procesa kontinuiranog u vremenu. Tada ona
zadovoljava Chapman-Kolmogorovljevu jednadbu:
Primjer 4.6
stu
(4.20)
Jasno je da
je Poissonov proces zapravo proces brojanja. Kao takav on je progresivan, tj. u vremenu njegovo stanje
po vrijednosti nikada ne opada. Stanje stagnira ili raste. Stanje raste za jedan kada se realizira dogaaj
kojeg Poissonov proces broji.
p[i;js;t] = P [X (t + s) X (s) = j i] = e
t
((jt) i)!
j i
P[s;t] = e (t
1
6
6 0
6
s) 6
6 0
6 .
6
4
P[s;t] .
.
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
3
7
7
7
7
7
7
7
5
166
POGLAVLJE 4.
MARKOVLJEVI LANCI
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
Markovljevi lanci.
Treba primijetiti da ovaj proces nije stacionaran - oekivanje procesa nije konstanta,
P[s;t]
ne ovisi o vrijednostima
t i s,
s.
Homogene
Neka je fXt j 0 t < 1g Markovljev lanac s kontinuiranim parametrom. Ukoliko sve prijelazne vjerojatnosti matrice P[s;t] , pij = P (Xt = xj jXs = xi ), i; j = 1; 2; : : : ne ovise pojedinano o vrijednostima
parametara s odnosno t, nego jedino o razlici = t s, tj.:
P (Xt = xj j Xs = xi ) = pij ( ); i; j = 1; 2; : : :
4.2.1
(4.21)
Kolmogorovljeve jednadbe
lan
P[s;t]
(i; j ) matrice P(t + s) dobivamo zbrajanjem lanova matrica P (s) i P (t) na sljedei nain:
X
pij (t + s) = pik (t) pkj (s)
qij :
qij
Denirajmo matricu
6
4
.
.
.
.
.
.
..
3
7
7
7
5
@pij (t + s)
@s
t = 0.
(4.24)
Q=6
6
(4.23)
@pij (t)
@t t=0
(4.22)
pik (t)
@pkj (s)
@s
s.
Dobivamo:
4.2.
Ako uvrstimo da je
167
s = 0 dobivamo:
@pij (t) X
= pik (t) @pkj@s(0)
@t
k
X
p0 (t) = pik (t) qkj
ij
P0 (t) = P(t) Q
(4.25)
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.
P(0) jednaka je
P(0) = I;
qij
@pij (t)
@t
t=0
za
i 6= j
Vrijedi sljedee:
(4.27)
(4.28)
= 0.
Parametar
vanja (realiziranja) dogaaja kojeg broji Poissonov proces. Shodno tome, zakljuujemo da
o(h)
lim
!0 h
168
POGLAVLJE 4.
MARKOVLJEVI LANCI
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;
i 6= j
za
(4.29)
Isto tako, vjerojatnost ne smije biti vea od 1, pa iz (4.28) zakljuujemo da mora biti ispunjeno:
qii 0
(4.30)
Elementi matrice gustoe prijelaza na dijagonali su tako uvijek negativni, a na sporednim dijagonalama
pozitivni. Pored ovoga moemo zakljuiti i sljedee:
d
dt
j
X
j
X
j
pij (t)
= 1 )
pij (t)
p0ij (t)
= 0;
qij
d
(1)
dt
a uz
t=0
= 0
(4.31)
Zbroj gustoa prijelaza u bilo kojem retku matrice gustoe prijelaza jednak je 0. Stoga mora biti zadovoljeno:
qii =
j; j 6=i
qij
(4.32)
Primjer 4.7
Pronaimo matricu gustoa prijelaza za Poissonov proces. Iz primjera 4.6 nam je poznata
P[s;t] = e (t
1
6
6 0
6
s) 6
6 0
6 .
6
4
.
.
.
.
.
.
.
.
.
.
.
..
3
7
7
7
7
7
7
7
5
4.2.
169
p[ijs;t] = P [X (t + s) X (s) = j i] = e
Opi lan matrice
Q je qij
@pij (t)
@t t=0 .
t
((jt) i)!
j i
(
t)j i e t (t)j i 1
qij = e
(j i)! + (j i 1)! t=0
Za i = j dobivamo qii =
, za i = j 1 dobivamo qi;i+1 = , a za i 6= j i j > i + 1 dobivamo qij = 0.
Matrica gustoe prijelaza je:
2
3
0 :::
6 0
::: 7
Q=6
6 0
0 : : : 775
4
t
.
.
.
.
.
.
.
.
.
..
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.
4.2.2
i u stanje i +1.
stanja je slian dijagramu stanja kod Markovljevih lanaca s diskretnim parametrom, no na strelicama
koje predstavljaju prijelaze izmeu stanja piemo intenzitete prijelaza. Na slici 4.9 je prikazan dijagram
stanja Poissonovog procesa.
Poissonov proces ne moe smanjiti svoje stanje, to je u skladu s denicijom procesa brojanja. Isto tako,
iz dijagrama slijedi da Poissonov proces ne moe skoiti iz stanja
n u stanje n + i; i > 1.
To je u skladu
s denicijom da Poissonov proces broji samo pojedinane realizacije dogaaja koje promatra. U sluaju
Poissonovog procesa s gomilanjem, ovi prijelazi bi imali intenzitet vei od 0.
Vano je uoiti smisao intenziteta koje zapisujemo na strelicama prijelaza.
procesa,
U sluaju Poissonovog
brojem prebrojanih dogaaja. No, u veini sluajeva intenziteti ovise o trenutnom i ciljanom stanju.
Promatrajmo skupinu od
Svaki korisnik moe biti u aktivnom stanju, kad razgovara, i u neaktivnom stanju, kad je slualica
sputena. Pretpostavimo da se svaki korisnik pojedinano moe opisati dijagramom stanja na slici 4.10 .
Stanje 0 predstavlja neaktivno stanje pretplatnika, a stanje 1 aktivno stanje.
Promatrajmo sada
Markovljev lanac ije stanje predstavlja broj aktivnih pretplatnika. Prostor stanja takvog Markovljevog
2 Ovaj dijagram je aproksimacija dijagrama koji precizno opisuje aktivnost telefonskog pretplatnika
170
POGLAVLJE 4.
MARKOVLJEVI LANCI
lanca je konaan
E = f0; 1; : : : ; N g.
korisnika za 1 je
(slika 4.11)
k.
(N
Q.
Matrica
ima dimenziju jednaku broju stanja lanca kojeg smo denirali dijagramom stanja -
qij ; i 6= j
formuli (4.31):
Q=
4.2.3
6
6
6
6
6
4
qii =
N
.
.
.
0
0
N
(N
.
.
.
1) (N
0
0
0
.
.
.
u stanje
j 6=i
0
0
s dijagrama. Elemente
N + 1. Element
qii raunamo po
qij
0
0
:::
1) : : :
..
0
0
.
.
.
.
.
.
(N 1)
0
:::
:::
(N 1)
N
0
0
.
.
.
N
3
7
7
7
7
7
5
Upoznati smo s injenicom da su vremena izmeu dva uzastopna nailaska dogaaja Poissonovog procesa
brojanja raspodijeljena eksponencijalno. Pokazat emo da je u bilo kojem Markovljevom lancu s kontinuiranim parametrom vrijeme izmeu dvije uzastopne promjene stanja procesa raspodijeljeno eksponencijalno.
pk;k+1 (t + t) =
X p01(t + t);
=1
pk;k+1 (t + t) = (N
k)t + o(t);
X p10(t + t)
k
=1
4.2.
171
Neka je fXt j 0 t < 1g 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 :
Ti Ex[ qii ]
(4.33)
p( ) =
j; j 6=i
pij ( ) =
j; j 6=i
Promatrajmo vremenski period duljine i izraunajmo vjerojatnost P [Ti > ]. Podijelimo period na n
dijelova (slika 4.12), tako da je:
= n
= nlim
!1 1 [1
n
X
(1
i=0
p( )]n+1 = 1
lim [1
n!1
p( )]n+1
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
172
POGLAVLJE 4.
MARKOVLJEVI LANCI
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:
in+1
n+1
+ o(=n)
lim
[1
p
(
)]
=
1
lim
1
+
q
ii
n!1
n!1
n
h
i
n+1
= 1 nlim
1
+
q
= 1 eqii
ii
!1
n
FTi ( ) = 1
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.
4.2.4
Zamislimo sljedei model prometnog izvorita: Nekakav izvor prometa (nekakav telefon) moe se nalaziti
u dva stanja (proces
neaktivan. Neka je vrijeme koje provede u aktivnom stanju raspodijeljeno po eksponencijalnoj razdiobi
s parametrom
(E []),
vjerojatnosti
P(t).
Denirajmo da je proces u stanju 1 kada je izvor aktivan, a u stanju 0 kada je izvor neaktivan.
Pretpostavimo da je na poetku izvor u stanju 0. Bez obzira kada smo poeli promatrati izvor, moemo
pretpostaviti da e se vrijeme koje e izvor provesti u istom stanju ponaati po eksponencijalnoj razdiobi
s parametrom
po eksponencijalnoj razdiobi, onda se broja realizacija promjena ponaa kao Poissonov proces. Kolika
je vjerojatnost da e se promjena stanja iz 0 u 1 dogoditi u budunosti u nekom kratkom periodu
Vjerojatnost je jednaka vjerojatnosti da e se u periodu
h?
Koristei svojstvo
Q=
Rijeimo Kolmogorovljevu
jednadbu unaprijed:
P0 (t) = P(t) Q
4.2.
173
p00 (t) =
+ e
+ +
e
p10 (t) =
+ +
p01 (t) =
e
+ +
p11 (t) =
+ e
+ +
Dobili smo vjerojatnosti prijelaza, tj. elemente matrice
da se proces u nekom trenutku
(+)t
(+)t
(+)t
(+)t
P(t).
sljedei nain:
p1 (t) = P [X (t) = 1] = P [X (t) = 1jX (0) = 0] P [X (0) = 0] + P [X (t) = 1jX (0) = 1] P [X (0) = 1] =
= p01(t) p0(0) + p11(t) p1(0)
p0 (t) = P [X (t) = 0] = P [X (t) = 0jX (0) = 0] P [X (0) = 0] + P [X (t) = 0jX (0) = 1] P [X (0) = 1] =
= p00(t) p0(0) + p10(t) p1(0)
Dobivamo:
p1 (t) =
p1 (0) p0 (0)
+
e
+
+
p0 (t) =
+
(+)t
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.
argument matrica
gdje je
Ak k -ta
potencija matrice
A na sljedei nain:
potencija matrice
A.
n.
eA =
1
X
k=0
Dakle izraz
Ak
k!
e na kvadratnu matricu
(4.34)
174
POGLAVLJE 4.
MARKOVLJEVI LANCI
Uvaavajui
P0 (t) = P(t) Q;
P0 (t) = Q P(t)
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
Ope rjeenje Kolmogorovljevih matrinih diferencijalnih jednadbi je:
P(t) = eQt
(4.35)
Dokaz:
Pretpostavimo da je rjeenje Kolmogorovljevih jednadbi uz zadani uvjet:
P(t) = eQt =
1
X
(Q t)k
k!
k=0
(Q t)k =
k!
k=0
(
1 (Q t)k )
d
d X
= dt fIg + dt
k!
k=1
d
P0 (t) =
dt
Uoimo da je:
d
dt
Slijedi:
(Q t)k = d Qk tk = Qk d tk = Q Qk 1 tk 1 = Qk 1 tk 1 Q
k!
dt
k!
dt k!
k 1!
k 1!
P0 (t) = 0 +
1
X
k=1
tk 1
Q Qk 1
k
1! = Q
1
X
k=1
tk 1
Qk 1
k
1! = Q P(t)
P0 (t) = 0 +
1
X
k=1
1
X
tk 1
Q=
Qk 1
Q = P(t) Q
k 1!
k 1!
k=1
tk 1
Qk 1
1 0k
X
= 00! = I
k
!
k=0
Q.E.D.
4.2.
175
Q ima razliite
Q=SDS 1
Slijedi:
eQt
Budui da se
Dn
1
X
Q k tk
1
X
=S
k!
k=0
Dk tk
S 1 = S eDt S 1
k!
k=0
n, to slijedi
da je:
eDt
gdje su
i
6
6
6
4
Q.
e1 t
e2 t
.
.
.
.
.
.
..
0
0
:::
:::
7
7
7
5
.
.
.
: : : ek t
2
6
e1 t
P(t) = eQt = S 6
6
e2 t
.
.
.
.
.
.
..
0
0
:::
:::
.
.
.
: : : ek t
7
7
7S
5
Primjer 4.8
Q=
Q) = det
Svojstvene vrijednosti su
Za
1 = 0,
+b
b
a +a
1 = 0, 2 =
b
a
1 =
(a + b),
Nadalje slijedi:
Rjeenje je:
ab = 2 + (a + b) = [ + a + b] = 0
Q ~e2 =
= ( + a)( + b)
Q ~e1 = 0 ~e1
Za
b
a
Q:
det(I
1 1
S=
1 ab
) ~e1 = 11
(a + b) ~e2 )
) S 1=
eDt =
1
0
~e2 =
a
a+b
e (a+b)t
b
a
1
1 1
b
a
176
POGLAVLJE 4.
P(t) =
a+b
2
4.2.5
a 4
a+b
1 1 1
0
1 ab
b
a
b
a
e (a+b)t
e (a+b)t
b e (a+b)t
1
1 1
b
a
1 + e (a+b)t
1 ab e (a+b)t
+a
MARKOVLJEVI LANCI
3
5
t > 0. Jedan
t je da izraunamo matricu prijelaznih vjerojatnosti
P(t)
gdje je
p(t) = eQt
>
(4.36)
Dobivamo:
p(0):
Q.
rjeavati Markovljeve lance za opi sluaj i u tom sluaju ne moemo primijeniti nikakve numerike
metode za dijagonalizaciju matrice
Q.
Q.
neto
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-
skoio u stanje 0, ili pak bio u stanju 2 pa je skoio u stanje 0. To moemo zapisati ovako:
4.2.
177
pi (t)
jednadbe s
nadalje je:
o h)
p0(t)0 + p1 (t)1 + p2 (t)0 + (
= lim
h!0
h
o(h)
= p0(t)0 p1(t)(1 + 1) + p2(t)2 + h = hlim
!0
o(h)
= p1(t)1 p2(t)(0 + 2) + h = hlim
!0
dp0 (t)
dt
dp1 (t)
dt
dp2 (t)
dt
= p0(t)0
p1 (t)(1 + 1 ) + p2 (t)2
= p1(t)1
p2 (t)(0 + 2 ):
Q:
0
1
0
Q=4
0
1
(0 + 2)
0
(1 + 1 )
2
3
5
zakljuujemo da sustav diferencijalnih jednadbi koji smo dobili zadovoljava matrino-vektorsku jednadbu:
odnosno:
p00 (t)
p01 (t)
p02 (t)
=4
0
0
1
(1 + mu1)
1
(4.37)
0
2
(0 + 2 )
3 2
5 4
p0 (t)
p1 (t)
p2 (t)
3
5:
d
dt
p(0).
p0 (0)
= 1.
sP0 (s)
sP1 (s)
sP2 (s)
Sreivanjem dobivamo:
178
POGLAVLJE 4.
MARKOVLJEVI LANCI
Na alost, sada nastupaju veliki problemi. Kada rijeimo sustav linearnih jednadbi po nepoznanicama
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.
4.2.6
Prisjetimo se nakratko primjera 4.8. Na slici 4.14 su prikazani grafovi vjerojatnosti prijelaza za proizvoljno
izabrane vrijednosti parametara
a i b.
Lako je uoiti da prijelazne vjerojatnosti za ovaj primjer konvergiraju odreenim vrijednostima. Prijelazne vjerojatnosti u stanje 0 se asimptotski pribliavaju jednoj vrijednosti, a prijelazne vjerojatnosti
u stanje 1 drugoj vrijednosti. Krivulje prijelaznih vjerojatnosti u funkciji vremena
t su glatke funkcije, i
njihova derivacija opada s vremenom i tei k nuli. Ova opaanja vrijede i za opi Markovljev lanac, ali
pod odreenim uvjetima.
Prisjetimo se denicija ireducibilnosti i erogodinosti za Markovljeve lance diskretne po parametru.
Neka iste denicije vrijede i u kontinuiranom obliku. Do njih dolazimo zamjenjujui pojam korak i broj
koraka s vremenom. Vrijedi sljedei teorem:
p
t!1 ij
(4.38)
i vrijednosti limesa p^j ne ovise o poetnom stanju lanca ili razdiobi vjerojatnosti stanja u t = 0,
4.2.
179
p
t!1 j
(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
onda je i
lim
t!1
p^j = 1
dpij (t)
dt
(4.40)
= 0:
(4.41)
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
stanja lanca:
X
t.
x1 x2 : : : xi : : :
p^1 p^2 : : : p^i : : :
prijelazni period i polako ulazi u stacionarno stanje. Stacionarno stanje odlikuje svojstvo da vjerojatnost
da se lanac nalazi u stanju
^=
P
6
6
6
6
t!1 6
6
4
t!1
p^ > = [^
p1 p^1 : : :]:
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
7
7
7
7
7
7
5
6
6
6
6
6
6
4
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
3
7
7
7
7
7
7
5
Dakle, stacionarne vjerojatnosti Markovljevog lanca moemo iitati iz bilo kojeg retka matrice
kada
tei u beskonano.
t:
Neka je vektor
p(t)
P(t)
vektor
p1 (t)
p2 (t)
.
.
.
pj (t)
.
.
.
7
7
7
7
7
7
5
6
6
6
6
6
6
4
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
3 2
7
7
7
7
7
7
5
p^i .
.
.
.
pj (0)
.
.
.
3
7
7
7
7
7
7
5
2 P
Pi pi1
6
i pi2
6
6
6
6 P
6
i pij
4
Stoga ispred sume koja se javlja u vektoru razdiobe stanja moemo izluiti
X
|
(t) pi (0) 3
(t) pi (0) 77
.
.
.
(t) pi (0)
.
.
.
7
7
7
7
5
6
6
6
6
6
6
4
p1 (0)
p2 (0)
pi (0) = p^j :
{z
=1
p^j :
180
POGLAVLJE 4.
Slijedi:
2
6
6
6
6
t!1 6
6
4
t!1
p1 (t)
p2 (t)
.
.
.
pj (t)
.
.
.
7
7
7
7
7
7
5
6
6
6
6
6
6
4
p^1
p^2
MARKOVLJEVI LANCI
7
7
7
7
7
pj 7
5
.
.
.
= p^ :
.
.
.
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^ .
^=
P
lim P(t) =
t!1
a+b
^=
P
lim P(t)
1 1 1 0 ab 1 =
0 0
1 ab
1 1
t!1
b
a
b
a
a+b
1
1
2
6
p^ = 6
4
a+b
a
a+b
3
7
7
5
Metoda traenja stacionarnih vjerojatnosti traenjem limesa matrice vjerojatnosti prijelaza je sloen
postupak, no u nekim sluajevima moe biti izuzetno koristan.
traenje stacionarnih vjerojatnosti su metoda rjeavanja sustava linearnih jednadbi i metoda globalne
ravnotee.
4.2.7
P0 (t) = P(t) Q
Dakle, Kolmogorovl-
^ Q:
0=P
gdje je
~0 nul-vektor stupac.
s nepoznanicama
p^j .
~0 = Q> p^ :
(4.42)
(4.43)
qij p^j = 0
p^j = 1
ime sustav postaje netrivijalno rjeiv. Demonstrirajmo ovu metodu sljedeim primjerom:
(4.44)
4.2.
181
Primjer 4.11
Zadan je Markovljev lanac dijagramom stanja na slici 4.15. Potrebno je izraunati sta-
Q=4
2 2 0 3
4 7 3 5
5 0 5
2
6
4
2
1 1 1 1 3
1 0 0
2 7 0 0 75 = : : : = 64 0 1 0
0 3 5 0
0 0 1
2. Cramerova metoda:
D0 =
1
0
0
35
51
10
51
2
17
3
7
5
1 1 1
D = 2 7 0 = 51
0 3 5
1 1
1
1 1
1
1
7 0 = 35; D1 = 2 0 0 = 10; D2 = 2 7
0 0
0
3 5
5
3
D
35
D
10
D
6 2
p^0 = 0 = ; p^1 = 1 = ; p^2 = 2 = =
D 51
D 51
D 51 17
1
0
0
=6
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.
182
4.2.8
POGLAVLJE 4.
MARKOVLJEVI LANCI
Zamislimo da su stanja dijagrama vorovi u mrei, a grane tokovi podataka. U stacionarnom stanju
globalne
iz kojeg tok izlazi. Tok
(stanju ravnotee) tok koji ulazi u vor mora biti jednak toku koji izlazi iz vora. To je svojstvo
ravnotee.
jednadbe ravnotee :
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
p^i = 1:
Jednadbe globalne ravnotee se postavljaju jednostavno, no njihovo rjeavanje je pitanje strukturiranosti Markovljevog lanca. Sljedei primjer demonstrira sluaj povoljno strukturiranog lanca.
Primjer 4.12
Razmatrajmo lanac koji opisuje broj realiziranih poziva na pretplatnikom stupnju cen-
trale. 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.
p0 = p1
( + )p1 = p0 + 2p2
( + 2)p2 = p1 + 3p3
.
.
.
4.2.
183
Uoimo da je lijeva strana prve jednadbe jednaka prvom lanu desne strane druge jednadbe. Druga
jednadbe se transformira u
= 2p2
pk = (k + 1) pk+1 :5
Dalje slijedi:
p^k =
Vrijednost
p^0
k!
p^0
saznajemo iz jednadbe
1
X
i=0
p^k = 1
e p^0 = 1
1
X
k
i=0
k!
p^0 = 1
) p^0 = 1
e
p^k =
4.2.9
k
p^k .
k
k!
qii .
ravna po eksponencijalnoj
stanju za bilo kakav lanac. Problem nastupa kada istekne vrijeme za kojeg proces boravi u istom stanju.
U tom trenutku proces mijenja stanje, a na je zadatak da odredimo budue stanje. Poto je razdioba
vjerojatnosti po stanjima openito nejednolika, moramo izraunati vjerojatnost skoka lanca iz trenutnog
stanja u novo stanje.
xi
u stanje
xj
184
POGLAVLJE 4.
MARKOVLJEVI LANCI
Markovljevog procesa ovisi samo o trenutnom, ovaj lanac moemo poeti promatrati upravo u trenutku
promjene njegovog stanja.
xj .
xi
h = 0 u neko drugo
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
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:
u trenutku
p~ij =
p~ij
xi
u stanje
xj
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)
4.3
4.3.1
Q za Poissonov proces.
:
2
6
Q=6
6
4
qij
0
0
.
.
.
0
.
.
.
:::
:::
:::
.
.
.
..
,
3
7
7
7
5
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
u prvo vie stanje
n + 1.
odreenim intenzitetom ona podijeli na dvije bakterije. Kada imamo dvije bakterije, tj. kada smo u
stanju 2, onda se intenzitet raanja novih bakterija poveao.
broja bakterija.
4.3.
185
8
<
:
j 1 h + o(h)
o(h)
1 j h + o(h)
j
j
i = 1;
i 2;
j=i
Q.
Q=
0
6
6
6
6
6
6
4
0
1
:::
.
.
.
.
.
.
1
:::
:::
.
.
.
..
.
.
.
.
.
.
..
n n
.
.
.
0
0
.
.
.
0
.
.
.
:::
:::
:::
:::
..
3
7
7
7
7
7
7
5
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:
p0ij (t) =
pij (t) j ; j 6= i
s n.
Stacionarne vjerojatnosti se mogu izraunati samo u nekim specijalnim sluajevima. U opem sluaju
se ne moe tvrditi da ovakav lanac ima stacionarne vjerojatnosti zato to lanac nije ireducibilan.
4.3.2
Procesi raanja su oni procesi kod kojih je intenzitet (gustoa) prijelaza u vie stanje vei od 0, i svi
ostali intenziteti jednaki 0. Uvedimo sada mogunost da Markovljev proces moe iz nekog stanja
u prvo nie stanje -
1.
n prei
n .
Proces raanja i umiranja je poseban je sluaj Markovljevog lanca. U takvom Markovljevom lancu
doputeni su prijelazi samo u susjedna stanja, via ili nia. Procesi raanja i umiranja se pokazuju kao
izvrsni modeli za prouavanje elementarne teorije posluivanja.
Promatrajmo odreenu populaciju nekakvih entiteta. To mogu biti ljudi nekog grada ili ATM elije u
nekom repu ekanja. Broj ljudi/elija neka predstavlja stanje procesa. Stanja obiljeavamo s
En
gdje
oznaava veliinu populacije. Doputeni su prijelazi samo u susjedna stanja, tj. u jednom trenutku proces
iz stanja
En
En+1
ili
En 1 .
186
POGLAVLJE 4.
birth rate ) n
MARKOVLJEVI LANCI
death rate ) n .
i intenzitet umiranja (
Oba intenziteta su vezana uz stanje sustava. Ako je intenzitet raanja vei od intenziteta umiranja, onda
populacija raste. Naravno, vrijedi i obrnuto.
Za proces raanja i umiranja prijelazna vjerojatnost iz stanja
8
>
>
<
>
>
:
u trenutku
j 1 h + o(h)
o(h)
j+1 h + o(h)
(j + j )h + o(h)
u stanje
j =i+1
j i + 2; j i
j=i 1
j=i
u trenutku
Ako je veliina populacije 0, onda nema umiranja u populaciji, pa shodno tome deniramo da je
0 = 0.
Q=
6
6
6
6
6
6
6
6
4
0
1
0
.
.
.
0
.
.
.
0
(1 + 1)
2
.
.
.
0
.
.
.
0
0 0
1
0 0
(2 + 2) 2 : : : 0
.
.
.
.
.
.
.
.
.
.
.
.
..
.
.
.
: : : n
.
.
.
.
.
.
0
0
0
0 3
0 : : : 77
0 : : : 77
.
.
.
.
.
.
(n + n) n
.
.
.
.
.
.
..
7
7
7
7
5
Ukoliko nam je poznata ovakva matrica, rjeenja za prijelazne vjerojatnosti nalazimo pomou Kolmogorovljeve jednadbe unaprijed. Ope rjeenje
ovakve matrice.
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:
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 ! 1 jednake 0:
lim p0 (t) = 0:
t!1 n
Na ovaj nain gornje diferencijalne jednadbe moemo preurediti u obine rekurzivne jednadbe koje
rjeavaju problem stacionarnih vjerojatnosti procesa raanja i umiranja:
(4.46)
4.3.
187
stacionarna
vjerojatnost stanja kojeg promatramo pomnoena s intenzitetom koji se izlazi iz stanja (izlazni tok)
jednaka je zbroju umnoaka stacionarnih vjerojatnosti stanja iz kojih se dolazi u promatrano stanje
i intenziteta tih dolazaka (ulazni tokovi).
Kod ovakvih problema jednadbe redovito postavljamo globalnom ravnoteom ili limesom diferencijalnih
jednadbi. Izvoenje jednadbi iz matrice
ovisi o funkcijama
n i n .
Primjer 4.13
vjerojatnosti stanja
p^j .
Pronaimo stacionarne
Moemo postaviti jednadbe globalne ravnotee ili moemo postaviti diferencijalno-rekurzivne jednadbe, pa potraiti limes kad
t ide u beskonano.
pk (t + h) pk (t)
h
h:
= pk 1 (t)
o(h)
k +
h
+ pk+1 (t)
(k + 1) + o(hh)
pk (t)
o(h)
k + (k + 1) +
h
h tei k nuli:
p0k (t) = pk 1 (t) k + pk+1 (t) [(k + 1)] pk (t) [k + (k + 1)]
Slino dobivamo i za nulto stanje:
188
POGLAVLJE 4.
MARKOVLJEVI LANCI
p0 = p1
(2 + )p1 = p0 + 2p2
(3 + 2)p2 = 2p1 + 3p3
.
.
.
p^k =
Vrijednost
p^0
saznajemo iz jednadbe
k
1
X
i=0
1 k
X
i=0
p^0
p^k = 1
p^0 = 1
<1
p^0
= 1 ) p^0 = 1
e
p^k =
k
:
Dakle, stacinarna razdioba stanja u ovom primjeru se ravna po geometrijskoj razdiobi. Moramo uoiti
da su stacionarne vjerojatnosti ovog procesa uvjetovane s
= < 1.
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.
4.3.3
Razmatrajmo proces uspostavljanja i raskida video veza kroz odreeni link kapaciteta 50 Mb/s.
Us-
postavljaju se dva tipa veza: A i B. Veze tipa A rezerviraju 15 Mb/s prijenosnog pojasa linka, a veze
tipa B rezerviraju 10 Mb/s. Dolazak zahtjeva za uspostavu veze za svaku vrstu posebno se moe opisati
Poissonovim procesom. Intenzitet dolaska zahtjeva za tip A je
1 , a za tip B je 2 .
4.3.
189
za tip A je
n1 gdje je n broj uspostavljenih veza tipa A, a za tip B je k2 gdje je k broj uspostavljenih
veza tipa B.
Naoigled se radi o dva neovisna procesa raanja i umiranja. To bi bila istina samo kada bi kapacitet
linka bio beskonaan. Budui da je kapacitet ogranien, moe se uspostaviti samo onoliko veza odreenog
tipa koliko je raspoloivo kapaciteta. Mogu se uspostaviti maksimalno 3 veze tipa A i 5 veza tipa B. Ako
su uspostavljene 2 veze tipa A, onda tip B ima na raspolaganju maksimalno 20 Mb/s, odnosno dovoljno
prijenosnog pojasa za 2 veze.
Na taj nain procesi raanja i umiranja za veze tipova A i B se ne mogu promatrati odvojeno. Procesi
jedan drugom kradu raspoloiv prijenosni pojas. Oni na taj nain
moduliraju
svakog od procesa.
Ako nas zanima razdioba vjerojatnosti broja uspostavljenih veza za svaki od tipova A i B, onda ove
odsjeene i modullirane procese moramo promatrati zajedno. Na slici 4.21 je prikazan dijagram stanja
koji opisuje na problem.
A, a
Ovakvu strukturu
zovemo dvodimenzionalni Markovljev lanac ili dvodimenzionalni proces raanja i umiranja. Razlog za
takav naziv je mogunost raanja i umiranja po dvije dimenzije, po dimenziji tipa A i dimenziji tipa B.
Dakle, razmatramo odreeni Markovljev lanac s 14 stanja i odreenim intenzitetima prijelaza izmeu
stanja, a elimo odrediti stacionarne vjerojatnosti svakog od 14 stanja. Stacionarne vjerojatnosti sigurno
postoji jer je lanac ireducibilan, tj. iz svakog stanja se uz odreeni broj prijelaza moe stii u bilo koje
drugo stanje.
190
POGLAVLJE 4.
MARKOVLJEVI LANCI
ukupnim intenzitetom izlaska iz tok stanja jednaka je zbroju stacionarnih vjerojatnosti susjednih stanja
pomnoenih s intenzitetom dolaska u promatrano stanje (slika 4.22). U naem sluaju, za stanje
sva etiri susjedna stanja moemo postaviti sljedeu jednadbu globalne ravnotee:
p^i;j (1 + 2 + i1 + j2 ) = p^i+1;j (i + 1)1 + p^i;j+1 (j + 1)2 + p^i 1;j 1 + p^i;j 1 2
(i; j ) sa
(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.
jedinstvena.
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)
Kada zbrojimo ove jednadbe, opet dobivamo poetnu jednadbu globalne ravnotee.
primijetiti da razmatramo ireducibilan Markovljev lanac, i da su rjeenja
p^i;j 1
jedinstvena.
Sada je bitno
Dakle, ako uspijemo nai rjeenje za sustav jednadbi (4.48), onda ista rjeenja
ravnotee stacionarne vjerojatnosti stanja Markovljevog lanca, to su i rjeenja sustava svih jednadbi
(4.48) stacionarne vjerojatnosti stanja Markovljevog lanca. Jednadbe (4.48) zovemo
ravnotee.
jednadbe lokalne
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.
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
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,
(slika 4.23).
iij
4.3.
191
j : p^i qij .
i intenziteta prijelaza u
i p^j qji .
(4.49)
XX
p^ij
= 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
p^00 a11
p^01 a11
.
.
.
(4.50)
p^01 = a1!2 p^00 p^02 = 2! p^00 p^03 = 3! p^00 p^04 = 4! p^05 = 5! p^00
2
3
p^11 = a1!2 p10 p^12 = a2!2 p^10 p^13 = a3!2 p^10
2
p^21 = a1!2 p^20 p^22 = a2!2 p^20
Primijetimo da se sve vjerojatnosti mogu pokazati u funkciji od p
^00! To svojstvo emo iskoristiti na taj
nain da emo izraunati vrijednost od p
^00 i neposredno dobiti sve ostale vjerojatnosti. p^00 dobivamo iz
a22
a32
a42
a52
192
POGLAVLJE 4.
MARKOVLJEVI LANCI
1=
3
X
i=0
pi0 +
i=0
8
3 ai
<X
= p00 :
gdje je
2
X
i=0
pi1 +
1 a02
i!
2
X
i=0
pi2 +
2 ai
X
1 a12
1
X
i=0
pi3 +
2 ai
X
5
X
j =0
p0j +
3
X
j =0
p1j +
1 a22
1 ai
X
p001 =
ai1 aj2
(i;j)2S i! j !
j =0
p2j =
5 ai
X
1 a32
0
+ i2! a0!1
j =0
2
X
3 ai
X
j =0
2 a11
i!
1!
2 ai
X
2=
+ i!2 a2!1 ;
j =0
S = f(0; 0); (1; 0); (2; 0); (3; 0); : : : ; (1; 3); (0; 4); (0; 5)g
p^00
u (4.50).
pij =
ai1 aj2
i! j !
X ai aj
1 2
i
!
(i;j)2S j !
(4.51)
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:
E [O(i; j )] = O =
(i;j)2S
O(i; j )^pij
(i;j)2S
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
Stanje (0; 4)
obje vrste veza zato to je to stanje kada u linku nema slobodnog prijenosnog pojasa.
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 = f(0; 5); (0; 4); (1; 3); (2; 2); (2; 1); (3; 0)g
Za tip B su to stanja:
KB
P (A) =
(i;j)2KA
p^i;j
P (B ) =
(i;j)2KB
p^i;j
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.
4.4.
193
ZADACI ZA VJEBU
4.4
4.4.1
Zadaci za vjebu
Markovljevi lanci s diskretnim parametrom
Zadatak 4.1
0
:
5
0
:
5
P=
0:6 0:4 :
Zadatak 4.2
P=
Zadatak 4.3
0:6 0:4 :
0:5 0:5
Promatrajte binarni izvor kod kojeg je vjerojatnost prijelaza iz stanja 1 u stanje 0 1/3, a
Zadatak 4.4
Izraunajte
Zadatak 4.5
Izraunajte
b :
1
a
a
P=
b
1 b :
Zadatak 4.6
Prijenosni kanal uspostavljen je kroz 3 neovisna serijski spojena prijenosna sustava. Vjero-
jatnost pogreke bita na svakom od prijenosnih sustava za promatrani kanal je 0.01. Izraunajte vjerojatnost pogreke bita s kraja na kraj prijenosnog kanala.
Zadatak 4.7
Binarni izvor se u poetku (nultom koraku) nalazi u stanju 1. Ako je matrica prijelaznih
vjerojatnosti
P=
b ;
Zadatak 4.8
stanja
1
0
P=
1=2 1=2 :
Zadatak 4.9
stanja
0
1
P=
1 0 :
Zadatak 4.10
Markovljev lanac ima 5 stanja. Iz nekog stanja moe prei samo u susjedno stanje (vie
=1
p.
p,
194
POGLAVLJE 4.
MARKOVLJEVI LANCI
Zadatak 4.11
rojatnosti
Zadan je Markovljev lanac dijagramom na slici 4.24. Pronaite matricu prijelaznih vje-
Zadatak 4.12
vjerojatnosti
Zadan je Markovljev lanac dijagramom stanja na slici 4.24. Pronaite matricu prijelaznih
Zadatak 4.13
Zadatak 4.14
Zadatak 4.15
Zadatak 4.16
1 i p^1 = 2 .
3
3
Izrau-
4.4.2
p^0 =
P tog procesa.
Zadatak 4.17
gustoa prijelaza
Zadatak 4.18
2
6
Q=6
4
5 4 0 1 3
8 14 6 0 77 :
0 3 5 2 5
5 0 7 12
Napiite matricu
4.4.
195
ZADACI ZA VJEBU
Zadatak 4.19
gustoa prijelaza
Q.
Napiite matricu
T1
Zadatak 4.20
gustoa prijelaza
Q.
1.
Izraunajte
Napiite matricu
T1
Zadatak 4.21
T1 .
1.
Izraunajte
Q=
5 5
3 3
Q jednaka
Zadatak 4.22
Q=
9 9
4 4
Q jednaka
196
POGLAVLJE 4.
Zadatak 4.23
MARKOVLJEVI LANCI
Q=
3 3
3 3
Q jednaka
Zadatak 4.24
Q=
5 5
3 3
Q jednaka
Napiite diferencijske jednadbe prijelaznih vjerojatnosti za ovaj proces i postavite diferencijalne jednadbe. Izraunajte matricu prijelaznih vjerojatnosti.
Zadatak 4.25
nadbe za Poissonov proces. Poite od klasine denicije Poissonovog procesa. Iz diferencijskih jednadbi
izvedite diferencijalno-rekurzivne jednadbe.
Zadatak 4.26
Q=
Q jednaka
Napiite diferencijske jednadbe prijelaznih vjerojatnosti za ovaj proces i postavite diferencijalne jednadbe. Rijeite diferencijalne jednadbe Laplaceovom transformacijom.
Zadatak 4.27
Zadatak 4.28
8
<
(j 1)h + o(h)
o(h)
:
1 jh + o(h)
j
j
i = 1;
i 2;
j=i
P(t) =
"
3 5e 8t
83 + 3e8 8t
8
8
3 5e 8t
83 3e8 8t
8+ 8
Zadatak 4.29
Zadatak 4.30
Zadatak 4.31
Zadatak 4.32
Zadatak 4.33
Zadatak 4.34
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.30. Rjeavanjem sustava
4.4.
197
ZADACI ZA VJEBU
Zadatak 4.35
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.31. Rjeavanjem sustava
Zadatak 4.36
Zadatak 4.37
Zadatak 4.38
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.32. Postavite i rijeite
Ako se lanac nalazi u stanju 1, kolika je vjerojatnost da prilikom promjene stanja skoi u stanje 2.
Zadatak 4.39
Dijagram stanja nekog Markovljevog lanca prikazan je na slici 4.33. Postavite i rijeite
4.4.3
Zadatak 4.40
Napiite ope diferencijske jednadbe za proces raanja i umiranja koji ima jednake
198
POGLAVLJE 4.
MARKOVLJEVI LANCI
Zadatak 4.41
8
>
>
<
>
>
:
h + o(h)
o(h)
h + o(h)
( + )h + o(h)
Zadatak 4.42
pn (t)
j =i+1
j i + 2; j i
j=i 1
j=i
8
>
>
<
(j 1)h + o(h)
j =i+1
o
(
h
)
j
i
+ 2; j i 2
pij (h) = P (X (t + h) = j jX (t) = i) =
(
j
+
1)
h
+
o
(
h
)
j
=i 1
>
>
:
1 (j + i)h + o(h)
j=i
Postavite diferencijalne jednadbe za vjerojatnost pn (t) i napiite matricu gustoa prijelaza za ovaj
Zadatak 4.43
Q=
6
6
6
6
6
4
0
0
0
.
.
.
0
.
.
.
0
( + )
2
.
.
.
0
0
( + 2)
.
.
.
:::
:::
:::
:::
..
3
7
7
7
7;
7
5
tj.
n = n 0
n = n n 0
Postavite diferencijalno-rekurzivne jednadbe za pn (t).
Zadatak 4.44
Zadatak 4.45
Zadatak 4.46
.
,
a jedinice dolaze
stanja koja odgovaraju broju jedinica u sustavu posluivanja, pronaite matricu gustoa prijelaza za ovaj
sustav. Postavite jednadbe lokalne ravnotee i rijeite ih.
4.5.
199
Zadatak 4.47
.
,
a jedinice dolaze
stanja koja odgovaraju broju jedinica u sustavu posluivanja, pronaite matricu gustoa prijelaza za ovaj
sustav. Postavite jednadbe lokalne ravnotee i rijeite ih.
Zadatak 4.48
.
,
a jedinice dolaze
stanja koja odgovaraju broju jedinica u sustavu posluivanja, pronaite matricu gustoa prijelaza za ovaj
sustav. Postavite jednadbe lokalne ravnotee i rijeite ih.
Zadatak 4.49
= 20 Mb/s.
A koji rezervira 15 Mb/s i B koji rezervira 10 Mb/s. Zahtjevi za uspostavom veze obaju tipova dolaze
jednakim intenzitetom
uspostave veze tipa A.
4.5
4.5.1
Potrebno je izraunati
potenciju matrice
Pn =
gdje su
1 i 2
1
n1
[P
2
2 I] +
2
n2
1
[P
P, ukoliko su razliite.
tei u beskonanost.
n-tu
1 I];
Pronaimo ih na sljedei nain:
1 = 1 i 2 =
0:1
n
n
= 1 (1 0:1) 0:5 0(:6 0:1) 0:4 0(:5 0:1) + ( 1 0:1)0:1 0:50:6 1 0:40:5 1
_
_
_
_
1
0
:
6
0
:
5
0
:
5
4
0
:
4
5
n
lim P = 1:1 0:6 0:5 = 0:5_ 4_ 0:4_ 5_
n!1
Stacionarne vjerojatnosti su: p
^1 = 0:5_ 4_ , p^2 = 0:4_ 5_
Pn
Potrebno je izraunati
potenciju matrice
Pn = SDn S 1
tei u beskonanost.
n-tu
200
POGLAVLJE 4.
gdje je
MARKOVLJEVI LANCI
P.
P.
P,
matrica
jP Ij = 0:60:5 0:50:4 = (0:6 )(0:5 ) 0:2 =
1 = 1 i 2 = 0:1
Potraimo odmah i svojstvene vektore pripadnih svojstvenih vrijednosti
P~ei = i~ei
0:6 0:4 x1
0:5 0:5 x2
0:6x1 + 0:4x2
0:5x1 + 0:5x2
i x1
i x2
i x1
i x2
x1 =
i
0:5 x
0:5 2
x2 =
0:4 x
i 0:6 2
1 = 1 : ~e1 =
1
1
2 = 0:1 : ~e2 =
0:4
0:5
1 0:4 1 0 0:5_
1 0:5
0 0:1
1:1_
1 0:4 1 0
n 1
lim Pn = S nlim
n!1
!1 D S = 1 0:5
0 0
Stacionarne vjerojatnosti su: p
^1 = 0:5_ , p^2 = 0:4_ .
P = SDS 1 =
0:4_
1:1_
0:5_ 0:4_ = 0:5_ 0:4_
1:1_ 1:1_
0:5_ 0:4_
"
1
3
1
3
2
3
2
3
P, vidimo da su
P opet dobivamo matricu
Nema potrebe traiti stacionarne vjerojatnosti ovog procesa. Ukoliko pogledamo matricu
njeni reci jednaki i da je zbroj vjerojatnosti u retku 1 . Potenciranjem matrice
P.
vjerojatnosti su:
p^0 = 13 , p^1 = 23 .
Zakljuujemo, stacionarne
Pn
a
a+b
a
a+b
a(1 a b)n #
a+b
:
b(1 a b)n
a+b
4.5.
201
Pn =
a+b
a
a+b
a(1 a b)n #
a+b
:
b(1 a b)n
a+b
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.
P3 =
0:0294.
= [0 1].
p(n) = [Pn ]> p(0)
p(0)
Vjerojatnost stanja u
p^1 =
+ b(1 a +a b b)
a+b
a
0
1
n-tom
koraku
202
POGLAVLJE 4.
MARKOVLJEVI LANCI
Dobivamo:
^ = P> p^ :
p
p^0
p^1
"
= 10
1
2
1
2
#
pp^^01
p^0 = 1:
Dobivamo:
p^0
p^1
^ = P> p^ :
p
= 01 10 pp^^01
p^0 = p^1
1
p^0 + p^1 = 1 ) p^0 = p^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.
Slino
vrijedi i za sluaj kada je proces u stanju 5. Iz tog stanja moe prei samo u stanje 4 s vjerojatnou
ili ostati u stanju 5 s vjerojatnou
p.
P=
6
6
6
6
4
q p 0 0 0
q 0 p 0 0
0 q 0 p 0
0 0 q 0 p
0 0 0 q p
3
7
7
7
7
5
A = P>
1 1 1 1 1
6 p
1 q 0 0
6
0
p
1 q 0
I=6
6
4 0
0 p 1 q
0 0 0 p q
A p^ = ~b
3
7
7
7
7
5
13
6 0 7
7
~b = 6
6 0 7
6
7
4 0 5
0
4.5.
203
p
^ = P> p
^.
p^2 = p^1
4
p^1 + p^2 + p^3 = 1
p^1 = 5^p3
Stacionarne vjerojatnosti su:
p^1 =
20 ; p^ = 25 ; p^ = 4
49 2 49 3 49
P=
0 1
1 0
p^1 = p^2
p^1 + p^2 = 1
Slijedi:
p^1 = p^2 =
1
2
0:4 0:6 0 3
P = 4 0:3 0:6 0:1 5
0 0:2 0:8
204
POGLAVLJE 4.
MARKOVLJEVI LANCI
n-ti
= 0:6.
Ako je
Ako je
P (N
= n) = qn
1p
Oekivanje ove sluajne varijable odgovara prosjenom broju koraka koje lanac bez prekida provodi u
stanju 1:
E [N ] =
1
X
k=1
kqk 1 p = : : : =
(1
q)2
= 1p = 2:5
1 p p
P=
q
1 q
onda je rjeenje:
p^0 =
q
p+q
= 13 ;
p
p^1 =
p+q
= 23
p^0 1 q
= =
p^1 2 p
p = 2q
P [Xn = kjXn 1 = k 1] = p
P [Xn = kjXn 1 = k + 1] = q
Budui da nemamo rubnih ogranienja, zakljuujemo da je matrica prijelaznih vjerojatnosti beskonana
kvadratna matrica s elementima
pi;i+1 = p
pi;i 1 = q
pi;j = 0;
za
ji j j > 1 i i j = 0
4.5.
205
4.5.2
6
6
6
6
6
6
4
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
i i j.
:::
::: 0 p 0 :::
::: q 0 p :::
::: 0 q 0 :::
.
.
.
..
3
7
7
7
7
7
7
5
jednak 0.
2
6
Q=6
4
3 3 0 0 3
1 14 4 9 77
0 5 5 0 5
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.
Q. Q
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
206
POGLAVLJE 4.
MARKOVLJEVI LANCI
Q=4
Prema teoremu 4.4 slijedi da je:
T1
4 4 0 3
6 15 9 5
0 6 6
E [T1 ] =
1
15
Q=4
Prema teoremu 4.4 slijedi da je:
T1
11 4 7 3
6 7 1 5
6 5 11
FT1 (t) = 1 e 7t
je:
E [T1 ] =
1
7
P(t) = eQt :
1 , gdje je D dijagonalna
Q, a matrica S je vektor
redak svojstvenih vektora matrice Q. Pronaimo svojstvene vrijednosti matrice Q.
Da bismo izraunali
eQt ,
matricu
= SDS
5
5
Q=
3 3
( + 5)
5
jQ Ij = 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 x2
x1 = +5
4.5.
207
Dobivamo matrice
za
1 = 0 :
za
2 =
D i S:
1
x1 = x2 ) ~e1 = 1
x1 = 53 x2 ) ~e2 = 35
8:
1
5
S=
1 3
0
0
D=
0 8
1
S 1=
eDt
3 5
1 1
= 10
e 8t
1 1 5 1 0 3 5 =
0 e 8t
1 1
8 1 3
"
#
3
+
5
e 8t 5 5e 8t
1
= 8 3 3e 8t 5 + 3e 8t
P(t) = S eDt S 1 =
1 = 0;
Svojstveni vektori su:
Nadalje je:
S=
2 =
1
~e1 = 1
~e2 =
1 9
1 4
S 1=
0
0
D=
0 8
eDt
13:
9
4
1 4 9
13 1 1
= 10
013t
P(t) = S
eDt
1 1 9 1 0 4 9 =
0 e 13t
1 1
13 1 4
"
#
4
+
9
e 13t 9 9e 13t
1
= 13 4 4e 13t 9 + 4e 13t
S 1 =
1 = 0;
Svojstveni vektori su:
~e1 =
1
1
2 =
~e2 =
6:
1
1
208
POGLAVLJE 4.
Nadalje je:
S=
1 1
1 1
S 1=
0
0
D=
0 6
eDt
MARKOVLJEVI LANCI
1 1 1
2 1 1
= 10
e 6t
P(t) = S
eDt
1 1 1 06t 1 1 =
1 1
2 1 1 0 e
"
#
1
+
e 6t 1 e 6t
1
= 2 1 e 6t 1 + e 6t
S 1 = 1
Q=
pa slijedi:
5 5 ;
3 3
4.5.
209
pij (t) = e
t
(t)j i
(j i)!
d
pij
qij =
dt t=0
Dobivamo razliite vrijednosti ovisno o razlici
t=0
t
t=0
i.
t
t t=0
dpi;i(t) = de
=
e t t=0 =
dt
d
dp ( ) = d(t)e t = 2 te t + e
qi;i+1 = i;i+1
t=0
dt
dt t=0
dp (t)
qi;j = jj i + 2j = i;j = 0
dt
qi;i =
t
t=0
t=0
Q=
Iz jednadbi
slijedi
6
6
6
6
6
4
0
0
0
.
.
.
0
0
.
.
.
0
.
.
.
0
0
:::
:::
:::
:::
.
.
.
..
3
7
7
7
7
7
5
=
210
POGLAVLJE 4.
MARKOVLJEVI LANCI
Q=
p0 (t) + p1 (t) = 1:
Prva diferencijalna jednadba sada ima samo jednu nepoznanicu:
dp0 (t)
dt
= ( + )p0(t) + :
( + ) P0 (s) + s )
P0 (s) [s + + ] = + p0 (0) )
s
p0 (0) + +
p0 (0)
P0 (s) =
+
= s++ + s
s(s + + ) s + +
P0 (s) s p0 (0) =
p0 (t) =
+
+
p0 (0)
+
p1 (t) = 1 p0 (t):
e (+)t
4.5.
211
0 0
6 0
6
6 0
0
Q=6
6 0
0
4
.
.
.
0 0
0
2 2
0 3
.
.
.
.
.
.
:::
:::
:::
:::
.
.
.
..
3
7
7
7
7
7
5
P(t)
kada
t tei u beskonanost:
"
3 + 3e 8t
8
8
3 5e 8t
8
8
5 3e 8t
8
8
5 + 5e 8t
8
8
"
3
8
3
8
5
8
5
8
^ : p^0
P
3
8 , p^1
5
8
Matricu
gustoa prijelaznih vjerojatnosti raunamo kao vrijednost derivacije prijelaznih vjerojatnosti u toki
qij =
@pij (t)
.
@t
Dobivamo
Q=
3 3
5 5
"
1 3 + 5e
P(t) =
8 3 3e
8t
8t
5 5e
5 + 3e
8t #
8t :
"
1 3 + 5e
lim P(t) = tlim
t!1
!1 8 3 3e
8t
8t
5 5e
5 + 3e
8t
8t
t tei u beskonano:
"
3 5 #
8
= 3 85 :
8 8
t = 0:
212
POGLAVLJE 4.
MARKOVLJEVI LANCI
p^ > =
3 5
8 8
"
13t
13t
1 4 + 9e
P(t) =
13 4 4e
13t
13t
9 9e
9 + 4e
"
13t
13t
1 4 + 9e
lim
P(t) = lim
t!1
t!1 13 4 4e
13t
13t
9 9e
9 + 4e
t tei u beskonano:
"
4 9 #
13
= 4 139 :
13 13
p^ > =
4 9
13 13
"
1 1+e
P(t) =
2 1 e
6t
6t
1 e
1+e
6t
6t
t tei u beskonano:
"
1 1 #
2
= 1 21 :
2 2
"
1 1+e
lim
P(t) = lim
t!1
t!1 2 1 e
6t
6t
1 e
1+e
6t
6t
p^ > =
1 1
2 2
Q=4
4 4 0 3
6 15 9 5 :
0 6 6
~0 = Q> p^
p^0 + p^1 + p^2 = 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
p^0 + p^1 + p^2 = 1
4.5.
213
Budui da sustav ima jednu jednadbu previe, drugu jednadbu emo zamijeniti posljednjom, pa
zapravo rjeavamo sustav:
4^p0 + 6^p1 = 0
p^0 + p^1 + p^2 = 1
9^p1 6^p2 = 0
2
6
4
4 6 0 0 3 2 0 10 4 4 3 2 0
1 1 1 1 75 = 64 1 1 1 1 75 = 64 1
0 9 6 0
0 1 32 0
0
2
0 1 25 25 3 2 0
= 64 1 0 35 35 75 = 64 1
0
0 0 1 38
1 25 25 3
0 35 35 75 =
0 1615 52
1 0 82 3
0 0 38 75
0 1 38
p^0 =
3 p^1 = 1 p^2 = 3
8
4
8
2
6
4
11 4 7 3
7 1 5
Q=4 6
6 5 11
2
1 1 1 1 3
1 0 0
4 7 1 0 75 = : : : = 64 0 1 0
7 1 11 0
0 0 1
19
45
17
60
53
180
3
7
5
Za rjeavanje ovog sustava moemo iskoristiti i Cramerovo pravilo, kojim lake dolazimo do rjeenja.
Stacionarne vjerojatnosti su:
p^0 =
19 p^1 = 17 p^2 = 53
45
60
180
Q=4
Iz jednadbi:
4 4 0 3
0 9 9 5
5 6 11
~0 = Q> p^
4^p0 + 5^p2 = 0
9^p1 11^p2 = 0
p^0 + p^1 + p^2 = 1
214
POGLAVLJE 4.
4
11 4
11
p^1 = p^2 = p^0 )
9
9 5
11
4
4
p^0 + p^0 + p^0 = 1
9 5 5
9
p^0 =
25
11 4
44
p^1 = p^0 =
9 5
125
4
36
p^2 = p^0 =
5
125
MARKOVLJEVI LANCI
p^0 u treu:
p^2 = p^0
5
Dobivamo:
Q=4
Iz jednadbi:
4 0 4 3
0 5 5 5
0 4 4
~0 = Q> p^
p^0 + p^1 + p^2 = 1
4^p0 + 3^p2 = 0
5^p1 + ^4p2 = 0
p^0 + p^1 + p^2 = 1
Rijeimo ovaj sustav uvrtavanjem rjeenja prve dvije jednadbe po
4
4 4
4
p^1 = p^2 = p^0 )
5
3 5
11 4 4
p^0 + p^0 + p^0 = 1
9 5 5
5
p^0 =
17
4 4
16
p^1 = p^0 =
3 5
51
20
4
p^2 = p^0 =
3
51
p^0 u treu:
p^2 = p^0
3
Dobivamo:
4^p0 = 5^p2
9^p1 = 4^p0 + 6^p2
(5 + 6)^p2 = 9^p1
p^0 + p^1 + p^2 = 1
4.5.
215
9 ; p^1 = 44 p^2 = 36
25
125
125
p^0 =
Rjeenje zadatka 4.37
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
p^0 + p^1 + p^2 = 1
p^0 =
5
16
20
17 ; p^1 = 51 p^2 = 51
p^0 = p^1
p^2 = p^1
p^3 = p^1
3^p1 = p^0 + p^2 + p^3
Slijedi:
1
4
p~ij
Dakle,
p~12 =
qij
; i 6= j:
qii
1 = 1:
3 3
1
4
p~ij
Dakle,
p~12 =
qij
; i 6= j:
qii
1 = 1:
3 3
216
POGLAVLJE 4.
4.5.3
MARKOVLJEVI LANCI
intenzitet umiranja.
pi;i+1 (h)
pi;i 1 (h)
pi;j (h)
pii (h)
Iz
= h + o(h)
= h + o(h)
= o(h); jj ij 2
= 1 ( + )h + o(h)
pii (h)
pij (h)
2
dobivamo
Q=
6
6
6
6
6
4
0
0
.
.
.
= 1 + aii h + o(h)
= aij h + o(h)
( + )
0
.
.
.
0
( + )
.
.
.
0
0
( + )
.
.
.
:::
:::
:::
:::
..
3
7
7
7
7
7
5
pi;i+1 (h)
pi;i 1 (h)
pi;j (h)
pii (h)
= h + o(h)
= h + o(h)
= o(h); jj ij 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
s
o(h).
pk (t + h)
pk (t + h)
pk (t + h) pk (t)
pk (t + h) pk (t)
h
dpk (t)
dt
=
=
=
=
k>0
dp0(t) =
dt
Iz
pii (h)
pij (h)
2
dobivamo
Q=
6
6
6
6
6
4
0
0
.
.
.
= 1 + aii h + o(h)
= aij h + o(h)
( + )
0
.
.
.
0
( + )
.
.
.
0
0
( + )
.
.
.
:::
:::
:::
:::
..
3
7
7
7
7
7
5
4.5.
217
pi 1;i (h)
pi+1;i (h)
pi;j (h)
pii (h)
=
=
=
=
(i 1)h + o(h)
(i + 1)h + o(h)
o(h); jj ij 2
1 i( + )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
s
o(h).
pk (t + h)
pk (t + h)
pk (t + h) pk (t)
pk (t + h) pk (t)
h
dpk (t)
dt
=
=
=
=
=
pii (h)
pij (h)
dobivamo
0
6
6
Q=6
6 0
6 0
4
.
.
.
0
( + )
2
0
.
.
.
= 1 + aii h + o(h)
= aij h + o(h)
0
2( + )
3
.
.
.
0
0
2
3( + )
.
.
.
:::
:::
:::
:::
..
pii (h)
pij (h)
= 1 + aii h + o(h)
= aij h + o(h)
dobivamo
pi;i+1 (h)
pi;i 1 (h)
pi;j (h)
pii (h)
= h + o(h)
= (i 1)h + o(h)
= o(h); jj ij 2
= 1 ( + (i 1))h + o(h); i 0
3
7
7
7
7
7
5
218
POGLAVLJE 4.
MARKOVLJEVI LANCI
pk (t + h)
pk (t + h)
pk (t + h) pk (t)
pk (t + h) pk (t)
h
dpk (t)
dt
=
=
=
=
=
Slino dobivamo:
p0 (t)
p^0 = p^1
p^2 = p^1
p^3 = p^1
p^0 + p^1 + p^2 + p^3 = 1
Stacionarne vjerojatnosti su:
1
4
2^p0 = p^3
p^0 = 2^p1
p^1 = 2^p2
3^p2 = p^2
p^0 + p^1 + p^2 + p^3 = 1
Stacionarne vjerojatnosti su:
1
4
4.5.
219
Intenziteti raanja su elementi prve gornje sporedne dijagonale matrice gustoa prijelaza, dok su
intenziteti umiranja elementi prve donje sporedne dijagonale matrice
Q=
6
6
6
6
6
6
4
0
( + 2)
2
0
0
( + )
2
0
0
0
0
0
0
0
0
0
( + 2)
2
0
Q.
0
0
0
( + 2)
2
0 3
0 77
0 77
0 77
5
2
Budui da se radi o jednodimenzionalnom lancu raanja i umiranja, moemo postaviti sljedee jednadbe lokalne ravnotee:
) p^1 = p^0
p^0 = p^1
p^1 = 2p^2
2
) p^2 = 2 p^1 = 21 p^0
3
1
p^2 = 2p^3 ) p^3 = p^2 = 2
2
2 p^0
1 4 p^0
p^3 = 2p^4 ) p^4 = p^3 = 3
2
2
5
1
p^4 = 2p^5 ) p^5 = p^4 = 4
2
2 p^0
1 = p^0 + p^1 + p^2 + p^3 + p^4 + p^5
Iz dobivenih jednadbi dobivamo vrijednost za p
^0, a time i sve ostale stacionarne vjerojatnosti:
2 3 4 5 1
p^0 = 1 + + + + +
gdje je
=
16
.
Q=
6
6
6
6
4
0
0
0
( + )
2
0
0
0
( + 2)
2
0
Q.
0
0
( + 2)
2
0 3
0 77
0 77
5
2
220
POGLAVLJE 4.
MARKOVLJEVI LANCI
Budui da se radi o jednodimenzionalnom lancu raanja i umiranja, moemo postaviti sljedee jednadbe lokalne ravnotee:
) p^1 = p^0
2
1
p^1 = 2p^2 ) p^2 = p^1 =
2
2 p^0
p^0 = p^1
p^2 = 2p^3
3
) p^3 = 2 p^2 = 212 p^0
4
1
p^3 = 2p^4 ) p^4 = p^3 = 3
2
2 p^0
1 = p^0 + p^1 + p^2 + p^3 + p^4 + p^5
gdje je
=
.
4.5.
221
Intenziteti raanja su elementi prve gornje sporedne dijagonale matrice gustoa prijelaza, dok su
intenziteti umiranja elementi prve donje sporedne dijagonale matrice
Q=
6
6
6
6
6
6
4
0
0
0
0
( + )
2
0
0
0
0
( + 2)
3
0
0
0
0
( + 3)
3
0
Q.
0
0
0
( + 3)
3
0 3
0 77
0 77
0 77
5
3
Budui da se radi o jednodimenzionalnom lancu raanja i umiranja, moemo postaviti sljedee jednadbe lokalne ravnotee:
) p^1 = p^0
2
1
p^1 = 2p^2 ) p^2 = p^1 =
2
2 p^0
p^0 = p^1
3
p^2 = 3p^3
p^4 = 3p^5
5
) p^5 = 3 p^4 = 2 133 p^0
=
2
3
4
5 1
1 + + 2 + 6 + 18 + + 54
.
Stanje
(i; j ) oznaava stanje kada je uspostavljeno i veza tipa A i j veza tipa B. Da bismo izraunali
vjerojatnost blokiranja, moramo izraunati stacionarne vjerojatnosti ovog lanca. Postavimo jednadbe
lokalne ravnotee za lanac:
p00 = p10
p00 = p01
) p10 = p00
) p01 = p00
2
p01 = 2p02 ) p02 = p01 = p00
2
2
222
gdje je
POGLAVLJE 4.
=
.
p00
MARKOVLJEVI LANCI
dobivamo
p00 =
1 + 2 + 22
pA =
1 + 2 + 22