Professional Documents
Culture Documents
govorilne ure:
vsak četrtek 13.00-14.30, kabinet 506
e-mail: alenka.brezavscek@fov.uni-mb.si
Literatura
• Predavanja
A. Hudoklin-Božič: Stohastični procesi
VI. izdaja
• Vaje
A. Hudoklin-Božič, R. Sabolek, A. Brezavšček:
Stohastični procesi, Zbirka rešenih nalog
Stohastični (naključni) procesi
so procesi, ki se spreminjajo s časom ali krajem v
skladu z zakoni verjetnosti.
Markovski procesi
II I
III IV
pogojna verjetnost
p X n ( x X m = y) verjetnost, da je v času n zasedeno stanje x, pri
pogoju da je bilo v času m zasedeno stanje y.
[y X (t ) = z) p ]
∞
p X ( v ) [x X (t ) = z ] = ∫p X (u ) X (v ) ( x X (u ) = y ] dy
−∞
Velja torej:
P( X m+n = j X m = i) = P( X n = j X 0 = i) m = 1,2, K; n = 1,2, K
Prehodna matrika: 0 1 . . N
0 p00 p01 . . p0 N
1 p10 p11 . . p1N
. . . . . .
P = {pij }=
. . . . . .
. . . . . .
N p N 0 pN1 . . p NN
P vsebuje vse potrebne informacije o prehodih verige med stanji mark. verige.
0 1 . . N
0 p00 p01 . . p0 N
1p p11 . . p1N
10
. . . . . .
P = {pij }=
. . . . . .
. . . . . .
N p N 0 pN1 . . p NN
Vsota elementov
∞
verjetnostne porazdelitve je vedno enaka 1!
∑ i =1
p (n)
n = 0,1, K i = 0,1, K
i =1
Za izračun p (n ) potrebujemo:
⇒ prehodno matriko P
⇒ verjetnostno porazdelitev za zasedbo stanj na začetku
opazovanja p ( 0) = [p0( 0) , p1( 0) ,K]
Zapišemo:
p ( n) = p (0) P n
poljubno stanje i
povratno minljivo
periodičnost
(periodična, neperiodična)
Veličine, ki jih bomo za klasifikacijo stanj potrebovali
poljubno stanje i
povratno minljivo
fi = 1 fi < 1
Pij ( s )
Fij ( s ) =
1 + Pjj ( s )
Želimo poiskati limite izrazov za Fjj(s) in Fij(s), če gre s→1.
Abelov izrek:
za vsako rodovno funkcijo G ( s) = ∑ g n s n , g n ≥ 0 velja relacija
n
G (1) = lim G ( s ) = ∑ g n
s →1
n
Sledi:
∞
F jj (1) = ∑ f jj( n ) = f j
n =1 Pjj (1)
∞ F jj (1) =
1 + Pjj (1)
Pjj (1) = ∑ p (jjn )
n =1
∞
Fij (1) = ∑ f ij( n ) = f ij
n =1 Pij (1)
∞ Fij (1) =
Pij (1) = ∑ pij( n ) 1 + Pjj (1)
n =1
Sklep
Stanje j je povratno, če velja:
∞
f j = 1 ⇒ F jj (1) = 1 ⇒ Pjj (1) = ∞ ⇒ ∑ p (jjn) = ∞
n =1
Fij (1)
Za vsako drugo stanje i velja: lim pij( n ) =
n →∞ µj
1
Za periodično povratno stanje j velja: lim p (jjnd ) = d
n →∞ µj
( r + nd ) Fij (1)
Za vsako drugo stanje i velja: lim pij ij =d
n →∞ µj
poljubno stanje i
povratno minljivo
∞ ∞
∑ pii( n ) =∞ ∑ pii(n) < ∞
n =1 n =1
lim pii( n ) = 0
n →∞
pozitivno povratno
neperiodično ničelno
lim pii( n ) > 0 lim pii( n ) = 0
n →∞ n →∞
množica množica
povratnih stanj minljivih stanj
T
enolično razdelimo na
zaprte množice
Ci
Ena izmed množic (bodisi povratnih bodisi minljivih stanj) je lahko prazna.
nerazcepna razcepna
končna
vsa stanja so istega tipa
stanja niso istega tipa
(zadošča, če opredelimo
eno samo stanje) ⇒ na podlagi verjetnostnega
grafa določimo množico
minljivih stanj in zaprte
končna neskončna množice
⇒stanja so poz. povratna
⇒stanja so lahko kakršnegakoli tipa: ⇒ če je veriga končna, so
⇒ določiti je potrebno še povratna (poz. povratna, ničelna) ali stanja v posamezni zaprti
periodičnost enega izmed minljiva množici poz. povratna
stanj
⇒ na podlagi verjetnostnega grafa oz. ⇒ določiti je potrebno še
z izačunom fi določimo ali so povratna periodičnost enega izmed stanj
ali minljiva iz vsake zaprte množice
⇒ če ugotovimo, da so stanja
povratna, izračunamo za eno stanje še
µ. Če ugotovimo:
µ<∞ ⇒ stanja so poz. povratna
µ=∞ ⇒ stanja so ničelna
Ravnovesna porazdelitev
je verjetnostna porazdelitev za zasedbo stanj homogene
markovske verige, ki se pri velikih časih ustali (se s časom ne
spreminja več) in postane neodvisna od začetnih pogojev.
Ravnovesna porazdelitev ne obstaja vedno, pač pa le v določenih primerih.
πj >0
Ravnovesna porazdelitev pri nerazcepnih končnih verigah
2. Periodične verige
Pri nerazcepnih končnih periodičnih verigah ravnovesna
porazdelitev v običajnem smislu ne obstaja.
Obstaja samo stacionarna porazdelitev, ki se, če je
S={0, 1, 2,…, N} glasi:
ψ = [ψ 0 ,ψ 1 ,ψ 2 K ,ψ N ]
πj >0
Kadar so stanja nerazcepne neskončne verige pozitivno povratna
periodična, ravnovesna porazdelitev ne obstaja. V tem primeru
obstaja le stacionarna porazdelitev ψ = [ψ 0 ,ψ 1 ,ψ 2 K] , ki zadošča
sistemu enačb:
ψ ⋅ P =ψ
∑ψ j
j =1
Ravnovesna porazdelitev pri razcepnih verigah
1. Razcepne končne verige
Pogoj za obstoj ravnovesne porazdelitve je naslednji:
πj ≥0
πj ≥0
Posamezen element ravnovesne porazdelitve, πj, pomeni
verjetnost, da je po daljšem času zasedeno stanje j.
Ravnovesna porazdelitev ne obstaja vedno, pač pa le, kadar so
izpolnjeni določeni pogoji.
Kadar ravnovesna porazdelitev obstaja, je obenem tudi
stacionarna, kar pomeni: če bi imeli π kot začetno porazdelitev, bi
ostala nespremenjena v vseh časih: p(0)=π ⇒ p(n)=π za vse čase n
Pogoji za obstoj ravnovesne porazdelitve
homogena markovska veriga
nerazcepna razcepna
(končna in neskončna) (končna in neskončna)
⇒ za končne in neskončne verige mora biti
izpolnjen 1.pogoj:
neperiodična periodična
Veriga mora biti sestavljena ene same zaprte
⇒ obstaja ravnovesna ⇒ ravnovesna porazdelitev
množice pozitivno povratnih neperiodičnih
porazdelitev π , ki je tudi ne obstaja
stanj in množice minljivih stanj.
stacionarna:
⇒ obstaja porazdelitev ψ,
(0) (n)
p = π ⇒ p = π n = 1,2, K ki je stacionarna: neskončna veriga
⇒ ravnovesna porazdelitev (0) (n)
p = ψ ⇒ p = ψ n = 1,2, K
zadošča sistemu enačb: ⇒ izpolnjen mora biti tudi 2.pogoj:
⇒ porazdelitev ψ zadošča
π ⋅P =π Verjetnost, da veriga kdaj zapusti
sistemu enačb:
∑π j = 1 minljiva stanja in preide v zaprto
j ψ ⋅ P =ψ
množico povratnih stanj, mora biti 1.
πj >0
∑ψ j =1 ⇒ kadar ravnovesna porazdelitev π
j
obstaja, je obenem tudi stacionarna:
(0) (n)
p =π ⇒ p =π n = 1,2, K
in zadošča sistemu enačb:
π ⋅P =π
∑π j = 1
j
π j ≥0
Absorpcija pri razcepnih verigah
O absorpciji govorimo, kadar veriga pride iz nekega
minljivega stanja v eno izmed zaprtih množic povratnih stanj
in je ne more več zapustiti.
f iC = ∑ pij + ∑ pij f jC i ∈T
j∈C j∈T
kjer pomeni
I - enotsko matriko
Q - matriko, ki vsebuje verjetnosti prehodov med posameznimi minljivimi stanji
(
f C = I −Q )−1
RC 1 = N RC 1
kjer pomeni {Cl} množico vseh zaprtih množic: {Cl} ={C1, C2, C3, ...}
Postopek:
Nerazcepno verigo s prehodno matriko P spremenimo v
razcepno verigo s prehodno matriko P*.
To storimo tako, da k-to stanje nerazcepne verige
spremenimo v ponorno, kar pomeni:
V prehodni matriki P spremenimo le k-to vrstico:
Diagonalni element v k-ti vrstici postavimo enak 1, ostale
elemente v tej vrstici pa enake 0. Druge vrstice prehodne
matrike P ostanejo nespremenjene.
Novo prehodno matriko P* lahko torej zapišemo v naslednji obliki:
0 1 . k . N
0 p00 p01 . . . p0 N
1 p10 p11 . . . p1N
* . . . . . . .
P =
k 0 0 0 1 0 0
. . . . . . .
N p N 0 pN1 . . . p NN
Vpeljemo oznake:
N(t) število dogodkov, ki se zgodijo v časovnem
intervalu (0,t)
N(t,t+∆t) število dogodkov, ki se zgodijo v časovnem
intervalu (t,t+∆t)
Poissonov proces je stohastični proces, ki ustreza
naslednjim zahtevam:
Za pozitivno konstanto ρ in ∆t→0 mora veljati:
• P[N(t,t+∆t)=0]=1- ρ∆t
• P[N(t,t+∆t)=1]=ρ∆t
• P[N(t,t+∆t)>1]=0
• Število N(t,t+∆t) je popolnoma neodvisno od števila N(t).
Drugače rečeno:
Relaciji
Z1+ Z2+ Z3+…+ Zi> t
N(t) < i
sta enakovredni.
Poissonov proces služi kot model mnogih
realnih procesov, kot npr.:
• obnavljanje strojev ali naprav v eksploataciji
• obnavljanje zalog v skladišču
• nezgode v cestnem prometu
• množična strežba
• telefonski pozivi
• razpad radioaktivnih jeder
• …
ROJSTNO-SMRTNI PROCESI
ROJSTNI PROCESI SMRTNI PROCESI
kombinacija rojstnega in
velikost populacije s velikost populacije s
smrtnega procesa - velikost
časom izključno časom izključno
populacije s časom
raste upada
raste in upada
Zanima nas
verjetnostna porazdelitev za zasedbo stanj
tj., verjetnost, da je v času t prisotnih (“živih”)
natanko i individuumov:
pi(t)= P[N(t)=i], i=0,1,2,…
Linearni rojstni proces
Vzemimo populacijo i individuumov, za katero velja:
Možni dogodki v tej populaciji so rojstva ⇒
velikost populacije s časom izključno raste.
• razmnoževanje bakterij
• razne fizikalno - kemijske reakcije (npr.
pomnoževanje nevtronov pri verižni reakciji
jedrske cepitve)
• ipd.
Linearni smrtni proces
Vzemimo populacijo i individuumov, za katero velja:
Kadar ima proces končno stanj, ima vsota S končno členov, kar
pomeni, da ravnovesna porazdelitev v takem primeru vedno
obstaja.
Množična strežba
Teorija množične strežbe predstavlja poseben primer
aplikacije rojstno smrtnih procesov.
Zmogljivost sistema
je določena s številom paralelnih strežnih mest, ki lahko variira
med 1 in ∞.
Razpoložljivost sistema
je popolna, če zaključek ene strežbe sovpada z začetkom druge
(če sistem ni prazen).
Če strežnik od časa do časa zapusti strežno mesto, je potrebno
specificirati pogostost odhodov in porazdelitev časov odsotnosti.
Časi strežbe so naključne veličine. Za njihovo modeliranje
uporabimo eno izmed znanih verjetnostnih porazdelitev.
Standardne oznake:
M – Poissonov proces dogodkov (prihodov strank ali zaključkov
strežb) oziroma eksponentna porazdelitev časov (med dvema
zaporednima prihodoma ali časov strežbe)
G – splošna porazdelitev časov (med dvema zaporednima
prihodoma ali časov strežbe)
D – neprava porazdelitev časov (med dvema zaporednima
prihodoma ali časov strežbe)
r – število strežnih mest
Variante modelov: M/M/3 – omejen prostor za čakanje, M/G/2, G/M/1, ...
Omejitve
v modelu sistema strežbe lahko nastopajo v smislu
• populacije strank,
• prostora za čakanje,
• ostale posebnosti modela.