• Objekt – to, na čo zameriavame svoju činnosť.

Objekt = cieľ pozornosti, predmet, teleso

• Systém – účelovo definovaný súbor komponentov, medzi ktorými existujú väzby (vzťahy,
súvislosti, relácie), ktoré sledujú nejaký cieľ.
Druhy systémov:

▪ Spojité a diskrétne

▪ Kauzálne a nekauzálne

▪ Otvorené, uzatvorené, izolované

▪ Deterministické a stochastické

▪ Lineárne a nelineárne

▪ Jednorozmerné a viacrozmerné

▪ Umelo vytvorené a prirodzené

▪ Časovo invariantné a variantné

Signál – prostriedok na prenos informácie.

• z hľadiska fyzikálneho – veličina merateľná v čase, priestore

• z pohľadu elektrotechniky a spracovania signálu – akákoľvek premenná závislá na čase

alebo priestore

• Model – reprezentuje systém, ktorý študujeme. Je to objekt alebo koncept, ktorý sa používa na
prezentovanie niečoho. Umožňuje hovoriť o pravdivosti resp. platnosti tvrdení.
Model → Teória (vzájomné protiklady).
Vhodným modelom vieme overiť dokázateľnosť niektorých tvrdení alebo hypotéz.

• Matematický model – abstraktný model používajúci matematický zápis na opísanie správania

systému (sústavy).
Využitie hlavne v prírodných vedách (biológia, fyzika i elektrotechnika) i sociálnych vedách
(ekonómia, sociológia a politické vedné disciplíny)

• Typy matematických modelov

• Lineárny a nelineárny
- lineárny je reprezentovaný lineárnymi rovnicami;
- nelineárny je taký, kde aspoň jedna z podmienok je reprezentovaná nelineárnou
rovnicou

• Deterministický a stochastický
- deterministický = za rovnakých vstupných podmienok má vždy rovnaké správanie;
- stochastický = prvok náhody, t.j. aj pri rovnakých vstupoch má rozdielne správania

• Statický a dynamický
- statický model nie je závislý na parametroch od času, dynamický áno
- dynamický model je reprezentovaný rekurentnými alebo diferenciálnymi rovnicami

• Kauzálny a akauzálny
- kauzálny = výstupy a vnútorný stav je závislí na aktuálnych a minulých vstupných
hodnotách
- akauzálny = ak sú výstupy závislé aj od budúcich vstupných hodnôt
 • Simulácia = metóda získavania nových vedomostí o systéme experimentovaním s jeho modelom
alebo
Reprezentácia konkrétnych kľúčových charakteristík, prejavov a
správania sa vybraného fyzikálneho javu alebo abstraktného
systému.

• Počítačová simulácia = snaha o model objektívnej skutočnosti alebo hypotetickej situácie za

účelom štúdia modelovaného systému, jeho správanie alebo
funkcie pre rôzne situácie.
Umožňuje predpovedať správanie reálneho systému.

Proces modelovania

Definícia problému-
Formulácia
Formulácia zjednodušenie
matematického
problému pôvodného
modelu
problému

Overenie riešenia Interpretácia Realizácia modelu-

(validácia) riešenia identifikácia riešenia

Kroky modelovania
Modelovací proces môžeme rozdeliť na tri hlavné kroky:

• Formulácia

1. Tvorba otázky

2. Identifikácia relevantných faktorov

3. Matematické vyjadrenie

• Matematická manipulácia – je potrebné realizovať matematické výpočty

• Hodnotenie – odpoveď či vytvorený model dáva správne odpovede na formulované otázky

problému

Modelovanie
Matematické modelovanie môže byť opakovaným cyklom troch modelovacích krokov.
Medzi aktivity vykonávané v oblasti matematického modelovania patria:

• formulovanie problému v reálnom svete,

• formulovanie matematického problému a

• riešenie matematického problému.

Na vyriešenie problému modelovaním potrebujeme množstvo zručností, medzi ktorými je aj schopnosť
abstrahovať matematický problém zo situácií z reálneho života, aby sme vedeli použiť vhodné
matematické nástroje potrebné na vyriešenie problému/ov.

Modelovanie a simulácia
• Definícia: Analytické riešenie zahŕňa hľadanie vzorca, ktorý sa týka veličín, ktoré sa snažíme
odhadnúť na iné veličiny, ktoré sú nám známe (Spoliehame sa striktne na matematickú teóriu).
Simulované riešenie sa pokúša odhadnúť hodnoty veličín simuláciou dynamického správania
zapojený systém (potrebuje menej teórie, ale veľa trpezlivosti a/alebo počítačového času). Tento
proces sa nazýva simulácia.

• Matematické modelovanie je činnosťou prekladu skutočného problému do matematickej formy.

Matematická forma je vyriešená a potom interpretovaná, aby sme pomohli vysvetliť správanie
skutočného problému.

Oblasti využitia simulácie

• Obslužné systémy – supermarket, lyžiarske strediská

• Doprava – križovatky

• Logistika - zásobovanie, automatický sklad

• Počítačové a Telekomunikačné siete – mobilný operátori

• Ekonomika – kríza na burze

• Výrobné systémy – KIA, JAGUAR,... (modely fabriky)

• Armáda – trenažéry (tankov, lietadiel,...)

• Zdravotníctvo – simulácie operácie, účinky liekov, placebo

• Chémia – polyméry, reakcie

• Krízový manažment – vodné dielo (simulácie povodne), evakuácia

Výhody a nevýhody simulácie

• skúmanie komplexných systémov

• cena
• kompresia a expanzia času – model trvá kratšie ako skutočnosť, alebo naopak je možné ho
predĺžiť
• vykonávanie kontrolovaných experimentov – kontrolované zrážky častí, výbuchy
• neovplyvňuje činnosť reálneho systému
• efektívny tréningový nástroj – trenažéry
• pomáha porozumieť fungovaniu systému
• vytvorenie modelu vyžaduje odborné znalosti
• nezaručuje získanie optimálnych hodnôt skúmaných parametrov systému – nutnosť iteračného
postupu
• stochastičnosť (náhodné vstupy) vstupov vyžaduje dôsledné štatistické spracovanie výsledkov
• vytvorenie komplexného modelu môže byť časovo náročné
Spojité jednoduché populačné modely
• Účelom tejto kapitoly je vytvoriť spojité modely populácie.

• model exponenciálneho rastu,

• model logistického rastu, model logistického rastu s oneskorením

• čiastočný funkčný logistický model.

Budeme realizovať modelovú analýzu pomocou analytických a numerických metód realizovaných

MATLABom.

Model exponenciálneho rastu

Pozrieme sa na populáciu, v ktorej sa všetci jednotlivci rozvíjajú nezávisle navzájom.

• jedinci musia žiť v neobmedzenom prostredí, kde nie je možná žiadna forma súťaže,

• Veľkosť populácie jediného druhu v čase t bude označené x(t), kde sa predpokladá, že x je všade
diferenciovateľné, čo je hladká (spojitá) funkcia na t.

• Mieru zmeny veľkosti populácie možno vypočítať, ak sú nám známe narodenia, úmrtia a
migrácia

• Uzavretá populácia nemá žiadnu migráciu ani do ani z nej.

• Pre mikroorganizmy, ktoré sa rozmnožujú rozdelením, je rozumné predpokladať, že úmrtnosť

nových organizmov je úmerná počtu prítomných organizmov.

• ak je veľkosť populácie v čase t je x, potom počas krátkeho časového intervalu trvania h od času
t do t + h, počet narodení je približne bhx pre nejakú konštantu b - pôrodnostná kapacita.

•
Podobne môžeme predpokladať, že počet úmrtí v rovnakom časovom intervale je približne μhx
pre niektoré konštanty μ – kapacita úmrtia.

• Čistá zmena veľkosti populácie od času t do času t + h, čo je x(t + h) - x(t) možno aproximovať
pomocou
(bh - μh)x(t). Získame tak aproximačnú rovnicu:
𝑥(𝑡+ℎ)−𝑥(𝑡)
• ≈ (𝑏 − 𝜇)𝑥(𝑡)
ℎ

• Pre h→ 𝟎 dostaneme:
𝑑𝑥
= (𝑏 − 𝜇)𝑥(𝑡)
𝑑𝑡
• Za predpokladu, že x(t) je diferencovateľná, dostaneme definíciu čistej miery rastu:

r≡ 𝑏 − 𝜇

• Potom sa opäť vrátime k diferenciálnej rovnici a dostaneme:

𝑑𝑥
= 𝑟𝑥 (𝑡)
𝑑𝑡
• Táto diferenciálna rovnica má nekonečné riešenie dané jedným parametrom funkcie

𝑥(𝑡) = 𝑘𝑒 𝑟𝑡
 • Najpohodlnejší spôsob stanovenia podmienky, ktorý bude charakterizovať populačnú dynamiku
konkrétnej populácie, je určením počiatočnej veľkosti populácie v čase t = 0 ako

x(0) =𝑥0
𝑑𝑥
• Táto podmienka sa nazýva počiatočná a problém pozostávajúci z diferenciálnej rovnice =
𝑑𝑡
𝑟𝑥 (𝑡) spolu s počiatočnou podmienkou sa nazýva problém s počiatočnou hodnotou.

• Uvedený problém s počiatočnou hodnotou má jedinečné riešenie:

𝑥 (𝑡) = 𝑥0 𝑒 𝑟𝑡

• kde r>0 znamená, že veľkosť populácie rastie, zatiaľ čo pre r<0 sa populácia blíži k nule.

• Populácie, ktoré najskôr rastú exponenciálne, sú bežne pozorované v prírode. Avšak ich miery
rastu zvyčajne majú tendenciu klesať s rastom počtu obyvateľov.

• V skutočnosti, exponenciálny rast alebo rozpad sa môže považovať za typické miestne (lokálne)
správanie.

• Ďalšia časť uvažuje o nelineárnych predpokladoch rastu počtu obyvateľov, ktorá vedie k úplne
odlišnej kvalitatívnej predikcii.

Populačný Model logistického rastu

Rovnako ako pri exponenciálnom raste budeme x(t) označovať veľkosť populácie v čase t a dx/dt alebo
𝑥̇ rýchlosť zmeny veľkosti obyvateľstva.
Tu skúmame modely, v ktorých rýchlosť rastu závisí len od veľkosti populácie, pretože aj napriek ich
nedostatkom, tieto predpovedajú kvalitatívne správanie mnohých skutočných problémov.

Rýchlosť rastu kapacity je daná vzťahom 𝑥̇ /x (t), čo predpokladáme že je funkciou x(t).

Najjednoduchší model populácie, v ktorom rýchlosť rastu kapacity klesajúca funkcia veľkosti populácie je
ν - ax. Táto skutočnosť nás vedie k logistickej diferenciálnej rovnici

𝑥̇ = x(ν − ax)

• Logistický model hovorí o rýchlosti rastu populácie a je určený koeficientom r a veľkosťou

populácie, ktorá je modifikovaná ekologickou odolnosťou, alebo inými slovami, všetkými rôznymi
efektmi zahusťovania (závislosť od hustoty).

• Tieto efekty môžu zahŕňať zníženú reprodukciu v dôsledku zníženej výživy matky, vysokej
úmrtnosti ako dôsledku predátorov a zvýšenej migrácie.

• Ekologická odolnosť vzrastá. Keď sa veľkosť populácie približuje ku kapacite prostredia (zvyčajne
vyjadrená K), ktorou je veľkosť populácie, ktorú vie oblasť podporovať svojimi zdrojmi, začne sa
znižovať individuálna miera pôrodnosti.

• Existujú dôkazy, ktoré ukazujú, že keď hustota populácie meraná počtom jedincov v oblasti
rastie, dochádza ku tendencii znižovania individuálnej miery pôrodnosti a k stúpajúcej tendencii
úmrtnosti. Ak sa hodnoty rovnajú, tak rýchlosť rastu populácie je definovaná nulou.
(WHITE, J. 2014. Exponential and geometric population growth. School of forest resources.)

• ktorú bežne zapisujeme v nasledujúcej forme:

𝑥
𝑥̇ = rx(1 − )
𝐾
 • Z rovnice je zrejmé, že x(t)=x a x(t)=K sú riešenia rovnice. Ak budeme predpokladať, že x(t) ≠ x a
x(t) ≠ K a po viacerých matematických úpravách sa dostaneme k vyjadreniu:
𝑥0 𝐾
x(t) = 𝑥 𝑟𝑡
0 + (𝐾−𝑥0 )𝑒

Lotka-volterra model
• Model predátor-korisť

• Model populačnej dynamiky popisujúci vývoj dravcov v závislosti na počte jej koristi

• Jeden z prvých pokusov ako matematicky vysvetliť mechanizmus zabezpečujúci druhovú

existenciu

• Autory: Alfred J. Lotka a Vito Volterra v rokoch 1925 a 1926

• Predpoklady pre model:

o Predátory sú závislí na svojej koristi bez iného zdroja potravy

o Korisť má neobmedzené množstvo potravy a jej hrozbou sú iba predátory

• Ak by neboli predátory, počet koristi by rástol exponenciálne.

• Matematické vyjadrenie :
𝑑𝑥
• označme x=x(t) veľkosť populácie koristi v čase t, tak potom 𝑑𝑡 = 𝑎𝑥

• ak zahrnieme do modelu predátory, obmedzia veľkosť populácie koristi. Veľkosť

populácie predátora nech je y=y(t).

• Do modelu musíme doplniť ďalšie podmienky:

• Miera stretu predátorov je úmerná počtu jedincov v obidvoch populáciách

• Pevný pomer týchto stretov vedie ku smrti koristi

o Na základe toho dostaneme

𝑑𝑥
= 𝑎𝑥 − 𝑏𝑥𝑦
𝑑𝑡
• Početnosť populácie predátora bez koristi klesá (vymiera) úmerne počtu členov danej populácie,
𝑑𝑦
teda 𝑑𝑡
= −cy

• Pri nedostatku potravy klesá pôrodnosť, ale ak je potravy dostatok, tak miera pôrodnosti
predátorov je úmerná úmrtnosti koristi a platí:
𝑑𝑦
= −𝑐𝑦 + 𝑑𝑥𝑦
𝑑𝑡
• Všetky tieto uvedené podmienky zhrnieme a získame Lotka-Volterra model, ktorý predstavuje
nasledujúci systém diferenciálnych rovníc:
𝑑𝑥
𝑑𝑡
= 𝑎𝑥 − 𝑏𝑥𝑦
𝑑𝑦
𝑑𝑡
= −𝑐𝑦 + 𝑑𝑥𝑦
x – hustota populácie koristi

y – hustota populácie predátorov

a – faktor množenia koristi

b – koeficient predácie (stretov koristi a predátora)

c – faktor úhynu predátorov

d - reprodukčná miera predátorov na jednu korisť

• Stanovenie koeficientov modelu

1. Stanovenie hodnoty faktoru množenia koristi vychádza z predpokladu absencie

predátorov

2. Odhad úmrtnosti koristi sa stanoví pomocou hodnoty k, ktorá sa rovná skutočnej miere
úmrtnosti vydelenej časom pozorovania. Hodnota koeficientu predácie sa rovná
hodnote k opäť vydelenej časom pozorovania.

3. Odhad parametrov p a c:

Parametre p a c stanovíme pomocou lineárnej regresie. Na os x sa nanesie počet koristi a na os y odhad

miery rastu populácie predátorov živiacich sa touto korisťou. Po preložení priamky týmito bodmi
získame vzťah rp = px – c a stanovené hodnoty koeficientov

• Riešenie systému diferenciálnych rovníc realizujeme numericky (dá sa aj analyticky)

• Využijeme prostredie MATLAB

• Na riešenie diferenciálnych rovníc Lotka-Voterra modelu použijeme funkciu ODE23.

• Hodnoty parametrov vieme nastaviť v súbore params.m alebo zadať ako globálne premenné v
hlavnom súbore

• Začiatočné podmienky, popisujúce počet koristi a predátorov na začiatku pozorovaného obdobia

sa menia priamo v súbore lotka_volterra.m (vektor z0 ).

• Súčasťou výpočtu je stanovanie rovnovážneho bodu a vykreslenie populačného grafu. Tieto

grafy popisujú vývoj populácií koristi a dravcov v čase.

• Parametre pre príklad na obrázku:

a=1, b=0,03, c=0,4, p=0,01 a hodnoty

x0=5, y0=15

• Na obrázku sú vykreslené populačné krivky pro počiatočné hodnoty populácie koristi a

predátorov: [15;15], [25;25], [35;35].

• Rovnovážny stav vypočítame

𝑐 𝑎
• [ ; ]=[40; 100/3]
𝑑 𝑏

Konkurenčný model
• Budeme modelovať vzájomné pôsobenie dvoch konkurujúcich druhov
 • Označme x(t) a y(t) veľkosť populácií, potom miery rastu 𝑥̇ /x a 𝑦̇ /y budú klesajúce funkcie
(lineárny pokles). Dostaneme:

𝑥̇ = 𝛼1 . 𝑥[(𝐾1 − 𝑥 − 𝛽. 𝑦)/𝐾1 ]

𝑦̇ = 𝛼2 . 𝑦[(𝐾2 − 𝑦 − 𝛾. 𝑥)/𝐾2 ]
• kde:

• K1 a K2 sú nosné kapacity prostredia

• 𝛼1 a 𝛼2 sú rýchlosti rastu populácií

• 𝛽 a 𝛾 sú vzájomné druhové závislosti

• Ak jedna populácia chýba, druhá populácia sa správa ako v modeli logistického rastu

Lotka-volterra model-zmena parametrov

• Pri zmene parametra a (1 1,2 1,4) pozorujeme:

• rast populácie koristi

• s rastom populácie korosti rastie aj populácia predátorov

• skracuje sa perióda jednotlivých cyklov

• Lekcia 3: Metóda Monte Carlo

• Numerický výpočet založený na uskutočňovaní náhodných experimentov s modelom systému a

ich pravdepodobností. Výsledkom je pravdepodobnosť určitého javu.

• Rôznorodé využitie:

o integrácia,

o výpočet hustoty pravdepodobnosti spojitých náhodných veličín,

o numerické riešenie diferenciálnych rovníc,

o simulácia náhodných experimentov a pod.

Problém Buffonovej ihly

• Najstarší prípad použitia metódy Monte Carlo, odhadnutie hodnoty čísla 𝜋

• Princíp: majme tenkú ihlu o dĺžke i a mapu pruhov so

vzdialenosťou rozostupov d, pričom d ≥ 𝑖. Potom
pravdepodobnosť toho, že dopadnutá ihla pretne dva pruhy
je:
2𝑖
𝑝=
𝜋𝑑
• Odvodený vzťah pre:
2𝑖𝑛
𝜋=
𝑑ℎ
 • Ak budeme ihlu n krát náhodne hádzať na mapu a počet prípadov, kedy ihla pretne dva pruhy
bude h dostaneme predchádzajúci vzťah.

Číslo 𝝅 a Monte carlo

• Predstavme si štvrťkruh s polomerom r=1 vpísaný do štvorca s hranou dĺžky 1.
𝜋𝑟2
• Obsah štvrťkruhu: 𝑆1 = 4
, obsah štvorca:𝑆2 = 𝑟 2

𝑆 𝜋𝑟2 𝜋
• Dáme do pomeru uvedené plochy a dostaneme: 𝑆1 = 4𝑟2 = 4
2

𝑆
• Odtiaľ: 𝜋 = 4 𝑆1
2

𝑏𝑜𝑑𝑦 𝑡𝑟𝑎𝑓𝑒𝑛é
• Alebo 𝜋 = 4
𝑣š𝑒𝑡𝑘𝑦 𝑏𝑜𝑑𝑦

Kongruenčný generátor náhodných čísel

• Princíp lineárnych generátorov navrhol v roku 1948 Deriick henry Lehmer

• Pri metódach Monte Carlo sa využívajú softvérové generátory náhodných čísel

• Postupnosť x náhodných čísel dostaneme na základe vzťahu:

𝑥𝑖+1 = (𝑎𝑥𝐼 + 𝑏) 𝑚𝑜𝑑 𝑚

• kde a, b, m sú zvolené prirodzené konštanty.

• Príklady generátorov:

• ANSI C ... a =1103515245, b=12345, m= 2 , n0 =12345 – v unixových systémoch, funkcia

rand()

• DRAND48 ... a = 25214903917, b=11, m= 2 , n =0 – unixový generátor, funkcia ANSI

grand48()

• CRAY ... a = 44485709377909, b= 0 , m= 2 , n =1 – použitý v kompilátoroch PASCALu

Monte carlo – výpočet určitého integrálu

 • Princíp výpočtu určitého integrálu spočíva v stanovení hodnoty funkcie f v N náhodných bodoch,
ktoré ležia v oblasti V, ktorej oblasť vieme určiť (vypočítať). Jeho približná hodnota je:
𝑉
𝐼 ≈ 𝑁 ∑𝑁 ̃
𝑖=1 𝑓 (𝑥),

• kde
0𝑥 ∈𝑉
𝑓̃ = {
𝑓}𝑥| ∈ 𝑉

Lekcia 4: Teória hromadnej obsluhy - Markovove

reťazce
Teória hromadnej obsluhy

• Náhodný pokus (experiment) je pokus, ktorého výsledok nie je jednoznačne určený

podmienkami, za ktorých sa uskutoční.

• Náhodný jav je možný výsledok pokusu,

• Elementárny jav je náhodný jav, ktorý sa nedá rozložiť na skupinu jednoduchších javov,

• Priestor všetkých elementárnych javov môže byť konečnou, spočítateľnou aj nespočítateľnou

množinou.

Náhodné procesy

Systémy hromadnej obsluhy majú uplatnenie v rôznych odvetviach:

• navrhovanie železničných staníc, koľajísk, prekladísk a ich prevádzky,

• riadenie systémov križovatiek ciest a obslužných zariadení,

• určovanie kapacity letísk a navrhovanie pristávacích plôch,

• dimenzovanie obslužných kapacít pôšt,

• navrhovanie zariadení prístavov a dokov,

• Navrhovanie počítačových sietí,

• telekomunikácie, ...

Definícia: Náhodným procesom budeme nazývať systém náhodných premenných

 {𝑋(𝜔, 𝑡): 𝜔 ∈ 𝛺, 𝑡 ∈ 𝑇}

Ω-množina elementárnych udalostí,

T-množina nezáporných reálnych čísel (najčastejšie čas).

Náhodné procesy:

• s diskrétnym časom, ak T ={t1, t2, .... } je spočítateľná,

• so spojitým časom, ak T= 〈0, ∝)= R+0 – T nie je spočítateľná.

Množinu všetkých hodnôt, ktoré nadobúda náhodný proces, budeme označovať S a nazývať množina
stavov.

Ak je množina S spočítateľná, náhodný proces {X(t)} 𝑡 ∈ 𝑇 nazveme náhodným reťazcom.

Náhodné príchody a náhodné doby obsluhy abstraktne môžeme nazvať udalosťami rovnakého typu,
opakujúce sa v čase, ktoré sú celkom navzájom nezávislé.

Označme p0(t) pravdepodobnosť toho, že udalosť nastane v časovom intervale dĺžky t.

Platí:

1. p0(0)=1

2. p0(s+t)= p0(s).p0(t)

udalosť nenastane v intervale dĺžky t+s práve vtedy, ak nenastane na intervale dĺžky t a nenastane na
intervale dĺžky s.

a) udalosti sú nezávislé

b) udalosti sú homogénne

Veta: Nech 𝑝0 : ⟨0; ∞) → 𝑅+ je spojitá klesajúca nezáporná funkcia spĺňajúca vlastnosti:

1. p0(0)=1

2. p0(s+t)= p0(s).p0(t), ∀𝑡, 𝑠 ≥ 0

Potom platí: 𝒑𝟎 (𝒕) = 𝒆−𝝀𝒕

Dôkaz: (vynecháme)

• Pravdepodobnosť toho, že v intervale dĺžky t nastane aspoň jedna udalosť je 1- p0(t)=1- 𝑒 −𝜆𝑡

• Inak povedané je to pravdepodobnosť, že dĺžka intervalu τ medzi dvoma udalosťami je 𝜏 ≤ 𝑡

• Priemerná hodnota je daná:

1
𝐸(𝜏) = 𝜆

• Modelujeme udalosť – príchody zákazníkov do systému, na opis dynamiky ich pohybu vo fronte
potrebujeme poznať ich počty, označíme X(t) .

• X(t) je náhodná premenná, nadobúdajúca celé nezáporné čísla.

 

 E ( ) =  

d
d
1 − e d 
− 
( )
 0 
Markovove reťazce
• Nech X(t) je systém náhodných premenných závislých od parametra t, ktorý nadobúda hodnoty
z

T=R, R+, Z, Z+ alebo ich podmnožín

Označíme S množinu hodnôt, ktoré môže X(t) nadobúdať. S môže byť konečná, nekonečne spočítateľná.

• Definícia: Náhodný proces {X(t)}t∈T sa nazýva Markovov reťazec s diskrétnym časom, ak:

1. S= {0,1, 2, ... } (množina stavov náhodného procesu)

2. T= {0,1, 2, ... } (množina časových okamihov)

3. Platí Markovova nerovnosť

X(n)=i ……. reťazec je v čase n v stave i

• Definícia: Podmienené pravdepodobnosti figurujúce v Markovovej vlastnosti

𝑃 (𝑋𝑛+1 = 𝑗, 𝑋𝑛 = 𝑖 )
𝑃(𝑋𝑛+1 = 𝑗/𝑋𝑛 = 𝑖 ) =
𝑃 (𝑋𝑛 = 𝑖 )
Sa nazývajú pravdepodobnosti prechodu zo stavu i do stavu j.

Pre homogénny Markovov reťazec určený počiatočným rozdelením 𝑝⃗(0) a maticou P platí:

𝑝⃗(𝑛 + 1) = 𝑝⃗(𝑛). 𝑃
Pravdepodobnosti vyšších rádov budeme označovať:

𝑝𝑖𝑗 (𝑘) = (𝑃𝑋𝑛+𝑘 = 𝑗 | 𝑋𝑛 = 𝑖)

Maticu pravdepodobnostných prechodov do vyšších rádov označujeme:

𝑃(𝑘) = (𝑝𝑖𝑗 (𝑘)) 𝑖,𝑗∈𝑆 pre k>0

𝑃(0) = (𝛿𝑖𝑗 ) 𝑖,𝑗∈𝑆 (jednotková matica)

Lemma: 𝑃(𝑛) = 𝑃 𝑛

Lemma: Pre ľubovoľné počiatočné rozdelenie pravdepodobností 𝑝⃗(0) a pre 𝑛 ∈ 𝑇 platí:

𝑝⃗(0) = 𝑝⃗(0). 𝑃(𝑛)

 Po aplikácii predchádzajúcej lemmy (dosadíme) dostaneme:

𝑝⃗(0) = 𝑝 ⃗(0). 𝑃 𝑛

Veta (Chapman-Kolmogorova rovnice)

𝑃(𝑛 + 𝑚) = 𝑃 (𝑛)𝑃(𝑚), ∀𝑛, 𝑚 ∈ 𝑇

A tiež platí

Veta (Chapman-Kolmogorova rovnosť)

𝑝(𝑡 + ℎ ) = 𝑝(𝑡)𝑃(ℎ ), ∀𝑡, ℎ ∈ 𝑇

Markovove reťazce – grafová reprezentácia

Zadajte rovnicu.Definícia: Nech P je matica pravdepodobností prechodov Markovovho reťazca s
diskrétnym časom a konečnou množinou stavov S. Potom prechodovým grafom reťazca budeme
nazývať hranovo ohodnotený digraf G= ( E, V, o), kde:

V=S

𝐸 = {(𝑖, 𝑗 ) ∈ 𝑉 × 𝑉: 𝑝𝑖𝑗 > 0}

𝑜(𝑖, 𝑗 ) = 𝑝𝑖𝑗 𝑜: 𝐸 → (0;1⟩

⃗⃗ = (𝜋𝑗 ) 𝑗∈𝑆 , pre ktorý platí:

Definícia: Nech P je matica pravdepodobností prechodov. Potom vektor 𝜋

1. 𝜋𝑗 ≥ 0, 𝑗∈𝑆

2. ∑ 𝜋𝑗 = 1

3. 𝜋
⃗⃗= 𝜋
⃗⃗.P

budeme nazývať stacionárnym rozdelením reťazca určeného maticou P.

Význam: Ak sa systém stabilizuje, je rozdelenie pravdepodobností stavov nezávislé na čase.

Veta: Nech P je matica pravdepodobností prechodov. Ak existuje

lim 𝑝𝑖𝑗 (𝑛) = 𝜋𝑗

𝑛→∞

tak potom existuje aj

lim 𝑝𝑗 (𝑛) = 𝜋𝑗
𝑛→∞

Stacionárne rozdelenie k príkladu je nasledovné:

𝜋
⃗⃗= 𝜋
⃗⃗.P
Markovove reťazce so spojitým časom
• Definícia: Markovov reťazec {X(t)}t∈T s množinou stavov S nazveme Markovov proces (Markovov
reťazec so spojitým časom), ak platí

1. Množina T=<0; ∝);

2. Platí Markovova vlastnosť:

∀𝑡0 , 𝑡1 , ⋯, 𝑡𝑛+1 ∈ 𝑇: 𝑡0 < 𝑡1 < ⋯ < 𝑡𝑛+1 , ∀𝑖0 , 𝑖1 , ⋯, 𝑖𝑛−1 , 𝑗 ∈ 𝑆:

𝐴𝑘 𝑋(𝑡) = i, tak hovoríme, že proces je v čase t v stave i.

• Definícia: Markovov proces {X(t)}t∈T nazveme homogénny (v čase), ak platí:

•
• Pravdepodobnosť prechodu zo stavu i do stavu j označíme

•
• Po usporiadaní dostaneme maticu pravdepodobnostných prechodov P(h)=(pij(h)) I,j∈S

• Pravdepodonosť, že sa proces v čase t nachádza v stave j, označíme

•
• Zvyknú sa usporiadať v tvare vektora

•
• a nazývame ich pravdepodobnostné rozdelenie procesu (v čase t). Pričom počiatočným
rozložením procesu sa rozumie p(0).

pij (t ) = P( x( + t ) = j | x( ) = i )

Označme
podmienené pravdepodobnosti, ktoré sú
 0  pij ( )  1;
nezávislé od τ a spĺňajú vzťahy

(kde n je konečné, alebo nekonečné podľa počtu stavov)

P(t) – matica podmienených pravdepodobností.

p k
ik (t ) pkj ( s ) = pij (t + s )
Pre ľubovoľné 𝑡, 𝑠 ≥ 0 platí

n
p j (t ) =  pi (0) pij (t )
Platí i =0 a

d n

dt j =1
pij (t ) = 0
tiež platí a na výpočet

pravdepodobnostného rozdelenia Markovovho procesu využijeme Chapman-Kolmogorovu rovnosť:

n
p j (t + t ) =  pi (t ) pij (t )
i =0
Definícia: Nech {X(t)}t∈T je Markovov reťazec so spojitým časom, s množinou stavou S. potom pre všetky
i, 𝑗 ∈ 𝑆 nazveme konštantu

Intenzitou prechodu zo stavu i do stavu j.

Definícia: Nech {X(t)}t∈T je Markovov reťazec so spojitým časom, s množinou stavov S. potom pre všetky
i, 𝑗 ∈ 𝑆 nazveme konštantu

Intenzitou prechodu zo stavu i do stavu j.

Veta: Nech {X(t)}t∈T je Markovov reťazec so spojitým časom, s množinou stavov S.

Potom pre všetky stavy 𝑗 ∈ 𝑆 existujú limity

ktoré sú riešením systému diferenciálnych rovníc

Markovova veta: Nech {X(t)}t∈T je tranzitívny Markovov reťazec so spojitým časom s konečným počtom
stavov.

Potom pre všetky stavy 𝑗 ∈ 𝑆 vyhovujú pravdepodobnosti stavov 𝑝𝑖𝑗 (𝑡) nasledujúcemu systému
diferenciálnych rovníc:

s podmienkou

Lekcia 5: Poissonov proces, teória hromadnej obsluhy

Definícia: Poissonovým procesom s parametrom λ rozumieme homogénny Markovov proces s množinou
stavov S={1,2,3…}
s počiatočným rozdelením p(0)=(1,0,0,0,…)
a nasledujúcim prechodovým grafom.

pi (t ) 0, t )
Označme pravdepodobnosť, že v intervale

nastalo i udalostí.

p0 (t ) = e − t
(  t ) i − t
pi (t ) = e ,i  0
i!

Pravdepodobnostné rozloženie
p(t ) = ( p0 (t ), p1 (t ),)
 ( X ( t ) ) = t
Veta: Nech {X(t)}t∈T je Poissonov process s parametrom λ. Potom
 ( t )
j
 
 ( X ( t ) ) =  jP ( X (t ) = j ) = j e − t =t
j =0 j =0 j!
Parameter λ Poissonovho procesu môžeme interpretovať ako stredný počet udalostí za jednotku času.

Nazývame ho intenzitou Poissonovho procesu.

V dopravnej praxi sa stretávame s príchodmi toku udalostí napr. príchody vozidiel na križovatku,
odchody vlakov zo stanice a pod., ktoré môžeme modelovať Poissonovým procesom.

Príklad toku náhodných udalostí {𝑡𝑛 }∞

𝑛=0 Poissonovým procesom {X(t)}t∈T

Dobu medzi po sebe idúcimi udalosťami nazývame medzera

- sú modelované náhodnými veličinami a platí pre ne:

𝜏𝑘 = 𝑡𝑘 − 𝑡𝑘−1 , 𝑝𝑟𝑒 𝑘 = 1,2, ⋯

Teória hromadnej obsluhy

• Aplikáciou Markovových reťazcov sú systémy hromadnej obsluhy (SHO)

• V systéme sú linky obsluhy, do ktorých prichádza vstupný tok zákazníkov (požadujú obsluhu
svojich požiadaviek).

• Obsluha zákazníka trvá istý čas – linka je blokovaná zákazníkom

• Po ukončení obsluhy je linka uvoľnená a zákazníci tvoria výstupný tok zákazníkov

• Ak sú všetky linky obsluhy obsadené, zákazníci čakajú vo fronte. Pravidlo výberu zákazníka sa
nazýva disciplína čakania; najznámejšie FIFO, LIFO, SIRO (náhodne), PRI (prioritne)

• Bude nás zaujímať efektívnosť činnosti SHO

• priemerný počet obslúžených zákazníkov vzhľadom na celkový počet príchodov,

 • priemerná doba práce jednotlivých liniek obsluhy,

• priemerný čas čakania zákazníkov vo fronte,

• priemerná dĺžka radu,...

Teória hromadnej obsluhy sa zaoberá určovaním závislosti veličín charakterizujúcich činnosti systému od
štruktúry systému.

Delenie systémov

Podľa možnosti vzniku frontu

• s odmietaním – bez čakania zákazníkov v rade

• s konečným frontom – s ohraničeným počtom miest v rade

• s obmedzeným čakaním – s ohraničenou dobou čakania zákazníkov v rade

• s nespoľahlivými linkami – s prerušovanou obsluhou zákazníkov

• s neobmedzeným frontom – s neobmedzenou dobou čakania zákazníkov v rade

Podľa typu modelu

• Markovove – s exponenciálnymi medzerami medzi udalosťami (príchodmi a odchodmi

zákazníkov)

• semimarkovove – s erlangovskými medzerami () medzi udalosťami

• nemarkovove – so všeobecným vstupným tokom a dobou obsluhy zákazníkov

Delenie systémov

Podľa zdroja vstupného toku zákazníkov

• Otvorené – s neobmedzeným počtom potencionálnych zákazníkov

• Uzatvorené – s konečným počtom cirkulujúcich zákazníkov

• Zmiešané – ako kombinácie otvorených a uzavretých systémov

• Siete – zložené s navzájom prepojených elementárnych systémov, pričom výstup

jedného toku môže byť vstupom pre druhý tok

• Kendallova klasifikácia

• Typy úloh X/Y/n/m

• X – typ náhodného procesu príchodu zákazníkov

• Y – zákon rozloženia dĺžky doby obsluhy

• n – počet obslužných miest

• m – maximálny počet zákazníkov

• n, m – prirodzené čísla (∞ neobmedzený počet)

• M – Poissonov proces, resp. exponenciálne

• rozloženie doby obsluhy

Kendallova klasifikácia

Príklad systému: M/D/2/∞

• je to dvojlinkový systém s elementárnym vstupným tokom zákazníkov,

• konštantnou dobou obsluhy a

• neobmedzeným frontom (spravidla sa predpokladá disciplína FIFO).

Systém M/M/1/∞
Označme λ priemerný počet príchodov za jednotný

čas.

1
 - priemerná doba príchodu

 – priemerný počet obslúžených zákazníkov za

jednotku času

1
 - priemerná doba obsluhy


=
 - intenzita prevádzky

Označme X(t) náhodný počet zákazníkov.

pi (t ) = P(x(t ) = i )
Platí v systéme

p0 = −p0 + p1

pi = pi −1 − ( +  ) pi + pi +1 i = 1,2,
Podľa vety riešenia konvergujú k pravdepodobnostnému rozloženiu

 = ( p0 , p1 ,),
ktoré je riešením nasledujúceho systému lineárnych

rovníc:

− p0 + p1 = 0
pi −1 − ( +  ) pi + pi +1 = 0
− p0 + p1
p0 − ( +  ) p1 + p2 = 0
p1 − p1 − p1 − p2 = 0

p2 = p1

i +1
 
pi +1 = pi =   . p0
  
i

 
1
p0    = p0   = p0
i
= 1  p0 = 1 − 
i =0    i =0 1 − 

p1 = p0 = p0 


p2 = p1

i +1
 
pi +1 = pi =   p0
  
i

  1 
1 =  pk = p0    = p0
i =0 i =0    1− 
 p0 = 1 −  a pi = (1 −  ) i
Priemerný počet zákazníkov v systéme je

 

2S =  ipi = (1 −  ) i i =
i =0 i =0 1− 
Priemerný počet zákazníkov vo fronte je

 
2
Zf =  ipi +1 = p0  i  +i =
i =0 i =0 1− 
Systém M/M/1/n
pn = pn −1 − pn
Posledná rovnica bude mať tvar

pi =  i pn pre 0  i  n
Ustálený stav
n

p
i =0
i =1
ďalšia podmienka

1 1− 
p0 = =
n
1 −  n +1

i =0
i

Teda a

1− 
pn = n
Pre i=n 1−  n +1
pravdepodobnosť

odmietnutia

Pravdepodobnosť okamžitej obsluhy

n −1 n −1
i
p
i =0
i = p0 
i =0 i!
Pravdepodobnosť čakania
 
1
 pi = pn
i =n 1− 
Systém M/M/n/∞
Príchody zákazníkov sú opísané Poissonovým procesom a dĺžka doby obsluhy jednej linky je
exponenciálne rozložená s priemernou dobou obsluhy 1/n.

X(t) - náhodný počet zákazníkov v systéme v okamihu t,

pi (t ) = P(x(t ) = i )
p0 = −p0 + p1
pi = pi −1 − ( + i ) pi +  (i + 1) pi +1
i = 1,2,, n − 1
Pre rovnovážny stav dostávame

 i
pi = pi −1 = p0 0in
i i!
i −n

pi =   pn in
n
−1
 n −1  k  n 1 
p0 =   + 
Pre
 1  i =0 k! n! 1 −  
Pravdepodobnosť okamžitej obsluhy

n −1 n −1
i
p
i =0
i = p0 
i =0 i!
Pravdepodobnosť čakania


1

i =n
pi = pn
1− 
Systém M/M/1/∞
Do jednolinkového SHO prichádzajú zákazníci modelovaní
Poissonovým vstupným tokom s parametrom λ a požadujú obsluhu. Doba obsluhy linky má
exponenciálne rozdelenie s parametrom μ. Zákazníci, ktorí nájdu linku obsadenú sa postavia do radu na
ktorý sa nekladú žiadne obmedzenia. Predpokladá sa, že zákazníci budú obsluhovaní v poradí príchodov
t.j. podľa disciplíny čakania FIFO. Tento systém je príkladom systémov s neohraničeným frontom čo tiež
znamená, že doba čakania v takomto systéme je neobmedzená.

Systém možno modelovať ako proces vzniku a zániku {N(t)}t∈T

s nekonečnou množinou stavov S = {0, 1, 2, . . . }. Stavy systému interpretujeme takto

• 0 - v systéme nie je žiaden zákazník, je prázdny,

• 1 - v systéme je jeden zákazník obsluhovaný linkou obsluhy,

• i - v systéme je 1 obsluhovaný zákazník a i − 1 zákazníkov

čaká v rade na obsluhu.

• V Poissonovom vstupnom toku majú dĺžky medzier τ 1 medzi príchodmi to isté exponenciálne
rozdelenie s parametrom λ. Doba obluhy τ 2 má tiež exponenciálne rozdelenie s parametrom μ a
je nezávislá od dĺžok medzier τ 1 elementárneho toku. Spolu s
bezpamäťovou vlastnosťou exponenciálneho rozdelenia nám zaručujú Markovovu vlastnosť
systému.

• Zvyšková doba obsluhy od nejakej udalosti (odchod/príchod zákazníka) má tiež exponenciálne

rozdelenie s parametrom μ.

•
Prečkaná doba na začatie obsluhy nemá vplyv na dobu čakania!
A tak τ 1 ∼ Exp(λ) a τ 2 ∼ Exp(μ)

• Vypočítame pravdepodobnosť prechodu za nejaký dostatočne malý časový interval ∆t. Vstupný
tok zákazníkov je Poissonovým procesom a tak pravdepodobnosť príchodu k zákazníkov je

•
• Pravdepodobnosť ukončenia obsluhy zákazníka je rovná pravdepodobnosti, že doba obsluhy
resp. zvyškovej obsluhy τ je nanajvýš rovná ∆t t.j.
Ďalej sa sústredíme len na zmeny stavu vyvolané príchodom alebo
odchodom zákazníka. Zmeny stavu vyvolané viac než jednou
takouto udalosťou nastávajú s pravdepodobnosťou

Pravdepodobnosť, že je systém prázdny a nepríde zákazník je rovná pravdepodobnosti, že v priebehu ∆t

nepríde žiaden zákazník

Pravdepodobnosť, že je systém prázdny a príde jeden zákazník je

rovná pp. že v priebehu ∆t príde jeden zákazník

Pravdepodobnosť, že je v systéme i zákazníkov a obsluhovaný

zákazník opustí systém je rovná pravdepodobnosti že v priebehu ∆t žiaden zákazník nepríde a jeden
odíde

Pravdepodobnosť, že je v systéme i zákazníkov a práve jeden príde

je rovná pravdepodobnosti

Pravdepodobnosť, že je v systéme i zákazníkov a žiaden nepríde ani neodíde je rovná pravdepodobnosti

Z praktického hľadiska je zaujímavý prípad, keď sa SHO stabilizuje

t.j. proces je regulárny, čo nastáva keď je splnená podmienka

E (N) – stredný počet zákazníkov v systéme

...
E (W) – stredná doba čakania zákazníkov v systéme

E(WS ) – stredná doba obsluhy, z definície systému

E (WQ ) – stredná doba čakania vo fronte

E (NQ ) – stredný počet čakajúcich vo fronte

pS – pravdepodobnosť, že zákazník najde voľnú linku

pS = π0 = 1 − ρ

pQ – pravdepoddobnosť, že zákazník bude čakať vo fronte

pQ = 1 − π0 = ρ

E (NS ) – stredný počet obsluhovaných zákazníkov