Professional Documents
Culture Documents
Signál - Prostriedok Na Prenos Informácie
Signál - Prostriedok Na Prenos Informácie
• Systém – účelovo definovaný súbor komponentov, medzi ktorými existujú väzby (vzťahy,
súvislosti, relácie), ktoré sledujú nejaký cieľ.
Druhy systémov:
▪ Spojité a diskrétne
▪ Kauzálne a nekauzálne
▪ Deterministické a stochastické
▪ Lineárne a nelineárne
▪ Jednorozmerné a viacrozmerné
• 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.
• 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.
Proces modelovania
Definícia problému-
Formulácia
Formulácia zjednodušenie
matematického
problému pôvodného
modelu
problému
Kroky modelovania
Modelovací proces môžeme rozdeliť na tri hlavné kroky:
• Formulácia
1. Tvorba otázky
3. Matematické vyjadrenie
Modelovanie
Matematické modelovanie môže byť opakovaným cyklom troch modelovacích krokov.
Medzi aktivity vykonávané v oblasti matematického modelovania patria:
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.
• Doprava – križovatky
• 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
• 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
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.
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.
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)
• 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.)
Lotka-volterra model
• Model predátor-korisť
• Model populačnej dynamiky popisujúci vývoj dravcov v závislosti na počte jej koristi
• Matematické vyjadrenie :
𝑑𝑥
• označme x=x(t) veľkosť populácie koristi v čase t, tak potom 𝑑𝑡 = 𝑎𝑥
• 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
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:
• Hodnoty parametrov vieme nastaviť v súbore params.m alebo zadať ako globálne premenné v
hlavnom súbore
x0=5, y0=15
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:
• Ak jedna populácia chýba, druhá populácia sa správa ako v modeli logistického rastu
• Rôznorodé využitie:
o integrácia,
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
• Príklady generátorov:
• kde
0𝑥 ∈𝑉
𝑓̃ = {
𝑓}𝑥| ∈ 𝑉
• Elementárny jav je náhodný jav, ktorý sa nedá rozložiť na skupinu jednoduchších javov,
Náhodné procesy
• telekomunikácie, ...
Náhodné procesy:
Množinu všetkých hodnôt, ktoré nadobúda náhodný proces, budeme označovať S a nazývať množina
stavov.
Náhodné príchody a náhodné doby obsluhy abstraktne môžeme nazvať udalosťami rovnakého typu,
opakujúce sa v čase, ktoré sú celkom navzájom nezávislé.
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
1. p0(0)=1
Dôkaz: (vynecháme)
• Pravdepodobnosť toho, že v intervale dĺžky t nastane aspoň jedna udalosť je 1- p0(t)=1- 𝑒 −𝜆𝑡
• Modelujeme udalosť – príchody zákazníkov do systému, na opis dynamiky ich pohybu vo fronte
potrebujeme poznať ich počty, označíme X(t) .
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:
Pre homogénny Markovov reťazec určený počiatočným rozdelením 𝑝⃗(0) a maticou P platí:
𝑝⃗(𝑛 + 1) = 𝑝⃗(𝑛). 𝑃
Pravdepodobnosti vyšších rádov budeme označovať:
Lemma: 𝑃(𝑛) = 𝑃 𝑛
𝑝⃗(0) = 𝑝 ⃗(0). 𝑃 𝑛
A tiež platí
V=S
1. 𝜋𝑗 ≥ 0, 𝑗∈𝑆
2. ∑ 𝜋𝑗 = 1
3. 𝜋
⃗⃗= 𝜋
⃗⃗.P
lim 𝑝𝑗 (𝑛) = 𝜋𝑗
𝑛→∞
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
•
• Pravdepodobnosť prechodu zo stavu i do stavu j označíme
•
• Po usporiadaní dostaneme maticu pravdepodobnostných prechodov P(h)=(pij(h)) I,j∈S
•
• Zvyknú sa usporiadať v tvare vektora
•
• a nazývame ich pravdepodobnostné rozdelenie procesu (v čase t). Pričom počiatočným
rozložením procesu sa rozumie p(0).
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
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
Definícia: Nech {X(t)}t∈T je Markovov reťazec so spojitým časom, s množinou stavov S. potom pre všetky
i, 𝑗 ∈ 𝑆 nazveme konštantu
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
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.
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.
• V systéme sú linky obsluhy, do ktorých prichádza vstupný tok zákazníkov (požadujú obsluhu
svojich požiadaviek).
• Ak sú všetky linky obsluhy obsadené, zákazníci čakajú vo fronte. Pravidlo výberu zákazníka sa
nazýva disciplína čakania; najznámejšie FIFO, LIFO, SIRO (náhodne), PRI (prioritne)
Teória hromadnej obsluhy sa zaoberá určovaním závislosti veličín charakterizujúcich činnosti systému od
štruktúry systému.
Delenie systémov
Delenie systémov
• Kendallova klasifikácia
Systém M/M/1/∞
Označme λ priemerný počet príchodov za jednotný
čas.
1
- priemerná doba príchodu
jednotku času
1
- priemerná doba obsluhy
=
- intenzita prevádzky
pi (t ) = P(x(t ) = i )
Platí v systéme
= ( 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
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.
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 0in
i i!
i −n
pi = pn in
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.
• 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.
•
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
...
E (W) – stredná doba čakania zákazníkov v systéme
pS = π0 = 1 − ρ
pQ = 1 − π0 = ρ