Fö relä sning 2, Kö system 2015

Relevanta dokument
Tiden i ett tillstånd

Kunna dra slutsatser om ett systems betjäningstider och antalet köplatser genom att tolka diagram.

Kunna använda Littles sats för enkla räkningar på kösystem.

Kunna dra slutsatser om t ex ett systems betjäningstider och antalet köplatser genom att tolka diagram.

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. I denna övning kallas ett kösystem som ingår i ett könät oftast nod.

Kunna beräkna spärren i ett M/M/m*upptagetsystem. Känna till begreppet utnyttjning av en betjänare och beräkna den.

Kunna använda Littles sats för enkla räkningar på kösystem.

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar.

Kunna beräkna P (spärr) för system med begränsat antal kunder och köplatser. Kunna beräkna medelantal upptagna betjänare.

Övning 1(a) Vad du ska kunna efter denna övning. Problem, nivå A. Redogöra för begreppen diskret och kontinuerlig stokastisk variabel.

Kunna beräkna spärren i ett M/M/m*upptagetsystem.

Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel.

Fö relä sning 1, Kö system 2015

2 Laborationsuppgifter, upptagetsystem

Markovprocesser SF1904

Markovprocesser SF1904

Markovprocesser SF1904

Fö relä sning 1, Kö system vä ren 2014

TILLSTÅNDSGRAFEN. Slutligen erhålls den mycket viktiga så kallade Snittmetoden :

Markovprocesser SF1904

Markovprocesser SF1904

TAMS79: Föreläsning 10 Markovkedjor

Kunna beräkna medelantal kunder för alla köer i ett könät med återkopplingar. I denna övning kallas ett kösystem som ingår i ett könät oftast nod.

b) Vad är sannolikheten att personen somnar i lägenheten? (4 p) c) Hur många gånger förväntas personen byta rum? (4 p)

Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.

M/M/m/K kösystem. M/M/m/K kösystem

TAMS14/36 SANNOLIKHETSLÄRA GK Poissonprocessen (komplettering) Torkel Erhardsson 14 maj 2010

Stokastiska processer och simulering I 24 maj

Markovprocesser SF1904

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 17 AUGUSTI 2018 KL


P(X nk 1 = j k 1,..., X n0 = j 0 ) = j 1, X n0 = j 0 ) P(X n0 = j 0 ) = etc... P(X n0 = j 0 ) ... P(X n 1

Övning 1. Vad du ska kunna efter denna övning. Problem, nivå A

Stokastiska processer och simulering I 24 augusti

Kurs: HF1012 Matematisk statistik Lärare: Armin Halilovic

TENTAMEN I SF1904 MARKOVPROCESSER TISDAGEN DEN 29 MAJ 2018 KL

P =

SF1901: Sannolikhetslära och statistik

Matematisk statistik för D, I, Π och Fysiker

** a) Vilka värden ska vara istället för * och **? (1 p) b) Ange för de tre tillstånden vilket som svarar mot 0,1,2 i figuren.

Poisson Drivna Processer, Hagelbrus

Performance QoS Köteori SNMP. Felsökning. Jens A Andersson (Maria Kihl) GET request GET response SET request TRAP MIB. Att mäta är att veta ping

Markovprocesser SF1904

Tentamen i matematisk statistik, TAMS15/TEN (4h)

Markovprocesser SF1904

Performance QoS Köteori. Jens A Andersson (Maria Kihl)

Tentamen i FMS180/MASC03 Markovprocesser

1 Föreläsning V; Kontinuerlig förd.

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs

FÖRELÄSNING 4:

SF1911: Statistik för bioteknik

SF1901 Sannolikhetsteori och statistik I

Simulering av ett Multi-skill callcenter Med varierande genomsnittlig betjäningstid beroende på agenters kunskapsnivå

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 18 AUGUSTI 2017 KL

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

SF1901: Sannolikhetslära och statistik

Föreläsningsanteckningar i kurs 5B1506 Markovprocesser och köteori. Jan Grandell

Vektorgeometri för gymnasister

a) Använd samtal.mat för att beräkna antalet samtal som blir spärrade i de olika cellerna under den givna timmen.

aug 2017 Kurskod HF1012 Halilovic internet. Betygsgränser: För (betyg Fx). Sida 1 av 13

TMS136. Föreläsning 4

Händelsestyrd simulering. Inledning. Exempel

1.1 Diskret (Sannolikhets-)fördelning

14. Minsta kvadratmetoden

6. Matriser Definition av matriser 62 6 MATRISER. En matris är ett rektangulärt schema av tal: a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A =

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II

Exempel. Vi observerar vädret och klassificerar det i tre typer under en följd av dagar. vackert (V) mulet (M) regn (R)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

INTRODUKTION TILL MARKOVKEDJOR av Göran Rundqvist, KTH

Stokastiska Processer

Introduktion till statistik för statsvetare

Extend för Dummies Teknologer

SF1901 Sannolikhetsteori och statistik I

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

(y 2 xy) dx + x 2 dy = 0 y(e) = e. = 2x + y y = 2x + 3y 2e 3t, = (x 2)(y 1) y = xy 4. = x 5 y 3 y = 2x y 3.

1 Stokastiska processer. 2 Poissonprocessen

x(t) I elimeringsmetoden deriverar vi den första ekvationen och sätter in x 2(t) från den andra ekvationen:

Utdrag ur TAMS15: Matematisk statistik I, grundkurs Extra kursmaterial för TAMS79

SF1901 Sannolikhetsteori och statistik I

Veckans teman. Repetition av ordinära differentialekvationer ZC 1, 2.1-3, 4.1-6, 7.4-6, 8.1-3

Konvergens och Kontinuitet

SKRIVNING I VEKTORGEOMETRI

SF1901: Sannolikhetslära och statistik

Extrauppgifter i matematisk statistik

e 3 e 2 e 1 Kapitel 3 Vektorer i planet och i rummet precis ett sätt skrivas v = x 1 e 1 + x 2 e 2

TENTAMEN I SF2937 (f d 5B1537) TILLFÖRLITLIGHETSTEORI TORSDAGEN DEN 14 JANUARI 2010 KL

Blandade problem från elektro- och datateknik

Gripenberg. Mat Grundkurs i matematik 1 Tentamen och mellanförhörsomtagning,

att genomföra laborationen) kan du sedan spara filen med ev. ändringar på ditt eget konto med Save As, såsom anges i introduktionslaborationen.

SF1901: Sannolikhetslära och statistik

Rita även upp grafen till Fourierseriens summa på intervallet [ 2π, 3π], samt ange summans värde i punkterna π, 0, π, 2π. (5) S(t) = c n e int,

Stokastiska processer

Kap 2. Sannolikhetsteorins grunder

Ur en kortlek på 52 kort väljer man ( utan återläggning och utan hänsyn till ordning) slumpvis 5 kort. Vad är sannolikheten för att få

Problemsamling i Sannolikhetsteori

Matematisk kommunikation för Π Problemsamling

Markovprocesser SF1904

Grundläggande matematisk statistik

S0005M, Föreläsning 2

Markovkedjor. Patrik Zetterberg. 8 januari 2013

Transkript:

Fö relä sning 2, Kö system 2015 Vi ska börja titta på enskilda kösystem som ser ut på följande sätt: Det kan finnas en eller fler betjänare och bufferten kan vara ändlig eller oändlig. Om bufferten är oändligt så kommer aldrig kunder att spärras. Så snart en betjänare är färdig med en kund så hämtar den en ny kund från kön om det finns någon där. Kunder kan hämtas ur bufferten på flera olika sätt: FIFO First In First Out (det vanligaste i köer) LIFO Last In First Out (brukar kallas stack i programmering) SIRO Service In Random Order (en kund plockas helt slumpmässigt) Vi inför några beteckningar: A(t) = fördelningsfunktionen för tiderna mellan ankomster a(t) = A (t) = frekvensfunktionen för tiden mellan ankomster B(t) = fördelningsfunktionen för betjäningstiderna b(t) = B (t) = frekvensfunktionen för betjäningstiderna Om A(t) och B(t) är kända och vi vet hur många betjänare och buffertplatser det finns så vill vi beräkna sannolikheten för spärr och de statistiska egenskaperna hos tiden i systemet för en kund som inte spärras. En beteckning som ofta används: A/B/n*kommentar. A anger fördelningen mellan ankomster, B fördelningen för betjäningar, n är antalet betjänare. I kommentaren kan man lägga till ytterligare information. Om inget annat sägs så antar vi att antalet buffertplatser är oändligt. Ofta används följande förkortningar för fördelningar: M exponentialfördelning D deterministisk (det vill säga konstant) G en godtycklig (men känd) fördelning För att det ska finnas enkla sätt att beräkna det vi vill för kösystem så måste man ställa vissa krav på fördelningarna för tiderna mellan ankomsterna och betjäningstiderna. I denna kurs kommer vi att räkna på så kallade markovska köer och på M/G/1-köer. Vi kommer också att studera simulering som man kan använda till mycket allmännare kösystem.

Markovska köer En markovsk kö kan beskrivas med en markovkedja. Det finns markovkedjor i diskret tid och markovkedjor i kontinuerlig tid. Vi ska använda Markovkedjor i kontinuerlig tid. En markovkedja befinner sig i ett tillstånd. Tillstånden kan numreras med heltal och det kan finnas ändligt många eller oändligt många tillstånd. I denna kurs så representerar för det mesta tillståndets nummer antal kunder i ett kösystem. Det trevliga med markovkedjor är att det finns ett matematiskt maskineri som kan användas för att utföra beräkningar. Dock måste man ställa vissa krav på A(t) och B(t) för att man ska kunna beskriva ett kösystem med en markovkedja. Först kommer en definition på markovkedjor i kontinuerlig tid (i fortsättningen skriver jag bara markovkedja) och sedan reder vi ut vilka villkor som ett kösystem måste uppfylla för att man ska få beskriva det med en markovkedja. Vad är en markovkedja? Vi sätter X(t) = tillståndet för ett system vid tiden t Tillståndet är ett heltal och tiden är kontinuerlig det vill säga kan anta vilket reellt värde som helst. Antag att t 1 < t 2 < < t n < t n+1 och att följande gäller för godtyckliga t i och n: P(t n+1 = k n+1 t n = k n, t n 1 = k n 1 t 1 = k 1 ) = P(t n+1 = k n+1 t n = k n ) Då säger vi att X(t) är en markovkedja. Formeln ovan innebär att vi kan kasta bort all historia före tiden t n när vi vill förutsäga vad som händer efter t n. Det enda som har betydelse för vad som händer i framtiden är i vilket tillstånd som man befinner sig, hur man har tagit sig dit spelar ingen roll. Man kan visa att om Δt är ett mycket litet tidsintervall så är om i j: Detta innebär att för små Δt så är P(X(t + Δt) = j X(t) = i) lim = λ Δt 0 Δt ij P(X(t + Δt) = j X(t) = i) λ ij Δt Hur räknar man på en markovkedja? För att slippa skriva så mycket inför vi en ny beteckning: p i (t) = P(X(t) = i) Låt oss anta att vi har en markovkedja med tre tillstånd, 1, 2 och 3. Då får vi följande ekvationer: p 1 (t + Δt) = (1 (λ 12 + λ 13 )Δt) p 1 (t) + λ 21 Δt p 2 (t) + λ 31 Δt p 3 (t) p 2 (t + Δt) = λ 12 Δt p 1 (t) + (1 (λ 21 + λ 23 )Δt) p 2 (t) + λ 32 Δt p 3 (t) p 3 (t + Δt) = λ 13 Δt p 1 (t) + λ 23 Δt p 2 (t) + (1 (λ 31 + λ 32 )Δt) p 3 (t) Dessa ekvationer kan skrivas om på följande sätt

Låter vi nu t 0 så får vi Om vi inför Q-matrisen och radmatrisen så kan vi skriva p 1 (t + t) p 1 (t) = (λ t 12 + λ 13 )p 1 (t) + λ 21 p 2 (t) + λ 31 p 3 (t) p 2 (t + t) p 2 (t) = λ t 12 p 1 (t) (λ 21 + λ 23 )p 2 (t) + λ 32 p 3 (t) p 3 (t + t) p 3 (t) = λ t 13 p 1 (t) + λ 23 p 2 (t) (λ 31 + λ 32 )p 3 (t) p 1 (t) = (λ 12 + λ 13 )p 1 (t) + λ 21 p 2 (t) + λ 31 p 3 (t) p 2 (t) = λ 12 p 1 (t) (λ 21 + λ 23 )p 2 (t) + λ 32 p 3 (t) p 3 (t) = λ 13 p 1 (t) + λ 23 p 2 (t) (λ 31 + λ 32 )p 3 (t) λ 12 λ 13 λ 12 λ 13 Q = [ λ 21 λ 21 λ 23 λ 23 ] λ 31 λ 32 λ 31 λ 32 p(t) = [p 1 (t) p 2 (t) p 3 (t)] p (t) = p(t) Q Det innebär att om vi känner till p(0) så kan vi beräkna sannolikheten att befinna sig i ett visst tillstånd vid en godtycklig tidpunkt t > 0. Naturligtvis går detta att göra för ett godtyckligt antal tillstånd, att det visas för tre tillstånd här är bara för att slippa skriva så mycket. Oftast är man inte intresserad av p(t) utan vill beräkna den så kallade jämviktsfördelningen för markovkedjan. Man kan visa att för de flesta markovkedjor så existerar följande gränsvärde lim t p i(t) = p i Vektorn p = [p 1 p 2 p 3 ] kallar vi oftast för tillståndsfördelningen för markovkedjan. Det gäller att lim p i(t) existerar lim p i (t) = 0 t t Således kan vi bestämma p med hjälp av ekvationssystemet 0 = p Q { 1 = p i Den första ekvationen får vi genom att låta t i p (t) = p(t) Q och den andra behövs för att lösningen ska bli entydig. Den andra säger ju helt enkelt att man måste befinna sig i något tillstånd i markovkedjan, summan av alla sannolikheter måste då vara =1. Ofta ritas markovkedjor som tillståndsdiagram där intensiteterna λ ij skrivs på bågarna, se nedan. k

Markovkedjor och kösystem Eftersom det finns ett matematiskt maskineri för markovkedjor vore det ju trevligt att få använda det för kösystem. Till exempel kunde man låta tillstånd i i markovkedjan betyda att det finns i kunder i systemet och sedan beskriva kösystemet med följande markovkedja: Detta är bara möjligt om fördelningen för tiden mellan ankomster och fördelningen för betjäningstiderna uppfyller vissa villkor. Låt oss ta reda på vilka de är! Om vi börjar med tiden mellan ankomsterna så måste det gälla att den är lika med tiden som man tillbringar i tillstånd 0 i markovkedjan nedan om man befinner sig i 0 vid tiden 0. Q-matrisen för denna markovkedja är Det ger följande system av differentialekvationer Dessutom har vi begynnelsevillkoret Vi löser ekvationen för p 0 (t): λ λ [ 0 0 ] p (t) = p(t) Q { p 0 (t) = λp 0 (t) p 1 (t) = λp 0 (t) p 0 (0) = 1 p 1 (0) = 0 p 0 (t) = λp 0 (t) p 0 (t) = Ce λt Eftersom p 0 (0) = 1 så måste C = 1 vilket ger att p 0 (t) = e λt. Nu observerar vi att om X är tiden i tillstånd 0 så gäller p 0 (t) = P(X > t) = 1 P(X t) = 1 F X (t) F X (t) = 1 p 0 (t) = 1 e λt Detta innebär att tiden mellan ankomster måste vara exponentialfördelade. På samma sätt visas att betjäningstiderna är exponentialfördelade.

Vi kan beskriva ett kösystem med en markovkedja om alla tiden mellan ankomster och betjäningstiden är exponentialfördelade. M/M/1 Detta kösystem har exponentialfördelade betjäningstider och tiden mellan ankomster är också expoentialfördelade. Vi får följande markovkedja: Observera att vi har ritat linjer som skär av markovkedjan mellan tillstånden. Kedjan fortsätter mot oändligheten åt höger. Det enklaste sättet att hitta sannolikheten att man i jämvikt befinner sig i ett visst tillstånd för denna markovkedja är att konstatera att antalet hopp per tidsenhet från höger till vänster över en av linjerna i kedjan måste vara mycket nära antalet hopp från vänster till höger, åtminstone på lång sikt. Detta leder till den så kallade snittmetoden: Antal hopp åt vänster per tidsenhet genom snittet mellan 0 och 1: λp 0 Antal hopp åt höger per tidsenhet genom snittet mellan 0 och 1: μp 1 Om dessa ska vara lika och dessutom gälla för alla snitten i figuren så får vi: λp 0 = μp 1 p 1 = λ μ p 0 = ρp 0 λp 1 = μp 2 p 2 = λ μ p 1 = ρ 2 p 0 λp 2 = μp 3 p 3 = λ μ p 2 = ρ 3 p 0 Man inser att i det allmänna fallet gäller p k = ρ k p 0 Nu återstår att bestämma p 0. Det kan vi göra genom att utnyttja att summan av alla sannolikheter ska vara = 1. Det ger: 1 = p k = ρ k p 0 = p 0 ρ k 1 = p 0 1 ρ p 0 = 1 ρ Således gäller att p k = (1 ρ)ρ k Observera också att detta går bara att göra om ρ < 1. Om ρ 1 så finns det inte någon jämviktsfördelning eftersom antalet kunder i kön kommer att växa hela tiden.

Man kan också lösa den här typen av problem genom att utnyttja att antalet hopp in i ett tillstånd måste vara lika med antalet hopp ut ur tillståndet vilket ger att λp 0 = μp 1 (λ + μ)p 1 = λp 0 + μp 1 (λ + μ)p 2 = λp 1 + μp 3 osv. Denna metod bruka kallas flöde-in-flöde-ut. Man kan också utnyttja att p = p Q { p 1 = 1 k När väl alla p k är kända så kan man beräkna medelantal kunder i systemet med definitionen E(N) = kp k = ρ 1 ρ Därefter ger Littles sats medeltiden i systemet: E(T) = E(N) λ = 1 λ ρ 1 ρ = 1 λ λ μ 1 ρ = 1 μ ρ 1 ρ När man räknar på ett markovskt kösystem så följer man nästan alltid detta schema: 1. Rita tillståndsdiagrammet 2. Bestäm tillsåndssannolikheterna (kallas också tillståndsfördelningen) med någon av metoderna a. Snittmetoden b. Flöde in, flöde ut c. 0 = p Q kombinerat med p i = 1 3. Beräkna medelantalet kunder i kön med definitionen på medelvärde eller med z-transform 4. Beräkna medeltiden i systemet (mer om detta på föreläsning 3) Man bör observera att ett M/M/1-system är stabilt om ρ < 1, annars instabilt.