Documente Academic
Documente Profesional
Documente Cultură
CSProbabil10 2008
CSProbabil10 2008
10
Lanturi Markov. Definitie, propriet
ati, simulare.
Algoritmul PageRank-Google
10.1
(10.1)
P (Xn+1 = j|Xn = i) se citeste: probabilitatea ca sistemul sa treaca n starea j la momentul n + 1, stiind ca se afla n starea i la momentul n.
a. Proprietatea markoviana caRelatia (10.1) se numeste proprietate markovian
racterizeaza lipsa partiala de memorie a lantului: cunoscand succesiunea de stari,
s0 , s1 , . . . , sn1 , i, prin care a trecut sistemul pana la momentul n, doar starea prezenta
(Xn = i) influenteaza probabilitatea de trecere, n momentul urmator, la o noua stare, nu
1
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
si drumul parcurs pana la momentul curent n (cu alte cuvinte doar istoria recenta, nu si
cea trecuta, influenteaza evolutia viitoare).
In mod normal probabilitatile P (Xn+1 = j|Xn = i) depind n, adica
P (Xn+1 = j|Xn = i) = pij (n)
Un lant Markov discret (Xn ) se numeste lant Markov omogen, daca probabilitatile conditionate:
P (Xn+1 = j|Xn = i)
nu depind de n.
Pentru un lant Markov omogen, notam cu pij = P (Xn+1 = j|Xn = i), i, j = 1, m
probabilitatea ca la momentul n + 1 lantul Markov sa treaca n starea j stiind ca la
momentul n se afla n starea i. pij se numeste probabilitate de trecere ntr-un singur pas
din starea i n starea j , iar matricea Q de elemente Q(i, j) := pij , i, j = 1, m, se numeste
matricea de tranzitie a lantului Markov.
Matricea de tranzitie Q = (pij )i,jS verifica proprietatile:
1) pP
ij 0, (i, j) S S
2) m
a suma elementelor de pe fiecare linie este 1.
j=1 pij = 1, i S, adic
O astfel de matrice se numeste matrice stochastic
a, iar liniile ei, vectori stochastici.
1, m, indic
a probabilit
tileAuckland
ca din starea i sistemul sa treac
a
PracticInverse
(pi1 , pi2
, . . . , pim ),
i = Nicholls,
453.707
Problems,
G.K.
The
Universityaof
7-2
respectiv n starile 1, 2, . . . , m.
0.4
0.2
0.1
0.4
0.5
0.1
0.4
0.7
0.2
ij
tat ale carui varfuri sunt starile. Exista arc orientat de la starea i la j, daca probabilitatea
are now
in stateastfel
2. Weasociat
must choose
a snew
statede
bytranzit
jumping
state
2. Since
P2j =
iefrom
al lant
ului
Markov.
pij2. este
se nume
te graf
a. Graful
We nenul
1 7 1
5 ; 10 ; 10
; we have a = 15 ; b =
7
10
and c =
1
10 :
1
= 25 ; 12 ; 10
; we have a = 25 ; b = 12 and c =
We thus obtain
X0
X1
X2
X3
X4
X5
:::
1
10 :
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
0.4 0.5
0.2 0.7
Q=
0.4 0.4
Graful asociat este vizualizat n Fig. 10.1.
0.1
0.1
0.2
Propriet
ati ale matricilor stochastice
Notam cu e vectorul de elemente e = [1, 1, . . . , 1]T . Produsul Qe este:
p11 + p12 + + p1m
1
p11 p12 . . . p1m
..
..
..
.
.
.
pk1 pk2 . . . pkm 1 = pk1 + pk2 + + pkm =
.
.
..
..
..
.
pm1 + pm2 + + pmm
1
pm1 pm2 . . . pmm
1
..
.
1
..
.
1
(k)
=
1,
unde
k=1 0
0 (k) = P (X0 = k) este probabilitatea ca la momentul t = 0 lantul sa porneasca din
starea k. Cu alte cuvinte, distributia initiala de probabilitate a lantului Markov este
distributia de probabilitate a variabilei aleatoare discrete X0 :
1
2
...
m
X0 =
(10.2)
0 (1) 0 (2) . . . 0 (m)
Daca pentru lantul Markov din Exemplul 1 distributia initiala de probabilitate este:
1
2
3
X0 =
0.2 0.5 0.3
atunci nseamna ca probabilitatea ca un mers (drum) aleator n multimea S = {1, 2, 3}
sa porneasca din starea 2 este 0.5.
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
10.1.1
Un lant Markov discret este simulat n mod iterativ. Algoritmul de simulare este prototip pentru clasa algoritmilor iterativi aleatori. Avand dat spatiul starilor S =
{1, 2, . . . , m}, distributia initiala de probabilitate 0 = [0 (1), 0 (2), . . . , 0 (m)] si matricea de tranzitie a Q = (pij ), i, j = 1, m,
a unui lant Markov (Xn ), putem genera o traiectorie aleatoare s0 , s1 , . . . , sN , astfel:
construim simulatorul unei variabile aleatoare discrete arbitrare:
1 2 ... m
Y =
p1 p2 . . . pm
{1, 2, . . . , m; p}
p este vectorul de probabilitate al variabilei aleatoare discrete ce ia valori n {1, 2, . . . , m}.
j R {1, 2, . . . , m; p} simbolizeaza faptul ca simulatorul genereaza o valoare j.
Se genereaza starea initiala s0 , din care porneste traiectoria, simuland variabila
aleatoare X0 definita n (10.2).
Probabilitatile de trecere din starea i = s0 n una din starile sistemului sunt date de
elementele din linia i a matricii de tranzitie Q = (pij ). Astfel starea la momentul t = 1, s1 ,
este valoare de observatie asupra variabilei aleatoare discrete, ce ia valorile {1, 2, . . . , m}
cu probabilitatile din linia i a matricii de tanzitie p = [pi1 , pi2 , . . . , pm ], etc.
Algoritmul de generare a segmentului de traiectorie s0 , s1 , . . . , sN , este atunci:
s0 R {1, 2, . . . , m; 0 };
j s0 ;
for i=1:N {
p [linia j din matricea Q];
si R {1, 2, . . . , m; p};
j si ;
}
return s0 , s1 , . . . , sN
Vizualizarea traiectoriei unui lant Markov se face astfel: se marcheaza n plan
punctele de coordonate (i, si ) si se unesc punctele consecutive (i, si ), (i + 1, si+1 ).
In Fig. 10.2 este vizualizata o traiectorie de lungime 100 a lantului Markov cu 3
stari, avand matricea de tranzitie din Exemplul 1 si distributia initiala de probabilitate,
distributia uniforma.
In concluzie, un lant Markov discret defineste o lege de evolutie la ntamplare pe
multimea starilor.
10.2
Pe langa tranzitia ntr-un singur pas a unui lant Markov, suntem interesati si de tranzitia
dintr-o stare n alta, n n pasi. Notam cu:
Pijn = P (Xn = j|X0 = i),
i, j S,
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
3.5
3
2.5
2
1.5
1
0.5
0
20
40
60
80
100
Fig.10.2:
probabilitatea ca sistemul sa treaca din starea initiala i n starea j la momentul n sau dupa
n pasi. Se demonstreaza ca matricea de tranzitie n n pasi, adica matricea de elemente
Pijn , este chiar Qn matricea de tranzitie ntr-un pas, ridicata la puterea n.
Pentru a putea face predictii asupra evolutiei sistemului sa calculam cateva probabilitati ale unor evenimente de interes. Si anume calculam probabilitatea ca sistemul sa
evolueze pe traiectoria s0 , s1 , . . . , sn :
P (X0 = s0 , X1 = s1 , . . . Xn1 = sn1 , Xn = sn ) =
P (X0 = s0 , X1 = s1 , . . . Xn1 = sn1 , Xn = sn )
(10.3)
P (X0 = s0 , X1 = s1 )
P (X0 = s0 )
P (X0 = s0 )
P (A B)
, si a proprietatii markoviene
P (B)
(10.1) rezulta ca fractiile de mai sus, n ordinea de la dreapta spre stanga, conduc la:
Din definitia probabilitatii conditionate P (A|B) =
(10.4)
a admit
a segmentul de traiectorie s0 , s1 , . . . , sn
Deci, probabilitatea ca lantul s
este:
P(X0 = s0 , X1 = s1 , . . . Xn1 = sn1 , Xn = sn ) = 0 (s0 )Q(s0 , s1 ) . . . Q(sn1 , sn ).
(10.5)
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
In definitia lantului Markov (Xn ) nu se precizeaza si distributia de probabilitate a variabilei aleatoare de stare Xn . Variabila aleatoare Xn ia valorile {1, 2, . . . , m} si evenimentul (Xn = j) este evenimentul ca la momentul n traiectoria aleatoare sa ajunga n starea
j S.
Vom arata ca daca se cunoaste distributia initiala de probabilitate 0 si matricea de
tranzitie Q a lantului Markov (Xn ) atunci putem determina si distributia de probabilitate
n = [n (1), n (2), . . . , n (m)] a variabilei aleatore Xn , n > 0. Precizam ca n (j) =
P (Xn = j).
Propozitia 10.2.1 Distributia de probabilitate a starii la momentul n este:
n = 0 Qn
sau detaliat:
0 (1) 0 (2) . . . 0 (m) Q
n
X
(10.6)
i=1
m
X
(10.7)
i=1
adica
P (Xn = j) =
m
X
i=1
0 (i)Pijn
m
X
i=1
(10.8)
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
m
X
(10.9)
i=1
(10.10)
sau concentrat
n = 0 Qn
(10.11)
(10.12)
=
=
=
=
=
=
=
=
=
=
[0.33000000000
[0.29500000000
[0.28190000000
[0.27867000000
[0.27796300000
[0.27781550000
[0.27778539000
[0.27777930700
[0.27777808430
[0.27777783915
0.525000000000
0.590500000000
0.606650000000
0.610185000000
0.610922500000
0.611073050000
0.611103465000
0.611109578500
0.611110804250
0.611111049705
0.145000000000];
0.114500000000];
0.111450000000];
0.111145000000];
0.111114500000];
0.111111450000];
0.111111145000];
0.111111114500];
0.111111111450];
0.111111111145];
10.2.2
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
In acest caz,
0 Qn =
0, 0, . . . , |{z}
1 , . . . , 0, 0 qk1 qk2 . . . qkm
.
k
..
qm1 qm2 . . . qmm
n
linia k din Q
Prin urmare n = [ qk1 qk2 . . . qkm ]. Trecand la limita cand n obtinem ca linia
k din matricea Qn tinde la (deoarece n ). Cum k a fost ales arbitrar, rezulta ca
toate liniile din Qn tind la = [(1), (2), . . . , (n)]. Prin urmare
(1) (2) . . . (n)
Qn .. ..
. .
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
10
10.2.3
0.3 0.7 0
0
0.45 0.55 0
0
Q=
0
0 0.6 0.4
0
0 0.2 0.8
nu este un lant ireductibil, asa cum se poate observa mai simplu din graful asociat.
Multimile de stari {1, 2} si {3, 4} nu comunica ntre ele.
Observatia 10.2.2 Simplul fapt ca Q(i, j) = 0 nu asigur
a ca i nu comunic
a cu j. Cele
dou
a stari nu comunic
a ntr-un pas, dar pot comunica n mai multi pasi, adic
a s-ar putea
n
ca Q (i, j) > 0, pentru un n > 1.
Un lant Markov poate avea si traiectorii periodice (Fig.10.3).
3
1
Fig.10.3: Graful asociat unui lant Markov ce are traiectoria (1,3,4) periodica
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
11
Din analiza grafului din figura rezulta ca probabilitatile Q3 (1, 1) > 0, Q6 (1, 1) > 0 si
n general Q3k (1, 1) > 0, ceea ce ilustreaza ca, cu o probabilitate pozitiva, o traiectorie ce
porneste din 1 se rentoarce n 1 dupa 3, pasi, 6 pasi, sau mai general un multiplu de 3
pasi. Aceasta proprietate indica ca traiectoria ce porneste din 1 este periodica. Analog
pentru 3 si 4.
Definitia 10.2.2 Perioada unei stari i, este num
arul
i = c.m.m.d.c{n N | Qn (i, i) > 0}
In cazul exemplului nostru cel mai mare divizor comun al numerelor de forma 3k, k N
este 3, deci starea 1 este periodica de perioada 3, si analog starile 3 si 4.
a, iar un lant Markov
O stare i a carei perioada este 1 se numeste stare aperiodic
care are toate starile aperiodice se numeste lant Markov aperiodic.
Evident ca daca matricea de tranzitie are toate elementele de pe diagonala principala
strict pozitive, Q(i, i) > 0, atunci lantul este aperiodic.
Remarcam ca proprietatile de ireductibilitate si aperiodicitate ale unui lant Markov
sunt proprietati ale matricii de tranzitie.
Se poate demonstra urmatoarea proprietate:
Toate starile dintr-o clasa de echivalenta, relativ la relatia de intercomunicare, au
aceeasi perioada.
Un lant Markov n timp discret, ireductibil are toate starile de aceeasi perioada d.
Prin urmare daca o stare a unui lant ireductibil este aperiodica, atunci toate starile sunt
aperiodice. Astfel pentru a arata ca un lant ireductibil este aperiodic este suficient sa
identificam o stare i pentru care Q(i, i) > 0 (probabilitatea de trecere de la starea i la ea
nsasi este nenula), pentru a concluziona ca starea i este aperiodica si deci toate starile
lantului sunt aperiodice.
Dupa aceasta clasificare a starilor unui lant Markov sa caracterizam lanturile Markov
ireductibile si aperiodice.
Teorema 10.2.1 Daca un lant Markov cu o multime finita de stari S este ireductibil si
aperiodic, atunci el admite o unic
a distributie de echilibru si sirul (n ) al distributiilor
de stare la momentul n este convergent oricare ar fi distributia initial
a 0 .
Conform propozitiilor 10.2.2, 10.2.2, limita sirului (n ) este distributia de echilibru si
sirul (Qn ) este convergent, limita sa fiind matricea ale carei linii coincid toate cu vectorul
probabilist .
Aceasta teorema sta la baza algoritmului PageRank pe care se bazeaza motorul de
cautare Google.
10.2.4
12
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
(10.13)
(1)
(1)
(1) (1)
T
Q ..
= ..
.
.
(m)
(m)
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
13
0 1/5 4/5
0
Q= 1 0
1 0
0
Ilustrand graful de tranzitie se observa ca lantul este ireductibil si periodic de perioada 2. Matricea QT are valorile proprii 1, 1, 0. Vectorul propriu corespunzator valT
orii proprii
1 este v = (5,
1, 4) , deci distributia de echilibru a lantului Markov este
= 5/10 1/10 4/10
10.3
Algoritmul PageRankGoogle
Google este un motor de cautare foarte performant datorita algoritmului PageRank, dezvoltat de fondatorii Google, Larry Page si Sergei Brin, n 1998, cand nca erau studenti
la Stanford. Ei au exploatat ideea mersului aleator definit de un lant Markov n scopul
ierarhizarii paginilor WEB n ordinea descrescatoare a unui indice numit rangul paginii
(PageRank). PageRank este distributia de echilibru a unui lant Markov definit pe
spatiul starilor ce consta din toate paginile WEB. Aceasta distributie de probabilitate
este calculata o data pe luna.
Sa definim mai precis lantul Markov ce sta la baza algoritmului PageRank. Fie W =
{1, 2, . . . , m} multimea tuturor paginilor WEB, H = (hij ) matricea de conectivitate a lui
W , sau matricea hyperlink:
1 daca exista hyperlink n pagina i catre pagina j
hij =
0 daca nu exista hyperlink n pagina i catre pagina j
H este o matrice sparse, adica cu foarte multe zerouri (n medie cu 3-10 elemente
nenule
P
pe o linie). Suma elementelor de pe o linie a matricii hyperlink, ri = m
h
a
j=1 ij indic
numarul de hyperlink-uri din pagina i. ri se numeste outdegree (gradul, ordinul iesirilor
din pagina) al paginii i. L. Page si S. Brin au considerat ca un surfer ajuns n pagina i
alege cu aceeasi probabilitate oricare din paginile catre care pagina i are link-uri, adica
probabilitatea de trecere de la pagina i la pagina j este pij = hij /ri . De exemplu daca
0 0 1 1 0 0 1 0 0 1
1 0 0 0 1 0 0 1 0 0
H = ..
..
.
.
0 0 1 0 0 1 0 1 0 0
atunci ordinul de iesire din pagina 2 este r2 = 3 si deci probabilitatea de a trece din pagina
2 n oricare din paginile {1, 2, . . . , 10} este p2j = h2j /3, adica cu aceeasi probabilitate de
1/3, un surfer poate trece din pagina 2 n pagina 1, 5 sau 8.
Vom exemplifica constructia propusa de L. Page si S. Brin prin modelul simplu de
retea izolata de pagini WEB (retea intranet), din Fig.10.4. Notam cu Q = (pij ) matricea
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
14
P3
P4
P1
P2
P6
P5
1
2
3
4
5
6
0
0
0
0
0
0
0
0
0
0 1/2 1/2
0 1/4 0 1/4 1/4 1/4
0
0
0
0
0
0
1/2 0
0
0
0 1/2
1/3 0 1/3 1/3 0
0
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
15
Q1 = Q + av T
unde a = [a1 , a2 , . . . , am ]T , cu
1 daca i este o dangling page
,
ai =
0 n rest
iar v = [1/m, 1/m, . . . 1/m]T
Lantul Markov avand matricea Q1 poate sa nu fie ireductibil ( adica pornind dintr-o
pagina nu se poate ajunge n orice alta pagina n mersul aleator definit de matricea Q1 )
sau navigand pe WWW conform matricii de tranzitie Q1 un surfer poate intra ntr-un
ciclu infinit pentru ca matricea Q1 poate conduce la traiectorii periodice. Din aceasta
cauza, dar si pentru ca pentru ca uneori surferul se plictiseste sa urmeze link-uri, se
considera ca doar cu probabilitatea (0, 1) (prescrisa), un navigator ajuns n pagina i
alege uniform una din paginile catre care pagina i are hyperlink-uri si cu probabilitatea
complementara 1 ignora hyperlink-urile si alege uniform oricare din cele m pagini
din WWW (inserand o adresa URL n linia de comanda a browser-ului). se numeste
damping factor. Astfel matricea de tranzitie devine:
G = Q1 + (1 ) ..
(10.14)
(10.15)
Aceasta modalitate de exprimare permite o stocare redusa a ei. Se crede ca la ora actuala
matricea Google este cea mai uriasa matrice cu care se opereaza n vreo aplicatie (are
aproximativ 9 milioane linii si 9 milioane coloane!)
Lantul Markov avand spatiul starilor constituit din:
multimea paginilor WEB la un moment dat, de cardinal m,
matricea de tranzitie de tipul G cu fixat, si
distributia initiala de probabilitate 0 , distributia uniforma,
este un lant ireductibil si aperiodic, deci are o unica distributie de echilibru , numita
vectorul PageRank.
Deoarece matricea Google, G, este o matrice patratica de tip m m, cu m > 9
aa
milioane, distributia de echilibru se calculeaza numeric folosind asa numita metod
n
puterii, ca limita a sirului n = 0 G a distributiilor de probabilitate la momentul n:
16
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
10.4
0 3/4 1/4
0 2/3
(10.16)
Q = 1/3
0
1
0
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
17
Observam urmatoarea caracteristica: de la volum mare, traficul trece mereu la unul mediu
(probabilitatea p32 = 1).
Daca la momentul n = 0 ncepe monitorizarea volumului traficului, si se constata ca
V0 = M , care este probabilitatea ca V5 = R? Dar probabilitatea sa avem (V0 = M, V1 =
R, V2 = M, V3 = H, V4 = M, V5 = R)? Calculati aceste probabilitati scriind codul C
adecvat.
Admite acest lant Markov o distributie de echilibru? Ce interpretare dati acestei
distributii?
2. Un lant Markov cu 2 stari {1, 2}, are matricea de tranzitie:
0.8 0.2
Q=
0.4 0.6
a) Sa se calculeze P (X5 = 2|X0 = 1, X1 = 2, X2 = 2, X3 = 2, X4 = 1).
b) Determinati distributia de probabilitate a starilor la momentul n = 3 si calculati
stiind ca distributia initiala de probabilitate este distributia uniforma pe spatiul starilor.
Deduceti si P (X3 = 1|X0 = 1),
c) Sa se argumenteze ca lantul este ireductibil si aperiodic si sa se determine algebric,
distributia de echilibru a lantului.
Rezolvare: a) Datorita lipsei partiale de memorie, P (X5 = 2|X0 = 1, X1 = 2, X2 =
2, X3 = 2, X4 = 1) = P (X5 = 2|X4 = 1) = Q(1, 2) = 0.2.
Distributia de probabilitate a starilor la momentul n = 3 este distributia de probabilitate a variabilei aleatore X3 , adica 3 . Stiind ca n = 0 Qn , avem ca 3 = 0 Q3 , unde
0 = [1/2, 1/2]. Deci:
[ 3 (1) 3 (2) ] = 1/2 1/2 Q3
P (X3 = 1|X0 = 1) fiind probabilitatea trecerii n 3 pasi de la starea 1 la starea 1, avem
ca:
P (X3 = 1|X0 = 1) = Q3 (1, 1)
c) Lantul este ireductibil deoarece Q(1, 2) > 0 si Q(2, 1) > 0. Fiind ireductibil este
suficient sa aratam ca o singura stare este aperiodica (daca o stare a unui lant ireductibil
este aperiodica, atunci toate starile sunt aperiodice). Cum Q(1, 1) = 0.8 > 0 rezulta ca
starea 1 este aperiodica.
Distributia de echilibru a unui lant ireductibil si aperiodic este vector propriu corespunzator valorii proprii 1 a matricii Q , deoarece:
Q(1, 1) Q(1, 2)
Q = , adica [1 2 ]
= [1 2 ]
Q(2, 1) Q(2, 2)
este echivalent cu Q = :
Q(1, 1) Q(2, 1)
1
1
=
Q(1, 2) Q(2, 2)
2
2
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
18
(Q I2 )
=
y
0
adica:
sau
0.8 1
0.4
0.2
0.6 1
0.2 0.4
0.2 0.4
x
y
x
y
=
0
0
0
0
P (X1 = 1, X3 = 2)
P (X1 = 1 X3 = 2)
=
P (X1 = 1)
P (X1 = 1)
1 (1)Q2 (1, 2)
1 (1)Q2 (1, 2)
=
= Q2 (1, 2)
P (X1 = 1)
1 (1)
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
19
iii)
P (X2 = 1, X1 = 2, X0 = 2)
=
P (X0 = 2)
Homework Exercise
6 2, X1 = 2, X2 = 1) 0 (2)Q(2,
April 8,2)Q(2,
1997 1)
P (X0 =
=
=
=
P (X0 = 2)
0 (2)
= Q(2, 2)Q(2, 1) = (0.7)(0.3)
Analysis
[45] 1.
1/7
2/9
4/7
2/
7/
5/6
1/5
1/3
2/
1/
1/
1/
3/
1/
1/2
3/8
Sa se
1/2
1/4
C.
D.
20
c E. Petrisor, 2008
Cursuldi10,
Probabilit
i si rete
Statistic
a n
hiusa
CS
Un algoritmo
Metropolis
peratuna
di
ode
1
p1
I/O 1
0
CPU
m
p0
pm
I/O m
omputer
he pu
o mantenere
in memoriajob-uri
un numeroactive
massimoTraiectoria
r di lavori attivi.
Un singolo
Joburile care circulaunn
reteaua
nchis
a se numesc
unui
prolavoro viene elaborato dalla CPU dopodi
he termina
on probabilita p0 , oppure viene inviato
gram (job) prin retea (
on
poate
fi modelata ca un lant Markov n timp discret, cu spatiul
probabilita p , i = 1; : : : ; m) ad uno di m
anali input/output (I/O) per poi ria
odarsi alla
starilor {0, 1, 2, 3, . . . , m}.
S
a
se scrie
de tranzit
ie a acestui
lant
Markov
si
omputer
sa se
CPU. Se l'arrivo
dei matricea
lavori dall'esterno
e moltofrequente,
possiamo
assumere
he il
lavori
sempre
alla
sua
apa
it
a
massima,
quindi
he,
appena
terminato
un
lavoro,
ne
arate ca daca probabilitatile pi sunt strict ntre 0 si 1, lantul Markov este ireductibilentri
si
subito un altro,
osi
he
i sono sempre r lavori attivi. La durata di elaborazione alla CPU ha
aperiodic, deci admite distribuzione
o unica distribut
ie
on
demedia
echilibru
= stazioni
[0 , 1I/O
, . .
on
.,
m ]. Determinat
esponenziale
0 , quellaalle
media
, i = 1; : : : ; m.i
Sia x = (x0 ; x1 ; :prin
: : ; x metoda
) il numero di
lavori in
ias
una
quelli in
oda
e quello
he
aceasta distributie de probabilitate
algebric
a (ca stazione,
vector tra
propriu
al matricii
sta venendo eseguito. Puo essere utile determinare il numero atteso di lavori in
ias
una stazione
xi
c E. Petrisor, 2008
Cursul 10, Probabilit
ati si Statistica n CS
00
21
01
p1
p
10
p2
11
Fig.10.7:
p1 ntre 10 si 01;
p2 ntre 11 si 10.
a) Deduceti probabilitatile de tranzitie corespunzatoare celorlalte arce din graful din
Fig. 10.7:
b) Aratati ca lantul Markov este ireductibil precizand traiectoriile care unesc orice
stare b1 b2 cu o alta distincta c1 c2 . Argumentati de ce este lantul si aperiodic. Gasiti
distributia de echilibru.
c) In cazul n care p = p1 = p2 = 1/2 sa se scrie matricea de tranzitie si sa se calculeze
probabilitatea P (X3 = 11|X0 = 00, X1 = 10, X2 = 01).