Documente Academic
Documente Profesional
Documente Cultură
LANURI I
SISTEME DE ATEPTARE
MARKOVIENE
MIHAELA-HANAKO MATCOVSCHI
LANURI I
SISTEME DE ATEPTARE
MARKOVIENE
Mihaela-Hanako MATCOVSCHI
Universitatea Tehnic Gh. Asachi Iai
Facultatea de Automatic i Calculatoare
Bd. D. Mangeron 53A, 6600 Iai
E-mail: mhanako@delta.ac.tuiasi.ro
Cuvnt nainte
n instruirea specialitilor din ingineria sistemelor i calculatoarelor i din
domenii conexe (telecomunicaii, inginerie industrial, biotehnologie) ultimul deceniu s-a
caracterizat printr-o deplasare a centrului de interes ctre noi tipuri de dinamic,
necesitnd o extindere adecvat a fundamentelor teoretice care s permit desfurarea
activitilor de modelare, analiz i sintez. Respectiva extindere a inclus n principal
construcii bazate pe capitole moderne de matematic cu aplicabilitate larg, deja
consacrat n practic.
Lanurile Markov i sistemele de ateptare markoviene sunt dou dintre aceste
capitole care n prezent se regsesc n coninutul a numeroase monografii i manuale cu
orientare inginereasc publicate recent de diverse edituri internaionale. Existena n
literatura tehnico-inginereasc din Romnia a foarte puine materiale viznd noile arii
de investigaie din automatic a motivat autoarea acestor rnduri s elaboreze o carte
concentrat asupra elementelor de baz ale teoriei ateptrii.Spiritul crii este specific
antrenrii studenilor pe principii didactice moderne, restrngnd latura pur matematic
la strictul necesar i complementnd-o prin exemple i studii demonstrative care
ilustreaz modul de aplicare a rezultatelor teoretice. Mai mult, o parte din aceste
aplicaii ofer comparativ soluii analitice i asistate de calculator, iar sub form de
anexe sunt prezentate elementele eseniale pentru utilizarea software-ului la care se face
apel (Statistics Toolbox for MATLAB i ARENA). Maniera de dozare i structurare
a informaiilor furnizate cititorului faciliteaz parcurgerea textului, crend o relativ
independen de consultarea altor resurse bibliografice. Cititorul interesat n detalii
gsete ns n lista bibliografic numeroase recomandri pentru studii ulterioare i/sau
aprofundarea unor tematici.
n dimensionarea lucrrii i fixarea principalelor repere de coninut s-a inut cont
de corelarea cu disciplinele de studiu proprii specializrilor de Automatic, Informatic
Aplicat, Tehnologia Informaiei, consultnd planuri de nvmnt i programe
analitice disponibile de la alte universiti din ar i din strintate. Prin acest demers
cartea i definete o sfer de poteniali cititori nu numai n rndul studenilor Facultii
ii
de Automatic i Calculatoare din Iai, pentru care este recomandat drept suport
pentru cursul de Sisteme de Ateptare i Aplicaii, ci are n vedere studeni, absolveni i
doctoranzi din specializri nrudite, care o pot utiliza drept material pentru studiu
individual. Nivelul introductiv spre mediu pentru care a fost proiectat lucrarea a obligat
la o selectare foarte atent a subiectelor nepermind abordarea unor problematici
importante din punctul de vedere al cercetrilor actuale, dar depind cadrul
informaional pe care ni l-am propus. Din aceast categorie fac parte sistemele de
ateptare nemarkoviene, reelele de ateptare i algoritmi de planificare a servirii.
Acest Cuvnt nainte nu poate fi ncheiat fr ca autoarea s i exprime
gratitudinea fa de o serie de persoane care, ntr-o manier direct sau indirect, au
contribuit la definitivarea i apariia acestei lucrrii. Acetia sunt cei trei refereni care
au avut generozitatea de a parcurge manuscrisul i de a formula sugestii pentru
amendarea acestuia, precum i membrii colectivului Editurii "Gh. Asachi" care au
druit acestui manuscris lumina tiparului.
Cititorii sunt rugai ca n urma lecturii s aduc la cunotina autoarei inerentele
imperfeciuni ale materialului, i totodat, n msura posibilului, s propun eventuale
soluii pentru ndeprtarea acestora. Tuturor celor care vor avea bunvoina de a
rspunde acestei invitaii, le sunt adresate anticipat mulumirile cuvenite.
Aprilie 2003
Autoarea
Cuprins
Cuvnt nainte .................................................................................................................. i
Cuprins........................................................................................................................... iii
Simboluri i notaii......................................................................................................... vi
Cap. 1. Introducere n teoria sistemelor de ateptare .................................................... 1
Cap. 2. Elemente de teoria probabilitilor i statistic matematic ............................ 7
2.1. Cmp de probabilitate................................................................................................... 8
2.2. Variabile aleatoare i distribuii de probabilitate........................................................ 10
2.2.1. Variabile aleatoare unidimensionale................................................................. 10
2.2.2. Variabile aleatoare multidimensionale.............................................................. 13
2.2.3. Funcii de variabile aleatoare ............................................................................ 15
2.3. Caracteristici ale distribuiilor de probabilitate .......................................................... 17
2.3.1. Valoare medie ................................................................................................... 17
2.3.2. Dispersie (varian) ........................................................................................... 18
2.3.3. Moment de ordin k ............................................................................................ 19
2.3.4. Covarian ......................................................................................................... 20
2.4. Distribuii de probabilitate utilizate n modelarea sistemelor de ateptare................. 21
2.4.1. Distribuii discrete de probabilitate................................................................... 21
2.4.1.1. Distribuia uniform discret................................................................... 21
2.4.1.2. Distribuia Bernoulli................................................................................ 22
2.4.1.3. Distribuia binomial............................................................................... 22
2.4.1.4. Distribuia binomial cu exponent negativ.............................................. 23
2.4.1.5. Distribuia geometric ............................................................................. 24
2.4.1.6. Distribuia Poisson .................................................................................. 25
2.4.2. Distribuii continue de probabilitate ................................................................. 27
2.4.2.1. Distribuia uniform continu ................................................................. 27
2.4.2.2. Distribuia exponenial .......................................................................... 27
2.4.2.3. Distribuia gamma ................................................................................... 30
2.4.2.4. Distribuia Erlang .................................................................................... 31
2.4.2.5. Distribuia hiperexponenial .................................................................. 32
2.4.2.6. Distribuia Cox ........................................................................................ 34
2.4.2.7. Distribuia 2 .......................................................................................... 35
iv
Cuprins
Simboluri i notaii
\ mulimea numerelor reale
` mulimea numerelor naturale (inclusiv 0)
] mulimea numerelor ntregi
^ mulimea numerelor complexe
apartenen
incluziune strict
incluziune cu posibilitate de egal
spaiul eantioanelor (mulimea tuturor
realizrilor posibile ale unui experiment)
E spaiul evenimentelor
P funcia de probabilitate
( , E, P ) cmp de probabilitate
A B uniunea evenimentelor, A sau B
A B intersecia evenimentelor, A i B
A complementul evenimentului A, non A
P[ A | B ] probabilitate de apariie a evenimentului
A condiionat de producerea evenimentului B
X variabil aleatoare
FX funcia de repartiie a variabilei aleatoare X
p X densitatea de repartiie a variabilei aleatoare
discrete X
f X densitatea de repartiie a variabilei aleatoare
continue X
M[ X ] valoarea medie a variabilei X
Var[ X ] dispersia variabilei X
X deviaia standard a variabilei X
k [ X ] momentul de ordin k al variabilei X
Capitolul 1
Introducere
Sistemele de ateptare (eng. queueing systems) constituie un tip de sisteme din ce n ce mai
des ntlnit n ansamblul activitilor socio-economice ale societii moderne, n particular
viznd i progresul tehnologic din diverse domenii. Sistemele de ateptare constituie o
submulime a unei clase mai largi de sisteme dinamice, i anume sistemele de tip flux (eng.
flow systems), care efectueaz procesarea (sau servirea) unor entiti (sau clieni); clienii se
deplaseaz sau sunt transferai prin mai multe canale de dimensiuni finite dintr-un punct ntraltul al sistemului, ateapt (dac este nevoie) i prsesc sistemul dup ce au fost servii
complet. Termenul generic de client nu presupune existena unei fiine umane, ci are un sens
generic, putnd fi un automobil (dac ne referim, de exemplu, la fluxul de automobile ntr-o
reea de osele), un apel telefonic (n cazul transmisiei mesajelor telefonice), un asiu de
automobil (pentru fluxul de fabricaie pe o linie de asamblare a autovehiculelor), o
instruciune (cu referire la fluxul de execuie a unui program pe computer) i evident o
persoan (de exemplu, pentru fluxul clienilor dintr-un supermagazin).
Teoria sistemelor de ateptare (eng. queueing theory) a aprut
din necesitatea de a modela matematic i de a putea formula o
predicie asupra comportrii sistemelor de acest tip, n care sosirea
i servirea clienii au caracter aleator. Unul dintre pionierii
domeniului a fost Agner Krarup Erlang (18781929), un
matematician danez care a publicat, n anul 1909, lucrarea The
Theory of Probabilities and Telephone Conversations, pe baza unui
studiu pe care l-a efectuat pentru Compania Danez de Telefoane
din Copenhaga. n onoarea sa, Comitetul Consultativ Internaional
din Telefonie (CCIT) a decis n anul 1946 ca unitatea de msur
pentru intensitatea traficului s fie denumit Erlang, dei, din punct
Agner K. Erlang
de vedere strict fizic aceast mrime este adimensional.
Dintre cercettorii de prestigiu ai acestui domeniu mai trebuie amintii Felix Pollaczek
(1892-1981), Andrei Kolmogorov (1903-1987) i Alexandr Hincin (1894-1959).
Sosire
clieni
Fir de ateptare
(Q)
Server
(S)
Cap. 1. Introducere
Cap. 1. Introducere
elibereaz bilete pentru orice categorie de tren, n timp ce la un ghieu se elibereaz bilete
numai pentru trenurile cu rezervare de loc. Cele trei ghiee sunt complet abordabile de
ctre toi clienii, iar cel de-al patrulea ghieu este abordabil numai de ctre anumii
clieni.
Staiile de servire n serie se ntlnesc n cazul n care sistemul este compus din mai
multe subsisteme de ateptare. Clientul trece pe rnd pe la toate staiile, ateptnd a fi
servit de fiecare dintre ele.
Capitolul 2
Elemente de teoria probabilitilor
i statistic matematic
matematic abstract, general, cu noiuni de baz bine precizate. n afar de puternica dezvoltare
teoretic, s-au extins continuu i domeniile de aplicabilitate ale teoriei probabilitilor i
statisticii matematice, unele dintre acestea conturndu-se ca teorii de sine-stttoare, cum ar fi
teoria informaiei, teoria fiabilitii i teoria sistemelor de ateptare (Mihoc i Mihu, 1980).
intersecia evenimentelor, A i B:
A B = { A i B} ;
(2.1.2)
(2.1.3)
a.
b.
c.
d.
NA
,
(2.1.4)
N N
este numrul de apariii a evenimentului A n urma efecturii unui numr N de
P[ A] = lim
unde N A
experimente.
Pe baza noiunilor introduse mai sus se poate enuna urmtoarea definiie.
Tripletul ( , E, P ) se numete cmp de probabilitate dac:
(2.1.6)
evenimente atunci
n
P[ B] = P[ B | Ai ]P[ Ai ] .
i =1
(2.1.7)
10
P[ Ak | B] =
P[ Ak B]
P[ B | Ak ] P[ Ak ]
= n
.
P[ B]
P[ B | Ai ]P[ Ai ]
(2.1.8)
i =1
x +
P[ x1 < X x2 ] = F ( x2 ) F ( x1 ), P[ X > x] = 1 F ( x) .
11
Dac numrul de valori pe care le poate lua X este finit (n), expresia funciei sale de repartiie
este:
, x (, x1 ),
0
, x [ x1 , x2 ),
p1
, x [ x2 , x3 ),
p1 + p2
(2.2.4)
F ( x) =
p1 + p2 + + pn 1 , x [ xn 1 , xn ),
, x [ xn , ).
1
Din punct de vedere grafic, F(x) este o funcie scar, cu n+1 trepte cresctoare, dintre care
prima are valoarea 0, iar ultima valoarea 1.
Exemplul 2.2.1. Pentru ilustrarea celor afirmate anterior, considerm cazul unei
variabile aleatoare care ia trei valori distincte, adic particularizarea n = 3 n formula
funciei de repartiie. n reprezentarea grafic din fig. 2.2.1(b) se observ efectul
cumulativ al funciei de repartiie, care este o funcie scar cu 4 valori: 0, p1 , p1 + p2 i
p1 + p2 + p3 = 1 (prezentnd salturile p1 , p2 , p3 , corespunztoare probabilitilor
reprezentate grafic n fig. 2.2.1(a)). Avnd n vedere definiia funciei F, sunt evidente
urmtoarele trei proprieti ale acesteia:
1. F este monoton cresctoare - deoarece cu ct valoarea x considerat este mai mare,
cu att este mai mare i valoarea funciei.
2. lim F ( x) = 0 - deoarece pentru valori extrem de mici ale lui x, ne plasm cu
x
3.
certitudine n intervalul (, x1 ) .
lim F ( x) = 1 - deoarece pentru valori extrem de mari ale lui x, ne plasm cu
x
certitudine n intervalul [ x3 , ) .
12
(a)
(b)
, cu un
numr finit de puncte de discontinuitate de prima spe, ce satisface relaia (fig. 2.2.2):
x
F ( x) =
f ( )d , x
(2.2.5)
(a)
(b)
Fig. 2.2.2. Reprezentarea grafic a (a) densitii de probabilitate i a (b) funciei de repartiie
pentru o variabil aleatoare continu.
13
f ( x) 0, x
f ( x)dx = 1 ;
[0, 1] , FX ,Y ( x, y ) = P[ X x, Y y ] , x, y
(2.2.7)
14
2 FX ,Y ( x, y )
xy
(2.2.8)
FX ,Y ( x, y ) =
f X ,Y ( , )d d .
(2.2.9)
f X ,Y ( x, y ) 0,
x, y
f X ,Y ( x, y ) dx dy = 1 .
f X ( x) =
f ( x, )d , respectiv, fY ( y ) =
f ( , y )d .
(2.2.10)
f X ,Y ( x, y ) = f X ( x) fY ( y ) .
(2.2.11)
0
, pentru x < 0
respectiv,
2 ( + y )
d = e y , pentru y 0
e
fY ( y ) = 0
0
, pentru y < 0
15
)(
FX ,Y ( x, y ) = FX ( x) FY ( y ) = 1 e x 1 e y , pentru x 0 i y 0 .
Considerm dou variabile aleatoare X i Y. tiind c Y = y , se poate determina
repartiia condiional de probabilitate a variabilei X de forma:
F ( x, y + y ) FX ,Y ( x, y )
P[ X x, y Y y + y ]
FX ( x | Y = y ) = lim
= lim X ,Y
=
y 0
y 0
P[ y Y y + y ]
FY ( y + y ) FY ( y )
FX ,Y ( x, y )
FX ,Y ( x, y + y ) FX ,Y ( x, y )
y
y
= lim
y 0
FY ( y + y ) FY ( y )
fY ( y )
y
(2.2.12)
2
F ( x, y )
f ( x, y )
xy X ,Y
= X ,Y
.
f X ( x | Y = y ) = FX ( x | Y = y ) =
fY ( y )
fY ( y )
x
Trecerea de la cazul bidimensional la cel multidimensional se face n mod natural.
(2.2.13)
16
y ] = FX
( y ) FX ( y ) .
fY ( y ) = 1
2 y [ f X ( y ) f X ( y )] , pentru y > 0.
De exemplu, X ar putea reprezenta eroarea de msur ntr-un anumit experiment
fizic, iar Y ar reprezenta, n acest caz, eroarea ptratic de msur.
n mod asemntor se pot introduce funciile de mai multe variabile aleatoare.
Exemplul 2.2.4. Fie variabilele aleatoare independente X1 , X 2 , , X n ; funcia de
repartiie a variabilei X i este notat Fi , i = 1, n . Considernd variabilele aleatoare
Y = max { X1 , X 2 , , X n } i Z = min { X 1 , X 2 , , X n } , funciile lor de repartiie sunt
date de:
FY ( y ) = P [ max { X 1 , X 2 , , X n } y ] = P [ X1 y, X 2 y, , X n y ] =
= P [ X1 y ] P [ X 2 y ] P [ X n y ] = F1 ( y ) F2 ( y ) Fn ( y ), y ,
respectiv,
FZ ( z ) = P [ min { X 1 , X 2 , , X n } z ] = 1 P [ min { X1 , X 2 , , X n } > z ] =
= 1 P [ X 1 > z , X 2 > z , , X n > z ] = 1 P [ X1 > z ] P [ X 2 > z ] P [ X n > y ] =
= 1 [1 F1 ( z ) ][1 F2 ( z )][1 Fn ( z ) ] , z .
Fie Y = g ( X ) . Natura funciei g determin modul de calcul efectiv al funciei de
atunci
repartiie FY ( y ) . De exemplu, dac g este funcie strict cresctoare i surjectiv pe
FY ( y ) = FX g 1 ( y ) ,
(2.2.14)
deoarece g ( X ) y X g 1 ( y ) .
Dac funcia g este derivabil, densitatea de probabilitate a variabilei Y, fY ( y ) , poate
fi calculat cu ajutorul formulei:
fY ( y ) =
i
f X ( xi )
,
| g ( xi ) |
(2.2.15)
17
f X ( x) dx ,
S ( y)
(2.2.16)
S (z)
f X ,Y ( x, y ) dx dy ,
(2.2.17)
fZ ( z) =
f X ( ) fY ( z ) d .
M[ X ] = xi pi = mX ,
(2.3.1)
| xi | pi < + .
i
M[ X ] =
not
x f ( x) dx = mX ,
(2.3.2)
18
(2.3.3)
z z
x x2
este o variabil discret, i Z = g ( X ) = 1 2
Dac X = 1
, unde
q1 q2
p1 p2
zi = g ( xi ) , i = 1, 2, , atunci valoarea medie a variabilei aleatoare Z este dat de:
M[ Z ] = z j q j = g ( xi ) pi .
j
(2.3.4)
M[ Z ] =
zh( z )dz =
g ( x) f ( x)dx .
(2.3.5)
(2.3.6)
Rezultatele prezentate mai sus pentru cazul funciilor de o variabil aleatoare uni- sau
bidimensional pot fi extinse i la cazul n funciilor de variabile aleatoare multidimensionale
(continue sau discrete). Deci, media unei variabile aleatoare Z care depinde de una sau mai
multe variabile aleatoare poate fi determinat n funcie de densitatea sa de probabilitate h sau
utiliznd funcia de definiie i densitatea de probabilitate a variabilei uni- sau
multidimensionale de care depinde Z.
Prin particularizarea dependenei Z = g ( X ) se introduc noi caracteristici ale
variabilelor aleatoare, dup cum urmeaz.
Var[ X ] = M ( X mX ) 2 = X2 ,
(2.3.7)
19
(2.3.8)
Var[ X ] =
( x mX )
f ( x)dx .
(2.3.9)
Var[cX ] = c 2 Var[ X ], c ,
Var[c + X ] = Var[ X ], c ,
(2.3.10)
k [ X ] = M[ X k ] , pentru k = 1, 2, ,
(2.3.11)
k [ X ] = xik pi ,
(2.3.12)
k [ X ] =
f ( x)dx .
(2.3.13)
20
(2.3.14)
k [ X ] = ( xi mX ) pi .
k
(2.3.15)
k [ X ] =
( x mX )
f ( x)dx .
(2.3.16)
Se observ c 1 [ X ] = 0 i c 2 [ X ] = Var[ X ] .
2.3.4. Covarian
Se numete covarian (eng. covariance) a variabilelor aleatoare X i Y (peste acelai cmp de
probabilitate), ale cror valori medii sunt mX , respectiv mY , numrul (dac acesta exist)
Cov[ X , Y ] = M [ ( X mX )(Y mY )] .
Sunt satisfcute urmtoarele proprieti:
Cov[ X , Y ] = Cov[Y , X ], Cov[ X , X ] = Var[ X ],
Cov[ X , Y ] = M[ XY ] M[ X ]M[Y ],
Cov[ X , Y ] = 0, dac X i Y sunt independente,
Cov[ X + Y , Z ] = Cov[ X , Z ] + Cov[Y , Z ],
Var[ X + Y ] = Var[ X ] + Var[Y ] + 2 Cov[ X , Y ].
(2.3.17)
(2.3.18)
(2.3.20)
21
prin:
X ,Y =
Cov[ X , Y ]
XY
(2.3.21)
X ,Y
1, dac Y= aX cu a < 0,
(2.3.22)
2n
, x [2,3),
(2.4.2)
F ( x) =
(n 1) n , x [n 1, n),
, x [n, ).
1
22
0.25
1
0.2
0.8
cdfX = P[Xn]
pdfX = P[X=n]
0.15
0.6
0.1
0.4
0.05
0.2
0
-1
3
n
0
-1
(a)
3
n
(b)
k {0,1, 2,..., n} ,
(2.4.4)
n!
, pentru 0 k n , reprezint numrul combinrilor de n elemente luate
k !(n k )!
cte k. Se verific uor c
unde Cnk =
k =0
23
(2.4.5)
k =0
k =0
k =0
k
P[ X 2] = p (k ) = C30
p k (1 p )30 k =
30!
30!
30!
(0, 05)0 (0,95)30 +
(0, 05)1 (0, 95) 29 +
(0, 05) 2 (0,95) 28 =
0!30!
1!29!
2!28!
= 0, 2146 + 0, 3389 + 0, 2586 = 0,8122.
Numrul mediu de piese defecte dintr-un lot este
M[ X ] = np = 30 0, 05 = 1, 5 ,
iar dispersia variabilei X:
Var[ X ] = np (1 p ) = 30 0, 05 0,95 = 1, 425 .
=
P[ X e] = Cnk p n k (1 p) k .
k =0
24
probabilitate fiind:
p(k ) = P[ X = k ] = p(1 p)k 1 ,
k {1, 2,} .
(2.4.7)
k = n +1
P[ X = k ] =
p(1 p) k 1 = (1 p) n ,
n {1, 2,} ,
(2.4.8)
k = n +1
n {1, 2,} .
(2.4.9)
task servit
complet
sosire
task
buffer
procesor
25
k {0,1, 2,} ,
(2.4.10)
i funcia de repartiie:
F (n) = P[Y n] = 1 (1 p ) n +1 ,
Media
variana
unei
variabile
n {0,1, 2,} .
aleatoare
X Gm ( p)
(2.4.11)
sunt
egale
cu
M[ X ] = (1 p) p , respectiv Var[ X ] = (1 p) p .
2
e , k , > 0 .
k!
Relaia (2.4.13) definete ntr-adevr o densitate de probabilitate deoarece
p(k ) = P[ X = k ] =
k =0
k!
p(k ) = e
k =0
= e e = 1 .
(2.4.13)
(2.4.14)
26
1k
k =0
k!
P[ X1 + X 2 = n] = P[ X1 = k ]P[ X 2 = n k ] =
k =0
e 1
2n k
(n k )!
e 2 =
(2.4.16)
1
( + ) n
= e ( 1 + 2 ) Cnk 1k 2n k = 1 2 e ( 1 +2 ) .
n!
n!
k =0
n
Functia de repartitie
0.45
X Bin(20, 0.05)
X Poiss(1)
0.4
0.35
0.8
cdfX = P[Xn]
pdfX = P[X=n]
0.3
0.25
0.6
0.2
0.4
0.15
0.1
0.2
0.05
0
X Bin(20, 0.05)
X Poiss(1)
0
3
n
(a)
3
n
(b)
27
(2.4.17)
f (t ) = 1
b a , pentru t [a, b].
Funcia de repartiie corespunztoare are forma (vezi fig. 2.4.4. pentru a = 1 i b = 6 ):
0 , t<a
t a
(2.4.18)
F (t ) =
, at b
b a
1 , t > b
0.25
1.2
0.2
0.8
f(t)
F(t)
0.15
0.6
0.1
0.4
0.05
0.2
4
t
(a)
4
t
(b)
forma:
0 , pentru t < 0,
f (t ) = t
e , pentru t 0,
funcia sa de repartiie fiind vezi fig. 2.4.5:
0 , pentru t < 0,
F (t ) = P[ X t ] =
t
1 e , pentru t 0.
(2.4.19)
(2.4.20)
28
P[ X > s + t , X > s ]
=
P[ X > s ]
(2.4.22)
P[ X > s + t ]
e (t + s )
= 1
= 1 s = 1 e t = P[ X t ], t , s 0.
P[ X > s ]
e
PDF - distr. exponentiala E()
1 = 1
2 = 1.5
3 = 0.5
1.6
1.4
1 = 1
2 = 1.5
3 = 0.5
1.2
0.8
F(t)
f(t)
1
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
4
t
(a)
4
t
(b)
29
P[t < X t + t ]
= P[ X t ]
P[ X > t ]
F (t + t ) F (t ) F (t )
F (t + t ) F (t ) = F (t ) [1 F (t ) ]
=
[1 F (t )] (2.4.23)
t
t
F (t + t ) F (t )
F ( t )
lim
= [1 F (t ) ] lim
F (t ) = F (0) [1 F (t ) ] .
t 0
t 0 t
t
Considernd R(t ) = 1 F (t ) i notnd = F (0) = f (0) , din (2.4.23) rezult c funcia R
satisface ecuaia diferenial
R(t ) = R(t ) , t > 0 .
(2.4.24)
P[ X t + t | X > t ] = P[ X t ]
Deoarece R(0) = 1 F (0) = 1 , din (2.4.24) se obine R(t ) = e t , t > 0 , astfel c funcia de
repartiie a variabilei X este de form exponenial, F (t ) = 1 e t , t > 0 .
1.2
P[ X t]
P[ X t | X > 2]
F(t)
0.8
= 0.5
0.6
0.4
0.2
5
t
10
(2.4.25)
FY (t ) = P [ max { X1 , X 2 , , X n } t ] = F1 (t ) F2 (t ) Fn (t ) = 1 e t
, t 0 .
(2.4.26)
30
= 0, 74742 .
t
f (t ) = 1
( ) t e , pentru t > 0,
cu , , , > 0 ,
(2.4.27)
( ) = x 1 e x dx , > 0 .
(2.4.28)
Parametrul reprezint parametrul de form (eng. shape parameter) al distribuiei gama, iar
este parametrul de scalare (eng. scale parameter) al acesteia. Influena valorilor acestor
parametri asupra graficului densitii de probabilitate este ilustrat n fig. 2.4.7. Distribuia
gamma reprezint corespondentul continuu al distribuiei binomiale cu exponent negativ.
PDF - distributia Gamma ( , )
1.8
1.6
=0.75, =0.5
=1, =1
=1.5, =1
=2, =1
=2, =2
0.8
1.4
F(x)
f(x)
1.2
1
0.8
0.6
0.4
0.6
0.4
0.2
0.2
0
0.5
1.5
2.5
x
(a)
3.5
4.5
0.5
1.5
2.5
x
3.5
=0.75, =0.5
=1, =1
=1.5, =1
=2, =1
=2, =2
4
4.5
(b)
31
0
, pentru t 0
n
f (t ) =
cu n
n 1 t
t
e
,
pentru
t
0
>
( n 1) !
=1
=1
=1
=1
=1
0.4
0.2
0.2
6
x
10
n =0.5, =1
n =2, =2
n =2, =1
n =2, =0.5
n =4, =1
0.6
0.4
12
0.8
0.8
0.6
0.6
0.4
5
x
10
0.4
n =1,
n =2,
n =3,
n =4,
n =5,
0.2
F(x)
F(x)
(b)
(2.4.29)
0.8
0.6
, > 0.
f(x)
(a)
f(x)
0.8
, densitatea de
6
x
10
=1
=1
=1
=1
=1
n =0.5, =1
n =2, =2
n =2, =1
n =2, =0.5
n =4, =1
0.2
12
5
x
10
32
n 1
k
(2.4.30)
F (t ) =
( t ) t
1 k ! e , pentru t > 0.
k =0
Valoarea medie a unei variabile aleatoare X Er (n, ) este M[ X ] = n , iar
dispersia Var[ X ] = n 2 .
Distribuia exponenial se obine drept un caz particular al distribuiei Erlang
(corespunztoare rangului n = 1 ), E ( ) = Er (1, ) . Legtura dintre cele dou distribuii este
mai profund, datorit faptului c, dac X1 , X 2 ,..., X n E ( ) sunt variabile aleatoare
independente distribuite exponenial cu aceeai rat , atunci variabila Z = X1 + X 2 + ... + X n
are distribuie Erlang de ordin n i parametru , Z Er (n, ) , fapt ce va fi demonstrat n
seciunea 2.6.2.
Exemplul 2.4.6. Pentru testarea calitii pieselor produse pe o linie de fabricaie se
aplic consecutiv trei teste, durata fiecrui test (Ti, i = 1, 2, 3) avnd distribuie
exponenial de medie = 5 s. O pies este supus la cele trei teste, fiind eliberat dup
terminarea celui de-al treilea. Timpul total de verificare a unei piese, T = T1 + T2 + T3 ,
are distribuie Erlang de ordin n = 3 i parametru (rat) = 1 = 0, 2 s-1. Media i
dispersia lui T sunt M[ X ] = n = n = 15 s, respectiv Var[ X ] = n 2 = n 2 = 75 s2.
T = T1 + T2+ T3
T1
T2
Ti E ( ), i = 1,3
T3
T Er (3, )
Fig. 2.4.9. Ilustrare grafic a duratelor corespunztoare testelor din Exemplul 2.4.6.
Exemplul 2.4.7. Durata de execuie X a unui program de ctre CPU, msurat n
minute, are o distribuie Erlang de ordin n = 4 i parametru = 0,5 . Probabilitatea ca
execuia unui program s dureze mai mult de 1 minut este
3
k
2 3
+ e = 0,99824 .
P[ X > 1] = 1 F (1) = 1
e = 1 1 + +
2
6
k =0 k !
33
n
f (t ) =
i t
pi i e , pentru t 0.
i =1
(2.4.31)
i =1
n pi
.
2
i =1 i
i =1 i
n
pi
1
1
p1
p2
pn
n
(a)
(b)
Fig. 2.4.10. Reprezentarea grafic a unui proces cu n faze: (a) secveniale (distribuie
Erlang) i (b) alternante (distribuie hiperexponenial).
Comparatie PDF
Comparatie CDF
1.4
Hiper(p1,p2; 1,2)
Expo(1)
Expo(2)
1.2
0.8
1 = 0.8; 2= 1.25
f(x)
0.8
1 = 0.8; 2= 1.25
0.6
0.6
0.4
0.4
Hiper(p1,p2; 1,2)
Expo(1)
Expo(2)
0.2
0.2
4
x
(a)
(b)
34
1
1
2
p1
1-p1
n-1
p2
1-p2
n-1
pn-1
n
n
1-pn-1
distribuii
B s aib
timpul de
proprieti
X1
35
X2
S1
S2
1
1-p
X
2.4.2.7. Distribuia 2
n 2
t
2 e 2 , pentru t > 0
f (t ) = 1
cu n
t
n
22 n
()
(2.4.32)
36
( t )2
1
f (t ) =
exp
,
2 2
2
(2.4.33)
f (t )dt , t
, nu
poate fi determinat, astfel c valorile numerice ale acesteia sunt tabelate, pentru diferite
perechi de parametri (Mihoc i Micu, 1980).
Valoarea medie a unei variabile aleatoare X N ( , ) este M[ X ] = , iar dispersia
acesteia este Var[ X ] = 2 (deviaia standard fiind egal cu ) (fig. 2.4.14).
PDF - distributia Normala (, )
0.9
=0, =1
=-2, =1
=2, =1
=0, =0.5
=0, =2
0.8
0.7
0.8
0.6
f(x)
F(x)
0.5
0.4
0.6
0.4
0.3
0.2
=0, =1
=-2, =1
=2, =1
=0, =0.5
=0, =2
0.2
0.1
0
-5
-4
-3
-2
-1
0
x
0
-5
(a)
-4
-3
-2
-1
0
x
(b)
37
( t )2
f (t ) = 1
(2.4.34)
exp
, pentru t 0,
2
2
2
( t )2
1
exp
dt ,
2 2
0 2
(2.4.35)
f (t ) = 1
cu , , > 0 . (2.4.36)
( ln t )2
t
exp
,
pentru
0,
>
x 2
2 2
2
, respectiv
Media i dispersia variabilei aleatoare X sunt M[ X ] = exp +
2
0
, n rest,
38
unde
1
( , ) = t 1 (1 t )
dt
(2.4.38)
, respectiv Var[ X ] =
.
( + ) ( + + 1)
2
Deoarece graficul densitii sale de probabilitate are diferite forme (fig. 2.4.15) funcie
de valorile parametrilor reali pozitivi i , aceast distribuie este deseori utilizat pentru a
modela diferite fenomene aleatoare pe baza unor date incomplete. Pentru c o variabil
aleatoare cu distribuie beta poate lua valori numai in intervalul [0, 1] , setul de date X
cuprinse ntr-un interval [a, b] este mai nti scalat prin transformarea Y = a + (b a ) X .
Distribuia beta este deseori utilizat pentru a modela proporii aleatoare, cum ar fi proporia
de piese defecte dintr-un lot.
Pentru = = 1 se obine distribuia uniform pe intervalul [0,1] .
PDF - distributia Beta( , )
2.5
=0.5, =0.5
=0.75, =0.75
=1, =1
=1.5, =1.5
=4, =4
0.8
2
0.6
1.5
0.4
1
0.2
0.5
0.2
0.4
0.6
(a)
0.8
0.2
0.4
0.6
=0.5, =0.5
=0.75, =0.75
=1, =1
=1.5, =1.5
=4, =4
0.8
(b)
cu , , , > 0 ,
(2.4.39)
f (t ) =
1 t
, pentru t > 0,
t e
i funcia de repartiie
, pentru t 0,
0
F (t ) =
(2.4.40)
t
, pentru t > 0.
1 e
39
1
2
1
sunt egale cu M[ X ] = 1 + , respectiv Var[ X ] = 1 + 2 1 + , unde
este funcia special Gamma (2.4.28).
Distribuia Weibull (fig. 2.4.16) este deseori utilizat pentru a modela timpii de via
ai unor resurse. Dac un sistem este compus din mai multe subsisteme care se pot defecta n
mod independent, atunci timpii dintre dou defectri consecutive n sistem poate fi aproximat
printr-o distribuie Weibull. Aceast distribuie este de asemenea utilizat pentru a modela
timpi de servire care sunt centrai spre stnga (n apropiere de 0).
1.5
=1, =0.5
=1, =1
=1, =2
=1.5, =1
=1.5, =2
0.8
f(x)
F(x)
1
0.6
0.4
0.5
0.2
0.5
1.5
2.5
x
(a)
3.5
4.5
0.5
1.5
2.5
x
3.5
=1, =0.5
=1, =1
=1, =2
=1.5, =1
=1.5, =2
4.5
(b)
Numele
Simbol
distribuiei
Uniform
Ud (N )
discret
Geometric
Gd ( p )
Poisson
P ( )
f ( n) =
Binomial
Bin( N , p )
Uniform
continu
U ( a, b)
f ( x) =
Exponenial
E ( )
f ( x) = e x , x 0
N ( , )
1
e
f ( x) =
2
Normal
Gamma
G ( , )
n
n!
e , n `
1
, x [ a, b]
ba
2 2
x\
,
x
1
f ( x) =
x 1 e , x 0
( )
x
Erlang
Er (k , )
1
f ( x) = k
x k 1 e , x 0
( k 1) !
2 ( )
f ( x) =
2
x
1
2
2
x
, x0
e
2 2 ( 2 )
B ( , )
f ( x) =
1
1
x 1 (1 x ) , x [0,1]
( , )
Beta
Domeniul valorilor
variabilei aleatoare
N 2 1
12
1 p
p2
X {1, 2,..., N }
X `
>0
X `
p (0,1) ,
N
p
a+b
2
1
Np
1 p
X {0,1, 2,..., N }
(b a) 2
12
1
\ ,
>0
X \
, > 0
X [0, +)
k ` ,
>0
k 2
X [0, +)
X [0, +)
( + )
( + + 1)
N `
a, b \ ,
a<b
>0
( x )2
Varian
, > 0
X [a, b]
X [0, + )
X [0,1]
41
pentru y g ( I ),
n rest,
(2.5.1)
unde g 1 este inversa, unic determinat, a funciei g, iar ( g 1 ) este derivata acesteia.
Pentru a demonstra aceast teorem, considerm c g este monoton cresctoare pe I .
Funcia de repartiie a variabilei Y = g ( X ) este
FY ( y ) = P[Y y ] = P[ g ( X ) y ] = P[ X g 1 ( y )] = FX g 1 ( y )
(2.5.2)
pentru y g ( I ) . Prin derivare n raport cu y se obine densitatea de probabilitate fY .
42
fY ( y ) = f X [ F ( y )] F ( y ) = F ( y ) = f ( y ), pentru y .
(2.5.3)
Aceast metod poate fi aplicat pentru acele distribuii de probabilitate pentru care
funcia invers de repartiie F 1 poate fi exprimat n form analitic (de exemplu, pentru
distribuia exponenial sau Weibull). n cazul distribuiilor pentru care acest lucru nu este
posibil (de exemplu, distribuia normal) se aplic alte metode de generare (Sinclair, 2002).
FY ( y ) = P[Y y ] = P[ 1 ln (1 X ) y ] = P[ln (1 X ) y ] =
= P[(1 X ) e y ] = P[ X 1 e y ] = FX (1 e y ).
Deoarece X U (0,1) , FX ( x) = x pentru 0 x 1 . Funcia de repartiie a lui Y este
FY ( y ) = 1 e y , pentru y > 0 .
Deci variabila Y = g ( X ) are distribuie exponenial de parametru , Y E ( ) .
Un caz particular de aplicare a teoremei 2.5.1 este cel al funciilor liniare,
g ( x) = ax + b , cu a , b . Densitatea de probabilitate a variabilei Y = aX + b este
1
y b
fX
, pentru y a I + b,
fY ( y ) = | a | a
0
, n rest,
(2.5.4)
0 , pentru y < 0,
fY ( y ) = y
e r , pentru y 0.
r
Rezult astfel c Y are distribuie exponenial de parametru r .
43
existe pentru orice valoare a parametrului real , dar, n general, exist un interval de numere
reale pentru care funcia MX ( ) este definit. Definiia MGF poate fi extins i la cazul
variabilelor aleatoare multidimensionale.
x
Dac variabila aleatoare X este discret, X = 1
p1
MX ( ) = e
x j
x2
p2
xn
, atunci
pn
pj ,
(2.6.2)
iar dac X este variabil aleatoare continu avnd densitatea de probabilitate f, se obine
MX ( ) =
f ( x)dx .
(2.6.3)
(2.6.4)
(2.6.6)
(2.6.7)
++
+ =
MX ( ) = M e X = M 1 + X +
k
2!
!
M [ X 2 ] 2
M [ X k ] k
k
= 1 + M [ X ] +
++
+ = M[ X k ] .
k!
k!
2!
k =0
(2.6.8)
(2.6.9)
44
k [ X ] = M [ X k ] =
d k MX
d k
k = 1, 2, .
(2.6.10)
=0
Se observ c M [ X 0 ] = MX (0) = 1 .
Exemplul 2.6.1. Ilustrm n continuare modul de utilizare a funciei generatoare de
moment pentru studierea proprietilor distribuiei normale. Pentru o variabil continu
cu distribuie normal standard X N (0,1) , aplicarea relaiei (2.6.3) conduce la:
( x )2
1 x2
1 2
e dx =
e e 2 dx = e 2 .
MX ( ) = e f ( x)dx = e
2
2
cu m .
k [ X ] =
= 2m m !
k
d =0
0 , dac k = 2m + 1,
O variabil aleatoare Y cu distribuie normal de medie i deviaie standard ,
Y N ( , ) , poate fi scris sub forma Y = X + , cu X N (0,1) . Aplicnd
teorema 2.6.2 se obine funcia generatoare de moment a lui Y sub forma:
2 2
.
MY ( ) = e MX ( ) = exp +
2
12 + 22 ) 2
(
= exp ( 1 + 2 ) +
,
2
GX ( z ) = MX (ln z ) = M z X = pk z k = p0 + p1 z + p2 z 2 + + pk z k + . (2.6.11)
k =0
45
Deoarece
complexe z pentru care | z | 1 . Pentru | z | < 1 seria de puteri poate fi derivat termen cu
termen obinndu-se:
not
GX( k ) ( z ) =
d k GX ( z )
n!
=
pn z n k .
k
(
)!
n
k
dz
n=k
(2.6.12)
pk =
(2.6.13)
(2.6.14)
1 k 1
z = zk ;
n
n k =0
k =0
G ( z) =
(2.6.15)
(2.6.16)
G ( z ) = Cnk p k (1 p) n k z k = [ pz + (1 p) ] ;
n
(2.6.17)
k =0
k =1
k =0
G ( z ) = p (1 p) k 1 z k = pz (1 p) k z k =
(2.6.18)
k =0
k =0
p
;
1 z (1 p)
(2.6.19)
( z ) k
= e e z = e ( z 1) .
k
!
k =0
(2.6.20)
G ( z ) = p(1 p) k z k = p (1 p) k z k =
pz
;
1 z (1 p)
G ( z) =
k =0
k
k!
e z k = e
Din teorema 2.6.1 rezult c, dac dou variabile aleatoare discrete X i Y au aceeai
funcie generatoare de probabilitate, GX ( z ) = GY ( z ) , atunci variabilele X i Y au aceeai
densitate de probabilitate.
46
(2.6.21)
deci
Var[ X ] = M [ X 2 ] ( M[ X ])2 = + 2 2 = .
Exemplul 2.6.3. Relaia (2.6.21) poate fi utilizat pentru a determina distribuia de
probabilitate a unei sume de variabile aleatoare discrete, mutual independente, cu valori
numere ntregi nenegative, X 1 , X 2 , , X m , dup cum urmeaz:
(i) dac variabila X i are repartiie binomial de parametri ni
i p (0,1) ,
nm
n + n ++ n
m
= [ pz + (1 p) ] 1 2
Z Bin(n1 + n2 + + nm , p);
(ii) dac variabila X i are repartiie Poisson de parametru i > 0 , X i P (i ) , pentru
i = 1, m , atunci
Z = X1 + X 2 + + X n
1 + 2 + + m , deoarece
GZ ( z ) = GX1 ( z ) GX 2 ( z ) GX n ( z ) =
= e 1 (1 z ) e 2 (1 z ) e m (1 z ) =
= e ( 1 +2 ++ m )(1 z ) Z P (1 + 2 + + m ).
Funcia caracteristic (eng. characteristic function) a unei variabile aleatoare continue
X cu densitatea de probabilitate f este definit prin
N X ( ) = MX (i ) = M e
i X
=
.
i x
f ( x)dx ,
(2.6.22)
47
LX ( s ) = MX ( s ) = e sx f ( x)dx , Re s > 0 .
(2.6.23)
e sx
e as e bs
dx =
;
b
a
s
b
a
(
)
a
L( s ) = e sx f ( x)dx =
0
LX ( s ) = e
sx
dx =
( + s ) e
s+
( + s ) x
s+
(2.6.25)
i =1
i =1
pi i
;
s + i
(2.6.26)
LX ( s ) = e sx
0
dx =
LX ( s ) = e sx pi i e i x dx =
(2.6.24)
( n 1)!
x n1 e x dx =
(s+) ;
n
(2.6.27)
LX ( s ) = e sx
0
1 s +1 x
1
1
s +1 x
x 1 e dx =
( )
( s + 1) ( ) 0
s +1
dx =
(2.6.28)
1
1
;
y 1 e y dy =
( s + 1) ( ) 0
( s + 1)
( )
j
.
s + j
j =1
i
LX ( s ) = p1 p2 pi 1 (1 pi )
i =1
(2.6.29)
48
(2.6.30)
LZ ( s ) = LX1 ( s )LX 2 ( s ) LX n ( s ) .
(2.6.31)
Proprietatea exprimat prin relaia (2.6.10) se poate aplica pentru funcia caracteristic
corespunztoare unei variabile aleatoare X:
k
k]
k d NX
[
k [ X ] = M X = ( i )
d k
k = 1, 2, ,
(2.6.32)
=0
k [ X ] = M [ X k ] = (1) k
k = 1, 2, .
(2.6.33)
s =0
LX ( s ) =
Valoarea medie a variabilei X este
dL
M [ X ] = (1) X
ds
De asemenea, se pot determina
d 2 LX
M[ X 2 ] =
ds 2
s+
= (1)
s =0
=
s =0
( s + )2
2
( s + )3
=
s =0
=
s =0
i
Var[ X ] = M [ X 2 ] ( M[ X ]) =
2
=
s =0
k !
( s + )k +1
=
s=0
k!
i =1
i =1
LZ ( s ) = LX i ( s ) =
s+
(s+) .
( n 1)!
t n 1 e t , pentru t 0 .
( s + 1)n
i =1
i =1 ( s + 1)
1
2
1
1
.
= 1 2
s + 1 s + 2 2 1 s + 1 s + 2
12
e t e t ) , pentru t 0 ,
(
2 1
1
2 1
e 1t +
2 1
e 2t , pentru t 0 .
49
50
2
1
1.8
HYPO: 1 = 1, 2 = 2
EXPO:1 = 1
1.6
0.8
EXPO:2 = 2
1.4
F(x)
f(x)
1.2
1
0.8
0.6
0.4
HYPO: 1 = 1, 2 = 2
0.6
EXPO:1 = 1
0.4
EXPO:2 = 2
0.2
0.2
0
0.5
1.5
2.5
x
3.5
4.5
0.5
(a)
1.5
2.5
x
3.5
4.5
(b)
(2.7.1)
(2.7.2)
Din punct de vedere practic, aceast lege arat c valoarea medie a unei variabile
aleatoare X poate fi aproximat orict de bine prin media aritmetic a unui numr n suficient
de mare de realizri (experimentale) ale acesteia, X1 , X 2 ,..., X n .
51
52
=
( X , X ,..., X ) utilizat pentru a estima valoarea parametrului al
O funcie
1
2
n
populaiei se numete estimator (eng. estimator), iar o valoare a acesteia, = ( x1 , x2 ,..., xn ) ,
calculat pe baza realizrilor x1 , x2 ,..., xn ale unui experiment statistic reprezint o estimare
a lui .
=
( X , X ,..., X ) reprezint un estimator nedeviat (eng. unbiased
Funcia
1
2
n
estimator) al parametrului dac media sa coincide cu valoarea adevrat a lui :
( X , X ,..., X )] = .
(2.8.1)
M[
1
Valoarea medie empiric (eng. sample mean) sau sperana matematic a eantionului
X1 , X 2 ,..., X n , definit prin relaia
X=
1
Xi ,
n
i =1
(2.8.2)
1 n
1 n
1
Var[ X ] = Var X i = 2 Var[ X i ] = 2
n
n i =1 n i =1
Var[ X ] =
i =1
Var[ X ]
.
n
(2.8.4)
( X , X ,..., X ) = 1 ( X X )2
n
1
2
n i =1 i
(2.8.5)
53
1
( X i X )2 ,
n 1
i =1
(2.8.6)
constituie un estimator nedeviat al dispersiei populaiei, 2 = Var[ X ] , dac aceasta din urm
exist. Estimatorii (2.8.5) i (2.8.6) difer foarte puin atunci cnd lungimea eantionului este
suficient de mare. Formula (2.8.6) se poate aplica atunci cnd populaia investigat este
infinit.
Pentru o populaie finit de mrime N, un estimator nedeviat al dispersiei este
reprezentat de:
1
1
n
N
( X i X )2 .
(2.8.7)
S2 =
n 1
i =1
, fie k x numrul de valori (din totalul de n valori nregistrate) care sunt mai
mici sau egale cu x. Funcia empiric de repartiie (eng. empirical distribution function) este
definit prin
F ( x) = k n .
(2.8.9)
x
1
X ik , pentru k = 1 sau k 3 ,
n
i =1
(2.8.10)
respectiv
mk =
1
( X i X ) k , pentru k 3 .
n i =1
(2.8.11)
54
1[ X ] = x(k + 1) x k dx =
0
k + 1 k +2 1 k + 1
x 0=
.
k +2
k +2
55
L( ) = P[ X1 = x1 , X 2 = x2 , , X n = xn ] = p X i ( xi | ) ,
(2.8.12)
i =1
L( ) = P[ X1 = x1 , X 2 = x2 , , X n = xn ] = f X i ( xi | ) .
(2.8.13)
i =1
x
x!
i =1
i =1
L( ) = p X i ( xi | ) = e
xi =
xi !
n
x
1
e n i =1 i ,
x1 ! x2 ! xn !
56
i =1
i =1
x
L( ) = f X i ( xi | ) = e xi = n e i =1 i .
n
x
= n n 1 e i =1 i xi n e i =1 i .
d
i =1
Rezolvarea ecuaiei dL d = 0 conduce la = n
i =1 xi ,
n
astfel c estimatorul de
< <
+ ] = , cu , > 0 ,
P[
1
2
1 2
(2.8.15)
,
+ ) este un interval de 100 % ncredere pentru parametrul
se spune c intervalul (
1
2
. Valoarea se numete coeficient de ncredere (eng. confidence coefficient). Relaia
(2.8.15) are urmtoarea semnificaie. Valoarea estimat pe baza unui set de valori
x , x ,..., x , poate s fie coninut sau nu n intervalul ( , + ) , astfel c probabilitatea
1
este
P[ 1 < < + 2 ] are valoarea 1 sau, respectiv, 0. Atunci cnd estimatorul
considerat ca funcie de variabilele aleatoare X1 , X 2 , , X n , capetele intervalului
,
+ ) sunt variabile aleatoare i are sens s afirmm c probabilitatea ca intervalul
(
1
,
+ ) s conin valoarea adevrat este . Dac se repet de un numr
(aleator) (
1
2
suficient de mare de ori, N, procesul de culegere a datelor experimentale i cel de estimare a
parametrului pe baza acestor date, atunci n N din cazuri valoarea va fi coninut n
intervalul ( , + ) .
1
57
< <
+ ] 1 Var[] , pentru > 0 ,
P[
(2.8.16)
2
2
.
n 2
rejection region).
n procesul de verificare a ipotezelor statistice se pot comite dou tipuri de erori. O
eroare de tipul I apare atunci cnd ipoteza nul este adevrat, dar n-uplul de selecie
( x1 , x2 , , xn ) se gsete n R( H1 ) , astfel nct ipoteza H0 este respins. Probabilitatea de
58
(a)
(b)
(c)
Fig. 2.8.1. Reprezentarea grafic a unui test: (a) bilateral, (b) unilateral stnga
i (c) unilateral dreapta.
n verificarea ipotezelor statistice apar dou cazuri distincte. Presupunnd cunoscut
tipul distribuiei de probabilitate a populaiei X, fie unul sau mai muli parametri ai acesteia
trebuie estimai, fie trebuie verificat o relaie ntre aceti parametri. Pentru aceasta, exist
teste specializate care privesc valoarea medie sau dispersia populaiei.
O alt situaie este aceea n care distribuia de probabilitate a populaiei investigate
este necunoscut i se pune problema concordanei (eng. goodness of fit) dintre repartiia
empiric F i o repartiie teoretic postulat F0 .
59
Pentru o populaie cu distribuie continu de probabilitate cel mai des utilizat test de
acest tip este testul Kolmogorov-Smirnov (Bolch et al., 1998). Pentru aplicarea acestuia, pe
baza valorilor colecionate ntr-un eantion x1 , x2 ,..., xn , se calculeaz mai nti funcia
empiric de repartiie F ( x) conform relaiei (2.8.9). O msur logic a deviaiei repartiiei
n
(2.8.17)
5
4.5
4
3.5
(a)
(b)
2.5
2
1.5
1
0.5
0
0.5
1.5
2.5
0.5
1.5
2.5
10
9
5
8
7
(c)
(d)
4
2
3
2
1
0
0.5
1.5
2.5
3.5
0.5
1.5
2.5
3.5
4.5
60
1.4
PDF empiric
PDF Erlang(3, )
1.2
0.8
=2
f(x)
(b)
0.6
F(x)
0.8
(a)
0.6
0.4
=2
0.4
0.2
0.2
0.5
1.5
2
x
2.5
3.5
CDF empiric
CDF Erlang(3, )
0.5
1.5
2
x
2.5
3.5
Fig. 2.8.3. Comparaia grafic dintre funciile empirice i teoretice: (a) de densitate de
probabilitate i (b) de repartiie, pentru un eantion de lungime n = 100 .
Repetm testul pentru eantioane de lungime n = 10.000 , pentru care funcia
Matlab kstest returneaz valoarea statisticii testului D10000 = 0, 0059 i valoarea critic
d10000; = 0, 0136 , astfel nct ipoteza H 0 nu este rejectat. Figura 2.8.4 prezint
comparaia grafic dintre funciile empirice i teoretice: (a) de densitate de probabilitate
i, respectiv, (b) de repartiie.
Comparatie PDF empiric vs. Erlang(3, )
0.7
0.6
PDF empiric
PDF Erlang(3, )
0.8
0.5
=2
(b)
f(x)
(a)
0.3
F(x)
0.4
0.6
=2
0.4
0.2
CDF empiric
CDF Erlang(3, )
0.2
0.1
4
x
4
x
Fig. 2.8.4. Comparaia grafic dintre funciile empirice i teoretice: (a) de densitate de
probabilitate i (b) de repartiie, pentru un eantion de lungime n = 10.000 .
61
(2.8.18)
ln [1 F0 (t )] = t .
(2.8.19)
F0 (t ) = 1 e t
ln { ln [1 F0 (t )]} = ln t + ln .
(2.8.20)
50
200
N =1000
45
(a)
180
40
160
35
140
30
120
(b)
25
100
20
80
15
60
10
40
20
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
N =1000
10
12
62
semnificaie = 0, 05 .
Funcia Matlab kstest returneaz valoarea statisticii testului D1000 = 0, 0275 i
valoarea critic d1000; = 0, 0428 , astfel nct ipoteza H 0 nu este rejectat. Figura 2.8.6
prezint comparaia grafic dintre funciile empirice i teoretice: (a) de densitate de
probabilitate i, respectiv, (b) de repartiie.
Comparatie PDF empirica vs. teoretica
0.5
0.45
0.9
PDF empirica
PDF Expo()
0.4
0.35
0.6
N = 1000
(b)
0.25
F(x)
f(x)
0.7
= 0.5
0.3
(a)
0.8
0.5
0.2
0.4
0.15
0.3
0.1
0.2
0.05
0.1
6
x
10
12
= 0.5
N = 1000
CDF empirica
CDF Expo()
6
x
10
12
Fig. 2.8.6. Comparaia grafic dintre funciile empirice i teoretice: (a) de densitate de
probabilitate i (b) de repartiie, pentru un eantion de lungime n = 1.000 .
Figura 2.8.5 ilustreaz aplicarea metodei grafice de verificare a concordanei dintre
distribuia empiric a setului de date Y = g ( X ) i (a) o distribuie exponenial,
respectiv, (b) o distribuie Weibull. Se observ c ipoteza distribuiei exponeniale a
acestui set de date poate fi acceptat, n timp ce ipoteza distribuiei Weibull poate fi
rejectat.
Test grafic - distributie exponentiala
1.5
1
(b)
0.5
0
-0.5
-1
(a)
-ln[ 1-Fe(x) ]
-1.5
6
x
10
12
-2
-1
-0.5
0.5
1.5
2.5
ln(x)
Capitolul 3
Lanuri Markov
64
fixat se obine o funcie definit pe T , numit realizare sau traiectorie (eng. sample path) a
procesului stohastic. Mulimea tuturor valorilor posibile ale unui proces stohastic,
S = { X (t , ) t T, } , se numete spaiul strilor (eng. state space) procesului respectiv.
Procesele stohastice pot fi clasificate dup natura discret sau continu a spaiului
strilor i a spaiului parametrilor. Procesele stohastice pentru care spaiul strilor este discret
(mulime finit sau numrabil) se numesc lanuri (eng. chain). Dac mulimea T pe care este
definit variabila temporal t este discret se spune c procesul stohastic este discret n timp
(eng. discrete-time stochastic process); n acest caz se consider T={0,1,2,...} iar procesul
stohastic (denumit i secven stohastic) este notat { X k } , k = 0,1, 2,... . Un proces stohastic
pentru care T = + este referit drept proces stohastic continuu n timp (eng. continuous-time
stochastic process).
n studiul unui proces stohastic X prezint interes att distribuii dependente de timp
(probabilitatea ca, pentru un anumit t fixat, variabila aleatoare X (t ) s ia valori ntr-o anumit
submulime a spaiului strilor S ), ct i distribuii staionare (probabilitatea ca variabila
aleatoare X (t ) s ia valori ntr-o anumit submulime a spaiului strilor S pentru valori
foarte mari ale parametrului t) asociate procesului. Pentru o anumit stare fixat x S a
procesului, este studiat probabilitatea ca procesul s ajung vreodat n acea stare, ca i
momentul la care va ajunge prima dat n x pornind dintr-o anumit stare iniial. De
asemenea, un alt aspect examinat este relaia care exist ntre variabilele aleatoare X ( s ) i
X (t ) la dou momente diferite de timp s i t.
n principiu, pentru a caracteriza un proces stohastic trebuie precizate funciile de
repartiie ale tuturor variabilelor aleatoare care definesc procesul. Considernd un n-uplu
(t1 , t2 , , tn ) T n , se definete vectorul aleator ( X (t1 ), X (t2 ), , X (tn ) ) , a crui funcie de
repartiie,
FX (t1 , t2 , , tn ; x1 , x2 , , xn ) = P[ X (t1 ) x1 , X (t2 ) x2 , , X (tn ) xn ] ,
definit pentru ( x1 , x2 , , xn )
(3.1.1)
(3.1.2)
(3.1.3)
65
(3.1.5)
(3.1.8)
n aceast situaie se spune c procesul Markov este omogen n timp (eng. timehomogeneous). Trebuie de asemenea remarcat faptul c staionaritatea distribuiei condiionale
nu implic staionaritatea procesului Markov.
Relaia (3.1.7) se aplic proceselor pentru care spaiul strilor este continuu. n cele ce
urmeaz o atenie deosebit va fi acordat proceselor Markov cu spaiul strilor de tip discret,
procese denumite lanuri Markov (eng. Markov chain), pentru care relaia (3.1.7) se scrie n
forma:
66
(3.1.9)
n cazul lanurilor Markov n timp discret, tranziiile de stare pot avea loc numai la
momentele 0,1, 2, , k , , astfel nct asemenea lanuri sunt caracterizate prin relaia:
P[ X k +1 = xk +1 | X k = xk , , X1 = x1 , X 0 = x0 ] = P[ X k +1 = xk +1 | X k = xk ] .
(3.1.10)
67
P Z k +1 = [ xk yk , xk 1 ]T | Z k = [ xk , yk ]T = 1 ,
aceast probabilitate fiind independent de strile trecute Z k 1 , , Z 0 .
Procesele de tip semi-Markov reprezint o extindere a noiunii de proces Markov prin
relaxarea condiiei (M2), astfel nct duratele de timp dintre dou tranziii de stare
consecutive pot avea o distribuie arbitrar de probabilitate. Condiia (M1) se pstreaz, astfel
nct, probabilitatea de a trece ntr-o nou stare depinde numai de starea curent, fiind
independent de strile trecute.
T1
0
T2
Y1 Y2
T3
Y3
t0
Tk
Yk 1
Tk+1
Yk
Yk +1
68
k
k-1
3
2
1
0
Y1 Y2
Y3
Yk 1
Yk
69
geometric de parametru p. Durata medie dintre apariiile a dou evenimente consecutive este
dat de M[Tk ] = 1 p , iar dispersia acestor durate este Var[ X ] = (1 p) p 2 .
Variabila aleatoare Yk , k = 1, 2, , reprezint suma a k variabile independente identic
distribuite dup o distribuie geometric de parametru p, Yk = T1 + T2 + + Tk , avnd astfel
proprietile:
k
,
p
k (1 p)
Var[Yk ] = Var[T1 ] + Var[T2 ] + + Var[Tk ] =
.
p
M[Yk ] = M[T1 ] + M[T2 ] + + M[Tk ] =
(3.1.11)
(3.1.12)
(3.1.13)
(3.1.14)
(3.1.15)
Numar de evenimente
6
1
5
0.8
4
Nk
Xk
0.6
0.4
0.2
p =0.25
10
k
12
14
16
18
20
10
k
12
14
16
18
20
70
29
m =6
m =6
X [k]
0.8
0.6
0.4
0.2
0
10
12
14
16
18
20
14
16
18
20
14
16
18
20
Y [k]
0.8
0.6
0.4
0.2
0
10
12
Z [k]
0.8
0.6
0.4
0.2
0
10
k
12
71
Situaia opus este cea n care dou fluxuri independente de tip Bernoulli, Y i Z, de
parametri p i, respectiv, q, sunt combinate (eng. merge) pentru a forma un nou flux X. Un
eveniment este nregistrat n fluxul X dac i numai dac apare un eveniment n cel puin unul
din fluxurile Y i Z, ceea ce se ntmpl cu probabilitatea r = 1 (1 p )(1 q ) = p + q pq .
Fluxul rezultat astfel, X, este de tip Bernoulli de parametru r = p + q pq .
n fig. 3.1.5 sunt reprezentate grafic cte o realizare a fluxurilor Bernoulli Y (t ) , de
parametru p = 0, 25 , i Z (t ) , de parametru q = 0,10 , precum i fluxul X rezultat prin
combinarea acestora.
Flux Y, Bernoulli, p = 0.25
1
Y [k]
0.8
0.6
0.4
0.2
0
10
12
14
16
18
20
14
16
18
20
16
18
20
Z [k]
0.8
0.6
0.4
0.2
0
10
12
X [k]
0.8
0.6
0.4
0.2
0
10
k
12
14
72
(P2)
(P3)
=1
P[N(t) = k]
0.8
0.6
0.4
0.2
0
0
0
5
4
10
Timp [t]
73
( t )k
P(k , t ) = P [ N (t ) = k ] =
e t , t 0, k = 0,1, 2, .
(3.1.16)
k!
Fig.3.1.6 furnizeaz reprezentarea grafic a densitii de probabilitate pentru un proces
Poisson de rat = 1 . Pentru un moment t 0 fixat, valoarea medie i dispersia variabilei
aleatoare N (t ) sunt egale cu M [ N (t )] = t , respectiv Var [ N (t ) ] = t . n fig. 3.1.7 se
reprezint grafic o realizare a unui proces Poisson de rat = 1 .
Aparitie evenimente
Numar de evenimente
9
8
7
0.8
6
=1
5
N(t)
0.6
0.4
3
2
0.2
Y1
0
Y2 Y3
Y4
Y5 Y6
5
Timp [t]
Y7
9
=1
Y8
10
5
Timp [t]
10
Fig. 3.1.7. Reprezentarea grafic a unei realizri a unui proces Poisson de rat = 1 .
Se noteaz cu Yk momentul apariiei evenimentului k n fluxul Poisson studiat (cu
convenia Y0 = 0 ) i cu Tk = Yk Yk 1 , k = 1, 2, , duratele dintre apariiile a dou evenimente
consecutive (eng. interevent times). Variabilele aleatoare independente T1 , T2 , , au
distribuie exponenial de rat ,
P [Tk t ] = 1 e t , t 0 , k ,
(3.1.17)
valoarea medie M [Tk ] = 1 i dispersia Var [Tk ] = 1 2 .
Momentul producerii evenimentului k, Yk = T1 + + Tk , k = 1, 2, , are distribuie
Erlang de ordin k i parametru , Yk Er (k , ) , densitatea sa de probabilitate fiind
fYk (t ) =
k t k 1
( k 1) !
e t ,
t 0 , k = 1, 2, ,
(3.1.18)
74
P [Y2 1] = 1
A3
3!
e A
B2
2!
e B = 0, 0404 .
75
76
(3.2.1)
(3.2.3)
jS
Probabilitile pij (k ) (3.2.2) se refer la tranziii de stare care au loc ntr-un singur pas
n timp (la momentul k lanul este n starea i, iar la momentul k + 1 n starea j). O extensie
natural este de a considera tranziii de stare care au loc n n pai, cu n = 1, 2, . Se introduc
astfel probabilitile de tranziie de stare n n pai
pij (k , k + n) = P [ X k + n = j X k = i ] , i, j S , k T .
(3.2.4)
m pai
i
n-m pai
r
n pai
Fig. 3.2.1. Evoluia strilor unui lan Markov n timp discret.
Pentru a ajunge din starea i (ocupat la momentul k) n starea j (la momentul k + n ), la
momentul k + m (cu 0 m n ) lanul s-a aflat ntr-o stare r (fig. 3.2.1). Utiliznd legea
probabilitii totale se obine:
pij (k , k + n) = P [ X k + n = j X k + m = r , X k = i ] P [ X k + m = r X k = i ] .
(3.2.5)
rS
77
P [ X k + n = j X k + m = r , X k = i ] = P [ X k + n = j X k + m = r ] = prj (k + m, k + n) ,
(3.2.6)
(3.2.7)
rS
P (k , k + n) = pij ( k , k + n) , i, j = 1, 2, .
Cu aceast notaie, ecuaia Chapman-Kolmogorov (3.2.7) este echivalent cu
P (k , k + n) = P (k , k + m) P (k + m, k + n) , k , m, n 0 .
(3.2.8)
(3.2.9)
Dac probabilitile tranziiilor de stare sunt independente de momentul la care are loc
tranziia, atunci lanul Markov n timp discret este omogen (eng. homogeneous DTMC). n
acest caz se utilizeaz notaia
pij = P [ X k +1 = j X k = i ] , k T , i, j S = {1, 2,...}
(3.2.10)
(tranziia din starea i n starea j are loc cu aceeai probabilitate, indiferent de momentul de
timp la care se face observaia).
Pentru lanuri Markov omogene n timp discret, probabilitatea tranziiei din starea i n
starea j n n pai este, de asemenea, independent de k, fiind notat
pij( n ) = P [ X k + n = j X k = i ] , n = 1, 2,... .
Ecuaia Chapman-Kolmogorov (3.2.7) pentru lanuri Markov omogene n timp discret
se scrie n forma
pij( n ) = pir( m ) prj( n m ) , 0 m n .
(3.2.11)
rS
, m n.
(3.2.12)
(3.2.13)
(3.2.14)
78
Dac spaiul strilor lanului Markov investigat este finit dimensional, avnd un numr
de s elemente ( S = {1, 2, , s} ), matricea P este ptratic, cu s linii i s coloane. n cazul
n care spaiul strilor este numrabil ( S = ), P este infinit dimensional.
Exemplul 3.2.1. Se consider o main care poate fi n stare de funcionare (stare
reprezentat prin 1) sau defect (stare reprezentat prin 2). Starea mainii este testat la
fiecare or, momente de timp indexate dup parametrul k = 0,1, 2, , i se formeaz
secvena stohastic { X k } , unde X k reprezint starea mainii la momentul k.
Presupunem c, dac maina este n stare de funcionare la un moment dat,
probabilitatea ca s se defecteze n urmtoarea or este , iar dac maina este defect
probabilitatea de a fi reparat pe parcursul urmtoarei ore este , cu , (0,1) .
Se obine astfel lanul Markov omogen n timp discret pentru care probabilitile de
tranziie de stare sunt:
p12 = , p11 = 1 , p21 = , p22 = 1 ,
iar matricea probabilitilor tranziiilor de stare este
1
.
P=
1
Diagrama probabilitilor tranziiilor de stare corespunztoare lanului Markov
studiat este prezentat n fig. 3.2.2. Aceasta este un graf orientat n care fiecare nod
corespunde unei stri a lanului, iar arcul orientat de la i la j este etichetat cu
probabilitatea tranziiei din starea i n starea j, pij. Precizm faptul c pe diagrama
probabilitilor tranziiilor de stare se reprezint numai elementele nenule ale matricei P.
+
+
.
P (k ) = P k =
(1 )k + (1 ) k
+
+
Deoarece prin ipotez avem , (0,1) , este satisfcut condiia |1 |< 1
(condiie ce poate fi violat numai dac = = 0 sau = = 1 ). Cu aceast
79
observaie, rezult c la limit, pentru k , cele dou linii ale matricei P (k ) coincid
cu vectorul [ ( + ) ( + ) ] , proprietate ce este detaliat n seciunea 3.2.4.
Pentru a modela fenomenul de mbtrnire a mainii, probabilitile tranziiilor de
stare se modific dup cum urmeaz:
p12 (k ) = 1 k , p11 (k ) = k ,
unde 0 < < 1 , astfel nct probabilitatea de defectare a mainii crete pe msur ce k
(durata de via a mainii) crete, tinznd la 1 pentru k . Lanul Markov obinut n
acest mod nu mai este omogen.
Exemplul 3.2.2. Un sistem de calcul const din dou procesoare identice (2 servere)
care lucreaz n paralel. Starea sistemului este testat la momentele de timp discret
k = 0,1, 2, . Funcionarea sistemului este descris prin urmtoarele condiii:
n intervalul (k , k + 1) cel mult un task poate fi trimis n sistem i aceasta are loc
cu probabilitatea (0,1) , independent de k.
Dac ambele procesoare sunt ocupate atunci task-ul trimis este pierdut (nu exist
fir de ateptare).
Dac vreunul dintre procesoare este liber, acesta preia task-ul nou primit.
Dac un procesor este ocupat la momentul k, atunci probabilitatea ca acesta s
termine servirea taskului n intervalul (k , k + 1) este (0,1) , independent de k.
Dac terminarea unui task i sosirea altuia au loc n acelai interval de timp, se
presupune c terminarea taskului precede sosirea urmtorului task, astfel nct
acesta poate fi preluat de unul dintre procesoare.
Considerm c starea sistemului de calcul la momentul k este descris de variabila
aleatoare X k ce reprezint numrul de taskuri procesate de sistem. Lanul Markov are trei
stri: starea 1 ambele procesoare sunt libere, starea 2 unul dintre procesoare lucreaz,
starea 3 ambele procesoare lucreaz. Diagrama probabilitilor tranziiilor de stare este
prezentat n fig. 3.2.3, matricea probabilitilor de tranziie fiind P = [ pij ] , i, j = 1, 3 .
p22
p23
p12
p11
1
p21
p32
p33
3
p31
Fig. 3.2.3. Diagrama probabilitilor tranziiilor de stare pentru
lanul Markov din Exemplul 3.2.2.
Condiiile impuse funcionrii sistemului conduc la urmtoarele expresii pentru
elementele matricei P:
80
p12 = ,
p22 = (1 )(1 ) + ,
p13 = 0,
p23 = (1 ) ,
p31 = 2 (1 ) ,
p32 = 2 (1 )(1 ) + 2 ,
p33 = (1 )2 + 2 (1 ) .
odat ce a ajuns n aceast stare, denumit durata de meninere a strii i (eng. state holding
time). Pe baza lipsei de memorie a lanului Markov, se poate determina densitatea de
probabilitate a variabilei Ti . Mai nti se observ c are loc
P[Ti = n] = P[ X k + n i, X k + n1 = i, , X k +1 = i | X k = i] =
= P[ X k + n i | X k + n1 = i, , X k +1 = i, X k = i ] P[ X k + n1 = i, , X k +1 = i | X k = i] =
= P[ X k + n i | X k + n1 = i ] P[ X k + n1 = i, , X k +1 = i | X k = i ] =
(3.2.15)
= (1 pii ) P[ X k + n1 = i, , X k +1 = i | X k = i ].
Similar se calculeaz
P[ X k + n 1 = i, , X k +1 = i | X k = i ] =
= P[ X k + n 1 = i | X k + n 2 = i, , X k = i ] P[ X k + n 2 = i, ,, X k +1 = i | X k = i ] =
= P[ X k + n 1 = i | X k + n 2 = i ] P[ X k + n 2 = i, ,, X k +1 = i | X k = i] =
(3.2.16)
= pii P[ X k + n 2 = i, ,, X k +1 = i | X k = i ].
Prin inducie matematic se demonstreaz c
P[ X k + n 1 = i, , X k +1 = i | X k = i ] = piin 1 , n
(3.2.17)
81
(3.2.18)
iS
j S, k .
(3.2.21)
iS
(3.2.22)
(3.2.23)
82
relaie care arat c distribuia strii X k a lanului Markov la un moment oarecare este unic
determinat de distribuia strii iniiale i de probabilitile de tranziie ntr-un singur pas.
Studierea regimului tranzitoriu al unui lan Markov n timp discret pe baza ecuaiei
(3.2.23) este laborioas dac se dorete mai mult dect determinarea primelor cteva iteraii,
necesitnd calcularea puterilor matricei P. n acest scop, n continuare este prezentat un
procedeu bazat pe utilizarea funciei generatoare de probabilitate corespunztoare variabilei
aleatoare multidimensionale ce reprezint evoluia strilor lanului, a crei densitate de
probabilitate este reprezentat de vectorii (0) , (1) , (2) , ,
( z ) = z k (k ) , | z | < 1 .
(3.2.24)
k =0
k =0
k =0
z k +1(k + 1) = z k +1(k ) P
z k (k ) = z z k (k ) P ,
k =1
(3.2.25)
k =0
care conduce la
( z ) (0) = z ( z ) P .
(3.2.26)
( z ) = (0) [ I zP ] ,
(3.2.27)
unde I este matricea unitate cu aceeai dimensiune ca i matricea P. Utiliznd apoi formulele
de inversiune, pe baza expresiei lui ( z ) se poate determina (k ) , k = 1, 2, .
Exemplul 3.2.3. Revenim la Exemplul 3.2.1, considernd = 1 4 i = 1 2 .
Matricea probabilitilor tranziiilor de stare este
3 4 1 4
P=
.
1 2 1 2
Pentru tranziiile de stare ce au loc n k pai, matricea probabilitilor
corespunztoare este
2 1 1 k 1 1 1 k
3 + 3 4
3 3 4
k
P (k ) = P =
, k 0.
2 2 1 k 1 2 1 k
+
3 3 4
3 3 4
Dac la momentul iniial maina era n stare de funcionare, probabilitile ca dup
2 ore, respectiv 3 ore, s fie n aceeai stare sunt date de
2 1 1 2 11
P[ X 2 = 1| X 0 = 1] = p11 (2) = +
= ,
3 3 4
16
()
()
P[ X 3 = 1| X 0
()
()
()
2 1 1
43
= 1] = p (3) = + ( ) =
.
3 3 4
64
3
11
83
()
()
()
()
aceast afirmaie i pentru alte distribuii ale strii iniiale, de fiecare dat obinndu-se
aceeai limit pentru vectorul (k ) .
Expresia vectorului (k ) poate fi determinat i utiliznd funcia generatoare de
probabilitate. Pentru aceasta, se calculeaz mai nti matricele
1 3 z 1 z
z
4
2(2 z )
1
1
4
,
( I zP ) =
I zP =
(1 z )(4 z ) 2 z
1
1
4 3 z
z 1 z
2
2
i apoi
1
1
( z ) = (0) [ I zP ] =
[ 2(2 + z ) 8 5 z ] .
3(1 z )(4 z )
Descompunnd componentele lui ( z ) n fracii simple
2 1
1
1
1 1
1
1
,
( z ) =
+
3 1 z 3 1 (1 4) z 3 1 z 3 1 (1 4) z
se obine n final
2 1 1 k 1 1 1 k
(k ) =
.
+
3 3 4
3 3 4
()
()
( ) , n = 1, 2, ,
1
= ( ) , n = 1, 2, .
2
1 3
4 4
n 1
84
X(k)
0.5
10
20
30
40
50
k
60
70
80
90
100
Fig. 3.2.4. Reprezentarea grafic a evoluiei strii mainii pe o durat de 100 ore.
Exemplul 3.2.4. Revenim la sistemul de calcul din Exemplul 3.2.2, considernd
valorile numerice = 0, 5 i = 0, 7 , pentru care matricea probabilitilor tranziiilor
de stare este
0,5
0
0,5
P = 0,35
0,5 0,15 .
se obine
P[nici un task nu se termin la k = 3] = 1 (3) + (1 ) 2 (3) + (1 ) 2 3 (3) = 0,5636 .
Probabilitatea ca procesoarele s rmn libere la momentele k = 1 i k = 2 este
dat de
P[ X1 = 1, X 2 = 1] = P[ X 2 = 1| X1 = 1] P[ X1 = 1] = p11 1 (1) .
Vectorul probabilitilor de stare la momentul k = 1 fiind
(1) = (0) P = [ 0,5 0,5 0] ,
85
X(k)
0.5
10
15
20
25
k
30
35
40
45
50
pij( n ) = P [ X k + n = j X k = i ] > 0
(3.2.28)
(probabilitate ca procesul s ajung din starea i n starea j ntr-un numr finit de pai este
nenul). Interpretarea grafic a acestei condiii este aceea c pe diagrama probabilitilor
tranziiilor de stare corespunztoare lanului Markov exist un drum de la nodul i la nodul j
format din n arce.
O submulime Sc S de stri a unui lan Markov este nchis (eng. closed set) dac
pij = 0, i Sc , j S S c .
(3.2.29)
86
Un lan Markov este ireductibil dac mulimea strilor S este ireductibil. n acest
caz, pe diagrama probabilitilor tranziiilor de stare a lanului exist un drum ntre oricare
dou stri ale acestuia.
Dac un lan Markov nu este ireductibil se spune c acesta este reductibil (eng.
reducible). n aceast situaie, exist cel puin o mulime nchis de stri care nu este
ireductibil.
3.2.3.2. Stri recurente i stri tranzitorii
Timpul de evoluie (transfer) din starea i n starea j (eng. hitting time)
Tij = min {k > 0 : X 0 = i, X k = j} , i, j S , i j ,
(3.2.30)
reprezint primul moment de timp la care procesul ajunge n starea j dac la momentul iniial
era n starea i.
n cazul n care i = j ,
Tii = min {k > 0 : X 0 = i, X k = i} , i S ,
(3.2.31)
i = P [Tii < ] = i( k ) .
(3.2.32)
k =1
87
Exemplul 3.2.5. Pentru lanul Markov prezentat n Exemplul 3.2.1, starea 1 este
accesibil din starea 2 ( p12 = > 0 ) i starea 2 este accesibil din starea 1( p21 = > 0 ),
astfel nct mulimea strilor, S = {1, 2} , este nchis i ireductibil. Acest lan Markov
este ireductibil.
Similar, se poate verifica faptul c lanul Markov din Exemplul 3.2.2 este, de
asemenea, ireductibil.
Conform teoremei 3.2.3, ambele lanuri au numai stri recurente.
3.2.3.3. Stri nul recurente i stri pozitiv recurente
Fie i o stare recurent a unui lan Markov. Timpul mediu de recuren (eng. mean recurrence
time) corespunztor strii i S este media variabilei aleatoare Tii ,
M i = M [Tii ] = k i( k ) .
(3.2.33)
k =1
Starea recurent i se numete pozitiv recurent (eng. positive recurrent state) dac
timpul mediu de recuren corespunztor este finit, M i < . n cazul n care M i = starea i
se numete nul recurent (eng. null recurrent state). O stare nul recurent nu este tranzitorie,
pentru c probabilitatea procesului de a reveni n aceast stare dac este 1, dar timpul mediu
de recuren este infinit.
Cu privire la strile recurente ale unui lan Markov, enunm n continuare fr
demonstraie, urmtoarele teoreme (Cassandras, 1993).
Teorema 3.2.4. Dac i este o stare pozitiv recurent i j este accesibil din i, atunci
starea j este pozitiv recurent.
Teorema 3.2.5. Dac Sc S este o mulime nchis ireductibil de stri, atunci toate
strile din Sc sunt pozitiv recurente, sau toate strile din Sc sunt nul recurente, sau toate
strile din Sc sunt tranzitorii.
Teorema 3.2.6. Dac Sc S este o mulime finit nchis ireductibil de stri, atunci
toate strile din Sc sunt pozitiv recurente.
0
0
1
P= 0
0 0.5 0.5
0
0
0
0
0
0
0.4
0 .
0
1
Pornind de la matricea P se obine diagrama probabilitilor tranziiilor de stare din fig. 3.2.6.
Acest lan Markov este reductibil. Exist dou submulimi nchise i ireductibile de
88
0.5
1
0.3
0.3
0.5
0.5
0.4
5
1
12
1
12
23
15
14
13
34
pii( k ) > 0 se numete perioada strii i, di = cmmdc {k > 0 pii( k ) > 0} . O stare i se numete
Dac pentru o stare a unui lan Markov ireductibil di = 1 atunci toate strile acestuia
sunt aperiodice i lanul se numete aperiodic. Dac una dintre strile unui lan ireductibil are
perioada di 2 , atunci toate strile acestuia au aceeai perioad i lanul se numete periodic.
89
Figura 3.2.8 prezint sumar clasificarea strilor unui lan Markov n timp discret.
Stare i S
i < 1
i = 1
tranzitorie
recurent
Mi <
nul recurent
pozitiv recurent
di = 1
periodic
aperiodic
0 1 0
P = 0 0 1
1 0 0
3
Fig. 3.2.9. Diagrama probabilitilor tranziiilor de stare pentru
lanul Markov din Exemplul 3.2.8.
Se poate observa c au loc relaiile:
P
3n
= I3 , P
3n +1
= P, P
3n + 2
0 0 1
= P = P = 1 0 0 , n
0 1 0
2
90
0 1 2 1 2
P = 1 0
0
0
1 0
12
3
Fig. 3.2.10. Diagrama probabilitilor tranziiilor de stare pentru
lanul Markov din Exemplul 3.2.9.
Se poate observa c au loc relaiile:
0
0 1 2 1 2
1 0
2 n +1
2n
2
P
=P= 1 0
0 , P = P = 0 1 2 1 2 , n .
0
0 1 2 1 2
1 0
Pentru orice i = 1, 2,3 , cel mai mare divizor comun al elementelor mulimii
{k > 0 | pii( k ) > 0} = {2, 4, 6,} este 2, astfel c toate strile lanului sunt periodice de
perioad d = 2 . Afirmaia din teorema 3.2.7 este astfel verificat.
12
12
12
3
1 2 1 2 0
P = 0 1 2 1 2
1 2 0 1 2
12
Fig. 3.2.11. Diagrama probabilitilor tranziiilor de stare pentru
lanul Markov din Exemplul 3.2.10.
Se poate observa c pentru orice i = 1, 2,3 este satisfcut relaia pii 0 , astfel c 1
este element al mulimii {k > 0 | pii( k ) > 0} , perioada corespunztoare strii i fiind egal
cu 1. Rezult astfel c toate strile lanului Markov din fig. 3.2.11 sunt aperiodice.
91
(3.2.34)
= P .
(3.2.35)
iS i = 1 .
92
i = lim i (k ) =
k
1
, i S ,
Mi
(3.2.37)
iS
(3.2.38)
(3.2.40)
unde I noteaz matricea unitate. Matricea Z poate fi utilizat pentru a determina valorile mij ,
i, j S , i j , care reprezint valoarea medie a primului moment n care procesul, aflat la
momentul iniial n starea i, ajunge n starea j, (eng. mean first passage time)
z jj zij
, i, j S , i j .
(3.2.41)
mij =
93
+ +
+
+
=
W = lim P k = lim
.
k
k (1 ) k
+ (1 ) k
+ +
+
+
Vectorul probabilitilor de stare n regim permanent se determin prin rezolvarea
sistemului de ecuaii (3.2.38), care conduce la
= ,
1
1
0,
[
]
[
]
+
1 2
1 2
2
1
1 + 2 = 1,
2 = .
1 + 2 = 1,
+
Se observ c fiecare linie a matricei W coincide cu vectorul repartiiei staionare
de stare = [ ( + ) ( + )] . Aceast proprietate a fost pus n eviden i n
Exemplul 3.2.3 pentru cazul particular = 1 4 i = 1 2 .
Expresia vectorului are urmtoarea semnificaie fizic: oricare ar fi fost starea
iniial a mainii, dup o durat de funcionare suficient de mare, cu probabilitatea 1
maina va fi n stare de funcionare, iar cu probabilitatea 2 maina va fi defect.
Z = ( I P +W ) =
.
( + 1) 2 + +
2
( + ) 2
( + )
Utiliznd relaiile (3.2.41) se obin valorile m12 = 1 i m21 = 1 . Dac la un
moment dat maina este n stare de funcionare (starea 1) atunci, n medie, dup un
numr de 1 ore se va defecta, iar dac la un moment dat maina este defect, atunci,
n medie, dup un numr de 1 ore va fi din nou n stare de funcionare.
Acest rezultat este n concordan cu cel obinut n Exemplul 3.2.3. Lanul Markov
studiat avnd numai dou stri, durata medie de ocupare a strii i coincide cu valoarea
medie a primului moment n care procesul, aflat la momentul iniial n starea i, trece n
starea j i , M[T1 ] = m12 i M[T2 ] = m21 .
94
95
1
0
0
0
0
1 4 0 3 4 0
0
P= 0 12 0 12 0 .
0 3 4 0 1 4
0
0
0
0
1
0
Pe diagrama probabilitilor tranziiilor de stare prezentat n fig. 3.2.13, se observ
c, dac la momentul iniial lanul se afl n starea 1, atunci dup un numr impar de
pai se va gsi n starea 2 sau 4, iar dup un numr par de pai se va gsi n starea 1, 3
sau 5. Toate strile lanului sunt periodice de perioad 2. Acesta este un exemplu de lan
ireductibil care nu este regulat.
34
1
1
12
14
14
12
5
1
34
Matricea P 2
Matricea P3
1
1
0.6
3
0.4
4
0.2
2
3
4
Stare finala
2
0.6
3
0.4
4
0.2
5
5
2
3
4
Stare finala
1
1
0.8
2
0.6
3
0.4
4
0.8
2
0.6
3
0.4
4
0.2
5
2
3
4
Stare finala
Matricea P 8
0.2
5
2
3
4
Stare finala
Stare initiala
0.4
0.8
Stare initiala
0.6
Matricea P7
0.8
2
3
4
Stare finala
1
1
0.4
4
5
Matricea P 6
1
0.6
3
0.2
Matricea P5
0.4
4
0.8
2
0.2
5
2
3
4
Stare finala
0.6
3
0.2
5
1
Stare initiala
0.8
Stare initiala
0.4
4
0.8
Stare initiala
Stare initiala
0.6
3
0.8
Stare initiala
Stare initiala
1
2
Matricea P 4
0.2
5
2
3
4
Stare finala
2
3
4
Stare finala
96
1 8 0 3 4 0 1 8
0 12 0
0 12 0 12 0
1 8 0 3 4
P 2 n = 1 8 0 3 4 0 1 8 , P 2 n+1 = 0 1 2 0
0 12 0 12 0
1 8 0 3 4
1 8 0 3 4 0 1 8
0 1 2 0
astfel nct nu exist limita pentru k a irului de matrice
12
0
0 1 8
12 0 ,
0 1 8
1 2 0
{P k }k . Vectorul
X(k)
1
0.5
10
20
30
40
50
k
60
70
80
90
100
1 p
97
1 p
i-1
1 p
i+1
p
p
p
p
Fig. 3.2.16. Diagrama probabilitilor tranziiilor de stare pentru
un lan birth-death n timp discret.
S studiem mai nti efectul pe care l are valoarea probabilitii p asupra naturii
acestui lan Markov. Dac la un moment dat lanul este n starea 1, revenirea n aceast
stare poate avea loc dup un singur pas, cu probabilitatea p, sau, cu probabilitatea 1 p ,
dup o secven de pai, ce const dintr-o tranziie n starea 2 i apoi revenirea n starea
1 dup un numr finit de pai. Fie T11 timpul de recuren al strii 1 i T21 timpul de
evoluie a lanului din starea 2 n starea 1. Se observ c
1 = P [T11 < ] = p + (1 p) P [T21 < ] .
Fie q2 = P [T21 < ] i m > 2 o stare fixat a lanului. Pentru orice stare i = 2, , m 1
fie qi (m) = P [Ti1 < Tim ] , probabilitatea ca pornind din starea i, lanul s treac prin
starea 1 nainte de a ajunge n starea m. De pe diagrama probabilitilor tranziiilor de
stare rezult c
qi (m) = pqi 1 (m) + (1 p)qi +1 (m) ,
deoarece pornind din starea i, vizitarea strii 1 naintea strii m poate surveni n dou
moduri: trecnd prin starea i 1 , cu probabilitatea p, sau prin starea i + 1 , cu
probabilitatea 1 p . Relaia precedent poate fi adus la forma echivalent
p
qi +1 (m) qi (m) =
[ q (m) qi 1 (m)] , i = 2, , m 1 ,
1 p i
care, cu = p (1 p) , conduce la
qi +1 (m) qi (m) = [ qi (m) qi 1 (m) ] = = i 1 [ q2 (m) q1 (m)] , i = 1, , m 1 ,
astfel nct se obine
m 1
m 1
m 1
i =1
i =1
i =1
m 1
Deoarece qm (m) = P[Tm1 < Tmm ] = 0 i q1 (m) = P[T11 < T1m ] = 1 , n final avem
1 1 , pentru 1,
1 m1
1
=
q2 (m) = 1 m1
i 1 1 m1 1 , pentru = 1.
i =1
Pentru a ajunge din starea 2 n starea 3 este necesar cel puin un pas, adic 1 T23 .
Pentru a ajunge din starea 2 n starea 4 lanul trebuie s treac mai nti prin starea 3,
98
P = 0
p
0
1 p
0
0
p
0
1 p
0
i = (1 p) i 1 + p i +1 , i = 2,3,
Din prima ecuaie rezult
1 p
,
p 1
iar din cea de-a doua se obine relaia de recuren
1 p
1
i +1 =
, i = 2,3, .
p i 1 p i
Prin inducie matematic se poate demonstra c
2 =
i =
i 1
1 , i = 2,3, ,
1 =
i 1
, i =
99
i 1
i =1 i = 1 conduce la
i 1
, i = 2,3, .
i =1
i =1
n cele trei cazuri distincte puse n eviden n discuia asupra naturii strilor acestui
lan se ajunge la urmtoarele concluzii:
(a) dac 0 < p < 1 2 (condiie echivalent cu 0 < < 1 , deci 1 > 1 ) se obine
i = 0 , i = 1, 2,3, ,
ceea ce arat c, de fapt, condiia
o distribuie staionar de stare, confirmnd faptul c toate strile lanului sunt nul
recurente;
(c) dac 1 2 < p < 1 (condiie echivalent cu > 1 , deci 0 < 1 < 1 ) se obine
i 1
2 p 1
1 2 p 1 1 p
1 = 1 =
, i = i =
, i = 2,3, ,
p p
p
p 0,5
p > 0,5
1 p
1 p
1 p
p
2
1 p
p
3
i-1
1 p
p
i
i+1
100
p
0
0
1 p
0
1 p
p
0
P= 0
0
1 p
p
0
0
1 p
0
k=1
k=1
Sc
Sc
j
(a)
j
(b)
Fig. 3.2.18. Ilustrarea grafic a tranziiei dintr-o stare tranzitorie ntr-o mulime nchis de
stri: (a) ntr-un singur pas, respectiv (b) n mai muli pai.
Fie T mulimea strilor tranzitorii ale unui lan Markov i Sc o mulime nchis de
stri. Presupunem c la momentul iniial lanul se afl ntr-o stare tranzitorie, X 0 = i T .
Probabilitatea ca lanul s ajung din starea iniial ntr-o stare din mulimea nchis Sc este
i ( Sc ) = P [ X k Sc , k > 0 X 0 = i ] .
(3.2.42)
101
Din starea iniial X 0 = i T poate ajunge n Sc ntr-un singur pas (fig. 3.2.18.(a))
dac are loc evenimentul [ X 1 Sc X 0 = i ] , a crui probabilitate de apariie este
P [ X 1 Sc X 0 = i ] =
P [ X1 = j X 0 = i ] = pij ,
jSc
(3.2.43)
jSc
P [ X1 = r i
rT
loc
evenimentul
X k Sc , k > 1 X 0 = i ] =
P [ X k Sc , k > 1 X 1 = r , X 0 = i ] P [ X 1 = r X 0 = i ] =
(3.2.44)
rT
rT
rT
(3.2.45)
rT
0
0
1
0 .
P= 0
0 0.5 0.5 0
0
0
0
0
0
1
Strile tranzitorii ale lanului sunt T = {1, 2} , iar submulimile nchise i ireductibile
de stri S1 = {3, 4} i S2 = {5} .
Pentru mulimea S1 sistemul de ecuaii liniare (3.2.45) devine
4
2
=
+
(
S
)
p
r ( S1 ) p1r ,
1
1
1
j
j =3
r =1
1 ( S1 ) = 1 ( S1 ) p11 + 2 ( S1 ) p12 ,
4
2
2 ( S1 ) = p23 + 1 ( S1 ) p21 ,
(S ) =
p2 j + r ( S1 ) p2 r ,
2 1
=
3
j
r =1
1 ( S1 ) = 0, 51 ( S1 ) + 0,5 2 ( S1 ),
2 ( S1 ) = 0,3 + 0,31 ( S1 ),
a crui soluie este 1 ( S1 ) = 2 ( S1 ) = 3 7 .
102
(
S
)
p
=
+
15 r ( S 2 ) p1r ,
1 2
1 ( S2 ) = 1 ( S2 ) p11 + 2 ( S 2 ) p12 ,
r =1
2
2 ( S2 ) = p25 + 1 ( S2 ) p21 ,
(S ) = p + (S ) p ,
25 r
2
2r
2 2
r =1
( S ) = 0,51 ( S2 ) + 0,5 2 ( S2 ),
1 2
2 ( S1 ) = 0, 4 + 0,31 ( S 2 ),
a crui soluie este 1 ( S2 ) = 2 ( S2 ) = 4 7 . Aceste valori puteau fi determinate i din
condiiile 1 ( S1 ) + 1 ( S2 ) = 1 i 2 ( S1 ) + 2 ( S2 ) = 1 , care exprim faptul c din starea 1,
respectiv 2, lanul va fi absorbit cu siguran n una i numai una dintre cele dou
mulimi nchise i ireductibile S1 = {3, 4} i S2 = {5} .
3.2.4.3. Lanuri Markov absorbante
Un lan Markov n care strile tranzitorii sunt mutual accesibile i toate strile recurente sunt
absorbante se numete lan absorbant (eng. absorbing chain). Pentru un lan Markov
absorbant, oricare ar fi starea iniial, probabilitatea ca lanul s ajung ntr-o stare absorbant
este 1 (se spune c procesul este absorbit). Pentru un lan absorbant nu exist o distribuie
staionar de stare. Particulariznd relaia (3.2.42) pentru i T o stare tranzitorie a unui lan
absorbant i Sc = { j} o stare absorbant, i ( j ) = P [ X k = j , k > 0 X 0 = i ] reprezint
unde: Q este matricea ptratic t t a probabilitilor de tranziie ntre dou stri tranzitorii,
i are proprietatea lim Q k = Ot cu Ot matricea nul t t ;
k
N = ( I t Q )1 = Q k .
k =1
(3.2.47)
103
i = nij , i T .
(3.2.48)
j =1
= N c ,
(3.2.49)
(3.2.50)
bis = P [ X k = s, k > 0 X 0 = i ] , i T , s A .
(3.2.51)
(3.2.52)
Ot
W =
O
B
.
I r
(3.2.53)
P= 0
1 p 0
0
p , 0 < p < 1 .
0
0
1
0
0
0
0
0
1
0
Strile lanului au fost numerotate astfel nct matricea P s fie n forma canonic. n
fig. 3.2.20 sunt reprezentate grafic puterilor P k ale matricei probabilitilor tranziiilor
de stare pentru k {1, 2, 3,5, 7, 20} i p = 1 2 . Aspectul grafic al matricei P 20 sugereaz
c, dac la momentul iniial lanul se afl n una dintre strile tranzitorii, probabilitatea
ca dup 20 de pai s se gseasc tot ntr-o stare tranzitorie este practic nul.
104
p
1
p
3
1 p
1 p
1 p
0.6
3
0.4
4
2
0.6
3
0.4
4
0.2
0.8
Stare initiala
0.8
Stare initiala
2
3
4
Stare finala
2
3
4
Stare finala
1
1
0.8
Stare initiala
0.8
0.4
2
0.6
3
0.4
4
0.2
0.8
0.6
3
0.4
4
0.2
5
2
3
4
Stare finala
0.2
5
1
0.6
2
3
4
Stare finala
0.4
4
5
0.6
3
0.2
5
1
0.2
Stare initiala
Stare initiala
1
0.8
Stare initiala
5
1
2
3
4
Stare finala
2
3
4
Stare finala
X(k)
X(k)
0.5
0.5
5
k
10
5
k
10
105
N = 1 2 1 , H = 2 3 1 2 2 3 , B = 1 2
1 2 1 3 2
1 3 1 2 1 3
1 4
aceste matrice fiind reprezentate grafic n fig. 3.2.22.
Probabilitati de vizitare - H
i
1 4
1 2 ,
3 4
Probabilitati de absorbtie - B
0.7
0.6
1
1.5
0.6
0.5
0.3
2
Stare vizitata
0.4
0.3
0.2
0.5
3
Stare initiala
Stare initiala
Stare initiala
0.5
0.4
0.1
2
Stare vizitata
0.2
3
0.5
0.1
1
1.5
2
Stare absorbanta
2.5
106
(3.3.2)
(3.3.4)
(3.3.5)
rS
P ( s, t ) = pij ( s, t ) , i, j S , 0 s t ,
(3.3.6)
t 0
107
Limita din membrul drept al relaiei (3.3.9) definete matricea ratelor tranziiilor de stare
(eng. transition rate matrix)
1
Q (t ) = lim [ P (t , t + t ) I ] , t 0 ,
(3.3.11)
t 0 t
denumit i generator infinitezimal al matricei P ( s, t ) . Dup cum se va observa n continuare,
un lan Markov n timp continuu este complet specificat prin matricea ratelor tranziiilor de
stare Q (t ) . Relaia (3.3.9) conduce la ecuaia diferenial matriceal
P ( s, t )
= P ( s, t ) Q (t ) , 0 s t ,
(3.3.12)
t
referit drept ecuaia Chapman-Kolmogorov cu orizont nainte (la dreapta) (eng. forward
Chapman-Kolmogorov equation) a lanurilor Markov n timp continuu.
ntr-o manier similar, considernd momentele de timp 0 s < s + s t , cu s > 0 ,
pentru a scrie relaia (3.3.7), se obine ecuaia Chapman-Kolmogorov cu orizont napoi (la
stnga) (eng. backward Chapman-Kolmogorov equation) a lanurilor Markov n timp continuu
P ( s, t )
= Q ( s ) P ( s, t ) , 0 s t .
(3.3.13)
s
n anumite condiii satisfcute de matricea Q (t ) , soluia ecuaiei (3.3.12), care
satisface condiia P ( s, s ) = I , este dat de
t
P ( s, t ) = exp Q ( )d , 0 s t .
(3.3.14)
s
Reamintim faptul c exponeniala unei matrice (funcie matriceal) A este definit prin
1
1
(3.3.15)
exp [ A] = e A = I + A + A2 + A3 + .
2!
3!
n continuare ne limitm la studiul lanurilor Markov omogene n timp continuu,
pentru care funciile de tranziie de stare pij ( s, t ) , 0 s t , sunt independente de valorile
absolute ale momentelor de timp s i t, depinznd numai de diferena t s ,
pij ( s, t ) = pij (0, t s ) , 0 s t , i, j S .
(3.3.16)
Pentru lanuri Markov omogene, funciile de tranziie de stare depind de un singur parametru,
fiind definite prin
pij (t ) = P [ X ( s + t ) = j X ( s ) = i ] , s, t 0 , i, j S .
(3.3.17)
Matricea definit prin relaia (3.3.6) este, de asemenea, independent de s, fiind notat
P (t ) = pij (t ) , i, j S , t 0 .
(3.3.18)
Matricea P (t ) are proprietile P (0) = I i
i t 0 ( P (t )
(3.3.19)
108
Funciile de tranziie de stare sunt rareori utilizate n mod direct. De regul, un lan
Markov omogen n timp continuu este caracterizat prin ratele tranziiilor de stare (eng. state
transition rates), matricea ratelor tranziiilor de stare (3.3.11) fiind independent de t,
dP (t )
1
1
Q = lim [ P (t ) I ] = lim [ P (t ) P (0)] =
.
(3.3.20)
t 0 t
t 0 t
dt t =0
Componentele (constante) ale matricei Q = qij , definite prin
qij =
satisfac
dpij (t )
, i, j S ,
dt t =0
qij = 0 ,
i S ,
(3.3.21)
(3.3.22)
jS
jS pij (t ) = 1, i S , t 0 .
Dac este posibil trecerea instantanee din starea i n starea j, j i , atunci qij > 0 ; n
caz contrar are loc qij = 0 . n particular, pentru i = j , relaia (3.3.21) devine
qii =
dpii (t )
d
qii = [1 pii (t ) ] , i S .
dt t =0
dt
t =0
(3.3.23)
P (t ) = exp ( Qt ) , t 0 ,
(3.3.25)
tk k
t
t2
t3
Q = I + Q + Q 2 + Q3 + .
1!
2!
3!
k =0 k !
exp ( Qt ) =
(3.3.26)
numete durat de meninere a strii i (eng. state holding time sau sojourn time).
109
(3.3.27)
(3.3.28)
(3.3.29)
(3.3.22)
qij .
(3.3.30)
j i
X (t )
T (X2)
X2
Xk
X1
0
T (Xk )
T ( X1 )
Y1
Y2
Yk
Yk +1
110
= lim
t 0
P [ X (t + t ) = j , X (t + t ) i X (t ) = i ]
P [ X (t + t ) i X (t ) = i ]
qij
qii
qij
qik
, i, j S , i j ,
(3.3.31)
k i
i este independent de timpul pe care procesul l-a petrecut n starea i. Prin definiie, Pii = 0 .
Se observ c, aa cum era de ateptat, probabilitile tranziiilor de stare satisfac relaia
(3.3.32)
Pij = 1, i S .
jS
Probabilitile tranziiilor de stare Pij definesc un lan Markov n timp discret intim
legat de lanul continuu (eng. embedded discrete time Markov chain EDTMC, sau jump
chain). Lanul discret are aceleai stri ca i lanul continuu cruia i corespunde i dicteaz
secvena de stri vizitate, fiind independent de durata petrecut de lanul continuu n fiecare
stare. Probabilitile tranziiilor de stare ale lanului EDTMC sunt date de relaia (3.3.31);
matricea probabilitilor tranziiilor de stare este
0 P12 P13
P
0 P23
.
P e = 21
(3.3.33)
P31 P32 0
Facem precizarea c, pentru lanul discret obinut n acest mod, parametrul k nu are
semnificaia de timp, ci reprezint indicele tranziiei de stare care are loc n lanul continuu.
Faptul c toate elementele de pe diagonala principal a matricei P e sunt nule arat c nu orice
lan discret poate constitui un lan discret subordonat unui lan continuu.
Concluzia final care se desprinde din cele prezentate pn acum este urmtoarea:
Exist dou moduri echivalente de a preciza un lan Markov omogen n timp continuu:
1. prin specificarea matricei ratelor tranziiilor de stare, Q = [qij ], i, j = 1, 2, ; pe baza
matricei Q se pot determina parametrii distribuiilor exponeniale ale duratele de ocupare a
strilor, (i ) > 0 (3.3.30), i lanul EDTMC corespunztor, avnd matricea
probabilitilor tranziiilor de stare P e (3.3.33);
2. prin specificarea matricei P e = [ Pij ], i, j = 1, 2, a lanului Markov n timp discret (ce
dicteaz secvena tranziiilor de stare ale lanului continuu) i a parametrilor distribuiilor
exponeniale ale duratelor de ocupare a strilor, (i ), i = 1, 2, ; pe baza acestora se
poate determina matricea ratelor tranziiilor de stare Q = [qij ] a lanului continuu prin
relaiile:
= (i ), i S ,
(3.3.34)
= Pij (i ), i, j S , i j .
(3.3.35)
qii
qij
111
(3.3.31)
Q=
2
1
(a)
0 1
Pe =
1 0
(b)
Fig. 3.3.3. (a) Lanul Markov continuu i (b) cel discret studiate n Exemplul 3.3.1.
Fig. 3.3.3.(a) prezint diagrama ratelor tranziiilor de stare pentru lanul Markov
n timp continuu, complet specificat prin matricea Q. Aceasta este un graf orientat
avnd strile lanului drept noduri. Pentru i j , arcul orientat de la i la j este etichetat
cu rata qij > 0 a tranziiei din starea i n starea j.
Evolutia starilor lantului Markov continuu
2.5
= 1, = 2
Stare X(t)
1
Semnificatie stari: 1 - Working ; 2 - Down
0.5
10
Timp t
12
14
16
18
20
Fig. 3.3.4. Evoluia strilor lanului Markov continuu din Exemplul 3.3.1
pentru = 1 s-1 i = 2 s-1.
112
Lanul Markov n timp discret subordonat celui n timp continuu este prezentat n
fig. 3.3.3.(b). Lanul continuu este complet specificat prin matricea P e i ratele
distribuiilor exponeniale ale duratelor de meninere a strilor, (1) = i (2) = .
Fig. 3.3.4 prezint o evoluie posibil a strilor lanului Markov continuu, obinut
prin simulare pe o durat de 20 s pentru = 1 s-1 i = 2 s-1.
Exemplul 3.3.2. Un sistem de fabricaie este constituit din dou maini identice care
sunt deservite de un singur mecanic de ntreinere. Ori de cte ori una dintre maini se
defecteaz, durata de reparaie a acesteia are o distribuie exponenial de rat . Dup
ce o main a fost reparat, durata de funcionare fr defectare are o distribuie
exponenial de rat . Pentru lanul Markov n timp continuu care modeleaz acest
sistem considerm strile: 1 ambele maini funcioneaz, 2 o singur main
funcioneaz i 3 ambele maini sunt defecte.
Dac ambele maini funcioneaz (starea 1) oricare dintre acestea se poate defecta
(independent de cealalt main), astfel c rata tranziiei din starea 1 n starea 2 este
q12 = 2 . Atunci cnd lanul se gsete n starea 2, maina defect poate intra n
funciune (apare o tranziie din 2 n 1, cu rata q21 = ) sau se poate defecta i cea de a
doua main (apare o tranziie din 2 n 3 cu rata q23 = ). Din starea 3 singura tranziie
posibil este n starea 2 (cu rata q32 = ) atunci cnd se termin repararea uneia dintre
maini. Elementele diagonalei principale a matricei Q se determin din condiia
(3.3.22). Diagrama tranziiilor de stare i matricea Q corespunztoare acestui lan sunt
prezentate n fig. 3.3.5.(a).
2
2
Q=
(a)
( + )
2
( + )
( + )
0
1
0
P = ( + ) 0 ( + )
0
1
0
e
(b)
Fig. 3.3.5. (a) Lanul Markov continuu i (b) cel discret studiate n Exemplul 3.3.1.
Fig. 3.3.5. (b) prezint lanul Markov discret subordonat lanului continuu din fig.
3.3.5.(a). Lanul continuu este complet specificat prin matricea P e a probabilitilor
tranziiilor de stare corespunztoare lanului discret, ale crei elemente se determin cu
relaia (3.3.31), i prin ratele distribuiilor exponeniale ale duratelor de ocupare a
strilor, determinate cu ajutorul relaiei (3.3.30), (1) = 2 , (2) = + , (3) = .
113
Fig. 3.3.6 prezint o evoluie posibil a strilor lanului Markov continuu, obinut
prin simulare pe o durat de 20 s pentru = 1 s-1 i = 2 s-1.
Evolutia starilor lantului Markov continuu
3.5
= 1, = 2
Stare X(t)
0.5
10
Timp t
12
14
16
18
20
Fig. 3.3.6. Evoluia strilor lanului Markov continuu din Exemplul 3.3.2
pentru = 1 s-1 i = 2 s-1.
j (t ) = P [ X (t ) = j ] = P [ X (t ) = j X (0) = i ] P [ X (0) = i ] =
iS
= i (0) pij (t ), j S ,
(3.3.38)
iS
(3.3.39)
(3.3.40)
114
Li (t ) = i ( )d , t 0 .
(3.3.42)
(3.3.43)
(3.3.44)
(3.3.45)
d
dt
interpretri, pentru fiecare nod al unui lan Markov n timp continuu se poate scrie ecuaia
(3.3.45) inspectnd diagrama ratelor tranziiilor de stare.
i
q jr
qij
j
Fig. 3.3.7. Bilanul fluxului de probabilitate pentru starea j.
115
1 (0) 2 (0) ( + )t
e
,
1 (t ) = + +
+
(t ) = (0) exp(Qt )
(t ) = 1 (0) 2 (0) e ( + )t .
2
+
+
1(t)
2(t)
= 1, = 2
(t)
2/3
1/3
0.5
1.5
t
2.5
116
(3.3.49)
(3.3.50)
i j
arat c, n regim staionar, fluxul de probabilitate care intr n nodul j, Q (jin ) = i j qij i ,
este egal cu fluxul de probabilitate Q (jout ) = r j q jr j = q jj j care iese din nodul j.
117
i =
ie M [T (i) ]
ie qii
=
, iS .
ej M [T ( j)] ej q jj
jS
(3.3.52)
jS
ie
Dac privim
ca frecven relativ cu care starea i apare ntr-o evoluia de stare a lanului
discret (aflat n regim staionar), putem interpreta probabilitatea i ca fracia de timp pe care
lanul continuu l petrece n starea i n regim staionar. Relaia (3.3.52) conduce la
i qii
ie =
, iS .
(3.3.53)
j q jj
jS
Exemplul 3.3.4. Revenim la lanul Markov n timp continuu din fig. 3.3.3.(a) care
modeleaz un server cu dou stri. Distribuia staionar a strii lanului = [ 1 2 ] se
1 + 2 = 1,
2 = ( + ) ,
rezultat care este n concordan cu cel prezentat n Exemplul 3.3.3.
Dei lanul Markov n timp discret din fig. 3.3.3.(b), subordonat celui n timp
continuu, este periodic, exist un vector de probabilitate de stare e = [ 1e 2e ] care
satisface sistemul de ecuaii (3.2.38)
e
e
e
1 = 2 ,
1 = 1 2,
e
e
e
1 + 2 = 1,
2 = 1 2.
Relaiile (3.3.52) i (3.3.53) pot fi verificate cu uurin.
118
0
0
i 1
i-1
i
i+1
i +1
0
0
0
0
0
1
0
0
(1 + 1 )
1
(3.3.54)
Q= 0
(2 + 2 )
2
2
0 .
(3 + 3 ) 3
0
3
0
(3.3.57)
119
d i (t )
= i (t ) + i 1 (t ) , i = 1, 2, .
(3.3.58)
dt
Considernd 0 (0) = 1 (i, implicit, i (0) = 0 , i = 1, 2, ), soluia ecuaiei (3.3.57) este
0 (t ) = e t , t 0 .
(3.3.59)
(3.3.60)
1 (t ) = t e t , t 0 .
(3.3.61)
( t ) i t
i (t ) =
e , t 0.
(3.3.62)
i!
innd cont c i (t ) = P [ N (t ) = i ] , se observ c relaia (3.3.62) coincide cu (3.1.16).
Analiza regimului staionar al unui lan birth-death st la baza teoriei elementare a
sistemelor de ateptare. Presupunnd c exist distribuia staionar de stare = lim (t ) , din
t
(3.3.50) rezult
0 0 + 1 1 = 0 ,
(3.3.63)
(i + i ) i + i 1 i 1 + i +1 i +1 = 0 , i = 1, 2, .
(3.3.64)
1 =
0 , 2 = 0 1 0 .
1
12
(3.3.65)
Prin inducie matematic complet se poate demonstra c soluia general a ecuaiei (3.3.64)
este de forma
i 1
i = 0
, i = 1, 2, .
(3.3.66)
1 i 0
Impunnd condiia
i =0 i = 1, se obine probabilitatea
j
= 1.
j =0
j +1
i 1
0 1 +
i =1
Seria care intervine n relaia (3.3.67) este convergent dac i numai dac
i0
, i i0 :
i
<1,
i
(3.3.67)
(3.3.68)
i 1
0 = 1 + j .
(3.3.69)
i =1 j =0 j +1
Aceste relaii vor fi exploatate n capitolul 4, la studiul sistemelor de ateptare markoviene.
120
121
122
j = 1,..., m ,
(3.4.1)
unde:
aij+ = W (t i , p j ) este ponderea arcului de la tranziia ti, ctre poziia sa de ieire pj;
aij = W ( p j , t i ) este ponderea arcului ctre tranziia ti, de la poziia sa de intrare pj.
Forma matriceal a relaiei (3.4.1) este A = A+ A , unde matricele A + = [aij+ ] i A = [aij ]
sunt referite drept matrice de inciden de ieire, respectiv matrice de inciden de intrare.
Fie o reea Petri N, a crei topologie este descris prin matricea de inciden
nm
A
. Un vector mdimensional y > 0 , cu elementele numere ntregi se numete
invariant P al reelei dac Ay = 0 . Un vector ndimensional x > 0, cu elementele numere
ntregi, se numete invariant T al reelei dac AT x = 0 . Este evident faptul c pentru o reea
Petri pot exista mai muli invariani P i/sau mai muli invariani T. Mulimea poziiilor reelei
N care corespund elementelor nenule ale unui invariant P, notat y, se numete suportul
123
invariantului y. Mulimea tranziiilor reelei N care corespund elementelor nenule ale unui
invariant T, notat x, se numete suportul invariantului x.
(3.4.2)
astfel c valorile medii ale celor doi vectori aleatori considerai satisfac relaia:
M[ M (t )] = M 0 + AT M[u(t )] , t 0 .
(3.4.3)
124
(3.4.4)
M T y = M 0T y .
(3.4.5)
(3.4.6)
T
(3.4.7)
125
pentru i j , rata tranziiei din starea Mi n starea Mj este dat de qij = k , unde k
marcajul M i n marcajul M j ,
0
, nu exist nici o tranziie care s transforme
marcajul M i n marcajul M j ;
pentru i = j , rata qii se determin din relaia:
s
qij = 0
j =1
qii = qij .
(3.4.9)
j =1
j i
Dac reeaua Petri stohastic (N, M0) este mrginit i reversibil, adic
M 0 R( M ), M R( M 0 ) (ceea ce implic faptul c graful de accesibilitate al reelei este
tare conex), atunci ea genereaz un lan Markov ergodic. Notnd Q = [qij ] matricea ratelor de
tranziie (de dimensiune s s ) a lanului Markov, distribuia staionar de stare a lanului
poate fi determinat prin rezolvarea sistemului de ecuaii liniare:
Q = 0,
s
(3.4.10)
= 1,
i =1
n care = [1 2 , ... s ] este vectorul probabilitilor de regim staionar, i fiind
probabilitatea ca reeaua Petri s fie n starea Mi, i = 1, s .
M ( pi ) = n P {B(i, n)} ,
(3.4.12)
n =1
unde B(i, n) este o submulime din R(M0) n care numrul de jetoane din poziia pi
este n;
126
(3.4.13)
M i B j
unde Bj este setul strilor (marcajelor) din R(M0) pentru care tranziia tj este validat,
i este probabilitatea ca reeaua Petri s fie n starea Mi, j este frecvena de
executare a tranziiei tj din marcajul Mi;
(iv) gradul mediu de utilizare a tranziiei tj:
j =
M i B j
j
qii
(3.4.14)
unde Bj este setul strilor (marcajelor) din R(M0) pentru care tranziia tj este validat,
i este probabilitatea ca reeaua Petri s fie n starea Mi, j este frecvena de
executare a tranziiei tj din marcajul Mi, qii reprezint suma de frecvene (rate) de
executri ale tranziiilor validate n starea Mi.
Exemplul 3.4.1. Se consider reeaua Petri stohastic prezentat n fig. 3.4.1
(Murata, 1989). Tranziia t2 se execut cu o rat dependent de marcajul poziiei
predecesor, adic m2 2 , unde m2 noteaz marcajul curent al poziiei p2. Ratele de
executare corespunztoare tranziiilor t1, t3, t4 i t5, notate 1 , 3 , 4 i, respectiv, 5 ,
sunt independente de marcajul poziiilor predecesor avnd urmtoarele valori numerice:
1 = 5 = 0.5 s-1 i 2 = 3 = 4 = 1 s-1.
127
Fig. 3.4.2. Arborele de accesibilitate al reelei Petri stohastice din fig. 3.4.1.
Considernd marcajele M0, M1, , M5, din fig 3.4.2 drept stri ale lanului
Markov asociat reelei i aplicnd algoritmul prezentat n seciunea 3.4.4 rezult lanul
Markov n timp continuu din fig. 3.4.3.
1 + 5
M0
M1
2
3
4
1 + 5
4
4
M5
M2
1 + 5
M3
2 2
M4
Fig. 3.4.3. Lanul Markov asociat reelei Petri stohastice din fig. 3.4.1.
Matricea ratelor de tranziie de stare are forma:
1 + 5
3
1 3 5
1 2 3 5
2
0
1 3 4 5
4
0
Q=
0
22
0
4
2
0
4
0
0
0
1 + 5
0
22
0
0
0
3
1 + 5
0
2 4
0
0
0
3
.
0
0
128
1 0 3 0
Q=
0 2 0 2
0 1 1 0
0 0 1 0
Distribuia strii lanului n regim permanent,
0
1 0
1 1
.
0 0
2 0
0 1
= [ 0 1 2 3 4 5 ] , soluie a
1 =
0 +
2 =
7
= 0,106 ,
66
2 =
7
= 0, 2121 ,
33
q11
q22
8
2 = 2 1 + 2 3 + 2 4 = = 0, 2424 ,
q11
q33
q44
33
3 =
q00
1 +
129
q00
4 =
0 +
q22
q11
2 +
1 +
q44
q22
4 +
q55
1
3
5 = = 0,333 ,
7
= 0,106 ;
q00
q11
q22
66
timpul mediu de staionare a unui jeton ntr-o poziie: se calculeaz aplicnd
formula lui Little (3.4.7). Matricea de inciden care descrie topologia reelei este
1 0 0 0
0 1 0 0
1 1 0 0
0 1 0 0
1 0 0 0
1 1 0 0
A = 1 0 0 0 , A+ = 0 0 1 1 A = 1 0 1 1 .
0 0 1 1
1 0 0 0
1 0 1 1
1 0 0 0
0 1 0 0
1 1 0 0
Duratele medii de staionare a unui jeton n fiecare poziie a reelei au valorile
M ( p )
2
M ( p )
d ( p1 ) = + T 1 = , d ( p2 ) = + T 2 = 1 ,
3
( A1 ) u
( A2 ) u
5 =
d ( p3 ) =
0 +
1 +
2 =
M ( p3 )
M ( p4 )
4
4
d
(
p
)
=
=
=
,
.
4
( A4+ )T u 3
( A3+ )T u 3
M T y1 = M 0T y1 = 2 , M T y2 = M 0T y2 = 2 .
De asemenea, vectorul u al frecvenelor medii de executare a tranziiilor n regim
permanent satisface (3.4.9)
AT u = 0 .
Rezultatele obinute analitic pot fi comparate cu cele obinute prin simularea
dinamicii reelei pe o durat de 30.000 s n mediul Petri Net Toolbox. Indicatorii globali
obinui sunt prezentai n fig. 3.4.4, separat pentru (a) tranziiile i, respectiv,
(b) poziiile reelei. Numrul mediu de jetoane n unitatea de timp din fiecare poziie a
reelei este precizat de indicatorul Queue Length. Numrul mediu de executri n
unitatea de timp pentru fiecare tranziie a reelei este precizat de indicatorul Service
Rate. Gradul de utilizare al fiecrei tranziii din reea este precizat de indicatorul
Utilization.
130
(a)
(b)
Fig. 3.4.4. Indicatorii globali de performan referitori la: (a) tranziiile i (b) poziiile
reelei Petri din fig. 3.4.1, corespunztori unei durate de funcionare de 30.000 s.
131
care dou sau mai multe tranziii imediate sunt n conflict, acestora le pot fi asignate
probabilitile de apariie a evenimentelor pe care le modeleaz. n plus, ntre tranziii
netemporizate se pot impune prioriti de executare. O GSPN poate conine, de asemenea,
arce inhibitoare avnd rolul de a inversa logica de validare i executare a unor tranziii.
Dac ntr-o reea Petri stohastic generalizat pentru un anumit marcaj sunt validate
att tranziii imediate ct i tranziii temporizate, se execut numai tranziiile imediate. Dac
mai multe tranziii imediate sunt n conflict, numai una dintre ele se execut, n conformitate
cu probabilitile sau prioritile asignate acestora. Un marcaj al unei GSPN pentru care cel
puin o tranziie netemporizat este validat se numete marcaj invizibil (eng. vanishing
marking). Marcajele pentru care sunt validate numai tranziii temporizate se numesc marcaje
tangibile (eng. tangible markings).
O reea stohastic generalizat, ce conine att marcaje tangibile ct i marcaje
invizibile este, de asemenea, izomorf cu un lan Markov continuu care se obine n acelai
mod ca i n cazul unei reele Petri stohastice. Eliminnd din acest lan Markov marcajele
invizibile i tranziiile netemporizate se obine lanul Markov redus pentru care probabilitile
staionare de stare exist dac reeaua este mrginit i reversibil. Aceste condiii restrictive
sunt numai suficiente, nu i necesare, putnd fi nclcate n cazul n care modelarea unui
sistem sub form de GSPN se realizeaz pornind de la lanul Markov corespunztor i
impunnd pentru acesta condiiile de stabilitate (de regim permanent).
Exemplul 3.4.2. (Sistem de ateptare M/M/1/2). Fie un sistem de fabricaie compus
dintr-o main M (server) i un depozit D (fir de ateptare), capacitatea sistemului
(main + depozit) fiind limitat la dou piese (clieni) (fig. 3.4.5). Dac exist loc liber
n depozit, piesele intr n depozitul D dup un proces Poisson cu rata . Ori de cte ori
maina M este liber i exist o pies n depozit, aceasta este preluat imediat pe
main. Durata de prelucrare a pieselor pe maina M are distribuie exponenial cu rata
. La momentul iniial depozitul este gol i maina este neutilizat.
2 piese
sosire
piese
plecare
piese
depozit
(D)
main
(M)
132
(a)
(b)
Fig. 3.4.6. Reelele Petri: (a) generalizat stohastic i (b) stohastic
ce modeleaz sistemul de fabricaie din fig. 3.4.5.
Fig. 3.4.7 prezint arborii de accesibilitate corespunztori celor dou reele Petri din
fig. 3.4.6, obinui cu ajutorul pachetului de programe Petri Net Toolbox pentru Matlab
(Pstrvanu et al., 2002). Pentru reeaua stohastic generalizat marcajele M1 i M2 sunt
invizibile, tranziia imediat t2 fiind validat. Prin eliminarea acestor marcaje, lanul
Markov asociat reelei va avea trei stri, corespunztoare marcajelor M0, M3 i M4.
(a)
(b)
Fig. 3.4.7. Arborii de accesibilitate ai reelelor din:
(a) fig. 3.4.6.(a) i (b) fig. 3.4.6.(b).
133
Fig. 3.4.8. Lanul Markov asociat reelelor Petri din fig. 3.4.6.
La acelai lan Markov se ajunge i analiznd reeaua stohastic din fig. 3.4.6.(b),
cele trei stri ale lanului Markov (cu aceeai semnificaie fizic de mai sus) avnd drept
corespondent marcajele M0, M1 i M2. Matricea ratelor de tranziie de stare
corespunztoare lanului Markov din fig. 3.4.4 este
Q = ( + ) .
0
Distribuia staionar de probabilitate de stare, = [ 0 1 2 ] , se determin din
condiia (3.4.10)
= 1 + + 2 1 ,
( )
0
Q
=
0
,
1 = ( ) 0 ,
0 + 1 + 2 = 1,
2
2 = ( ) 0.
-1
Pentru valorile numerice = 1 s i = 2 s-1, rezult 0 = 4 7 , 1 = 2 7 i
2 = 1 7 , cu semnificaia de fracie de timp pe care sistemul (funcionnd n regim
staionar) l petrecere n fiecare dintre cele trei stri.
Pe baza probabilitilor de stare corespunztoare regimului staionar al sistemului
se pot calcula performanele de regim permanent ale reelei Petri stohastice generalizate
din fig. 3.4.6.(a), i anume:
numrul mediu de jetoane n unitatea de timp din fiecare poziie a reelei: se
calculeaz aplicnd relaia (3.4.12), lund ns n considerare numai marcajele
tangibile. De exemplu, n poziia p1 se pot afla: 0 jetoane n marcajul M0, 0 jetoane
n marcajul M3 i 1 jeton n marcajul M4. Se obin valorile:
1
3
M ( p1 ) = 0 0 + 0 1 + 2 = = 0,1429 , M ( p2 ) = 01 + 1 + 2 = = 0, 4286 ,
7
7
4
10
M ( p3 ) = 1 + 01 + 0 2 = = 0,5714 , M ( p4 ) = 2 0 + 1 + 0 2 = = 1, 4286 .
7
7
Vectorul de marcaj mediu n regimul permanent de funcionare a reelei este
T
M = [1 7 3 7 4 7 10 7 ] ;
134
u1 = 0 + 1 =
6
= 0,8571 .
7
7
1 = 1 0 + 1 1 + 1 2 =
= 0,106 ,
q00
q11
q22
66
7
= = 0, 2121 ;
q00
q11
q22 2 33
timpul mediu de staionare a unui jeton ntr-o poziie: se calculeaz aplicnd
formula lui Little (3.4.7). Matricea de inciden care descrie topologia reelei este
0 0 0 1
1 0 0 0
1 0 0 1
A = 1 0 1 0 , A = 0 1 0 0 A = 1 1 1 0 .
0 1 0 0
0 0 1 1
0 1 1 1
3 =
0 +
1 +
d ( p3 ) = + T = , d ( p4 ) = + T = .
3
3
( A4 ) u
( A3 ) u
M T y1 = M 0T y1 = 1 , M T y2 = M 0T y2 = 2 .
De asemenea, vectorul u al frecvenelor medii de executare a tranziiilor n regim
permanent satisface (3.4.9)
AT u = 0 .
135
(a)
(b)
Fig. 3.4.9. Indicatorii globali pentru: (a) tranziiile i (b) poziiile
reelei Petri din fig. 3.4.6.(a).
Performanele de regim permanent ale reelei Petri pot fi puse n coresponden cu
performanele sistemului de fabricaie modelat, dup cum urmeaz:
numrul mediu de piese aflate n depozit n unitatea de timp (numrul mediu de
clieni din firul de ateptare) este M ( p1 ) = 1 7 piese;
136
Capitolul 4
Sisteme de ateptare markoviene
A(t )
( )
Server
B (t )
( )
Plecare
clieni
138
A(t ) = P [T t ] , t 0 ,
(4.1.1)
care descrie complet secvena aleatoare. Rata medie de sosire a clienilor (eng. average arrival
rate) este dat de
1
=
>0.
(4.1.2)
M[T ]
n mod asemntor, procesului de plecare a unui client i este asociat secvena
stohastic {Z1 , Z 2 ,} , unde Z k reprezint durata de servire a clientului k. Se presupune c
variabilele aleatoare {Z1 , Z 2 ,} sunt independente, identic distribuite, astfel c exist o
singur distribuie de probabilitate
B(t ) = P [ Z t ] , t 0 ,
(4.1.3)
care descrie complet secvena aleatoare. Rata medie de servire a clienilor (eng. average
service rate) este dat de
1
=
>0
(4.1.4)
M[ Z ]
i, mpreun cu rata de sosire a clienilor, joac un rol deosebit de important n teoria
sistemelor de ateptare.
Pentru a descrie compact un sistem de ateptare, n anul 1953 David G. Kendall a
introdus notaia de forma A / B / m, creia i-au mai fost adugate dou simboluri, K i p, n
anul 1968 de ctre Alec M. Lee. Astzi, descriptorul
A/B/m/K/p
este unanim acceptat pentru caracterizarea unui sistem de ateptare i este denumit notaia lui
Kendall. Semnificaia simbolurilor care intervin este urmtoarea:
A i B precizeaz distribuiile de probabilitate ale duratelor dintre sosiri i ale
duratelor de servire i au urmtoarele valori:
M distribuie markovian (exponenial) de probabilitate,
Ek distribuie Erlang de ordinul k,
Hk distribuie hiperexponenial de ordinul k,
Ck distribuie Cox de ordinul k,
G distribuie general (oarecare) de probabilitate,
D durate deterministe (constante);
m reprezint numrul de servere din sistem;
K reprezint capacitatea firului de ateptare (inclusiv clienii n curs de servire);
p este dimensiunea populaiei din care provin clienii.
n sistemele elementare de ateptare se consider c poate sosi un singur client la un moment
dat i exist o singur clas de clieni pentru care regula de servire este FIFO. Implicit att
capacitatea firului de ateptare ct i populaia din care provin clienii sunt infinite i n
139
aceast situaie nu mai este necesar specificarea lor, parametrii K i p fiind precizai numai n
cazul n care au valori finite. Dac p este finit, se spune c sistemul de ateptare este nchis
(eng. closed queueing system); n caz contrar sistemul este deschis (eng. open queueing system).
Exemple:
M / M / 1 noteaz un sistem de ateptare cu un singur server i capacitate infinit.
Duratele dintre sosirile consecutive ale clienilor i duratele de servire au
distribuii exponeniale, A(t ) = 1 e t i B (t ) = 1 e t , unde parametrii
, > 0 reprezint rata de sosire i, respectiv, rata de servire, a clienilor.
M / E3 / 1 / 10 noteaz un sistem de ateptare cu un singur server i capacitate egal cu 10
(n sistem se pot afla cel mult 10 clieni simultan, 9 clieni n firul de
ateptare i unul n curs de servire). Duratele dintre sosirile consecutive ale
clienilor au distribuii exponeniale. Duratele de servire au distribuie
Erlang de ordinul 3.
M / D / 1 / / 100 noteaz un sistem de ateptare nchis, cu un singur server, capacitate
infinit, populaia de clieni are 100 elemente. Duratele dintre sosirile
consecutive ale clienilor au distribuii exponeniale. Duratele de servire
sunt constante.
Cele mai simple sisteme de ateptare sunt cele de tip markovian, n care duratele de
timp dintre dou sosiri consecutive n sistem i duratele de servire ale clienilor au repartiii
exponeniale de probabilitate. Asemenea sisteme de ateptare pot fi modelate ca lanuri
Markov de tip birth-death. Reamintim faptul c n ipoteza c duratele de timp dintre dou
sosiri consecutive au distribuii exponeniale, fluxul de sosire a clienilor n sistem este de tip
Poisson.
Wk
Yk
nceput servire
plecare
Zk
Dk 1
Dk
(4.1.5)
140
are dou componente: durata de ateptare (eng. waiting time), Wk , i durata de servire (eng.
service time), Z k ,
S k = Wk + Z k ,
(4.1.6)
(4.1.7)
S5
N a (t )
S4
3
S3
S2
N d (t )
S1
(a)
T1
T2
T3
T4
T5
X (t )
W2
Z1
W3
Z2
W5
Z3
Z4
Z5
(b)
(4.1.8)
2. dac exist clieni n sistem, servirea celui de-al k-lea client ncepe atunci cnd clientul
k 1 prsete sistemul, astfel nct
Dk 1 Yk > 0 Wk = Dk 1 Yk .
(4.1.9)
141
k = 1, 2, .
(4.1.10)
(4.1.11)
k = 1, 2, ,
(4.1.12)
= Z k + max {Yk , Dk 1} ,
k = 1, 2,
(4.1.14)
Dac aceast limit exist, atunci variabila aleatoare W descrie durata de ateptare a unui
client n regimul staionar de funcionare a sistemului. Intuitiv, dup un timp suficient de mare
de funcionare a sistemului de ateptare, duratele de ateptare a clienilor sunt identice din
punct de vedere statistic, fiind descrise de repartiia P[W t ] . Valoarea medie M[W ]
reprezint durata medie de ateptare (eng. mean waiting time) a unui client n regimul staionar
de funcionare a sistemului.
Similar, se presupune c pentru duratele petrecute de clieni n sistem exist o
distribuie staionar de probabilitate
lim P [ S k t ] = P [ S t ] .
(4.1.16)
k
Valoarea M[ S ] reprezint durata medie petrecut de un client n sistem (eng. mean system
time) n regimul staionar de funcionare a sistemului de ateptare.
Fie X (t ) {0,1, 2,} variabila aleatoare ce descrie numrul total de clieni din sistem
(lungimea cozii eng. queue length) la momentul t 0 . Se presupune c exist distribuia
staionar
not
lim P [ X (t ) = n ] = P [ X = n ] = n , n = 0,1, 2, .
(4.1.17)
142
Valoarea M[ X ] reprezint numrul mediu de clieni din sistem (lungimea medie a cozii
eng. average queue length) n regimul staionar de funcionare a sistemului de ateptare.
n analiza regimului staionar al unui sistem de ateptare, performanele care
intereseaz de cele mai multe ori sunt:
durata medie de ateptare a unui client, M[W ] ,
durata medie petrecut de un client n sistem, M[ S ] ,
numrul mediu de clieni din sistem, M[ X ] ,
care trebuie meninute la valori ct mai mici, ca i
gradul de utilizare a serverului (eng. utilization), adic fracia de timp ct serverul
este ocupat,
rata cu care clienii prsesc sistemul dup ce au fost servii (eng. throughput),
care este de dorit s aib valori ct mai mari. Se poate observa c rata cu care clienii prsesc
sistemul nu poate depi rata de sosire a clienilor n sistem. n plus, dac sistemul de
ateptare ajunge n regim staionar, cele dou rate trebuie s fie egale.
Pentru un sistem simplu de ateptare de tip G/G/1, cu un singur server cu disciplina de
servire de tip FIFO, avnd rata de sosire a clienilor i durata medie de servire M[ Z ] = 1 ,
gradul de utilizare a serverului este
s = M[ Z ] =
(4.1.18)
Deoarece serverul poate servi efectiv cel mult 1 client n unitatea de timp, condiia ca sistemul
de ateptare s ajung s funcioneze n regim permanent (denumit i condiie de echilibru a
sistemului) este
s < 1 < .
(4.1.19)
Pentru un sistem simplu de ateptare de tip G/G/m, cu m servere identice, cu disciplina
de servire de tip FIFO, avnd rata de sosire a clienilor i durata medie de servire pentru
fiecare server M[ Z ] = 1 , gradul de utilizare a fiecrui server este
s =
M[ Z ]
m
.
m
(4.1.20)
143
Aceast lege este fundamental n analiza sistemelor de ateptare. Ea poate fi aplicat oricrui
sistem, indiferent de tipul proceselor de sosire i de servire a clienilor (singura condiie
impus acestor procese este de a fi staionare) i indiferent de regulile de operare a sistemului.
De asemenea, legea lui Little poate fi aplicat reelelor de ateptare cu configuraie arbitrar,
ca i oricrui subsistem al unui reele de ateptare.
La baza justificrii legii lui Little st reprezentarea grafic din fig. 4.1.3.(a), o
traiectorie de stare a unui sistem de ateptare, n care N a (t ) i N d (t ) reprezint numrul de
clieni care au intrat n, respectiv, au plecat din sistem pn la momentul t. Numrul de clieni
din sistem la momentul t este
X (t ) = N a (t ) N d (t ) .
(4.1.23)
Aria din plan, U (t ) , cuprins ntre cele dou curbe corespunztoare realizrilor proceselor
N a (t ) i N d (t ) corespunde timpului total (cumulat) petrecut de clieni n sistem, astfel nct
timpul mediu petrecut de un client n sistem pn la momentul t are expresia
U (t )
S (t ) =
N a (t )
(4.1.24)
(4.1.27)
(4.1.28)
X (t ) =
lim S (t ) = M[ S ] ,
(4.1.25)
(4.1.26)
(4.1.29)
egale cu rata medie de sosire a clienilor n sistem, respectiv, durata medie petrecut de un
client n sistem. n acest caz exist i limita
lim X (t ) = M[ X ] ,
(4.1.30)
t
(4.1.31)
144
0
0
i 1
i-1
i
i
i+1
i +1
Fig. 4.1.4. Modelul de tip lan birth-death al unui sistem de ateptare markovian.
Performanele de regim permanent ale sistemelor de ateptare pot fi evaluate pe baza
distribuiei staionare a numrului de clieni din sistem, n = P [ X = n ] , n = 0,1, .
Reamintim faptul c, din analiza prezentat n seciunea 3.3.5, condiia ca aceast distribuie
de probabilitate s existe (sistemul s fie stabil) este dat de (3.3.68)
n0
, n n0 :
n
<1,
n
(4.1.32)
n1
0 = 1 + 0 1
,
n =1 12 n
n1
n = 0
, n = 1, 2, .
1 n 0
(4.1.33)
(4.1.34)
P [ Z t ] = 1 e t , t 0 ,
M [Z ] =
145
(4.2.2)
Modelul de tip lan birth-death al unui sistem de ateptare de tip M/M/1 este
reprezentat n fig. 4.2.1.
n-1
n+1
0 = P [ X = 0] = 1 +
n =1
= 1 + n
n =1
1
=
= 1 ,
(4.2.4)
n = P [ X = n ] = 0 = n (1 ) , n = 1, 2, .
(4.2.5)
Aceste relaii arat c numrul de clieni din sistem X are distribuie geometric modificat de
parametru 1 (vezi 2.4.1.5). Pe baza semnificaiei fizice a probabilitilor n , n = 0,1, ,
rezult urmtoarele performane de regim staionar pentru sistemul de ateptare de tip M/M/1.
Gradul de utilizare a serverului
Acesta poate fi calculat observnd c serverul este utilizat ori de cte ori exist cel puin un
client n sistem, astfel nct gradul su de utilizare este egal cu
s = 1 0 = < 1 .
(4.2.6)
Rata de plecare a clienilor din sistem
Un client poate prsi sistemul atunci cnd exist cel puin un client n sistem; rata de plecare
a clienilor este dat de
(1 0 ) = = ,
(4.2.7)
146
n=0
n =0
M [ X ] = n n = (1 ) n n .
Suma seriei din relaia (4.2.8) se calculeaz observnd c este satisfcut relaia:
d n
1
n 1
n
n n ,
=
=
d n =0 n =1
n=0
(4.2.8)
(4.2.9)
astfel c
n =
n =0
1
1
1
1
n n =
.
n =0
(1 )2
d dt
(4.2.10)
Din (4.2.8) i (4.2.10) rezult c numrul mediu de clieni din sistemul de ateptare de
tip M/M/1 este
M[ X ] =
.
(4.2.11)
1
Numrul mediu de clieni din firul de ateptare
Numrul mediu de clieni din firul de ateptare se obine scznd din numrul mediu de clieni
din sistem ( M[ X ] ) numrul mediu de clieni aflai n curs de servire, adic ,
M[ X Q ] = M [ X ] =
2
.
1
(4.2.12)
1
1
=
=
.
(4.2.13)
M [S ] = M [ X ] =
(1 ) (1 )
Durata medie petrecuta de un client in sistemul M/M/1
20
15
M[ S ]
=1
10
1/
0
0.2
0.4
0.6
0.8
Fig. 4.2.2. Reprezentarea grafic a dependenei duratei medii petrecute de un client ntr-un
sistem de ateptare de tip M/M/1 n funcie de gradul de utilizare a serverului.
147
(1 )
2
(1 )
.
( )
(4.2.14)
(4.2.16)
(4.2.17)
( 1) 2 2 2 0
( 1) 2
2.
sistemul este stabil > 1
Pentru = 2 min-1, gradul de utilizare a serverului este = 0, 5 . Numrul mediu de
taskuri din bufferul care precede serverul este M[ X Q ] = 2 (1 ) = 0,5 . Durata medie
de ateptare n buffer este M [W ] = 0,5 min.
148
avnd reprezentarea grafic din fig. 4.2.3. Probabilitatea ca un task s atepte mai mult
de 0,5 min pn la nceputul servirii este
P [W > 0,5] = 0,5e 0,5 = 0,3033 .
Durata de asteptare
0.5
0.45
0.4
0.35
=1, =2
P[W < t]
0.3
0.25
0.2
0.15
0.1
0.05
0
50
45
40
= 1, = 2
Numar de clienti
35
30
25
20
15
10
# IN
# OUT
5
0
10
15
20
25
30
35
40
45
50
Timp
Fig. 4.2.4. Numrul de taskuri sosite la server i numrul de taskuri servite ntr-un
sistemul de ateptare M/M/1 cu = 1 min-1 i = 2 min-1.
Prima metod utilizat se bazeaz pe implementarea n Matlab a relaiilor
prezentate n paragraful 4.1.2. Programul Matlab utilizat n acest scop este prezentat n
Anexa 1. Fig. 4.2.4 prezint numrului de taskuri sosite la server vs. numrul de taskuri
servite pentru = 1 min-1 i = 2 min-1 pe o durat de 50 min. Simulnd funcionarea
sistemului pe o durat de 20.000 min se obin valorile de 19.996 taskuri servite complet,
de 0,4825 min pentru durata medie de ateptare, de 0,4952 min pentru durata medie de
servire i de 0,9777 min pentru durata medie petrecut de un task n sistem.
149
Fig. 4.2.5. Modelul de tip GSPN al unui sistem de ateptare de tip M/M/1.
(a)
(b)
Fig. 4.2.6. Indicatorii globali pentru: (a) tranziiile i (b) poziiile reelei Petri
din fig. 4.2.4 corespunztori unei durate de simulare de 20.000 min.
Tranziiile denumite Sosire i Servire sunt temporizate, fiindu-le asignate durate de
timp cu distribuie exponenial de rat = 1 min-1 i, respectiv, = 2 min-1, i
150
Fig. 4.2.7. Modelul utilizat n mediul Arena pentru simularea unui sistem de ateptare
de tip M/M/1 i rezultatele obinute prin simulare pe o durat de 50 min.
151
Fig. 4.2.8. Rezultate obinute prin simularea n mediul Arena a unui sistem
de ateptare de tip M/M/1 pe o durat de 20.000 min.
Ca i n cazurile precedente, funcionarea sistemului a fost simulat i pe durata de
20.000 min, situaie n care au fost servite complet un numr de 19.852 taskuri. Durata
medie de ateptare n coad este de 0,497 min, numrul mediu de clieni din coad este
0,491, iar gradul de utilizare a serverului 0,497 (fig. 4.2.8).
Se poate observa c rezultatele obinute prin cele trei metode de simulare a
sistemului M/M/1 au fost foarte apropiate de rezultatele teoretice.
Exemplul 4.2.2. Viteza de transmitere a datelor ntr-un sistem de comunicaii este
C = 1.200 bii/s. Fluxul de sosire a mesajelor n sistem este de tip Poisson de rat .
Un mesaj const din L bii, lungimea mesajului fiind o variabil aleatoare cu distribuie
exponenial de medie M[ L] = 600 bii. Se pune problema determinrii valorii maxime
a ratei de sosire a mesajelor astfel nct durata medie de ateptare corespunztoare
unui mesaj s fie cel mult 1 s.
Modelm sistemul de comunicaii ca sistem de ateptare de tip M/M/1, pentru care
serverul este reprezentat de linia de comunicaii, durata medie de servire a unui client
(mesaj) fiind M[ S ] = M[ L] C = 0,5 s. Rata medie de servire a clienilor (mesajelor)
este = 1 M[ S ] = 2 mesaje/s. n ipoteza c gradul de utilizare a serverului satisface
relaia
= <1 < 2 ,
2
=
.
( ) 2(2 )
Impunnd condiia M[W ] 1 s se obine 4 3 mesaje/s.
M [W ] =
152
unde
i =
i
, i = 1, 2 ,
(4.2.19)
reprezint gradul de ocupare a serverului datorit clienilor de tipul i. Clienii de tipul 1 (cu
prioritate de nivel 1) sunt servii cu prioritate fa de clienii de tipul 2(cu prioritate de nivel
2). n continuare sunt studiate dou tipuri de reguli de prioritate: prioritate absolut, cu
reluarea servirii clientului de tipul 2 din punctul n care a fost ntrerupt servirea la sosirea
clientului de tipul 1, i prioritate relativ.
A. Prioritate absolut
Considerm clienii de tipul 1 ca avnd prioritate absolut de servire fa de clienii de tipul 2.
Dac n cursul servirii clientului de tipul 2 apare un client de tipul 1, servirea clientului curent
este ntrerupt, acesta fiind trimis din nou n firul de ateptare, i ncepe servirea clientului
nou sosit. Clienii de tipul 1 sunt servii n ordinea sosirii. Atunci cnd n sistem nu mai exist
nici un client de tipul 1 este reluat servirea clientului de tipul 2 din punctul n care a fost
ntrerupt la sosirea clientului de tipul 1 (eng. pre-emptive resume priority).
Fie variabilele aleatoare X i i Si care reprezint numrul de clieni de tipul i din
sistem, respectiv durata petrecut n sistem de un client de tipul i. n continuare vom
determina valorile medii M[ X i ] i M[ Si ] pentru i = 1, 2 .
Pentru clienii de tipul 1, clienii de tipul 2 nu exist. Din relaia (4.2.11) rezult
imediat
M [ X1 ] =
1
.
1 1
(4.2.20)
(4.2.21)
1 + 2
.
1 1 2
153
(4.2.22)
2
M[X2 ] = 1
1 =
.
1 1 2 1 1 (1 1 )(1 1 2 )
Aplicarea legii lui Little pentru clienii de tipul 2 conduce la
1
1
.
M [ S2 ] = M [ X 2 ] =
2
(1 1 )(1 1 2 )
(4.2.23)
(4.2.24)
B. Prioritate relativ
Considerm n continuare cazul n care clienii de tipul 1 au prioritate relativ de servire fa
de clienii de tipul 2. Dac n cursul servirii unui client de prioritate 2 apare un client de
prioritate 1, servirea clientului curent este continuat, clientul de prioritate 2 fiind servit abia
dup terminarea servirii clientului curent (eng. non pre-emptive priority). Cu acelai notaii ca
la punctul A, durata total petrecut de un client de tipul 1 n sistemul de ateptare este
1 1
1
(4.2.25)
M [ S1 ] = M [ X1 ] + + 2 ,
relaie care exprim faptul c un client de tipul 1 nou sosit trebuie s atepte servirea clienilor
de acelai tip sosii naintea sa, sau terminarea servirii unui client de tipul 2. Probabilitate ca
un client de tipul 2 s gseasc serverul ocupat de un client de tipul 2 este egal cu fracia de
timp ct serverul este ocupat cu servirea unui client de tipul 2, adic 2 .
Aplicarea legii lui Little pentru clienii de tipul 1 este
M [ X 1 ] = 1 M [ S1 ] ,
care mpreun cu (4.2.25) conduce la
M [ X 1 ] = 1 M [ X 1 ] + 1 + 1 2
M [ X1 ] =
(4.2.26)
1 (1 + 2 )
,
1 1
(4.2.27)
astfel c
M [ S1 ] =
1 + 2
.
(1 1 )
(4.2.28)
(4.2.30)
154
Pentru ambele tipuri de prioriti analizate mai sus, durata medie de ateptare a unui
client de fiecare nivel de prioritate se determin utiliznd relaiile
1
1
(4.2.31)
M [W1 ] = M [ S1 ] , respectiv M [W2 ] = M [ S 2 ] .
Numrul mediu de clieni de fiecare tip care se gsesc n firul de ateptare este
M X 1Q = M [ X 1 ] 1 , respectiv M X 2Q = M [ X 2 ] 2 .
(4.2.32)
0, 6
1
= 3, 75 clieni, M [ S2 ] =
= 6, 25 s.
(1 0, 2 )(1 0,8)
(1 0, 2 )(1 0,8)
0, 6 [1 0, 2 (1 0,8 )]
(1 0, 2 )(1 0,8)
= 3, 6 clieni, M [ S2 ] =
1 0, 2 (1 0, 2 0, 6 )
= 6 s.
(1 0, 2 )(1 0, 2 0, 6 )
Fig. 4.2.9 prezint modelul de tip reea Petri stohastic generalizat utilizat pentru
simularea funcionrii sistemului de ateptare de tip M/M/1 cu prioritate relativ n
servirea clienilor de tipul 1 fa de cea a clienilor de tipul 2. Duratele asignate
tranziiilor temporizate Sosire1 i Sosire2 au distribuii exponeniale de rate 1 = 0, 2 i,
respectiv, 2 = 0, 6 , iar cele asignate tranziiilor Servire1 i Servire 2 au distribuii
155
Fig. 4.2.9. Modelul de tip GSPN al unui sistem de ateptare de tip M/M/1
cu dou tipuri de clieni cu prioritate relativ de servire.
Fig. 4.2.10 prezint indicatorii globali pentru poziiile reelei Petri din fig. 4.2.9
corespunztori simulrii n mediul Petri Net Toolbox a servirii unui numr total de
10.000 de clieni. Aceste rezultate numerice pot fi puse cu uurin n coresponden cu
rezultatele teoretice prezentate mai sus.
Fig. 4.2.10. Indicatorii globali pentru poziiile reelei Petri din fig. 4.2.9
corespunztori simulrii servirii unui numr total de 10.000 de clieni.
156
P [ Z t ] = 1 e t , t 0 ,
M [Z ] =
1
;
(4.3.2)
Sosire
clieni
Plecare
clieni
Fir de ateptare
m servere
identice
Fig. 4.3.1. Schema unui sistem de ateptare de tip M/M/m.
La sosirea unui client n sistem, dac exist servere libere, clientul respectiv poate fi
servit de oricare dintre servere. Dac toate serverele sunt ocupate, atunci clientul ateapt la
coad. Se observ c rata efectiv de servire a sistemului depinde de numrul n de clieni
aflai n sistem. Dac n sistem sunt mai puini clieni dect servere, n < m , atunci fiecare
client este n curs de servire, astfel nct rata servirii este egal cu n . Dac numrul de
clieni din sistem depete numrul de servere, n m , atunci toate cele m servere sunt
ocupate i n m clieni ateapt la coad, rata efectiv de servire fiind m .
Modelul de tip lan birth-death al sistemului de ateptare de tip M/M/m este
reprezentat n fig. 4.3.2. Cu notaiile utilizate n fig. 4.1.4 pentru un lan birth-death general,
n cazul sistemului de ateptare de tip M/M/m ratele corespunztoare naterilor sunt date de
n = , n = 0,1, 2, ,
(4.3.3)
iar ratele corespunztoare morilor sunt
157
n = min(n, m) =
(4.3.4)
0<
< 1 0 < < m ,
m
(4.3.5)
adic rata sosirilor trebuie s fie mai mic dect rata maxim de servire.
2
2
m-2
m-1
m+1
m
m
(m 1)
Fig. 4.3.2. Lanul birth-death corespunztor unui sistem de ateptare M/M/m.
01 n1
n
m 1
= 1+
+
= 1+
n =1 1 2 n
n =1 (2 ) ( n ) n = m (2 ) [ ( m 1) ] m
m 1
1
1
= 1+ +
(m 1)!
n =1 n !
m 1
n m +1
m .
p =1
=
(4.3.6)
Cu notaia
not
,
m
(4.3.7)
m 1
(m ) n (m )m 1
.
=
+
n!
m! 1
n=0
(4.3.8)
0 = P [ X = 0] =
m1 (m ) n (m ) m 1
=
+
.
m! 1
n =0 n !
(4.3.9)
158
1
(m ) n
mn n
n = P [ X = n] =
=
=
0 =
0,
(2 ) (n ) 0 n ! 0
n!
n!
(4.3.10)
n = 1, 2, , m 1,
iar dac n m
m1
n = P [ X = n] =
(2 )[ (m 1) ] m
n m +1
0 =
(m ) m1 n m+1
0 =
(m 1)!
(4.3.11)
m
n 0 , n = m, m + 1,.
m!
Relaiile (4.3.9) (4.3.11) precizeaz distribuia staionar a numrului de clieni din
sistemul de ateptare M/M/m. Pe baza acestei distribuii pot fi evaluate performanele
sistemului de ateptare dup cum urmeaz.
=
M[ B] = n n + mP[ X m] ,
(4.3.12)
n =0
unde
P[ X m] =
n =
n=m
mm m
0 .
m! 1
(4.3.13)
Rezult c
m 1 (m )n
(m ) m 1
M[ B] = n
+m
0 =
n!
m! 1
n =0
m 1
(m ) n (m ) m m
= m +
+
0 =
m! 1
n = 2 ( n 1)!
m 2 (m ) j (m ) m 1 (m ) m1
= m 1 +
+
+
0 =
j!
(m 1)! (m 1)! 1
j =1
(4.3.14)
m1 (m ) j (m ) m 1
= m
+
0 = m = .
m ! 1
j =0 j !
Gradul de utilizare a unui server este s = M[ B ] m = .
159
m 1 m n n m m n
M [ X ] = n n = n
(4.3.15)
+n
0 .
n!
m!
n=0
n=m
n =0
Printr-un raionament similar celui aplicat pentru calcularea gradului de utilizare a unui server
se ajunge la formula
M [ X ] = m +
(m ) m
0 .
m ! (1 )2
(4.3.16)
M[X ] =
1
(m ) m
=
+
2 0
m ! (1 )
0
1 (m ) m
.
= +
m ! m(1 ) 2
1
(4.3.17)
(m ) m 0
.
(4.3.18)
PQ = P [ X m ] = n =
m! 1
n =m
Relaia (4.3.18) poart denumirea de formula C a lui Erlang. Aceast formul este utilizat n
telefonie pentru a determina numrul m de linii telefonice necesare astfel nct, cunoscnd
rata medie de sosire a apelurilor telefonice i durata medie 1 a unui apel, probabilitatea
ca un client s atepte la coad, PQ ,s nu depeasc o anumit valoare impus.
Numrul mediu de clieni din firul de ateptare
Numrul mediu de clieni din firul de ateptare se obine scznd din numrul mediu de clieni
din sistem ( M[ X ] ) numrul mediu de clieni aflai n curs de servire, adic m ,
M[ X Q ] = M [ X ] m =
(m )m
=
PQ .
2 0
1
m ! (1 )
(4.3.19)
160
M[W ] =
M[ X Q ] =
1
1
PQ =
PQ .
m
1
(4.3.20)
Varianta 2
Varianta 1
(a)
(b)
Varianta 3
(c)
Fig. 4.3.3. Cele trei variante considerate n Exemplul 4.3.1.
1. Sistemul considerat n varianta 1 este de tip M/M/1 cu rata de sosire a clienilor
not
161
2. n varianta 2 este vorba de dou sisteme de tip M/M/1, pentru fiecare dintre
acestea rata de sosire a clienilor este 2 = 2 , rata de servire 2 = i gradul de
utilizare 2 = 2 2 = (2 ) = . Durata medie petrecut de un client n oricare dintre
cele dou sisteme este
S2 =
1
1
2
=
=
= 2 S1 .
2 (1 2 ) (1 ) 2
, pentru 1,
1
1
1
1
S3 =
+P
= +P
1
3 Q 23 (1 3 ) Q 2 (1 )
, pentru 1.
2 (1 )
162
4 1
e = 0, 0220 < 0, 05 ,
67
4 2
e = 0, 0081 < 0, 05 .
P [W > 2] = PQ e 2( 5 ) =
67
P [W > 1] = PQ e ( 5 ) =
Condiia impus prin enun este satisfcut pentru m = 4 , deci este suficient s se
utilizeze 4 operatori pentru preluarea apelurilor. Crescnd numrul de operatori la 5,
probabilitatea ca un client s atepte mai mult de 1 min este redus sub 5%, iar
probabilitatea ca un client s atepte mai mult de 2 min este redus sub 1%.
Exemplul 4.3.3. (Sistem de ateptare M/M/2 cu servere eterogene). O variant a
unui sistem de ateptare de tip M/M/2 este cea n care cele dou servere din sistem au
rate diferite de servire a clienilor. Structura unui asemenea sistem este prezentat n fig.
4.3.4, n care, fr a restrnge generalitatea, s-a presupus c 1 > 2 . Clienii ateapt
servirea n firul de ateptare comun celor dou servere. Atunci cnd ambele servere sunt
disponibile, un client nou sosit este preluat de serverul mai rapid, S1. Serverul mai lent,
S2, preia un client din coad numai dac S1 este ocupat.
n1
S1
S2
1 > 2
2
n2
Fig. 4.3.4. Schema unui sistem de ateptare de tip M/M/2 cu servere eterogene.
Starea sistemului este precizat prin perechea ordonat (n1 , n2 ) n care n1 0
noteaz numrul de clieni din firul de ateptare, inclusiv clientul aflat, eventual, n curs
163
de servire la serverul S1, iar n2 {0,1} noteaz numrul de clieni de la serverul S2.
Diagrama ratelor tranziiilor de stare corespunztoare lanului Markov ce modeleaz
acest sistem este prezentat n fig. 4.3.5.
0,0
1,0
1
2
1,1
0,1
2,1
3,1
1 + 2
1 + 2
1 + 2
(0, 0),
1 + 2 2
1+
(1, 0) =
(0, 0),
1 + 2 1
( + 2 )
(1,1) =
(0, 0),
1 + 2 12
(n,1) =
(n 1,1) = (n 1,1) = n1 (1,1), n > 1.
1 + 2
(0,1) =
Condiia de normare
164
conduce la relaia
n 1
1+
+
+
+
1
(0,
0)
1 + 2 1 + 2
(1,1) = 1 ,
n =1
2
1
echivalent cu
1+
1
( + 2 )
(0, 0) = 1 ,
1 + 1 + 2 + 1 + 2 (0, 0) + 1 1 + 2
2
1
1 2
de unde rezult
1
( + 2 )
(0, 0) = 1 +
.
1 2 (1 )(1 + 2 )
Numrul mediu de clieni din sistem este dat de
n =1
n =1
(1,1)
,
(1 ) 2
unde
F=
1
(1 ) 2 F
1 2 (1 + 2 )
1
+
.
( + 2 ) 1
Fig. 4.3.6. Modelul de tip GSPN al unui sistem de ateptare de tip M/M/2
cu servere eterogene.
165
Fig. 4.3.6 prezint modelul de tip reea Petri stohastic generalizat corespunztor
sistemului de ateptare de tip M/M/2 cu servere eterogene avnd parametrii = 0,8 s-1,
1 = 2 s-1 i 2 = 1 s-1. Tranziiile Sosire, Servire1 i Servire2 sunt temporizate cu
durate de distribuie exponenial cu ratele , 1 i, respectiv, 2 . Tranziia
netemporizat In1 are prioritate n executare fa de tranziia netemporizat In2, aceste
dou tranziii modelnd nceperea servirii unui client de ctre serverul 1, respectiv
serverul 2.
Pentru valorile numerice impuse, utiliznd formulele analitice deduse mai sus, se
obine = 0, 2667 , (0, 0) = 0, 6096 , (1,1) = 0, 0763 i M[ X ] = 0,5323 .
Fig. 4.3.7 prezint indicatorii globali pentru poziiile reelei Petri din fig. 4.3.6
corespunztori simulrii n mediul Petri Net Toolbox a servirii unui numr total de
10.000 de clieni. Numrul mediu de clieni din sistem este dat de suma indicatorilor
Queue Length pentru poziiile Q, S1W i S2W, ce modeleaz firul de ateptare, utilizarea
serverului 1 i, respectiv, a serverului 2. Se observ c se obine valoarea 0,5314, foarte
apropiat de valoarea teoretic. De asemenea, se poate determina durata de ateptare a
unui client n coad (dat de indicatorul Waiting Time pentru poziia Q) ca i numrul
total de clieni servii de fiecare server n parte (indicatorii Arrival Sum pentru poziiile
S1W i S2W).
Fig. 4.3.7. Indicatorii globali pentru poziiile reelei Petri din fig. 4.3.5
corespunztori simulrii servirii unui numr total de 10.000 de clieni.
166
Pentru fiecare server n parte, duratele de servire a clienilor sunt variabile aleatoare i.i.d. cu
distribuie exponenial de rat > 0 :
P [ Z t ] = 1 e t , t 0 ,
M [Z ] =
(4.4.2)
n = n , n = 1, 2, 3, .
(4.4.4)
n-1
n
n
n+1
(n + 1)
= 1+
n =1
n
(2 ) (n )
( )n
n =0
n!
= e ,
(4.4.5)
unde
not
(4.4.6)
167
n = P [ X = n] =
e , n = 0,1, 2,
n!
n continuare sunt discutate performanele sistemului de ateptare M/M/.
(4.4.7)
s = 1 0 = 1 e .
(4.4.8)
M[ X ] = =
(4.4.9)
Evident c, pentru sistemul de tip M/M/ numrul de clieni din sistem reprezint de fapt
numrul de servere ocupate.
Durata medie petrecut de un client n sistem
Aplicnd legea lui Little (4.1.22) se obine
1
1 1
= .
M [S ] = M [ X ] =
(4.4.10)
Acest rezultat era de ateptat, fiecare client care sosete n sistem este imediat preluat de un
server, astfel nct durata petrecut n sistem este egal cu durata de servire.
168
(1 K )
(1 0 )
clieni
rejectai
Fig. 4.5.1. Schema unui sistem de ateptare M/M/1/K.
Procesul de sosire a clienilor este de tip Poisson de rat > 0 . Atunci cnd n sistem
se gsesc deja K clieni, nu mai este permis intrarea unor noi clieni n sistem. n momentul
n care numrul de clieni din sistem devine K 1 este permis intrarea unui nou client n
sistem. Se spune c procesul Poisson de sosire a clienilor este ntrerupt (eng. interrupted
Poisson process). Datorit faptului c un proces Poisson nu are memorie, structura markovian
a diagramei ratelor tranziiilor de stare se pstreaz. Oprirea procesului de sosire a clienilor
funcioneaz numai pentru sosirile de tip Poisson.
Lanul birth death care modeleaz un sistem de ateptare de tip M/M/1/K este
prezentat n fig. 4.5.2, avnd parametrii
, pentru n = 0,1, 2, , K 1,
n =
(4.5.1)
0, pentru n K ,
, pentru n = 1, 2, , K ,
0, pentru n > K .
n =
(4.5.2)
K-2
K-1
n1
0 = P[ X = 0] = 1 + 0 1
n =1 1 2 n
K n
=
n =0
1
,
1 K +1
(4.5.3)
unde
(4.5.4)
> 0.
Suma din (4.5.3) fiind finit, spre deosebire de cazul sistemelor de tip M/M/1, pentru
sistemele de tip M/M/1/K nu apare problema convergenei seriei care intervine n expresia lui
not
169
0 , astfel nct poate lua orice valoare. De asemenea, menionm faptul c parametrul
(4.5.4) NU reprezint intensitatea traficului n sistemul de ateptare M/M/1/K.
Din relaia (4.1.34) rezult c
n 1
1
n = P[ X = n] = 0
0 =
n , n = 1, 2, , K .
(4.5.5)
K +1
1 n
1
Facem observaia c pentru < 1 i K se obine sistemul M/M/1.
Pe baza distribuiei staionare de probabilitate a strii sistemului de ateptare de tip
M/M/1/K se pot calcula performanele acestuia.
Gradul de utilizare a serverului
Gradul de utilizare a serverului este dat de
s = 1 0 = 1
1
1 K
.
=
1 K +1
1 K +1
(4.5.6)
1 K
1 K
(1 0 ) =
,
=
1 K +1
1 K +1
(4.5.7)
fiind mai mic dect rata de sosire a clienilor n sistem, deoarece exist clieni al cror
acces n sistem este blocat.
Probabilitatea de blocare
Cea mai important msur a performanelor unui sistem de ateptare de tip M/M/1/K este
probabilitatea ca un client care sosete s gseasc sistemul ocupat i s fie rejectat, denumit
probabilitate de blocare (eng. blocking probability). Datorit lipsei de memorie a procesului
Poisson de sosire a clienilor probabilitatea de blocare este egal cu probabilitatea ca n sistem
s se gseasc K clieni
K
.
(4.5.8)
1 K +1
Se observ c, aa cum era de ateptat, pentru < 1 i K (caz n care se obine sistemul
M/M/1), probabilitatea de blocare a unui client tinde la zero, PB 0 .
De asemenea, are loc relaia
(1 PB ) = (1 0 ) ,
(4.5.9)
PB = K = (1 )
relaie care reprezint bilanul fluxului de clieni din sistem. Rata efectiv de intrare a
clienilor n sistem, (1 PB ) , este egal cu rata de plecare a clienilor din sistem, (1 0 ) .
170
M[ X ] = n n =
n =0
1 K
n n .
K +1
1
n =1
(4.5.10)
Cu notaia
not K
= n n ,
(4.5.11)
n =1
= + 2 2 + + K K 2 2 3 ( K 1) K K K +1 =
= + 2 + + K K K +1 =
1 K
K K +1 ,
1
(4.5.12)
de unde rezult
1 K
KK .
1 1
(4.5.13)
nlocuind aceast expresie n (4.5.10), numrul mediu de clieni din sistemul M/M/1/K este
M[ X ] =
1 K
KK .
K +1
1
1
(4.5.14)
1 K
1 K
K
K
1 K +1 1
1 K +1
2 1 K
=
K K 1 .
K +1
1
1
(4.5.15)
M [S ] =
171
1
1
M[ X ] =
M[ X ] =
(1 PB )
(1 0 )
1 K +1
1 1
1 K
KK
K
.
=
K =
K
(1 K ) 1 K +1 1
1 1
(4.5.16)
M [W ] = M [ S ]
(4.5.17)
0 = 1 + + ( ) , 1 = ( ) 0, 2 = ( ) 0 .
Pentru valorile numerice = 1 s-1 i = 2 s-1, rezult = = 1 2 , 0 = 4 7 ,
1 = 2 7 i 2 = 1 7 .
2
172
K
< 0,10 .
1 K +1
1
< 0,10 10 2 K < 2 K +1 1 2K < .
8
2 1
innd cont c K este numr natural (reprezint capacitatea sistemului) condiia
precedent nu poate fi ndeplinit. Maina M1 nu poate satisface cerinele impuse.
PB ( K ) =
K +1
5K
6
PB ( K ) = K +1 K +1 < 0,10 10 5K < 6 K +1 5K +1 > 3 K = 6, 7, .
6 5
5
Se poate observa c PB (5) = 10, 07% (valoare foarte apropiat de valoarea de 10%
173
(1 m )
m servere
identice
Fig. 4.6.1. Schema unui sistem de ateptare de tip M/M/m/m.
clieni rejectai
n =
(4.6.2)
m-2
m-1
(m 1)
m
m
174
n1
0 = P[ X = 0] = 1 + 0 1
n =1 1 2 n
m 1 n
=
n =0 n !
m n
= ,
n =0 n !
(4.6.3)
unde
not
> 0.
(4.6.4)
Suma din (4.6.3) fiind finit, nici pentru sistemele de tip M/M/m/m nu apare problema
convergenei seriei care intervine n expresia lui 0 , astfel nct poate lua orice valoare.
Din relaia (4.1.34) rezult c
1
n1
n m n
n = P[ X = n] = 0
0 =
, n = 1, 2, , m .
1 n
n ! n =0 n !
(4.6.5)
PB = m =
.
m ! n =0 n !
(4.6.6)
Relaia (4.6.6) este denumit formula B a lui Erlang i este frecvent utilizat n telefonie.
Fiind cunoscute frecvena medie de sosire a apelurilor i durata medie a unui apel, formula B
a lui Erlang poate fi utilizat pentru a determina numrul de linii telefonice necesare pentru ca
probabilitatea de blocare a unui apel s fie mai mic dect o valoare impus.
Calcularea numeric a valorii probabilitii de blocare ridic probleme pentru valori
mari ale lui m, fiind necesar gsirea unui algoritm recursiv stabil. Considernd valoarea PB
ca funcie de numrul de servere, m, se observ c
PB (m 1, )
m
PB (m, ) =
m 1
m!
n
n! + m!
n=0
PB (m 1, )
m
.
=
PB (m 1, ) m + PB (m 1, )
1+
m
(4.6.7)
innd cont c PB (0) = 1 , relaia (4.6.7) poate fi utilizat pentru a calcula probabilitatea de
blocare chiar i pentru valori mici ale lui m. Fig. 4.6.3 prezint variaia probabilitii de
blocare funcie de numrul de servere din sistem pentru diferite valori ale lui .
175
0.9
0.8
= 150
0.7
= 100
0.6
0.5
0.4
0.3
= 15
= 1.5
0.2
= 50
0.1
0
10
15
20
25
30
35
40
45
50
Numar de servere - m
(4.6.8)
, pentru n = 1, 2, , N ,
0, pentru n > N .
n =
(4.7.2)
176
(S)
(SW)
N servere identice
N-2
N-1
Fig. 4.7.2. Lanul birth-death corespunztor unui sistem de ateptare M/M/1/ /N.
Aplicnd relaia (4.1.33) se obine
N
[ N ][( N 1) ][ ( N n + 1) ]
0 = P[ X = 0] = 1 +
n
n =1
unde
N!
=
n ,
n=0 ( N n)!
not
= >0.
(4.7.3)
(4.7.4)
Suma din (4.7.3) fiind finit, pentru sistemele de tip M/M/1/ /N nu apare problema
convergenei seriei care intervine n expresia lui 0 , astfel nct poate lua orice valoare.
Din relaia (4.1.34) rezult c
[ N ][( N 1) ][ ( N n + 1) ] =
n = P[ X = n] =
0
n
N!
n 0 , n = 1, 2, , N .
( N n)!
(4.7.5)
177
i apoi pentru sistemul (SW) format din cele N servere ce modeleaz procesul de sosire a
clienilor:
1
M[ N X ] = (1 0 ) .
(4.7.7)
n relaia (4.7.6), X noteaz numrul de clieni din (S), astfel nct n (SW) se gsesc N X
clieni. Adunnd membru cu membru cele dou relaii precedente, se obine
1
N
1
.
(4.7.8)
N = (1 0 ) + (1 0 ) M[ R] M[ R] =
(1 0 )
Acest rezultat este utilizat n modelarea reelelor de calculatoare n care exist un
numr de N staii de lucru (terminale), este rata de procesare a cererilor de ctre server, iar
1 este durata medie de gndire al utilizatorului unui terminal. Dac i sunt
cunoscute, relaia (4.7.8) poate fi utilizat pentru a determina numrul maxim de clieni N
pentru care durata medie de rspuns a sistemului nu depete o valoare impus Tmax :
M[ R] < tmax
N
1
< tmax + .
(1 0 )
(4.7.9)
178
n = m , pentru n = m + 1, , K ,
0 , pentru n > K .
(4.8.2)
( N 1)
2
2
( N m + 2)
m-2
( N m + 1)
m-1
( N K + 2) ( N K + 1)
K-2
K-1
m
m
m
(m 1)
Fig. 4.8.1. Lanul birth-death corespunztor unui sistem de ateptare M/M/m/K/N.
n =
n n ! mn n
m , pentru n = m, m + 1, , K ,
0C N
m!
(4.8.3)
unde
1
n m +1
K
m 1 n n
( N m + 1)!
m 1 m 1
0 = 1 + C N + C N
.
n = m ( N n)! m
n =1
(4.8.4)
2
(3 + ) 1 = 4 0 + 2 , 2 = 3 1 = 12 0 ,
2 = ,
2
3
3 = 2 2 = 24 0 ,
unde = . Impunnd condiia 0 + 1 + 2 + 3 = 1 , se obine
0 = (1 + 4 + 12 2 + 24 3 ) .
1
179
j ) j
(
= 3
= 3
,
(
)
i =0 i i i =0 i
i
j j
j = 0,1, 2,3 ,
unde j este rata cu care clientul ncearc s intre n sistem, ca n cazul sistemului
M/M/1/ /N, 0 = 4 , 1 = 3 , 2 = 2 , 3 = . Se obin valorile
0 =
1 =
2 =
3 =
0 0
i =0 i i
11
i =0 i i
3
2 2
i =0 i i
3 3
3
i =0 i i
4 0
= 0, 0127 ,
4 0 + 3 1 + 2 2 + 3
31
= 0, 0759 ,
4 0 + 3 1 + 2 2 + 3
2 2
= 0,3038 ,
4 0 + 3 1 + 2 2 + 3
3
= 0, 6076 .
4 0 + 3 1 + 2 2 + 3
180
181
50.871) i numrul total de clieni care au dorit s intre n sistem (indicatorul Service
Sum pentru tranziia Try, cu valoarea de 30.870). Se obine astfel probabilitatea de
blocare egal cu 0,6068. Se poate observa c valorile obinute prin simulare au avut
foarte apropiate de cele teoretice.
(a)
(b)
Fig. 4.8.4. Indicatorii globali pentru (a) tranziiile i (b) poziiile
reelei Petri din fig. 4.8.3.
Deoarece studiul teoretic al unui sistem de ateptare de tip M/M/m/K/N este
anevoios, fcnd practic imposibil analizarea influenei pe care o au parametrii
sistemului asupra performanelor acestuia, se impune utilizarea simulrii ca instrument
1
0.8
0.6
PB
182
0.4
0.2
0
10
10
8
Parameter x [K]
5
4
Parameter y [N]
0
Anexa 1
Simularea i analiza sistemelor de ateptare
n MATLAB
Continue
uniform (unid)
Poisson (poiss)
uniform (unif)
exponenial (exp)
Rayleigh (rayl)
2 (chi2)
geometric (geo)
hipergeometric (hyge)
binomial (bino)
binomial negativ (nbin)
normal (norm)
lognormal (logn)
beta (beta)
gamma (gamma)
Weibull (weib)
2 necentral (ncx2)
F (f)
F necentral (ncf)
t (Student) (t)
t necentral (nct)
184
% ANALIZA SISTEMULUI
% Calcularea numarului de clienti din sistem
X = zeros(2*ncust, 1);
X(1) = 1;
[Time, Index] = sort([Y; D]);
for k= 2:2*ncust,
if (Index(k)> ncust),
X(k) = X(k-1)-1;
else
X(k) = X(k-1)+1;
end
end
% Reprezentarea grafica a numarului de clienti din sistem
figure
stairs([0; Time], [0; X])
axis([0 Time(end) -0.1 max(X)+0.1])
title('Sistem de asteptare M/M/1')
xlabel('Timp'); ylabel('Numar de clienti in sistem - X')
% Reprezentarea grafica a momentelor de sosire si plecare pentru primii 25 de clienti
Y = [0; Y];
D = [0; D];
m = min(25, ncust);
n = 0:m-1;
185
186
figure
subplot(2,1,1);
stairs(Y(1:m),n,'b'); hold on
stairs(D(1:m),n,'-.r')
set(gca, 'xlim', [0, max(Y(m), D(m))])
xlabel('Timp'); ylabel('Numar de clienti')
title('Sistem de asteptare M/M/1')
legend('# IN', '# OUT', 4)
gtext(strcat('\lambda = ', num2str(lam), ', \mu = ', num2str(miu)))
subplot(2,1,2)
stairs([0; Time(1:2*m)], [0; X(1:2*m)])
axis([0 Time(2*m) -0.1 max(X(1:2*m))+0.1])
title('Sistem de asteptare M/M/1')
xlabel('Timp'); ylabel('Numar de clienti in sistem - X')
disp(['Numar mediu de clienti in sistem = ', num2str(mean(X)), ' (empiric), '...
num2str(ro/(1-ro)), ' (teoretic)']);
% Analiza duratelor de servire
mean_Z = mean(Z);
disp(['Durata medie de servire = ', num2str(mean_Z), ' (empiric), '...
num2str(1/miu), ' (teoretic)']);
% Analiza duratelor de asteptare
mean_W = mean(W);
disp(['Durata medie de asteptare = ', num2str(mean_W), ' (empiric),'...
num2str(lam/miu/(miu-lam)), ' (teoretic)']);
pas= max(W)/m;
edge = 0: pas:max(W);
teor_cdf = 1-ro*exp(-(miu-lam)*edge);
figure
cdfplot(W); hold on
plot(edge, teor_cdf, '-.r')
title('Durata de asteptare')
legend('CDF empirica', 'CDF teoretica', 4)
v=axis; v(1,1) = 0; v(1,4) = 1.1; axis(v)
gtext(strcat('\lambda = ', num2str(lam), ', \mu = ', num2str(miu)))
% Analiza duratelor petrecute in sistem
mean_S = mean(S);
disp(['Durata medie petrecuta in sistem = ', num2str(mean_S), ' (empiric), '...
num2str(1/(miu-lam)), ' (teoretic)']);
pas= max(S)/m;
edge = 0: pas:max(S);
teor_cdf = expcdf(edge, 1/(miu-lam));
figure
cdfplot(S); hold on
plot(edge, teor_cdf, '-.r')
title('Durata petrecuta in sistem')
legend('CDF empirica', 'CDF teoretica', 4)
gtext(strcat('\lambda = ', num2str(lam), ', \mu = ', num2str(miu)))
Anexa 2
Simularea i analiza sistemelor de ateptare n
ARENA
Toolbars
Model Window
Flowchart view
Project Bar
Status Bar
Model Window
Spreadsheet view
188
189
Abreviere
BETA
BE
CONT
CP
DISC
DP
ERLA
ER
CONT
EX
DISC
GA
ERLA
JO
EXPO
RL
GAMM
RN
JOHN
PO
LOGN
TR
NORM
UN
POIS
WE
Parametri
Beta, Alpha
CumP 1 ,Val 1 , . . . CumP n ,Val n
CumP 1 ,Val 1 , . . . CumP n ,Val n
ExpoMean, k
Mean
Beta, Alpha
Gamma, Delta, Lambda, Xi
LogMean, LogStd
Mean, StdDev
Mean
Min, Mode, Max
Min, Max
Beta, Alpha
190
Fig. A2.2. Prima etap n crearea modelului unui sistem de ateptare de tip M/M/1.
191
se va selecta, din lista existent, Minutes ca unitate de msur n cmpul Units. Se vor accepta
valorile presetate din cele trei cmpuri aflate n rndul de la sfritul casetei de dialog i se va
face clic pe OK pentru a salva setrile fcute.
192
193
194
195
196
Bibliografie
ARENA Home Page: www.arenasimulation.com/support/.
Bolch, G., Greiner, S., de Meer, H. and Trivedi, K. (1998). Queueing Networks and Markov
Chains: Modeling and Performance Evaluation with Computer Science Applications,
John Wiley and Sons, New York.
Cassandras, C.G. (1993). Discrete Event Systems: Modeling and Performance Analysis, R.D.
Irwin, Inc., and Aksen Associates, Inc., Boston.
David, R. et Alla, H. (1992). Du Grafcet aux rseaux de Petri (2e dition), Hermes, Paris.
Desrochers, A.A. and Al-Jaar, R.Y. (1993). Petri Nets for Automated Manufacturing Systems:
Modeling, Control and Performance Analysis, Rensselaer Polytechnic Institute.
Ganciu, T. i C. ugurlan (2002). Elemente de statistic i fiabilitate, Ed. Gheorghe Asachi,
Iai.
Grinstead, C.M. and J.L. Snell (1998). Introduction to Probability, American Mathematical
Society.
Hillier, F. and G. Lieberman (2001). Introduction to Operations Research 7th Ed, McGrawHill Higher Education, New York.
Iosifescu, M. (1977). Lanuri Markov finite i aplicaii. Ed. tehnic, Bucureti.
Kelton, W.D., R.P. Sadowski and D.A. Sadowski (2002). Simulation with Arena 2nd ed.,
McGraw Hill Companies, Inc.
Kleinrock, L. (1976). Queueing Systems, vol. I and II, John Wiley & Sons, New York.
Klimov, G. (1986). Probability Theory and Mathematical Statistics, Mir Publishers, Moscow.
Lee A.M. (1966). Queueing Systems and Applications, The Macmillan Press Limited,
London.
Mahulea, C., M.H. Matcovschi and O. Pastravanu (2003). Home Page of the Petri Net
Toolbox for MATLAB, http://www.ac.tuiasi.ro/pntool/index.php.
Matcovschi M.H. and C. Mahulea (2002). "Generalized Stochastic Petri Nets in Performance
Evaluation for Queueing Networks", ECIT2002 and ROSYCS2002 Joint Conference,
Iai, CD-ROM, 6 pg.
Matcovschi M.H. and O. Hilal (2002). "Petri Net Simulation and Efficient Exploitation of
Flexible Manufacturing Systems", Preprints of MESM2002 The Fourth Middle East
Symposium on Simulation and Modelling SCS Europe, Sharjah, UAE, pg. 88-92.
198
Matcovschi M.H., C. Mahulea and O. Pastravanu (2003a). "Petri Net Toolbox for MATLAB",
11th Mediterranean Conference on Control and Automation MED'03, Rhodes,
Greece.
Matcovschi M.H., C. Mahulea and O. Pastravanu (2003b). "Modeling, Simulation and
Analysis of Petri Nets in MATLAB", The 14th International Conference On Control
Systems And Computer Science - CSCS14, Bucharest, Romania.
Matcovschi, M.H. and O. Pastravanu (2002). "Developing Practicals for a Course on
Queueing Systems Delivered to Control Engineering Students", Periodica
Politechnica, Politehnica University of Timisoara, Romania, Trans. on Automatic
Control and Computer Science, Vol. 47(61), 1, pg. 151-156.
Mihoc, Gh., A. Muja i E. Diatcu (1976). Bazele matematice ale teoriei fiabilitii, Ed. Dacia,
Cluj-Napoca.
Mihoc, Gh. i N. Micu (1980). Teoria probabilitilor i statistic matematic, Ed. didactic
i pedagogic, Bucureti.
The MathWorks Inc. (2000a). MATLAB Users Guide, Natick, Massachusetts.
The MathWorks Inc. (2000b). Statistics Toolbox Users Guide, Natick, Massachusetts.
Murata, T. (1989). "Petri nets: properties, analysis and applications", Proc. IEEE, Vol. 77, pp.
541580.
Onicescu, O. (1977) Probabiliti i procese aleatoare, Ed. tiinific i enciclopedic,
Bucureti.
Pastravanu, O.C. (1997). Sisteme cu evenimente discrete. Tehnici calitative bazate pe
formalismul reelelor Petri, Ed. Matrix Rom.
Pastravanu, O.C., M.H. Matcovschi i C. Mahulea (2002). Aplicaii ale reelelor Petri n
studiul sistemelor cu evenimente discrete, Ed. Gheorghe Asachi.
Petri, C.A (1962). Kommunikation mit Automaten, Institut fr Instrumentelle Mathematik
Bonn, Schriften des IIM Nr. 2.
Pegden, C.D., R.E. Shannon and R.P. Sadowski (1990). Introduction to Simulation Using
SIMAN, McGraw-Hill Inc.
Sinclair, J.B. (2002). Simulation of Computer Systems and Computer Networks: A ProcessOriented Approach, http://www.owlnet.rice.edu/~elec428/yacsim/book.ps.
Trivedi, K. (2000). Computer Science Applications, John Wiley & Sons, New York.
Voicu, M. (1980). Teoria sistemelor, vol. II, Institutul Politehnic din Iai.