Documente Academic
Documente Profesional
Documente Cultură
1 Processo Estocástico
a) Em relação ao estado:
• Estado discreto (cadeia) – se X(t) é definido sobre um conjunto enumerável ou
finito.
• Estado contínuo (seqüência) - X(t) caso contrário
b) Em relação ao tempo:
• Tempo discreto – se t é finito ou enumerável.
• Tempo contínuo – caso contrário.
Exemplos 1:
© LARC-PCS/EPUSP 2004 1
Modelagem e Simulação de Sistemas de Computacionais
2 Processos de Markov
Propriedade “Memoryless”:
M1) As informações de estados passados são irrelevantes;
M2) O tempo que o processo está no estado atual é irrelevante.
Processo Intervalo de
de Poisson chegada Propriedade
com Exponencial Memoryless
parâmetro G(t)=1-e-λt
λ
Distribuição Exponencial
g(t) G(t)
λ 1
g(t)= λe-λt
G(t)= 1-λe-λt
t t
Processo de Poisson {N(t)}, define a contagem de um evento no intervalo (0, t].
© LARC-PCS/EPUSP 2004 2
Modelagem e Simulação de Sistemas de Computacionais
Exemplo 2: Análise de chamadas telefônicas nos slots de tempo indexados por k=0, 1,
2, ...
a) Somente uma chamada pode ocorrer em um slot sendo α a probabilidade de
ocorrência de uma chamada no slot.
b) Se a linha está ocupada a chamada é perdida.
c) A probabilidade de uma chamada ser completada em um slot é p.
d) Se uma chamada chegar no mesmo slot em que uma chamada se completa, a nova
chamada é processada.
Diagrama de estados:
1-α 0 1 (1-β)+αβ
β(1-α)
1-α α
P=
β(1-α) (1-β)+αβ
© LARC-PCS/EPUSP 2004 3
Modelagem e Simulação de Sistemas de Computacionais
0,4
Nubl
0,4 Sol
ado 0,3
0,5
0,1 0,5
0,2 0,2
Chu
va
0,4
Os vetores de probabilidades de estado π(1), π(2), ..., π(k) são calculados como:
© LARC-PCS/EPUSP 2004 4
Modelagem e Simulação de Sistemas de Computacionais
π(1) = π(0 ) P
π(2) = π(0 ) P2
π(3) = π(0 ) P3
...
Exemplo 4:
0,5 0,3 1
0,5 0 1 2 3 0,5
4 1
ρik = P[Tii = k]
∞
ρ i = ∑ ρki probabilidade de voltar ao estado i
k =1
© LARC-PCS/EPUSP 2004 5
Modelagem e Simulação de Sistemas de Computacionais
ρi = P[Tii = ∞]
Exemplos 5:
0,5 0,5
0,5
1
0 1
0 1
0,5 0,5
1 1 2
2
0,5
Se πj existe para todos os j, então π = [π0, π1, ... ] é o vetor de probabilidade de estados
estacionários.
Quando a cadeia de Markov for irredutível e não periódica então o valor de π é obtido
resolvendo-se o sistema de equações lineares:
π= π P
∞
© LARC-PCS/EPUSP 2004 6
Modelagem e Simulação de Sistemas de Computacionais
pij(s,s+τ)≡P[X(s+τ)=j | X(s)=i]
pij (t, t + ∆t ) − Ι
Define-se Q( t ) = lim como a matriz de taxa de transição.
∆t → 0 ∆t
Sendo a cadeia de Markov Homogênea, então Q(t) independe de t, sendo constante, isto
é,
Q(t) = 0
qij = λij
Q=
qii = - Λ(i) onde Λ(i) = ∑λ ij
para todo j ≠ i
Dada Q então,
qij
1. pij = para todo i ≠j
− qii
© LARC-PCS/EPUSP 2004 7
Modelagem e Simulação de Sistemas de Computacionais
2. − pii = ∑ qij
j≠i
Exemplo 6:
a
a
0 1 2
-λ λ 0
Q= 0 -λ λ
µ 0 -µ
q00 = -Λ(0) = - λ
q11 = -Λ(1) = - λ
q22 = -Λ(2) = - µ
-1 1 0
P= 0 -1 1
1 0 -1
∂π( t )
= π( t )Q
∂t
© LARC-PCS/EPUSP 2004 8
Modelagem e Simulação de Sistemas de Computacionais
Se existir o limite
π j = lim π j ( t )
t→∞
então π = [π0, π1,...] é o vetor de probabilidade de estados estacionários.
∂π( t )
= π( t )Q se reduz a πQ=0
∂t
Teorema: Em uma cadeia de Markov irredutível e contínua no tempo, com estados
recorrentes positivos, existe um único vetor de probabilidades π = [π0, π1,...] (tal que
πj > 0) de estados estacionários e π j = lim π j ( t ) .
t→∞
Além disso,
πQ=0
e ∞
∑π
j=0
j =1
© LARC-PCS/EPUSP 2004 9
Modelagem e Simulação de Sistemas de Computacionais
Q00 = - λ0
A matriz Q resultante é:
λ0 λ0 0 0 0 ...
µ1 −(λ1+µ1) λ1 0 0 ...
Q= 0 µ2 −(λ2+µ2) λ2 0 ...
0 0 µ3 −(λ3+µ3) λ3 ...
. . . . . .
. . . . . .
. . . . . .
πQ=0
e ∞
∑π
j=0
j =1
λ 0 π0 + µ1π1 = 0
λ 0 π 0 − (λ 0 + µ1 )π1 + µ 2 π 2 = 0
λ 1π1 − (λ 1 + µ1 )π 2 + µ 3 π 3 = 0
...
λ i−1π j−1 − (λ j−1 + µ j−1 )π j + µ j+1π j+1 = 0
.
.
e
∞
∑π
j=0
j =1
1
π0 = ∞ n−1
λk
1 + ∑∏
n=1 k =0 µ k +1
e
n −1
λk
π j = π0 * ∏ onde j=1, 2, ...
k =0 µk +1
© LARC-PCS/EPUSP 2004 10
Modelagem e Simulação de Sistemas de Computacionais
5 Bibliografia
[1] Cassandras, C. G., ”Discrete Event Systems: Modeling and Performance Analysis”,
Aksen Associates Incorporated Publishers, 1993 , ISBN: 0-256-11212-6, 790p.
[2] Marsan, M. A., Balbo, G., Conte, G., Donatelli, S., Franceschinis, G., “Modeling
with Generalized Stochastic Petri Nets”, John Wiley & Sons, ISBN: 0-471-93059-8,
1995, 301p.
6 Exercícios
1) Um sistema de computação consiste de dois processadores idênticos trabalhando em
paralelo. O tempo consiste de intervalos indexados por k=1, 2, 3, ... . A operação
deste sistema é definida pelas seguintes regras:
a) Ao menos um programa pode ser submetido ao sistema em cada intervalo de
tempo e este evento ocorre com probabilidade α.
b) Quando um programa é submetido ao sistema ele é atendido pelo processador
disponível.
c) Se ambos processadores são disponíveis, o programa é atendido pelo primeiro
processador.
d) Se ambos processadores estão ocupados, o programa é perdido.
e) Quando um processador está ocupado, a probabilidade de terminar a execução do
programa em cada intervalo é β.
f) Se um programa é submetido ao processador em um intervalo em que os dois
processadores estão ocupados e um dos processadores completa a execução neste
intervalo, então o programa que chegou é processado.
λ λ 0 0 0
0 −(λ+µ1) λ µ1 0
Q= 0 0 -µ1 0 µ1
µ2 0 0 −(λ+µ2) λ
0 µ2 0 0 -µ2
© LARC-PCS/EPUSP 2004 11
Modelagem e Simulação de Sistemas de Computacionais
0,4
Nubl
0,4 Sol
ado 0,3
0,5
0,1 0,5
0,2 0,2
Chu
va
0,4
Matriz P de probabilidade de transição é:
a) Assummindo que hoje o tempo estó nublado, preveja o tempo nos próximos dois
dias.
b) Determine as probabilidades de estados estacionários desta cadeia (se existirem).
Se não existirem, explique porque.
c) Se hoje está ensolarado, determine o número médio de dias que temos que esperar
até o próximo dia ensolarado, quando o sistema está com os estado estáveis.
© LARC-PCS/EPUSP 2004 12
Modelagem e Simulação de Sistemas de Computacionais
© LARC-PCS/EPUSP 2004 13