Documente Academic
Documente Profesional
Documente Cultură
Rezumat
momentul tn. Procesul care are o asemenea evoluţie, caracterizată de faptul că, starea în care
va trece sistemul depinde atât de starea în care se găseşte acesta cât şi de modul în care
sistemul a ajuns în această stare, se numeşte proces Markov. De asemenea, în acest capitol se
mai prezintă şi algoritmul de rezolvare a unui fenomen redat prin lanţul Markov, şi exemple de
realizare a lanţurilor Markov cum ar fi: un studiu de caz ce presupune prognozarea numărului de
produse vândute de către cele mai mari companii de telefonie mobilă pe piaţa din România, pe
baza datelor din ultima perioadă, prognozare care se va baza pe utilizarea lanţurilor Markov.
Capitolul 3 este numit Procese Markov. Aici se prezintă faptul că procesele Markov sunt
caracterizate prin aceea că, apariţia unei anumite stări este condiţionată doar de un număr
determinat de stări anterioare. Dacă numărul acestor stări anterioare este r, atunci este vorba de
un proces Markov de ordinul r.
Procesele Markov de ordinul 1 ocupă un loc important în studiul proceselor de trafic ce
caracterizează reţeaua de telecomunicaţii în ansamblul ei. Procesele de naştere şi moarte ca
subclasă importantă a proceselor Markov de ordinul 1 se adaptează perfect modului de apariţie şi
deservire a traficului în sistemul global de telecomunicaţii. Aceste procese sunt caracterizate de
un spaţiu discret de stări şi de un parametru temporal continuu.
Pe langă partea teoretică a proceselor Markov, în acest capitol sunt prezentate şi patru
aplicaţii ale acestor procese.
Capitolul 4 numit Programul Toolkit şi Analiza de tip Markov, prezinta programul
Toolkit şi modul de utilizare a acestuia, crearea unui proiect Markov, ce foloseste modulul ITEM
Toolkit Markov pentru a modela şi analiza un sistem simplu de două componente de aşteptare.
Sistemul constă din două componente identice care operează în modul de „aşteptare la cald”. Se
presupune că cedările asociate componentei de aşteptare nu sunt detectate până când nu este se
pune o întrebare în acest sens. Deasemea, în acest capitol, se prezintă şi alte aplicaţii necesare
înţelegii modului de aplicare şi utilizare a lanţurilor Markov în predicţia funcţionării sistemelor
dinamice.
2
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
CUPRINS
3
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
4
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
În matematică, un proces Markov, sau un lanţ Markov, este un proces stohastic care are
proprietatea că, dată fiind starea sa prezentă, stările viitoare sunt independente de cele trecute.
Această proprietate se numeşte proprietatea Markov. Cu alte cuvinte, starea curentă a unui astfel
de proces reţine toată informaţia despre întreaga evoluţie a procesului. Lanţurile Markov au fost
denumite după matematicianul rus Andrei Markov. Într-un proces Markov, la fiecare moment,
sistemul îşi poate schimba sau păstra starea, în conformitate cu o anumită distribuţie de
probabilitate. Schimbările de stare sunt numite tranziţii. Un exemplu simplu de proces Markov
este parcurgerea aleatoare a nodurilor unui graf, tranziţiile fiind trecerea de la un nod la unul din
succesorii săi, cu probabilitate egală, indiferent de nodurile parcurse până în acel moment.
Practica oferă numeroase exemple în care, anumite valori caracteristice ale unui sistem, formând
aşa numitele stări discrete ale sistemului, variază o dată cu timpul, astfel încât, ele nu pot fi
prevăzute cu exactitate. Un asemenea proces în care una sau mai multe valori caracteristice lui
variază aleator în timp îl numim “proces stohastic”.
5
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
6
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
decât de starea prezentă a procesului (cea de la momentul τn) dar şi de ceea ce s-a petrecut în
trecutul său (la momentele premergătoare 𝜏0 < 𝜏1 < 𝜏2 < ⋯ < 𝜏𝑛−1 ). Altfel spus, pentru astfel de
procese stohastice, ultima stare cunoscută determină complet, din punct de vedere probabilistic,
comportarea viitoare a sistemului. Pentru exemplificare putem considera cazul transmisiei in
formaţie când, în anumite condiţii, noul semnal care este emis are în vedere semnalul precedent
emis şi nu toată emisiunea realizată până în acel moment. Cu alte cuvinte, procesele Markov
sunt procese fără memorie.
Stările unui lanţ Markov sunt clasificate în conformitate cu modul cum ele sunt "vizitate" în
cursul timpului funcţionării lanţului.
Prima clasificare este fondată pe momentele de reîntoarcere în starea dată. Notăm ξi
momentul i de schimbare de stare, iar ξij=min{τ/τ>ξi∧Xτ=j/X0=i} momentul primei treceri în
starea j din starea i.
Definiţia 1.3. O stare i este: a) tranzitorie dacă Pr(ξii<∞)<1; b) recurent–nulă dacă
Pr(ξii<∞)=1şiE[ξii]=∞;c)recurent-nenulă dacă Pr(ξii<∞)=1 şi E[ξii]≠∞, unde E[ξii] este numită
durata medie de recurenţă a stării i.
Pentru o stare recurentă i a unui lanţ Markov în timp discret, dacă δ este cel mai mare divizor
comun c.m.m.d.c.) al numerelor întregi n, astfel încât Pr(Xn=i/X0=i)>0, atunci starea i este
numită periodică de perioada δ,dacă δ>1, şi aperiodică dacă δ=1.
A doua clasificare este fondată pe mulţimea trecerilor dintr-o stare în alta. Astfel, sub
ansamblul de stări este numit închis dacă:
adică este imposibil de a părăsi. Fie E o relaţie în Ω :iEj dacă şi numai dacă lanţul poate trece
din i la j şi invers, adică dacă există cel puţin un τ≥0 astfel că rij(τ)>0, ceea ce determină o relaţie
de echivalenţă E, adică fiecare clasă constituie un ansamblu de stări astfel încât din fiecare se
poate, pe parcursul timpului, să se atingă toate alte stări ale acestei clase.
Definiţia 1.4. O stare i este absorbantă dacă ea este singurul element din clasa sa de
echivalenţă E şi că această clasă este închisă.
Un lanţ Markov este ireductibil dacă ansamblul de stări Ω formează o singură clasă de
echivalenţă E.
Astfel, îndată ce un lanţ atinge o stare absorbantă, el va rămâne acolo pentru totdeauna.
Legătura între aceste două clasificări este dată de faptul că toate stările unei clase de
echivalenţă pentru E sunt de acelaşi tip, adică tranzitorii, recurent-nule sau recurent-nenule.
Pentru un lanţ Markov în timp discret ele sunt aperiodice sau periodice de aceeaşi perioadă.
Restricţia unui lanţ la o clasă de echivalenţă E închisă duce la un lanţ ireductibil. Din aceste
considerente, în afara unei menţiuni explicite, în continuare ne vom restrânge la lanţuri
ireductibile.
7
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Un lanţ Markov în timp discret este totalmente determinat de distribuţia iniţială şi matricea
sa stohastică R(1), notată simplu R şi numită matrice de probabilităţi de trecere 𝜏 ale lanţului:
rij=Pr(Xn+1=j/Xn=i). Astfel, pentru orice n>0 : R(n)=Rn.
Teorema 1.1. Orice lanţ DLM omogen, aperiodic cu un spaţiu finit de stări discrete şi
ireductibil este un lanţ ergodic. Distribuţia limită π a probabilităţilor de stare este independentă
de distribuţia iniţială: πi=1/E[ξii] fiind mărimea inversă a duratei medii de recurenţă în starea i.
Ea este unica soluţie a sistemului de ecuaţii Kolmogorov:
(1.5)
𝜋̅ = 𝜋̅ ∗ 𝑅, ∑ 𝜋𝑖 = 1
𝑖∈Ω
Distribuţia probabilităţilor de stare care verifică 𝜋̅ = 𝜋̅ ∗ 𝑅 este numită staţionară.
Echivalentul de matrice R al lanţurilor LMTD pentru lanţuri Markov în timp continuu LMTC
este noţiunea de generator sau matrice dinamică.
Teorema 1.2. Fie X un lanţ LMTC omogen cu un spaţiu finit de stări discrete, redat de o
𝑑𝑅(0)
matrice R(τ), ce este derivabilă la dreapta în 0. Matricea 𝐷 = este numită matrice
𝑑𝜏
generatoare sau matrice dinamică a lui X, astfel încât :
𝑑𝑅(𝜏)
= 𝐷 ∙ 𝑅(𝜏) = 𝑅(𝜏) ∙ 𝐷
𝑑𝜏
de unde R(𝜏)=exp(D.𝜏).
Astfel, un lanţ LMTC este totalmente definit de matricea sa dinamică D şi distribuţia
probabilităţilor de stare iniţială. Matricea dinamică D verifică relaţiile:
∀𝑖 , 𝑗 ∈ Ω, 𝑖 ≠ 𝑗. 0 ≤ 𝑑𝑖𝑗<+∞
∀i∈Ω,dij=-∑𝑖∈Ω 𝑑𝑖𝑗 , dij<0,
∀i,j∈Ω,0=∑𝑖∈Ω 𝑑𝑖𝑗 ,
unde elementul dij este interpretat ca rata de trecere din starea i spre starea j, iar durata de aflare
în starea i este o variabilă aleatorie distribuită conform legii exponenţial-negative de parametrul
λi=-1/dii, numită rata de ieşire din starea i. Notăm că suma elementelor situate pe fiecare linie a
matricei D este egală cu 0.
O matrice care verifică aceste proprietăţi este numită D-matrice dinamică. Dacă se va studia
un regim tranzitoriu al unui lanţ LMTC se vor utiliza relaţiile:
𝑑𝜋⃗ (𝜏)
=𝜋⃗ (𝜏) ∙ 𝐷
𝑑𝜏
si deci
𝜋̅(𝜏) = 𝜋̅(0) ∙ 𝑒 𝐷𝜏
8
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
X(E)=X τ n este un lanţ DLM numit lanţ inclus (Embedded Markov Chain) de X redat de o
matrice dinamică U. Se poate demonstra că U=I+ diag⋅ D, unde diag{a } este o matrice
diagonală, elementele căreia sunt ai, iar I este o matrice unitară. Lanţul X(E) corespunde
schimbărilor de stare ale lui X, ignorând timpul de curs de X în fiecare stare (care este distribuit
conform legii exp(−λi.τ)). Dacă se va nota π(E) distribuţia de echilibru a lanţului X(E), obţinem:
(𝐸) 1
𝜋𝑖 ∙𝜆
𝑖
𝜋𝑖 = 1
∑𝑖∈Ω 𝜋𝑖(𝐸) ∙𝜆
𝑖
Fie, pe de altă parte ,λ≥maxλ} işi X(Z) este procesul stohastic obţinut pentru lanţul ∀i
1
Markov Zλ cu o matrice dinamică K λ=I+𝜆 ⋅ D subordonată unui proces tip Poisson i de parametru
𝑖
Definiţia 1.6. Procesul X(Z) are aceleaşi probabilităţi de trecere în regim de echilibru ca şi
procesul X. Lanţul DLM definit de Zλ este numit un lanţ uniformizat de X.
Lanţul Zλ corespunde unei discretizări sau unei uniformizări ale lanţului X, în instantanee
distincte de intervale de timp Δτ suficient de mici pentru ca probabilitatea mai mult de o
schimbare de stare a lui X în acest interval de timp Δτ să fie mică, de ordinul O(Δτ), astfel încât,
𝑂(∆𝜏)
lim = 0.
𝜏→∞ ∆𝜏
Principiul de agregare exactă, constă în a partiţiona spaţiul de stări Ω ale unui lanţ în
subansambluri (Ωk)k=1,...,K în aşa mod încât comportamentele de stări a unor şi aceleaşi Ωk să
fie stohastic echivalente.
La evaluarea performanţelor unui sistem se va folosi o agregare, subansambluri de stări ale
cărei termeni au o anumită interpretare în comportarea acestui sistem, considerată ca o
macrostare. Metoda de agregare, în particular, este folosită în analiza markoviană a unor modele
ale proceselor de calcul.
9
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Definiţia 1.7. Un lanţ Markov X poate fi agregat, urmând partiţia (Ωk)k=1,...,K, dacă
În practică se întâlnesc deseori şi sisteme dinamice cu stări discrete, pentru care durata de
aflare într-o oarecare stare i, fiind o variabilă aleatoare, depinde de această stare şi de starea
următoare de trecere şi ea nu este necesar distribuită conform legii exponenţial-negative.
Evoluţia sistemului este astfel definită de starea curentă şi de starea ce urmează. Acest tip de
procese stohastice sunt numite procese semi-Markov.
Definiţia 1.8. Un proces stohastic X, cu un spaţiu finit Ω de stări discrete, este numit proces
semi-Markov (Semi-Markov Process, SPM) dacă există o suită crescătoare de instantanee
(τn)n∈N astfel încât este o variabilă aleatoare definită ca :
∀i,j ∈ Ω,∀n ∈ N , τ0<τ1< ...<n ,≥0,∀i0 ,..., n−1∈ Ω,
10
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Această probabilitate de trecere este notată hij(τ), iar matricea stohastică H(τ)=(hij(τ)) este
numită nucleu semi markovian.
Notăm că τn este instantaneul n de tranziţie dintr-o stare oarecare, însă procesul X totuşi
poate să rămână în aceeaşi stare pe parcursul acestei tranziţii. Studiul în regim de echilibru al
proceselor semi-Markov SPM este facilitat de existenţa, ca şi pentru lanţuri CLM, al unui lanţ
DLM derivat de SPM, numit, de asemenea, lanţ inclus, care corespunde observării procesului X
în instantaneele de tranziţie.
Propoziţia 1.1. Procesul stohastic în timp discret X(E) definit de X(E)=Xn este un n lanţ
DLM cu o matrice stohastică de treceri= lim 𝐻(𝜏)numit lanţ inclus (LMI) al procesului X.
𝜏→∞
Proprietăţile stărilor: tranzitorii, recurent-nule sau recurent-nenule, astfel că, şi caracterul
ireductibil sau nu, sunt aceleaşi pentru procesul semi-Markov X şi lanţul său inclus. Din contra,
periodicitatea unei stări este o proprietate distinctă pentru X şi X(E): starea i poate fi periodică
pentru X de perioadă:
δ=max{d>0 /(∃n ∈ N, n≠0, τ=nd ) ⇒Pr( X τ= i /X 0= i)=0} însă nu şi pentru
,
lanţul său inclus şi invers.
Următoarea teoremă, demonstrată de E.CINLAR oferă un criteriu de ergodicitate a
proceselor semi-Markov.
Teorema 1.5. Orice proces semi-Markov aperiodic ce are un lanţ Markov inclus X(E)
omogen cu un spaţiu finit de stări discrete, ireductibil şi aperiodic este un proces SP Mergodic.
Distribuţia-limită π a probabilităţilor de stare este independentă de distribuţia iniţială. Dacă π(E)
este distribuţia de echilibru de X(E), iar E(Θi) este durata medie de aflare în starea i, atunci
(𝐸)
𝜋𝑖 ∙𝐸(Θ𝑖 )
avem: 𝜋𝑖 = (𝐸) (1.6)
∑𝑗∈Ω 𝜋𝑖 ∙𝐸(Θ𝑖 )
Rezultatele acestei teoreme, care vor fi folosite la analiza semi markoviană a proceselor de
calcul, permit calcularea distribuţiei probabilităţilor de stare π în regim de echilibru al procesului
SPM, referindu-ne la lanţul său inclus.
Cum deja s-a menţionat, procesele semi-Markov descriu mai adecvat funcţionarea
sistemelor reale. Un proces markovian cu probabilităţile de trecere rij dintr-o stare i în altă stare
j, (i,j∈J) devine un proces semi-Markov dacă distribuţia duratei de aflare în fiecare stare este
Fi(t) .Cu scopul de a determina probabilităţile staţionare qi de aflare a unui lanţ semi-Markov în
starea i∈J cu n=|J| stări finite vom considera un lanţ Markov DLM cu aceleaşi probabilităţi de
treceri.
n
Pentru acest lanţ DLM sunt verificate ecuaţiile (1.6) cu condiţia de normalitate: ∑𝑛𝑖=1 𝜋𝑖 = 1.
i
Vom considera în lanţul semi-Markov cu un număr N de treceri suficient de mare. În timpul
efectuării a N treceri lanţul DLM în mediu Ni=πi .N ori se va afla în starea i∈J. Dacă este
cunoscută durata medie Θi de aflare a lanţului semi-Markov în starea i:
∞
0 < Θ𝑖 = ∫ (1 − 𝐹𝑖 (𝜏))𝑑𝜏 < +∞
0
𝑖 acestui lanţ în starea i pentru acelaşi număr N
atunci se poate calculat durata medie de aflare𝜏̅a
de treceri:
11
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
𝜏̅𝑖 = 𝜋𝑖 ∙ 𝑁 ∙ Θ𝑖(1.7)
Durata medie necesară lanţului semi-Markov pentru a efectua N treceri este:
𝜏̅𝑖 = ∑𝑛𝑗=1 𝜏̅𝑗 = 𝑁 ∙ ∑𝑛𝑗=1 𝑛𝑗 ∙ Θ𝑗 (1.8)
Deoarece qi este probabilitatea staţionară că lanţul semi-Markov se va afla în starea i∈J,
ceea ce înseamnă că pe această durată, durata medie de aflare în starea i a acestui lanţ este:
𝜏̅𝑖 = 𝑞𝑖 ∙ 𝜏̅ = 𝑞𝑖 ∙ 𝑁 ∙ ∑𝑛𝑗=1 𝜋𝑗 ∙ Θ𝑗 (1.9)
Din relaţiile (1.7) şi (1.9), obţinem:
𝑞
𝜋𝑖 = Θ𝑖 ∙ ∑𝑛𝑗=1 𝜋𝑗 ∙ Θ𝑗 (1.10)
𝑖
Substituind expresia lui πi din (1.10) în ecuaţia Kolmogorov (1.6) şi divizând la (cu Θi≠0,)
ambele părţi ale ecuaţiilor astfel obţinute, determinăm şi sistemul de ecuaţii algebrice pentru
calcularea probabilităţilor staţionare qi ale lanţului semi-Markov:
𝑛
𝑞𝑖 𝑞𝑘
= ∑ 𝑟𝑘𝑖 ∙
Θ𝑖 Θ𝑘
𝑘=1
i=1,2,...,n;
∑𝑛𝑖=1 𝑞𝑖 = 1(1.11)
Este evident că, condiţia de existenţă a soluţiei unice a ecuaţiilor (1.11) este aceeaşi ca şi
condiţia de ergodicitate a lanţului Markov cu matricea stohastică a probabilităţilor de trecere
R=(rij)nxn.
Uneori este mai uşor de a rezolva sistemul de ecuaţii (1.6) decât sistemul (1.11). Atunci în
acest caz din (1.10) putem determina probabilitatea staţionară qi a lanţului-Markov:
𝜋𝑖 ∙ Θ𝑖
𝑞𝑖 = 𝑛
∑𝑗=1 𝜋𝑗 ∙ Θ𝑗
i=1,2,...,n. (1.12)
Pentru graful unui lanţ semi-Markov, nodurile căruia sunt ponderate cu durata medie Θi de
n i
Definiţia1.9. Vom numi U-tăietură a mulţimii arcelor grafului G=(J,A), ce are următoarele
proprietăţi:
1)U⊂A; 2)Înlăturarea tuturor arcelor acestei U-tăieturi din graful G va transforma acest graf
în două sub grafuri G1=(J1,A1) şi G2=(J2,A2), care nu sunt conectate între ele,adică I=I1∪I2,
J1∩J2=∅ şi A=A1∪A2, A1∩A2=∅; 3)dacă (i,j)∈U, atunci nu este o tăietură a grafului G.
Din această definiţie reiese că o U-tăietură nu va conţine nici o buclă,adică (i,i)∉U. Deci o
U-tăietură poate fi redată în modul următor:
♦U=U1∪U2,U1∩U2=∅
♦dacă(i,j)∈U1,atunci j∈J2,i∈J1;
♦dacă(i,j)∈U2,atunci i∈J2,j∈J1.
Informaţiile despre tranziţiile de la o stare la alta în cadrul unui lanţ Markov pot fi
reprezentate prin matricea de tranziţie (într-un pas). Ea este formată din elementele pij -
probabilitatea de trecere într-un pas de la starea i la starea j (i, j = 1, 2, …,m). Se poate vorbi,
atunci, şi de probabilităţile de tranziţie în exact k paşi şi de o matrice formată din acestea.
Se vor face următoarele notaţii:
pij(k) - probabilitatea condiţionată de efectuare a tranziţiei din starea i în starea j în exact k
paşi.
P(k) - matricea de tranziţie în k paşi.
Teorema 1.6 Fie P matricea de tranziţie într-un pas a unui lanţ Markov. Atunci, matricea
P(k) de tranziţie în k paşi este:
P(k)=P∙P∙….∙P=Pk
de k ori
Relaţia din teorema 1 exprimă o proprietate de bază a lanţurilor Markov prin care acestea
se deosebesc de alte procese stohastice.
Conform proprietăţii 2 a matricei de tranziţie P, suma probabilităţilor de pe fiecare linie a
acesteia trebuie să dea 1. Această proprietate rămâne valabilă şi în cazul matricei de tranziţie în k
paşi P(k) = Pk.
Un vector poate fi reprezentat ca o matrice linie (vector linie) sau ca o matrice coloană
vector coloană).
Definiţia 1.10.Un vector linie (q1, q2, …,qn) care are proprietăţile:
a) 0≤qi≤1
b) =1
se numeşte vector de probabilitate sau vector stohastic.
O matrice ale cărei linii sunt vectori stohastici se numeşte matrice stohastică.
13
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Definiţia 1.11. Fie un lanţ Markov cu m stări. Un vector de stare pentru lanţul Markov este
un vector de probabilitate X = x1 x2 … xn . Coordonatele xi ale vectorului de stare X trebuie
interpretate ca probabilitatea ca sistemul să se afle în starea i.
Atunci când se ştie cu siguranţă că sistemul este într-o anumită stare, vectorul de stare are
o formă particulară. Astfel, dacă se ştie sigur că sistemul este în starea a i-a, vectorul de stare va
avea a i-a componentă egală cu 1, iar restul 0. X = [0 0 0 … i … 0].
Comportamentul unui lanţ Markov poate fi descris printr-o secvenţă de vectori de stare.
Starea iniţială a sistemului poate fi descrisă printr-un vector de stare notat X0 . După o tranziţie
sistemul poate fi descris printr-un vector X1, iar după k tranziţii, prin vectorul de stare Xk. Relaţia
dintre aceşti vectori poate fi sumarizată prin următoarea teoremă:
Teorema 1.7. Fie un proces Markov cu matricea de tranziţie P. Dacă Xk şi Xk+1 sunt
vectori de stare care descriu un procesul după k şi k+1 tranziţii, respectiv, atunci
În particular:
Deci, vectorul de stare Xk care descrie sistemul după k tranziţii e produsul între vectorul
stării iniţiale X0 şi matricea Pk.
Observaţie.X0, X1, X2, …Xk, … sunt toţi vectori linie 1 × m.
Dacă interesează studierea unui proces stohastic după un număr mare de tranziţii, atunci
este utilă studierea comportării generale a acestuia pe termen lung. Pentru anumite tipuri de
lanţuri Markov acest lucru este posibil.
În general pentru un lanţ Markov cu m stări, posibilitatea ca sistemul să se afle în starea j
după k tranziţii depinde de starea din care s-a pornit. Astfel, p1j(k) este probabilitatea ca sistemul
să fie în starea j după k tranziţii dacă iniţial se află în starea 1. Semnificaţii similare avem pentru
p2j(k), …, pmj(k). Nu există nici un motiv ca aceste probabilităţi să fie (sau să ne aşteptăm să
devină) egale. Dar, pentru anumite lanţuri Markov există o probabilitate strict pozitivă qj asociată
cu starea j astfel încât după k tranziţii probabilităţile pij(k) devin, toate, foarte apropiate de qj.Cu
alte cuvinte, speranţa ca sistemul să ajungă în starea j după k tranziţii (unde k este suficient de
mare) este cam aceeaşi, indiferent de starea din care se pleacă.
14
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Lanţurile Markov care au o astfel de comportare pe termen lung formează o clasă aparte
care este definită după cum urmează.
Definiţia 1.12. Un lanţ Markov cu matricea de tranziţie P se numeşte regulat dacă există
un întreg k pozitiv astfel încât Pk să aibă toate elementele strict pozitive.
𝜋
⃗ ≥ 0, ∑ 𝜋𝑖 = 1
𝑖=1
Mărimea π ieste probabilitatea staţionară că sistemul se va afla în starea i.
Pentru un lanţ DLM, cu matricea sa stohastică a probabilităţilor de trecere R ,se poate
formula căutarea soluţiei de echilibru a sistemului de ecuaţii (1.17) sub aceeaşi formă,dacă vom
pune D=R-In, unde In este matricea unitară de dimensiunea (nxn).
Reamintim că, în majoritatea cazurilor n este foarte "mare" (de exemplu, n≥102) şi deci
matricea D are o talie "mare". Însă în general, ea posedă multe elemente nule şi astfel deseori se
vor implementa scheme de stocare numai a elementelor nenule ale matricei dinamice D. Există
numeroase metode de rezolvare. Aici vom descrie numai în linii mari metodele numerice ce se
impun, luând seama de situaţiile care se vor întâlni în lucrarea dată.
Astfel, analiza lucrărilor în acest domeniu dă posibilitate de a distinge trei mari clase de
metode ce pot fi folosite pentru matricele dinamice D, fără a menţiona anumite proprietăţi
particulare: metode directe, metode iterative, metode de proiecţie şi metode specifice.
La folosirea metodelor directe: metoda eliminării GAUSS, factorizării LU, de iterare inversă
etc, se vor calcula dintr-o dată valorile lui πi.
r
Metodele iterative sunt mai simple şi mai uşor accesibile decât metodele directe. Ele se folosesc,
în general, pentru sisteme de ecuaţii mari (n>50) şi în mod special pentru sisteme cu matrice r
rare, respective şi cu mulţi coeficienţi nuli. Ideea de bază a acestor metode constă în folosirea
unei expresii de tipul 𝜋 ⃗ (𝑘+1) = 𝑓(𝜋⃗ (𝑘+1) ), unde𝜋
⃗ (𝑘) 𝑒𝑠te aproximaţia mărimii 𝜋
⃗ obţinută la
pasul k. Funcţia f determină metodele folosite:
1) metoda puterii iterate,
2) metoda GAUSS-SEIDEL,
3) metoda JACOBI,
4) metoda supra relaxării (SOR) etc.
Metoda puterii iterate constă în a regăsi valoarea proprie c umodulul cel mai mare unei
matrice R şi un vector propriu asociat ei.
n
Deoarece R este o matrice stohastică, se ştie că această valoare proprie este 1 şi dacă
matricea este ireductibilă, atunci există un singur vector propriu la stânga π>0, ei asociat,care
verifică relaţia :
15
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
∑ 𝜋𝑖 = 1
𝑖=1
Se obţine astfel 𝜋
⃗ , utilizând iteraţiile
⃗ (𝑘+1) = 𝜋
𝜋 ⃗ (𝑘) ∙ 𝑅
În cazul lanţurilor DLM incluse matricea R este definită de relaţia:
1
𝑅=𝐼+ ∙𝐷
𝛼+𝜀
unde marimea α este aleasă astfel ca R să fie o matrice stohastică, adică:
i 𝑛
∝≥ max ∑ 𝑑𝑖𝑗
∀𝑖
𝑗=1,𝑗≠𝑖
,iar ε este o mărime mică reală pozitivă
Astfel metoda puterii iterate constă în a folosi iteraţiile :
1
⃗ (𝑘+1) = 𝜋
𝜋 ⃗ (𝑘) + ∙𝐷
∝ +𝜀
Pe plan teoretic dacă R este ireductibilă atunci convergenţa este asigurată, însă ea poate fi
lentă şi depinde de modulul cel mai mare al valorilor proprii ce sunt subunitare (inferioare lui 1):
cu cât mai aproape de 1 este valoarea acestui modul, cu atât convergenţa va fi mai lentă.
Notăm că calculul direct de,
𝜋⃗ (𝑘+1) = 𝜋 ⃗ (0) ∙ 𝑅 𝑘
in general,nu este practicabil pentru acest tip de matrice, deoarece ele sunt rarefiate şi in acest
k
caz matricea R din contra, va conţine din ce în ce mai puţine elemente nule. La rezolvarea
sistemului de ecuaţii (1.17) sunt preferabile metodele iterative sau de proiecţie, deoarece ele sunt
folosite din următoarele considerente:
- în aceste metode se folosesc numai produse vector cu matricea D sau matrice precondiţionate
de D. Acest tip de operaţii propagă caracterul rarefiat al matricei D la matricele introduse, care
permit astfel de a efectua implementări reale, ţinând cont de acest caracter. Aceasta este mult
mai dificil pentru metodele directe.
- eventual se poate folosi o valoare iniţiala 𝜋⃗ (0) ,luând în consideraţie proprietăţile sistemului de
ecuaţii, care duce la o convergenţă rapidă a acestor metode;
- este posibilă oprirea calculului printr-o metodă iterativă îndată ce precizia dorită este atinsă,
când trebuie de terminat calculul cu o metodă directă ;
- matricea D nu este nici odată modificată, ceea ce împiedică producerea şi creşterea erorilor de
rotunjire.
Metodele specifice sunt fondate pe proprietăţile matricei dinamice D (sau matricei stohastice
R) deduse, fie direct din analiza lui D, fie din proprietăţile modelului, care generează D. Ele pot
fi particulare unui tip dat de matrice sau constituie adaptări la unele metode generale.
16
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
17
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Dacă s=s1 se deduce că: pij(s;s1)=δij unde δij este simbolul lui Kroneker (ia valoarea 1 dacă
i=j şi 0 dacă i≠j). Prin [pij(s;s1)] desemnăm matricea de tranziţie între stările i şi j pentru
momentele s şi s1. Considerând momentele s şi s+t şi notând:
se poate scrie că probabilitatea ca la momentul s+t sistemul să se găsească în starea j este egală cu
suma produselor dintre probabilitatea ca la momentul anterior s sistemul să se găsească în starea i
şi probabilitatea ca sistemul fiind în momentul s în starea i să treacă în momentul următor s+t în
starea j:
unde prin p(t) am notat matricea de tranziţie [pij(t)]. Dacă derivăm prima relaţie în raport cu s în
punctul s=0 se obţine următoarea ecuaţie matriceală:
care reprezintă un sistem de ecuaţii diferenţiale. Dacă o derivăm în raport cu t punctul t=0
obţinem:
Introducând notaţia q=p'(0), din relaţiile anterioare se observă că matricea q, ale cărei
elemente satisfac relaţiile:
permite determinarea elementelor matricei p: dacă sunt cunoscute elementele lui q pot fi
determinate elementele matricei p.
unde prin P(s) am notat vectorul linie având ca elemente Pj(s) şi derivând în raport cu t în punctul
t=0 se obţine:
18
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Pornind de la matricea q se poate trasa un graf al stărilor care să ilustreze stările posibile şi
modul în care se realizează tranziţia între aceste stări; nodurile grafului reprezintă stările posibile,
iar dacă este posibilă tranziţia din starea i în starea j, se trasează un arc între nodurile
corespunzătoare acestor stări, căruia i se asociază un număr egal cu qij. Graful stărilor pentru un
singur element este reprezentat în figura 1.
19
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
P0+P1=1
ceea ce conduce la o soluţie particulară a ecuaţiei neomogene ce se obţine pentru P0(t)=ct., şi va fi
de forma:
Punând condiţia iniţială ca la t=0 valoarea lui P(t) să fie P(0), vom putea obţine
probabilităţile P0 şi P1:
Dacă se ştie că starea iniţiala procesului este starea 1, P0(0) şi P1(0) au valorile 0 şi 1, ceea
ce conduce la :
Pentru un sistem de n elemente conectate în serie, lanţul Markov are următoarele stări:
- starea 0: starea de funcţionare a tuturor elementelor sistemului;
- starea i: starea de avarie a elementului i.
Probabilităţile de tranziţie asociate au expresiile:
Fig.2. Graful de tranziţie a stărilor pentru un sistem de n elemente reparabile legate funcţional în
serie
Dacă notăm:
𝑛
𝜆0 = ∑ 𝜆𝑖
𝑖=1
𝜇0= 𝜆0
𝜆0
∑𝑛
𝑖=1 𝜇𝑖
şi considerăm că starea iniţiala sistemului este starea 0 (sistemul este în momentul iniţial în stare
de funcţionare) rezultă sistemul de ecuaţii diferenţiale care dă probabilităţile absolute:
20
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Fig.3. Graful de tranziţie a stărilor pentru un sistem de n elemente reparabile legate funcţional în
paralel, necesitând funcţionarea a cel puţin m elemente
cu condiţiile iniţiale P0(0)=1, P1(0)=0,..., Pi(0)=0,..., Pn(0)=0 şi pentru care soluţiile au forma:
𝑛−1
𝜆 𝜇 + 𝜆 ∙ 𝑒 −(𝜆+𝜇)𝑡
𝑃𝑖 (𝑡) = 𝐶𝑛𝑖 [ (1 − 𝑒 −(𝜆+𝜇)𝑡 )] ∙ [ ]
𝜆+𝜇 𝜆+𝜇
După cum se observă, pentru sistemele complexe, determinarea probabilităţii de
funcţionare a instalaţiei presupune rezolvarea unui sistem de ecuaţii diferenţiale cu un număr cu
atât mai mare de ecuaţii cu cât sistemul este mai complex. Rezolvarea acestui sistem nu este
totdeauna uşoară. Pentru timpi de observaţie mari, determinarea acestor probabilităţi absolute se
uşurează deoarece ele tind să devină independente de starea iniţială a procesului şi rezolvarea
sistemului de ecuaţii diferenţiale se reduce la rezolvarea unui sistem de ecuaţii algebrice. Dacă
vom considera un sistem cu n stări, sistemul este format din ecuaţii de forma:
𝑛
∑ 𝑃𝑖 = 1
𝑖=1
Pi fiind probabilitatea absolută ca sistemul să se găsească în starea notată cu i. În mod practic, în
unele stări în care se poate găsi procesul sunt îndeplinite condiţiile de funcţionare impuse
instalaţiei respective. Presupunem că aceste stări sunt stările 1, 2,...,s iar restul stărilor s+1,
s+2,...,n sunt stări de defect pentru instalaţie. Când instalaţia se găseşte în una din stările de la 1 la
s se spune că este în stare de succes. Notând cu PS probabilitatea ca instalaţia să se afle în stare de
succes (funcţionare) şi cu PR probabilitatea ca ea să se afle în stare de refuz (defect), cele două
probabilităţi se pot calcula în funcţie de probabilităţile absolute ale stărilor cu formulele:
𝑛
𝑃𝑆 = 𝑃1 + 𝑃2 + ⋯ + 𝑃𝑠 = ∑ 𝑃𝑖
𝑖=1
𝑛
𝑃𝑅 = 𝑃𝑠+1 + 𝑃𝑠+2 + ⋯ + 𝑃𝑛 = ∑ 𝑃𝑖 = 1 − 𝑃𝑆
𝑖=𝑠+1
Considerăm un sistem format din două elemente legate în serie; acest sistem are asociat un
lanţ Markov cu trei stări:
- starea 0: ambele componente în funcţiune;
- starea 1: componenta 1 este defectă;
- starea 2: componenta 2 este defectă;
Matricea q pentru acest lanţ este:
−(𝜆1 + 𝜆2 ) 𝜆1 𝜆2
𝑞=[ 𝜇1 −𝜇1 0 ]
𝜇2 0 −𝜇2
Rezolvând sistemul de ecuaţii format:
−𝑃0 (𝜆1 + 𝜆2 ) + 𝑃1 𝜇1 + 𝑃2 𝜇2 = 0
𝑃0 𝜆1 − 𝑃1 𝜇1 = 0
{
𝑃0 𝜆2 − 𝑃2 𝜇2 = 0
𝑃0 + 𝑃1 + 𝑃2 = 0
obţinem valorile probabilităţilor P0(t),P1(t),P2(t) :
22
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
1
𝑃0 = 𝜆1 𝜆
1 + 𝜇 + 𝜇2
1 2
𝜆1
𝑃1 = 𝑃0
𝜇1
Prin compararea acestor relaţii cu cele scrise pentru un singur element, se pot obţine
valorile intensităţilor de defectare şi reparare echivalente:
𝜆𝑒 = 𝜆1 + 𝜆2
𝜆𝑒
𝜇𝑒 = 𝜆 𝜆2
1
+
𝜇 1 𝜇 2
formule care pot fi generalizate pentru un sistem alcătuit din n elemente care funcţionează în
serie:
𝑛
𝜆𝑒𝑠 = ∑ 𝜆𝑖
𝑖=1
𝜆𝑒𝑠
𝜇𝑒𝑠 = 𝜆𝑖
∑𝑛𝑖=1
𝜇𝑖
În continuare considerăm două componente care sunt conectate funcţional în paralel.
Stările în care se poate găsi sistemul sunt:
- starea 0: ambele componente în funcţiune;
- starea 1: componenta 1 este defectă;
- starea 2: componenta 2 este defectă;
- starea 3: ambele componente sunt defecte;
Pentru acest sistem, matricea q are forma:
−(𝜆1 + 𝜆2 ) 𝜆1 𝜆2 0
𝜇1 −(𝜆2 + 𝜇1 ) 0 𝜆2
𝑞=
𝜇2 0 −(𝜆1 + 𝜇2 ) 𝜆1
[ 0 𝜇2 𝜇1 −(𝜇1 + 𝜇2 )]
Prin rezolvarea acestui sistem se pot determina valorile probabilităţilor P0, P1, P2, P3 ceea ce
permite determinarea valorilor coeficienţilor echivalenţi:
1
𝑃0 = 𝜆1 𝜆 𝜆 𝜆
1 + 𝜇 + 𝜇2 + 𝜇1 𝜇2
1 2 1 2
𝜆1
𝑃1 = 𝑃0
𝜇1
𝜆1 𝜆2
𝑀[∝ (𝑇)] = (𝑃0 + 𝑃1 + 𝑃2 )𝑇 = (1 + + )𝑃 ∙ 𝑇
𝜇1 𝜇2 0
𝜆1 𝜆2
𝑀[𝛽(𝑇)] = 𝑃3 𝑇 = 𝑃 ∙𝑇
𝜇1 𝜇2 0
1 1
𝑀[𝑣(𝑇)] = (𝜆1 𝑃1 + 𝜆2 𝑃2 )𝑇 = ( + ) 𝜆1 𝜆2 𝑃0 ∙ 𝑇
𝜇1 𝜇2
𝑀[∝ (𝑇)] 𝜇1 𝜇2 + 𝜆2 𝜇1 + 𝜆1 𝜇2
𝑀[𝑇𝑓 ] = =
𝑀[𝑣(𝑇)] 𝜆1 𝜆2 (𝜇1 +𝜇2 )
23
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
𝑀[𝛽(𝑇)] 1
𝑀[𝑇𝑓 ] = =
𝑀[𝑣(𝑇)] (𝜇 1 +𝜇2
de unde:
𝜆1 𝜆2 (𝜇1 +𝜇2 )
𝜆𝑒 =
𝜇1 𝜇2 + 𝜆2 𝜇1 + 𝜆1 𝜇2
𝜇𝑒 = 𝜇1 +𝜇2
Etape:
St S t / t 1 S t S t 1
1. Se vor calcula diferenţele de ordinul întâi ale vectorului astfel: .
Elementele structurale ale fiecărui vector diferenţă
S
t / t 1 au proprietatea că suma valorilor
diferenţă
S t / t 1
. Sintetic, elementele matricei
MTPt / t 1 m m pot fi determinate astfel:
t 1
min s i , s j , daca i j
t
s j
mtptij/ t 1 sti / t 1 m t / t 1 , dacă i j şi sti / t 1 0 şi stj/ t 1 0
i 2 s t / t 1
ij
0, pentru celelalte elemente
i, j 1, m
3. Matricea de trecere totală MTT m m se determină prin însumarea elementelor matricilor
parţiale de trecere:
mtt ij t 2 mtptij/ t 1
m
4. Matricea probabilităţilor de trecere MPm mse calculează prin raportarea fiecărui element
al matricei de trecere totală la suma liniei pe care se află respectivul element:
24
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
mtt ij
mp
ij
m
j 2
mtt ij
5. În ultima etapă a algoritmului se obţine prognoza elementelor structurale pentru p perioade
viitoare prin multiplicarea transpusei matricei MPm m, ridicată la puterea k, cu vectorul
Sˆ n p (MP ' ) p S n
elementelor structurale pentru ultima perioadă:
25
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
26
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
𝑖 𝑗
- atunci când 𝑖 ≠ 𝑗 , ∆𝑆2010/2009 < 0 şi ∆𝑆2010/2009 > 0, elementul din matrice va fi egal cu
𝑗
𝑖 ∆𝑆2010/2009
valoare absolută din : ∆𝑆2010/2009 ∗ 𝑖𝑗
∑ ∆𝑆2010/2009 >0
3. În cea de a treia etapă se va calcula matricea de trecere totală, care reprezintă suma
matricelor de trecere parţiale calculate în etapa anterioară.
FIRMA N S LG SE HTC AL MOT BB APP Total
N 679 0 0 0 0 0 0 0 0 679
S 295.8 2765 1.6 15.8 0 0 0 4.7 0 3082.9
LG 113 0 1209 0 0 0 0 0 0 1322
SE 30 0 0 2761 0 0 0 0 0 2791
HTC 322.6 0 4.4 42.4 2117 0 0 12.6 0 2499
AL 105.1 0 0.6 6.3 0 1206 0 1.9 0 1319.9
M 69.3 0 0.7 7 0 0 696 2.1 0 775.1
BB 130 0 0 0 0 0 0 1464 0 1594
APP 530.3 0 3.1 29.8 0 0 0 8.9 2918 3490.1
27
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
28
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Prognoza privind numărul de produse din anul 2011 se obţine înmulţind cele două matrice
de mai sus şi este prezentată în tabelul următor:
FIRMA Numărul de produse
prognozate pentru
anul 2011 [sute]
N 365
S 1147
LG 542
SE 1451
HTC 840
AL 540
M 331
BB 669
APP 1289
O analiză Markov este formată din trei etape majore:
1)O analiză a stării sistemului;
2)Date privind ratele de tranziţie între sisteme;
3)Calculul în vederea obţinerii soluţiilor modelului.
29
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
3. Procese Markov
În figura 3.1 se prezintă grafic această evoluţie corespunzătoare unui proces Markov de
ordinul 1. Stările sistemului numerotate începând cu 0, sunt reprezentate prin cercuri, iar prin
săgeţi sunt figurate eventualele tranziţii între stări. Pe fiecare săgeată sunt notate probabilităţile de
tranziţie:
Cu alte cuvinte, pentru ca la momentul t+ t, sistemul să se afle într-o stare nouă plecând
din starea prezentă n, la momentul t să aibă loc tranziţia: n→k , adică:
Starea k(t+Δt) =∪{starea n(t)∩salt n→k} (3.2)
ceea ce în termeni probabilistici se poate scrie ca:
pk(t+Δt)=∑pn(t)⋅pn,k(t) (3.3)
Această relaţie reprezintă modul de exprimare matematică a caracterului Markovian al
procesului, în care starea viitoare k nu depinde decât de starea prezentă n.
Relaţia 3.3 poate fi scrisă şi sub formă matriceală. Toate probabilităţile de tranziţie pn,k sunt
30
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
grupate într-o matrice de tranziţie T (vezi tabelul 3.1), o matrice pătratică ce are ca dimensiune
numărul total de stări posibile ale sistemului. In această matrice, suma elementelor fiecărei linii
este egală cu unitatea. Se obţine astfel relaţia matricială:
𝑝(𝑡 + Δ𝑡) = 𝑝(𝑡) ∙ 𝑇sau𝑝(𝑡) = 𝑝(0) ∙ 𝑇 (3.4)
care face posibilă determinarea vectorului de stare a sistemului în orice moment de timp, pe baza
matricei de tranziţie si a vectorului de stării vide.
Orice sistem funcţionează conform unor procese în echilibru statistic, în care se nasc
cererile de serviciu, aşteaptă servirea, trăiesc o viaţă atingând o anumită vârstă, pentru ca apoi în
final să moară.
Procesele de naştere şi moarte ca subclasă importantă a proceselor Markov de ordinul 1 se
adaptează perfect modului de apariţie şi de servire sistemului. Aceste procese sunt caracterizate
de un spaţiu discret de stări şi de un parametru temporal continuu.
Prin definiţie, un proces de naştere şi moarte autorizează pentru un sistem, care la
momentul t se află în starea k = n , tranziţia la momentul următor t '(t ' >t) numai către stările
adiacente k = n +1 sau k = n −1 şi evident că starea k poate fi menţinută şi la momentul următor t'
Evoluţia dinamică a unui sistem conform unui proces de naştere şi moarte poate fi
reprezentată ca în fig. 3.2 sub forma unui lanţului Markov liniar cu număr finit N +1 de stări.
Pentru simplificarea desenului nu s-a reprezentat decât pentru starea n tranziţia de tip n-
1→n (fluxul intern de probabilităţi pn,k); de asemenea nu este marcat nici intervalul t = t '−t în
care se pot produce tranziţiile, controlate prin termeni de tipul pn,k (t ) t . De fapt pn,k(t) apare ce o
rată a schimbării de stare şi care, multiplicată prin t, măsoară chiar probabilitatea tranziţiei n → k.
Pe durata intervalului t nu poate avea loc decât cel mult o singură tranziţie, iar aceasta este
permisă doar între stări adiacente. Deci conform relaţiei 3.4, se poate scrie că:
pn(t +Δt )= pn−1(t ) pn−1,n( t )+ pn+1(t ) pn+1,n( t )+ p n(t )[1− pn,n+1( t )− pn,n−1( t)] (3.5)
31
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Aşa după cum s-a precizat anterior, pentru orice proces Markov se poate forma matricea
T de tranziţie, ale cărei elemente sunt probabilităţile de tranziţie între stări. În condiţiile
echilibrului statistic se obţine ecuaţia echilibrului global scrisă ca în relaţia (3.6) şi care
probabilistic exprimă faptul că suma fluxurilor de ieşire de probabilităţi dintr-o stare este identic
egală cu suma fluxurilor de intrare:
𝑝𝑛 (𝑝𝑛,𝑛+1 + 𝑝𝑛,𝑛−1 ) = 𝑝𝑛−1 𝑝𝑛−1,𝑛 + 𝑝𝑛+1 𝑝𝑛+1,𝑛 (3.8)
𝑝𝑘,𝑘 (∆𝑡)−1
𝑞𝑘,𝑘 = lim ∆𝑡
(3.11)
∆𝑡→0
Relaţia (3.12) devine:
𝑝𝑘 (𝑡) = ∑𝑛=𝑘 𝑝𝑛 (𝑡) ∙ 𝑞𝑛,𝑘 + 𝑝𝑘 (𝑡) ∙ 𝑞𝑘,𝑘 (3.12)
32
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Un proces de naştere pură are o evoluţie ca cea prezentă în figura 3.5 în care s-a considerat un
proces trunchiat, adică s-a presupus un set finit de N +1 stări.
n-1 0 0 1- 𝜆𝑛−1 ∆𝑡 0 0 0
𝜆𝑛−1 ∆𝑡
n 0 0 0 1-𝜆𝑛 ∆𝑡 𝜆𝑛 ∆𝑡 0 0
n+1 0 0 0 0 1- 0 0
𝜆𝑛+1 ∆𝑡
... ... ... ... ... ... ... ...
N-1 0 0 0 0 0 1- 𝜆𝑁−1 ∆𝑡
𝜆𝑁−1 ∆𝑡
N 0 0 0 0 0 0 1
3.3. Aplicaţii
Aplicaţia 1
Linia unui abonat telefonic se poate găsi în două stări: liber sau ocupat, notate cu 0,
respectiv 1. Ştiind că duratele celor două tipuri de stări urmează distribuţii de probabilitate
exponenţiale de medie 1/α = 5/4 , respectiv 1/β = 5 , să se determine probabilitatea de stare p0(t)
şi p1(t) în funcţie de probabilităţile iniţiale de stare p0(0)=0,3şi p1(0)=0,7.
Rezolvare:
34
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Definiţia 2
Traficul oferit sau traficul de intrare este nr. mediu de cereri ce se prezintă în sistem, cu
rata de apelare λ , în intervalul de apelare egal cu timpul medie de serviciu 1 μ .
Dar cererile nu pot exista în afara surselor cele produc. Aceeaşi definiţie poate căpăta forma:
Traficul oferit este nr. mediu de surse simultan ocupate în decursul unui interval cât durata medie
35
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Aplicaţia 2
În figura de mai jos este prezentată diagrama de ocupare a 3 resurse, funcţionând într-
un grup comun observate în decurs de 20 ore. Se cere:
∑ 𝜎𝑖
𝑖=1
𝜎1 = 3,5 + 2 + 0,5 + 2,5 + 1 = 9,5𝑜𝑟𝑒
𝜎2 = 3 + 3,5 + 2,5 + 1,5 = 10,5𝑜𝑟𝑒
𝜎3 = 2 + 1,5 + 2,5 + 3 + 2 + 1 = 12𝑜𝑟𝑒
c.) Intensitatea traficului scurs:
36
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
𝑅
𝐴𝑠 1 1
= ∑ 𝑖𝜎(𝑖) = [1 ∙ 𝜎(1) + 2 ∙ 𝜎(2) + 3 ∙ 𝜎(3)]
𝑇 𝑇 𝑇
𝑖=1
1
= [1 ∙ 1 + 2 ∙ 0,5 + 3 ∙ 0,5 + 2 ∙ 1 + 3 ∙ 1 + 2 ∙ 1 + 1 + 2 ∙ 2 + 3 ∙ 1,5 + 2 ∙ 0,5
20
32𝑜𝑟𝑒
+ 1 + 2 ∙ 0,5 + 0,5 + 1 + 2 ∙ 1 + 3 ∙ 0,5 + 2 ∙ 0,5 + 0,5 + 0,5 + 2] =
20
= 1,6𝐸
∑ 𝜎𝑖 = ∑ 𝑖𝜎(𝑖)
Nr. sursei 1 2 3 Valori medii
Durata totala de 9,5 10,5 12 Intensitate
angajare 𝜎𝑖 trafic:1,6
Numarul de 5 4 3
angajări 𝑛𝑖
Rata de angajare 5/20=0,25 4/20=0,2 3/20=0,15 Rata medie de
individuala 𝜆𝑖 apelare:0,6
Durata totala de 9,5/5=1,9 10,5/4=2,26 12/3=4 Durata medie de
servicii 𝑡𝑠𝑖 serviciu:2,66h/apel
𝑛𝑖 𝜎𝑖
𝜆𝑖 = ;𝑡𝑠𝑖 =
𝑇 𝑛𝑖
Aplicaţia 3
În urma observării a 4 resurse pe durata a 6 minute s-au trasat diagramele din figura de mai jos,
în care: 1 - ocupat; 0 – starea de neutilizare a fiecărei resurse. Se cere:
37
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Aplicaţia 4
1. Accesul unui grup de terminale la reţeaua de telecomunicaţii se face prin intermediul
unui modde comunicaţie care dispune de o singură linie de date de o capacitate de 10 Mbiţi/sec.
Dacă traficul oferit de terminale spre a fi transferat în reţea este de:
(i) 600 pachete /sec cu cate 1000 de biti pachetul
(ii)8 Mbiti/sec
exprimările în unităţi Erlang:
𝜆(𝑚𝑒𝑠𝑎𝑗𝑒/𝑜𝑟𝑎) ∗ 𝐿(𝑏𝑖𝑡𝑖)
𝐵=
𝐷(𝑏𝑖𝑡𝑖/𝑠𝑒𝑐) ∗ 3600
În cazul nostru:
600𝑝𝑎𝑐ℎ𝑒𝑡𝑒/𝑠𝑒𝑐 ∗ 1000 6
(𝑖)𝐵 = 5
= = 0,06𝐸
10 ∗ 10 100
8 ∗ 106 𝑏𝑖𝑡𝑖/𝑠𝑒𝑐
(𝑖𝑖)𝐵 = = 0,8𝐸
10 ∗ 106 𝑏𝑖𝑡𝑖/𝑠𝑒𝑐
Notă:
Trafic scurs după definiţia 3
𝑅 𝑅
𝐴𝑠 = ∑ 𝜎𝑖 = ∑ 𝑖𝜎(𝑖)
𝑖=1 𝑖=1
1.Intensitatea traficului după definiţia 4
𝑘
𝐴𝑠 ∑𝑖=1 𝑖𝜎(𝑖) 1
= = ∑ 𝜎𝑖
𝑇 𝑇 𝑇
𝑖=1
2. Timpul mediu de servicii caracteristic
𝜎𝑖
𝑡 ∗ 𝑆𝑖 =
𝑛𝑖
3. Nr de angajări în unitatea de timp (rate de angajare)
𝑛𝑖
𝜆𝑖 =
𝑇
38
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
In cadrul acestui program, fiabilitatea unui sistem este reprezentată cu ajutorul unei diagrame
de stare de tranziţie, care constă într-un set de stări discrete în care se poate afla sistemul, şi
defineşte viteza cu care au loc tranziţiile între aceste stări. Ca atare, modelele Markov sunt
formate din reprezentări comprehensive de lanţuri de evenimente posibile, ce reprezintă tranziţii
în cadrul sistemelor, care, în cazul analizei fiabilităţii şi duratei de viaţă corespund unor secvenţe
de cedări şi de reparaţii. Analiza de tip Markov se realizează pentru a determina anumiţi
parametri de stare, cum ar fi: probabilitatea de a fi într-o stare dată la un moment dat în timp,
timpul în care un sistem se va afla într-o anumită stare, precum şi numărul estimat de tranziţii
între stări, reprezentând numărul de cedări şi reparaţii. Modelele Markov oferă o mare
flexibilitate în modelarea evenimentelor depinzând de timp. Ele pot fi aplicate atunci când
modelele ce au la bază ca parametru doar timpul, cum ar fi modelele de tip exponenţial sau
modelele de tip Weibull (timpul până la cedare) aceste modele nu sunt suficiente pentru a descrie
aspectele dinamice, de fiabilitate sau durată de viaţă dintr-un sistem, aşa cum poate fi cazul
pentru sistemele de tip redundant. Soluţia unui model Markov este echivalentă soluţia unui sistem
cu foarte multe ecuaţii diferenţiale ordinare, care se face prin integrare. În acest scop, modulul de
analiză Markov se bazează pe un motor de calcul ce se bazează pe multe aplicaţii academice şi
comerciale. Motorul de calcul este pornit printr-un simplu click pe un buton în cadrul Toolkit
ITEM.
Reperele caracteristice modulului sunt:
•etapa de elaborare a modelului;
•editarea modelului în editorul de grafică;
•modele de tranziţie de tip discret şi continuu;
•definirea flexibilă a stărilor şi grupuri de stare.
Modulul Markov furnizează următoarele măsuri şi rezultate:
•limitele superioară şi inferioară de timp aşteptate;
• Număr de cedări şi reparaţii posibile;
• Cedarea şi frecvenţele de reparaţii (la moment dat);
• Disponibilitatea / Încrederea (la moment dat în timp, media pe interval de timp de
funcţionare);
• Probabilitatea de a fi într-o anumită stare (la moment dat în timp, media pe interval de timp
de funcţionare);
• Generator de rapoarte personalizate;
• Facilităţi de Import / Export de la sau către Baza de date Jet, Excel sau text.
Zona de lucru Markov oferă o interfaţă pentru documente multiple (MDI), care vă permite să:
• Alegeţi o anumită fereastră pentru afişare şi pentru a muta şi redimensiona toate ferestrele
deschise;
39
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
• Deschideţi şi de a crea mai multe proiecte Markov, în acelaşi timp, în scopul de a compara
rezultatele analizelor.
• Trageţi şi plasaţi între proiecte componente de stare şi grup. Această caracteristică vă
permite să creaţi rapid un nou proiect de reutilizare a componentelor de la alte proiecte.
Introduceţi informaţiile dvs. de proiect prin plasarea cursorului sau faceţi clic în câmpurile
corespunzătoare.
Tabelul de mai jos prezintă fiecare câmp disponibil pentru proiect precum şi conţinutul
acestuia.
Field Description
Title The Project Title
Name Project Name
Part Number Project Part Number
40
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
În Window System, faceţi clic pe antetul Markov. Proprietăţile de sistem apar în fila de
dialog.
În fila de dialog, introduceţi informaţiile dvs. de sistem prin plasarea cursorului sau faceţi clic
în câmpurile corespunzătoare.
41
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Tabelul de mai jos descrie datele ce ar putea fi introduse şi la ce se referă fiecare câmp şi bloc
de câmpuri.
Field Description
Mutaţi mouse-ul în câmpul de desenare, şi faceţi clic pe butonul mouse-ului din stânga o dată.
Va apărea un cerc verde, reprezentând o stare nou creată.
42
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Mutaţi mouse-ul într-o zonă goală a editotului, şi faceţi clic din nou stânga. In diagramă va
apare o a doua stare.
Repetaţi ultimul pas de 3 ori. Un total de cinci stări vor fi vizibile în editorul de desenare.
Vom considera că, la momentul 0, atât componentele primare şi cele de aşteptare sunt
disponibile, şi că, prin urmare, sistemul este în prima stare. Cu alte cuvinte, această stare este
starea iniţială. Faceţi clic dreapta pe starea S1, corespunzătoare stării "ambele componente
disponibile". Va apărea un meniu pop-up.
Din meniul pop-up, selectaţi opţiunea parametrilor de stare. Va apărea o casetă de dialog.
În caseta de dialog, introduceţi “both available” pentru Name şi bifaţi opţiunea "Initial State",
şi faceţi clic pe OK.
43
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
În plus, vom presupune că sistemul în ansamblul său nu este disponibil atunci când ambele
componente, primară şi de aşteptare au cedat. Deşi, în principiu, orice stare poate fi marcată ca
fiind indisponibilă, aici ne vom limita doar la una.
• Faceţi clic dreapta pe starea corespunzătoare ‘both components failed’. Va apărea un meniu
pop-up.
• În meniul pop-up, selectaţi opţiunea State Parameters. Se va deschide o caseta de dialog.
• În caseta de dialog, verificaţi opţiunea ‘Unavailable State’, şi faceţi clic pe OK.
• Asiguraţi-vă că în editorul grafic, starea este indicată ca fiind o stare nedisponibilă
sistemului printr-un cerc mic ce apare alături de cercul mare.
44
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
failed
Standby Failed Both Failed Failure of primary while standby 0.001
failed
Both Failed Primary Repair of primary while standby 0.5
Repaired still failed
Primary Both Available Repair of standby 0.5
Repaired
Primary Both Failed Repair of primary while standby 0.001
Repaired under repair
În bara de instrumente Markov, faceţi clic pe butonul Arrow Link. Acest buton este folosit
pentru a porni crearea de noi tranziţii
Faceţi clic stânga pe starea Both Available. O linie cu originea în această stare devine vizibilă
în timp ce mouse-ul este mutat în editor.
Click pe starea Primary Failed. Va apărea o săgeată între cele două stări. Eticheta de pe
săgeata indică o rată de apariţie R 0.0.
Faceţi clic dreapta pe această etichetă. Va apărea un meniu pop-up.
Selectaţi opţiunea ‘Transition Parameters’. Apare un dialog.
În câmpul cu eticheta ‘Transition Rate’ introduceţi valoarea 0,001, ce corespunde ratei de
apariţie a acestei tranziţii, şi apoi faceţi clic pe OK. Diagrama indică rata completă de apariţie a
tranziţiei.
45
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Stările sunt adăugate la un grup în caseta de dialog State Parameters. Pentru a deschide acest
dialog, faceţi clic dreapta pe starea respectivă, şi selectaţi opţiunea State Parameters în meniul
pop-up. Apoi, faceţi tab pe Grupul vizibil în acel dialog .
46
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Partea stângă a ferestrei enumeră toate grupurile care au fost create până în prezent. Pot fi
adăugate Grupuri noi făcând clic pe butonul Add New Group. Grupurile inutile pot fi şterse prin
selectarea acestora şi făcând clic pe butonul Delete Selected Group. Reţineţi că acest lucru va
şterge numai definiţia de grup, nu şi stările cuprinse în grup.
Atunci când un grup este selectat, numele şi descrierea acestuia sunt vizibile în câmpurile
corespunzătoare. Câmpurile pot fi folosite pentru a modifica numele sau descrierea.
Pentru a adăuga o stare la un grup, faceţi clic pe Add Selected State la butonul Group. Lista
de grupuri va arăta acum că starea a fost ataşată. Butonul Remove Selected State de la butonul
Group poate fi utilizat pentru a elimina stările din grup.
Închideţi caseta de dialog făcând clic pe butonul OK. Informaţiile pentru noul grup sunt
afişată în ierarhia Markov, în colţul din stânga jos al ferestrei Toolkit.
Vom continua exemplu prin analiza modelului, precum şi evaluarea rezultatelor. În primul rând,
vom specifica misiunea intervalului de timp.
Faceţi clic pe tab-ul Dialog.
Setaţi, în fereastra de dialog, timpul misiunii la 1000 şi numărul de puncte intermediare până
la 100,.
Un indicator de progres pentru scurt timp devine vizibil. Odată ce analiza este completă,
apare un mesaj de notificare, care să ateste că a finalizat analiza fară erori. Rezultatele analizei
sunt acum gata pentru vizualizare.
47
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Faceţi clic pe butonul Result Summary din bara de instrumente. Se deschide un dialog sumar.
Tabelul din dialogul Result Summary afişează rezultatele cheie ale analizei Markov.
In cele ce urmează se va arăta modul în care sunt calculate diferitele criterii de fiabilitate. X
se referă la o stare sau grup de stări, care au fost marcate ca ‘Unavailable States’. În aceste
definiţii, se foloseşte următoarea notaţie:
x: o stare;
X: un grup de stări.
Pr(x,t): Probabilitatea că sistemul se află în starea x la timpul t.
Pr(X,t): Probabilitatea că sistemul se află în una dintre stările care aparţin grupului de X la
momentul t.
λx→y: Rata la care are loc tranziţia de la starea x la starea y. Aceste rate de tranziţie presupun
o tranziţie continuă în timp.
Px→y(t): Probabilitatea de o tranziţie de la starea x la starea y la momentul t. Aceste
probabilităţi se referă la tranziţii discrete în timp.
Indisponibilitatea Q: / Disponibilitate A:
Indisponibilitatea este calculată ca probabilitatea ca sistemul să se afle în oricare din stările
care aparţin grupului X la momentul t. Disponibilitatea este calculată ca 1 minus această valoare.
Q(t) = Pr(X,t)
A(t) = 1-Pr(X,t)
TDT (Total Down Time – timpul de defect): / Total Up Time (timpul de funcţionare) (TUT):
TDT şi TUT sunt calculate ca suma preconizată de timp petrecut în orice stare care aparţine
grupului X, şi, în orice stare care nu aparţine grupului X, între 0 şi t.
t
TDT Pr( X, )d
0
48
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
TUT t TDT
Indisponibilitatea medie: / Disponibilitatea medie:
Indisponibilitatea medie se calculează ca suma preconizată petrecut în grupul X împărţită la
timpul total al misiunii. Disponibilitatea medie este calculată ca 1 minus această valoare
^ 1 t
U Pr( X, )d
t 0
^ 1 t
A 1 Pr(X, )d
t 0
Numărul de cedări, f: / Numărul de reparaţii, r:
Numărul estimat de reparaţii r se calculează ca fiind numărul estimat de tranziţii de la X la
stările din afara X. Numărul estimat de cedări f se calculează ca fiind numărul estimat de tranziţii
de la stările din afara X la stările din interiorul X.
t
r Pr( x, ) x y d Pr( x i , t i ) Px y ( t i )
0 i
t
f Pr( y, ) y x d Pr( yi , t i ) Py x ( t i )
0 i
unde tk k = 1, ..., n este un set de timpi tk<t la care au loc tranziţiile discrete. Reţineţi că această
definiţie exclude tranziţiile care au loc între stări ce fac parte din grupul X, precum şi tranziţii
care au loc între stări care nu aparţin grupului X.
Lipsa de fiabilitate:
Lipsa de fiabilitate reprezintă probabilitatea ca unul sau mai multe sisteme să cedeze într-o
perioadă specificată de timp. Numărul de cedări de sistem aşteptate (W) oferă o bună aproximare
a lipsei de fiabilitate a sistemului pentru cazurile în care W << 1.
Fiabilitatea:
Fiabilitatea reprezintă probabilitatea ca sistemul va funcţiona fără cedare în perioada de timp
specificată.
Frecvenţa cedărilor W:
Frecvenţa cedărilor W este termenul folosit de sistem pentru a reprezenta rata de cedare
necondiţionată. Rata de cedare necondiţionată este probabilitatea ca sistemul sau componenta să
cedeze în unitatea de timp, având în vedere că aceasta a lucrat în mod corect, la timpul zero. "W"
este egal cu numărul de cedări aşteptate ale sistemului.
CFI (Conditional Failure Intensity – Rata de cedare condiţională):
Aceasta este probabilitatea de cedare pe unitatea de timp, având în vedere faptul că
componenta lucrează aşa cum a fost proiectată atât la timpul zero cât şi la timpul t.
Cum se pot transfera rezultatele în Microsoft Word:
Este prevăzută o facilitate de export, care vă va permite să transferaţi date direct în Microsoft
Word.
Pentru a accesa această facilitate, selectaţi pictograma Microsoft Word din bara de
instrumente Markov.
49
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Paginile de Markov care le-aţi selectat vor fi transferate direct în Microsoft Word. Microsoft
Word nu trebuie să fie activ pe desktop pentru a efectua acest transfer, acesta se va deschide
automat.
Both Available
1
R:0.5
Primary Failed
P=0.090146856
R:0.001
4
R:0.0001
Standby Failed
P=2.8753665e-5
R:0.5
P=3.2628887e-6 R:0.001
R:0.001
Both Failed
Primary Repaired 5
R:0.001
R:0.5 P=0.60668228
3
P=0.30313885
Predicţia condițiilor meteorologice (modelate ca fie vremea să fie ploioasă sau soare),
având în vedere vremea din ziua precedentă, poate fi reprezentată de o matrice de tranziție:
50
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
(P) ij este probabilitatea ca, în cazul în care o anumită zi este de tip i, acesta va fi urmat de
o zi de tipul j.
Observați că suma rândurilor P este 1: acest lucru este pentru că P este o matrice stohastică.
Se cunoaşte faptul că în ziua 0 este soare. Acest lucru este reprezentat de un vector în care
mențiunea "soare" este de 100%, iar mențiunea "ploios" este 0%:
sau
51
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Previziunile pentru vremea din zilele mai îndepărtate sunt din ce în ce inexacte şi tind spre
un vector de tip stare de echilibru. Acest vector reprezintă probabilitățile de vreme însorită și
ploioasă în toate zilele, și este independent de vremea inițial.
Vectorul de stare de echilibru este definit ca:
care converge la un vector strict pozitiv numai dacă P este o matrice de tranziție regulată (atunci
când există cel puțin un Pn cu toate intrările nenule).
Având în vedere că q este independent de condițiile inițiale, acesta trebuie să fie
neschimbat atunci când este transformat de P. Acest lucru face un vector propriu (cu valoare
proprie 1), ceea ce înseamnă că acesta poate fi derivat din P. Pentru exemplul de mai sus avem:
4.3. Un model de predicţie a funcţionării unui sistem mecanic format din trei componente
Un sistem mecanic format din trei componente, poate avea toate componentele
funcţionale (starea 3) după cum poate avea doar două componente funcţionale (starea 2), unul
funcţional (starea 1) sau niciunul (starea 0). Sistemul este, iniţial, complet funcţional şi are
capacitatea să recupereze, parţial sau total, funcţionalitatea.
Probabilitatea p30, spre exemplu, reprezintă probabilitatea defectării la un moment dat a
întregului sistem, constituit din cele trei componente.
52
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Fig. 4.2. Lanţul Markov asociat unui sistem format din trei componente având capacitatea
unei recuperări dinamice.
În (4.1) s-a notat, spre exemplu, prin P2(n-1) probabilitatea ca sistemul să funcţioneze cu
două unităţi din trei la momentul n-1, iar prin p23 s-a notat probabilitatea recuperării unității
nefuncţionale pe durata momentului n-1.
Similar, probabilităţile ca la momentul n sistemul să a funcţioneze cu 2, 1 sau niciuna dintre
unităţile sale funcţionale sunt:
P2(n) = p32P 3 (n-1) + p22P 2 (n-1) + p12P1(n-1) + p02P0(n-1), (4.2)
P1(n) = p31P3(n-1) + p21P 2 (n-1) + p11P 1 (n-1) + p01P0(n-1), (4.3)
P 0 (n) = p30P3(n-1) + p20P2(n-1) + p10P1(n-1) + p00P0(n-1), (4.4)
Relaţiile anterioare (4.1) – (4.4) se pot rescrie matricial astfel:
53
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
(4.5)
Se notează în (4.5) vectorul coloană din stânga prin:
(4.6)
Matricea pătrată a sistemului din (4.5) se notează, tradiţional, astfel:
(4.7)
Atunci relaţia (4.5) se rescrie astfel:
(4.8)
Explicitând expresia (4.8) rezultă:
(4.9)
Vectorul iniţial Π0 arată astfel:
(4.10)
Vectorul coloană iniţial arată astfel deoarece, la momentul zero, sistemul se presupune că
era complet funcţional.
Pentru o istorie suficient de lungă a funcţionării sistemului tri-component considerat, acesta
intră într-o starea staţionară caracterizată printr-o anumită distribuţie a probabilităţilor stărilor
acestuia.
(4.11)
54
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
(4.12)
În (4.12) constanta pozitivă ε poate fi aleasă convenabil, în raport cu precizia urmărită, în
calculul probabilităţilor staţionare ale lanţului Markov respectiv. Uzual, valori ale erorii ε de
ordinul 0 < ε < 10-6 sunt satisfăcătoare în marea majoritate a situaţiilor.
Se cer probabilităţile stărilor sistemului după cele trei controale. Nu se iau în considerare
eventuale acţiuni de reparare.
Soluţie: Avem următoarele probabilităţi de tranziţie:
p12 = 0,1;
p13 = 0,2;
p14 = 0,3;
p11= 1 - p12 - p13 - p14 = 1 - 0,1 - 0,2 - 0,3 = 0,4;
p21 = 0;
p23 = 0;
p24 = 0,2;
p22 = 1 - p21 - p23 - p24 = 1 - 0,2 = 0,8;
55
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
p31 = 0;
p32 = 0;
p34 = 0,1;
p33 = 1 - p31 - p32 - p34 = 1 - 0,1 = 0,9;
p41 = 0;
p42 = 0;
p43 = 0;
p44 = 1 - p41 - p42 - p43 = 1.
Probabilităţile iniţiale ale stărilor sunt:
p1(0) = 1, p2(0) = p3(0) = p4(0) = 0.
Aplicăm formula recurentă:
Obţinem:
p1(1) = p1(0)xP11 + p2(0)xP21 + p3(0)xP31 + p4(0)xP41 = 1x0,4 = 0,4;
p2(1) = p1(0)xP12 = 1x0,1 = 0,1;
p3(1) = p1(0)xP13 = 1x0,2 = 0,2;
p4(1) = p1(0)xP14 = 1x0,3 = 0,3.
Verificare: p1(1) + p2(1) + p3(1) + p4(1) = 1.
p1(2) = p1(1)xP11 = 0,4x0,4 = 0,16;
p2(2) = p1(1)xP12 + p2(1)xP22 = 0,4x0,1 + 0,1x0,8 = 0,12;
p3(2) = p1(1)xP13 + p3(1)xP33 = 0,4x0,2 + 0,2x0,9 = 0,26;
p4(2) = p1(1)xP14 + p2(1)xP24 + p3(1)xP34 + p4(1)xP44 = 0,4x0,3 + 0,1x0,2 +
0,2x0,1 + 0,3x1 = 0,3.
Verificare: p1(2) + p2(2) + p3(2) + p4(2) = 1.
p1(3) = p1(2)xP11 = 0,16x0,4 = 0,064;
p2(3) = p1(2)xP12 + p2(2)xP22 = 0,16x0,1 + 0,12x0,8 = 0,112;
p3(3) = p1(2)xP13 + p3(2)xP33 = 0,16x0,2 + 0,26x0,9 = 0,226;
p4(3) = p1(2)xP14 + p2(2)xP24 + p3(2)xP34 + p4(2)xP44 = 0,16x0,3 + 0,12x0,2 +
0,26x0,1 + 0,46x1 = 0,558.
Verificare: p1(3) + p2(3) + p3(3) + p4(3) = 1.
56
Modele de predicţie a funcţionării unui sistem mecanic pe baza aplicării lanţurilor Markov
Bibliografie
57