Operációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés)

Hasonló dokumentumok
előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás

Operációkutatás. 4. konzultáció: Szállítási feladat. A feladat LP modellje

6. Előadás: Sorbanállási modellek, III.

4. Előadás: Sorbanállási modellek, I.

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Matematika. 4. konzultáció: Kétváltozós függvények szélsőértéke. Parciális függvény, parciális derivált

Operációkutatás. 1. konzultációs hét. Irodalom. A gráf definíciója. NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.

Valószínűségi változók. Várható érték és szórás

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató

Gazdasági matematika II. Tantárgyi útmutató

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

Abszolút folytonos valószín ségi változó (4. el adás)

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató

10. Exponenciális rendszerek

Gazdasági matematika II. tanmenet

Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O

NEVEZETES FOLYTONOS ELOSZLÁSOK

Gazdasági matematika II. vizsgadolgozat, megoldással,

Készítette: Fegyverneki Sándor

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői

Sztochasztikus folyamatok alapfogalmak

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév

Matematika III. 5. Nevezetes valószínűség-eloszlások Prof. Dr. Závoti, József

[Biomatematika 2] Orvosi biometria

Operációkutatás vizsga

Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.

Megkülönböztetett kiszolgáló routerek az

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

VALÓSZÍNŰSÉGSZÁMÍTÁS. MSc. Órai Feladatok

1. Példa. A gamma függvény és a Fubini-tétel.

[Biomatematika 2] Orvosi biometria

i p i p 0 p 1 p 2... i p i

Diszkrét matematika 2.C szakirány

12. előadás - Markov-láncok I.

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)

Feladatok és megoldások a 13. hétre

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.

Operációkutatás vizsga

Diszkrét idejű felújítási paradoxon

BIOMATEMATIKA ELŐADÁS

Számítógépes Hálózatok 2010

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,

Sorozatok és Sorozatok és / 18

Villamos autókból álló taxi flotta számára létesítendő töltőállomások modellezése

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

Informatikai rendszerek modellezése Dr. Sztrik, János

Nagy Gábor compalg.inf.elte.hu/ nagy

Matematika A1a Analízis

8. Előadás: Szimuláció, I.

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Nagy Gábor compalg.inf.elte.hu/ nagy ősz

Diszkrét matematika 1. estis képzés

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

36 0,3. Mo.: 36 0,19. Mo.: 36 0,14. Mo.: 32 = 0, = 0, = 0, Mo.: 32 = 0,25

2. A ξ valószín ségi változó eloszlásfüggvénye a következ : x 4 81 F (x) = x 4 ha 3 < x 0 különben

Sztochasztikus temporális logikák

A maximum likelihood becslésről

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk

1.7. Elsőrendű lineáris differenciálegyenlet-rendszerek

Matematika B4 VIII. gyakorlat megoldása

Az éjszakai rovarok repüléséről

Megoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!

Lineáris programozás. Modellalkotás Grafikus megoldás Feladattípusok Szimplex módszer

3. Egy ξ valószínűségi változó eloszlásfüggvénye melyik képlettel van definiálva?

5. előadás. Programozás-elmélet. Programozás-elmélet 5. előadás

A valószínűségszámítás elemei

1. Kombinatorikai bevezetés

Sorbanállás elmélete

Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik

Markov-láncok stacionárius eloszlása

Diszkrét matematika 2. estis képzés

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

Sorbanállás, készletgazdálkodás CI LaTeX

Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny

Biomatematika 2 Orvosi biometria

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

Gazdasági matematika 1 Tantárgyi útmutató

Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János

Valószínűségszámítás összefoglaló

Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)

Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.

TANTÁRGYI ÚTMUTATÓ. Gazdasági matematika I. tanulmányokhoz

Matematikai statisztikai elemzések 3.

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,

Gyakorló feladatok I.

Véletlen bolyongás. 2. rész. Márkus László jegyzete alapján Tóth Tamás december 10.

Diszkrét matematika 2.C szakirány

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Átírás:

Operációkutatás NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt. 3. (99) 58 640 (30) 5600 785 takach@inf.nyme.hu http://titanic.nyme.hu/ takach 4. konzultáció: Sorbanállás Irodalom: Csernyák 5. fejezet 5.. A későbbiekhez kell: jelölések, a későbbi bizonyításokban felhasználandó egyszerű összefüggések. 5.2. A 4 feltevés, illetve a differenciálegyenletrendszer (biz. nélkül) 5.3. Stacionárius folyamatra vonatkozó egyenletrendszer 5.4. és 5.5. végig kell, bizonyításokkal, kivéve a Kendall-képlet. Exponenciális elsozlás (ismétlés) Az exponenciális eloszlás folytonos eloszlás, sűrűségfüggvénye { µe µt ha t 0 f(t) 0 ha t < 0 Eloszlásfüggvénye: Ez eloszlás két fontos tulajdonsága: F (t) P (η < t) { e µt ha t 0 0 ha t0 < 0. (Örökifjú tulajdonság) Annak a valószínűsége, hogy még egy percnél többet kell várnom a buszra, nem függ attól, hogy eddig mennyit vártam. 2. Annak a valószínűsége, hogy éppen a következő percben jön a busz, egyre csökken.

Örökifjú tulajdonság 2. Örökifjú tulajdonság. Annak a valószínűsége, hogy még egy percnél többet kell várnom a buszra, nem függ attól, hogy eddig mennyit vártam. Állítás. P (η > t + t η > t) P (η > t). Bizonyítás. A bal oldal: P (η > t + t η > t) P (η > t + t és η > t) P (η > t) P (η < t + t) P (η < t) e µ t P (η > t + t) P (η > t) ( e µ(t+ t) ) ( e µt ) A jobb oldal: A remény fogy...(?) P (η > t) P (η < t) ( e µ t ). Annak a valószínűsége, hogy éppen a következő percben jön a busz, egyre csökken. Állítás. P (t 0 η < t 0 + t) > (t η < t + t), ha t 0 < t. Bizonyítás. és hasonlóan P (t 0 η < t 0 + t) ( e µ(t0+ t) ) ( e µt0 ) e µt0 ( e µ t ) P (t η < t + t) e µt ( e µ t ). Mivel t 0 < t, ezért µt 0 > µt, vagyis e µt0 > e µt. Teljes eseményrendszer Definíció. Teljes eseményrendszer: A, A 2,..., A n véges sok, vagy A, A 2,... végtelen sok esemény, melyek páronként kizárják egymást, és összegük a biztos esemény. A P (A ), P (A 2 ),..., P (A n ) illetve P (A ), P (A 2 ),... véges vagy végtelen sok szám diszkrét eloszlást alkot, vagyis olyan 0 és közti számokról van szó, melyek összege. Sorbanállás Modell: m ennyi egység képzelhető el összesen a rendszerben (általában végtelennek tételezzük fel) n beérkező egységek, azaz sorbanállók + kiszolgálásban részesülők v várakozók (sorbanállók) j kiszolgálásban részesülők S kiszolgáló csatornák ρ üres csatornák n S esetén n j (mindenkit kiszolgálnak) és n + ρ S, v 0. n > S esetén ρ 0 (minden csatornánál folyik a kiszolgálás), és S j, n v + j.

Valószínűségek 3 Tegyük fel, hogy n, v, j valószínűségi változók, és p k P (n k). A rendszerben lévő egységek várható száma: A sor hosszának várható értéke: M(n) 0 p 0 + p +... + m p m m ip i M(v) 0 p 0 + 0 p +... + 0 p S + p S+ + 2 p S+2 +... + (m S)p m. Az üres állomások várható értéke: Nyilván M(n) M(v) + S M(ρ). i m is+ S M(ρ) Sp 0 + (S )p +... + p S + 0 p S +... + 0 p m (S i)p i Poisson-típusú sorbanállási rendszer Jelölések: e k ( t) P ( t idő alatt k egység érkezik a rendszerbe). p k (t) P (t időpontban k egység van a rendszerben). Feltételezéseink:. e k ( t) csak a t időintervallum hosszától függ, a kezdetétől nem. i0 (i S)p i 2. ahol az időegységenkénti átlagos beérkezés. e ( t) lim, t 0 t 3. (ritkasági feltétel) e 2 ( t) + e 3 ( t) +... e 0 ( t) e ( t) lim lim 0, t 0 t t 0 t azaz egyszerre több egység nem érkezik a rendszerbe. Poisson-típusú sorbanállási rendszer Tétel.,2,3 teljesülése esetén Bizonyítás. Nem kell. e k ( t) (t)k e t (k 0,, 2,...). k! További feltételezésünk, hogy 4 Egy egység kiszolgálásának időtartama exponenciális eloszlású µ várható értékkel, azaz időegységenként µ egységet tud kiszolgálni egy csatorna. Tétel. -4 teljesülése esetén a p i valószínűségek kielégítik következő differenciálegyenlet-rendszert.... Bizonyítás. Nem kell!

Stacionárius folyamat 4 Ha p n(t) 0, azaz p n (t) p n nem függ az időtől, akkor a fenti differenciálegyenlet-rendszer az alábbi egyenletrendszerbe megy át: 0 p 0 + µp (n 0) 0 ( + nµ)p n + p n + (n + )µp n+ ( n < S) 0 ( + Sµ)p n + p n + Sµp n+ (n S) Ezen egyenletrendszerből vezetjük le a p i -kre vonatkozó képletet. Az egycsatornás rendszereknél, ahol S, nincs olyan n, amire n < S. Így az egyenletrendszer: 0 p 0 + µp (n 0) 0 ( + µ)p n + p n + µp n+ (n ) Egycsatornás rendszerek Definíció. Legyen ψ µ a forgalom intenzitása, azaz az időegység alatti beérkezések és kiszolgálások hányadosa. Egy csatorna esetén elvárható, hogy ψ < teljesüljön, különben a sora végtelenségig növekedne. Állítás. p 0 ψ, p n ( ψ). Bizonyítás. Az egyenletrendszerben az első egyenletből: 0 p 0 + µp (n 0) p µ p 0 ψp 0. A második egyenletből: Tehát 0 ( + µ)p n + p n + µp n+ p n+ ( + µ) µ p n µ p n p 2 ( + µ) µ p µ p 0 ( + µ) µ µ p 0 µ p 0 2 µ 2 p 0 ψ 2 p 0 Egycsatornás rendszerek Hasonlóan p 3... ψ 3 p 0. p n... p 0 Másrészt Ebből p 0 ψ, és p n ( ψ). p 0 + p +... n0 p 0 p 0 ψ.

További képletek 5 Tétel.. M(n) ψ ψ 2. M(v) ψ2 ψ 3. várható sorbanállási idő: M(t s ) µ ψ ψ 4. várható rendszerben töltött idő: M(t r ) µ ψ Bizonyítás. könyvben. Megjegyzés.. M(n) M(v) S 2. M(t r ) M(t s ) µ (kiszolgálási idő. 3. ψ esetén M(n), M(v), M(t s ), M(t r ). Többcsatornás rendszerek Ha S csatorna van, akkor továbbra is az egységnyi idő alatt a rendszerbe érkezők száma, de µ az egy csatornán időegység alatt kiszolgált egységek száma. Tehát ψ µ < S a feltétele, hogy ne torlódjon a sor a végtelenségig. Tétel. Az egyenletrendszer megoldása S csatornás rendszer esetén: p n p 0 n! ( n S) p n p 0 S!S n S (S < n) p 0 S S!( ψ s ) n0 n! Bizonyítás. könyvből. Tétel. M(v) ψs+ S S! ( ψ p S )2 0 M(n) M(v) + S M(t s ) M(v) M(t r ) M(n) M(ρ) S ψ P (t s > 0) P (n S) p n p 0 S!( S S ) Bizonyítás. könyvből.

Képletgyűjtemény 6 ψ µ beérkezések kiszolgálások (időegységenként) S ψ < p 0 ψ p n ( ψ) M(n) ψ ψ M(v) ψ2 ψ S > ψ < S p 0 M(t s ) ψ µ ψ M(t r) µ ψ + S S!( ψ s ) n0 n! p n p 0 ( n S) p n p 0 n! S!S n S (S < n) M(v) ψs+ S S! ( ψ p S )2 0 M(n) M(v) + S M(t s ) M(v) P (t s > 0) p 0 S!( ) M(t r ) M(n) M(ρ) S ψ