Upload
kemo-mustafic
View
67
Download
8
Embed Size (px)
DESCRIPTION
lanci
Citation preview
TKT - radni materijal Predavanje 5
1
Sadržaj SADRŽAJ ..................................................................................................................................................... 1 6 MARKOVLJEVI LANCI......................................................................................................................... 2
6.1 MARKOVLJEVI LANCI S DISKRETNIM PARAMETROM ............................................................................. 2 6.1.1 Homogeni Markovljev lanac........................................................................................................ 2 6.1.2 Računanje stacionarnih vjerovatnosti.......................................................................................... 4
6.2 MARKOVLJEVI LANCI S KONTINUALNIM PARAMETROM ........................................................................ 6 6.2.1 Dijagram stanja CTMC ............................................................................................................... 9
TKT - radni materijal Predavanje 5
2
6 Markovljevi lanci Markovljevi procesi su oni stohastički procesi čije buduće stanje ovisi samo o trenutnom stanju. Ova osobina naziva se svojstvo odsustva pamćenja. Isto svojstvo ima i Poissonov proces, pa je Poissonov proces posebna vrsta Markovljevog procesa. Markovljevi procesi mogu imati diskretan ili kontinualan skup stanja, pa razlikujemo DTMC (Discreet Time Markov Chain) – Diskretne Markovljeve lance, te CTMC (Continious Time Markov Chain) – kontinualne Markovljece lance.
6.1 Markovljevi lanci s diskretnim parametrom
6.1.1 Homogeni Markovljev lanac Neka Markovljev lanac {Xn, n ≥ 0} ima skup diskretnih stanja E = {0, 1, 2, . . .}. Skup stanja može biti beskonačan ili konačan. Oznaka Xn = i neka znači da se Markovljev lanac u n-tom koraku nalazi u stanju i. Za opći Markovljev lanac vrijedi sljedeće:
{ } { }nnnnnn iXjXPiXiXiXjXP ======= ++ 111001 ,...,, Vjerovatnost
P(Xn+1 = j | Xn = i) zovemo prelaznom vjerovatnošću iz stanja in u stanje jn+1. U općem slučaju ta se vjerovatnost mijenja ovisno o vrijednosti parametra n. Definisat ćemo matricu prelaznih vjerovatnosti. Definicija 6.1 (Matrica prelaznih vjerovatnosti (Transition Probability Matrix)) Prelaz iz stanja i u koraku n - 1 u stanje j u koraku n opisan je prelaznom vjerovatnošću:
Prelazna vjerovatnosti ( )n
ijp je član matrice prelaznih vjerovatnosti na mjestu (i, j). Matrica prelaznih vjerovatnosti u n-tom koraku je
TKT - radni materijal Predavanje 5
3
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
OMMMM
ML
MMOMM
KL
KK
ijn
in
in
ijnnn
jnnn
ppp
pppppp
nP)(
1)(
0)(
)(11
)(10
)(
0)(
01)(
00)(
)(
ili u skraćenom obliku
Zbir elemenata svakog horizontalnog retka ove matrice jednak je jedan:
U općem slučaju matrica prelaznih vjerovatnosti može ovisiti o koraku n. Međutim, za naše potrebe pretpostavit ćemo da je matrica jednaka za svaki korak. Takve Markovljeve lance zovemo homogenim. Kod homogenog DTMC, matrica prelaznih vjerovatnosti ima oblik:
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
==
OMMMM
ML
MMOMM
KL
KK
ijii
ij
j
ppp
pppppp
PnP10
1110
00100
)(
Slika 1
Na slici 1 ilustrovane su prelazne vjerovatnosti za homogeni DTMC sa stanjima 1,...6. Na lijevoj strani slike ilustrovan je prelaz iz stanja Xn=2 u trenucima n i n+2 u bilo koje drugo stanje, sa prikazanim vjerovatnoćama prelaza. Na desnoj strani su ilustrovane vjerovatnoće prelaza iz stanja Xn=3. Suma svih prelaznih vjerovatnosti iz jednog stanja jednaka je jedinici (sistem mora da dospije u jedno od mogućih stanja).
TKT - radni materijal Predavanje 5
4
Posmatrajmo matricu P. Njeni elementi opisuju vjerovatnoće prelazaka između bilo koja dva stanja DTMC. Ako je kod DTMC opisanog matricom P moguće preći iz bilo kojeg stanja u bilo koje drugo stanje u konačnom broju koraka, kažemo da je ovaj Markovljev lanac ireducibilan. Kod ireducibilnih Markovljevih lanaca vrijedi: Postoji matrica Π jednaka:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
==Π∞→
M
r
r
OMMMM
ML
MMOMM
KL
KK
ππ
πππ
ππππππ
j
j
j
n
nPiml
10
10
10
Reci matrice Π su svi jednaki, tj. postoji jπ koji ne ovisi od i takav da je
ip nijnj ∀=
∞→,lim )(π
jπ se zovu stacionarne vjerovatnosti i one čine vektor stacionarnih vjerovatnosti πr .
Markovljev lanac za kojeg postoji prvi limes zove se ergodički Markovljev lanac.
6.1.2 Računanje stacionarnih vjerovatnosti
Znamo da vrijedi:
[ ] )1()( −⋅= npPnp T vr
U stacionarnom stanju (pustimo u prethodnom izrazu ∞→n
lim ) ova jednačina prelazi u:
ππ rr⋅= TP
Gdje je
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
= Mr
1
0
ππ
π
TKT - radni materijal Predavanje 5
5
U cilju nalaženja stacionarnih vjerovatnosti, sada trebamo riješiti sistem linearnih jednačina:
ππ rr⋅= TP
∑ =j
j 1π
Dakle za potpuno određivanje DTMC, dovoljno je poznavati matricu P. Stacionarno stanje ne ovisi o početnom stanju. DTMC se grafički opisuju pomoću dijagrama stanja. Na dijagramu stanja, krugovima su prikazana stanja – vrijednosti koje uzima Markovljev lanac Xn, a strelicama između krugova sa dodijeljenim vrijednostima označava se postojanje vjerovatnoće prelaza između dva stanja. Sa dijagrama stanja se odmah može očitati matrica P i riješiti stacionarne vjerovatnosti sistema. Primjer dijagrama stanja za DTMC sa dva stanja je dat na slici 2:
Slika 2
Matrica P za ovaj dijagram stanja je:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
=
85
83
32
31
P
Prilikom primjene DTMC na proučavanja u prometu, stanje obično označava broj zauzetih linija ili broj paketa koje treba poslužiti.
TKT - radni materijal Predavanje 5
6
6.2 Markovljevi lanci s kontinualnim parametrom Ako dopustimo da proces promijeni svoje stanje u bilo kojem trenutku u vremenu i ako buduće stanje procesa ovisi samo o sadašnjem, takav proces zovemo Markovljev lanac kontinualan u vremenu (CTMC). Definicija 6.5 (Markovljev lanac s kontinualnim parametrom (kontinualan u vremenu)) Slučajni proces s diskretnim stanjima X(t) je Markovljev lanac kontinualan u vremenu ako za sve brojeve n ∈ N, i svaku sekvencu t1, t2, . . . , tn, tn+1 takvu da je t1 < t2 < . . . < tn < tn+1 vrijedi:
Slika 6.7: Trajektorija Markovljevog lanca kontinualnog u vremenu
Tipična trajektorija Markovljevog lanca kontinualnog u vremenu prikazana je na slici 6.7. Definicija 6.6 (Matrica prelaznih vjerovatnosti) Neka su s i t vremena iz parametarskog skupa Markovljevog lanca kontinualnog u vremenu. Uslovna vjerovatnost:
[ ] ( ) ( )( )isXjtXPp tsji ===,
,
zove se prelazna vjerovatnost Markovljevog lanca iz stanja i u stanje j . Matrica
TKT - radni materijal Predavanje 5
7
[ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
OMMMM
MM
MMOMM
LK
LK
tsij
tsi
tsi
tsj
tsts
tsj
tsts
ts
ppp
pppppp
P,,
1,
0
,1
,11
,10
,0
,01
,00
,
sastavljena od elemenata pij
[s,t] se zove matrica prelaznih vjerovatnosti Markovljevog lanca kontinualnog u vremenu. Proces se u nekom vremenskom trenutku t može nalaziti samo u jednom stanju. Zbir vjerovatnosti prelaza iz jednog stanja u sva sljedeća moguća stanja jednak je 1, tj.:
Nađimo sada vjerovatnost da je proces nakon nekog intervala dužine tΔ u stanju j: Ako se proces u trenutku (t+ tΔ ) nalazi u stanju j, onda se:
• u trenutku t nalazio u stanju 1, pa je nakon vremena tΔ skočio u stanje j, ili • se u trenutku t nalazio u stanju 2 pa je nakon vremena tΔ skočio u stanje j ili • se u u trenutku t nalazio u stanju 3 pa je u nakon vremena tΔ skočio u stanje j ili • itd.
Možemo napisati:
( ) ∑∀
Δ⋅=+Δ⋅+Δ⋅=Δ+i
ijiijjoj tptp tptp tptpttp )()(...)()()()( 10 (1)
Uvedimo sada oznake:
ttp
imlq ij
tij Δ
Δ=
→Δ
)(0
ttp
imlq ii
tii ΔΔ
=→Δ
)(0
Ove dvije veličine nazvaćemo gustoće prelaza ili intenziteti prelaza. Njih možemo smjestiti u matricu prelaznih intenziteta (infinitezimalnu matricu):
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
OMM
L
L
1110
0100
qqqq
Q
TKT - radni materijal Predavanje 5
8
Znamo odranije da je suma svih vjerovatnosti prelazaka u drugo stanje + vjerovatnost ostanka u trenutnom stanju u vremenskom intervalu tΔ jednaka jedinici:
( ) ∑≠
Δ−=Δijj
ijii tptp,
)(1
Diferenciramo li posljednju jednačinu dobijamo:
∑≠
−=ijj
ijii qq,
Odnosno, suma svih horizontalnih redova matrice Q mora biti jednaka 0. Zanima nas kako odrediti stacionarne vjerovatnosti za CTMC. Napišimo ponovo izraz (1)
( ) ∑∀
Δ⋅=Δ+i
ijij tptpttp )()(
podijelimo i lijevu i desnu stranu sa tΔ i pustimo da 0→Δt :
( )∑∀
→Δ→Δ Δ
Δ⋅=
Δ
Δ+
i
ij
tij
t ttp
tpt
ttp )(lim)(lim
00
odnosno:
∑∀
⋅=′i
ijij qtpp )(
Kod ireducibilnog Markovljevog procesa postoji limes u stacionarnom stanju:
jjtijttptp π==
∞→∞→)(lim)(lim
Tako da je u stacionarnom stanju:
∑∀
⋅=′i
ijij qp π
U matričnom obliku ovo pišemo:
QP ⋅Π=′ U stacionarnom stanju je izvod jp′ jednak nuli, pa vrijedi:
Q⋅Π=0r
TKT - radni materijal Predavanje 5
9
Kako je matrica
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=ΠM
r
r
OMMMM
ML
MMOMM
KL
KK
ππ
πππ
ππππππ
j
j
j
10
10
10
Možemo pisati i
Q⋅= πrr0
gdje je [ ],...., 10 πππ =v Posljednji izraz služi za rješavanje stacionarnih vjerovatnosti za CTMC.
6.2.1 Dijagram stanja CTMC CTMC se grafički opisuju pomoću dijagrama stanja. Na dijagramu stanja, krugovima su prikazana stanja –vrijednosti koje uzima Markovljev proces, a strelicama između krugova sa dodijeljenim vrijednostima označava se gustoća prelaza. Sa dijagrama stanja se odmah može očitati matrica Q i riješiti stacionarne vjerovatnosti sistema. Primjer dijagrama stanja za CTMC je dat na slici 3:
Slika 3
Matrica prelaza za gornji dijagram stanja je:
Uočimo sada jednu sličnost između izraza za intenzitet prelaza i svojstva regularnosti Poissonovog procesa:
TKT - radni materijal Predavanje 5
10
ttp
imlq ij
tij Δ
Δ=
→Δ
)(0
⇒ ( )totqtp ijij Δ+Δ⋅=Δ )( - definicija intenziteta prelaza (2)
( ){ } ( )tottttXP Δ+Δ⋅==Δ+ λ1, - definicija regularnosti Poissonovog procesa (3)
Vidimo da je Poissonov dolazni proces ujedno i CTMC sa intenzitetom prelaza jednakim λ . Odavde možemo prikazati dijagram stanja i matricu prelaza za Poissonov dolazni proces:
Slika 4: Dijagram stanja za Poissonov proces