Vstupní tok požadavků

Podobné dokumenty
Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka

listopadu 2016., t < 0., t 0, 1 2 ), t 1 2,1) 1, 1 t. Pro X, U a V najděte kvantilové funkce, střední hodnoty a rozptyly.

Složité systémy řízení

NUMP403 (Pravděpodobnost a Matematická statistika I)

Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10. měřicí člen. porovnávací. člen. REGULÁTOR ruční řízení

SP2 01 Charakteristické funkce

(iv) D - vybíráme 2 koule a ty mají různou barvu.

KIV/PD. Sdělovací prostředí

Teorie obnovy. Obnova

Newtonův zákon II

PRAVDĚPODOBNOST A STATISTIKA

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

VYBRANÁ ROZDĚLENÍ. DISKRÉTNÍ NÁH. VELIČINY Martina Litschmannová

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

Pravděpodobnost a statistika

transformace Idea afinního prostoru Definice afinního prostoru velké a stejně orientované.

Newtonův zákon III

NUMP403 (Pravděpodobnost a Matematická statistika II) 1. Na autě jsou prováděny dvě nezávislé opravy a obě opravy budou hotovy do jedné hodiny.

Biologické modely. Robert Mařík. 9. listopadu Diferenciální rovnice 3. 2 Autonomní diferenciální rovnice 8

(2) Řešení. 4. Platí: ω = 2π (3) (3) Řešení

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad.

I. Soustavy s jedním stupněm volnosti

Kendallova klasifikace

Téma 22. Ondřej Nývlt

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036

SIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika přednášky LS 2006/07

Analogový komparátor

ODHADY VARIABILITY POSLOUPNOSTÍ

2. ZÁKLADY TEORIE SPOLEHLIVOSTI

Pasivní tvarovací obvody RC

Přednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení

EKONOMETRIE 6. přednáška Modely národního důchodu

IMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA,

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

Vybraná rozdělení náhodné veličiny

9 Viskoelastické modely

FINANČNÍ MATEMATIKA- ÚVĚRY

Seznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat.

6 5 = 0, = 0, = 0, = 0, 0032

5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.

Alternativní rozdělení. Alternativní rozdělení. Binomické rozdělení. Binomické rozdělení

DEFINICE Z LINEÁRNÍ ALGEBRY

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

Základy teorie pravděpodobnosti

NA POMOC FO. Pád vodivého rámečku v magnetickém poli

Jazyk matematiky Matematická logika Množinové operace Zobrazení Rozšířená číslená osa

KINEMATIKA. 1. Základní kinematické veličiny

PRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

ANALÝZA ČASOVÝCH ŘAD IVAN KŘIVÝ URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH

Skupinová obnova. Postup při skupinové obnově

Řešené příklady z pravděpodobnosti:

Kapitola 9. Rezidua. Matematická analýza 4. KMA/MA o12. Definice 9.1. ( izolovaná singularita )

Definice spojité náhodné veličiny zjednodušená verze

Lineární rovnice prvního řádu. Máme řešit nehomogenní lineární diferenciální rovnici prvního řádu. Funkce h(t) = 2

6.3.6 Zákon radioaktivních přeměn

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.

Numerická integrace. b a. sin 100 t dt

5 GRAFIKON VLAKOVÉ DOPRAVY

Simulační schemata, stavový popis. Petr Hušek

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

Motivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND.

Přednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP


Soustavy lineárních rovnic

Pravděpodobnostní model volejbalového zápasu

III. Úplná pravděpodobnost. Nezávislé pokusy se dvěma výsledky. Úplná pravděpodobnost Nezávislé pokusy se dvěma výsledky Náhodná veličina

Markovské metody pro modelování pravděpodobnosti

1 Řešení soustav lineárních rovnic

7.3.9 Směrnicový tvar rovnice přímky

Diferenciální rovnice 1. řádu

Fakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR


Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III


Transformátory. Mění napětí, frekvence zůstává

Ekonomika podniku. Katedra ekonomiky, manažerství a humanitních věd Fakulta elektrotechnická ČVUT v Praze. Ing. Kučerková Blanka, 2011

Buckinghamův Π-teorém (viz Barenblatt, Scaling, 2003)

1. KOMBINATORIKA. Příklad 1.1: Mějme množinu A a. f) uspořádaných pětic množiny B a. Řešení: a)

Pravděpodobnost a statistika

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Teorie měření a regulace

Využijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: Číslo DUM: VY_32_INOVACE_10_FY_B

PRAVDĚPODOBNOST A STATISTIKA

VŠB-TU OSTRAVA, FAKULTA ELEKTROTECHNIKY A INFORMATIKY, KATEDRA APLIKOVANÉ MATEMATIKY. Statistika. Vzorce a tabulky

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)

Hodnocení přesnosti výsledků z metody FMECA

Pravděpodobnost a aplikovaná statistika

10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo

Náhodné chyby přímých měření

Vícekanálové čekací systémy

3. Mocninné a Taylorovy řady

1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu

1 Linearní prostory nad komplexními čísly

Markovovy řetězce se spojitým časem CTMC (Continuous time Markov Chain)

a excentricita e; F 1 [0; 0], T [5; 2], K[3; 4], e = 3.

7.3.9 Směrnicový tvar rovnice přímky

Kapitola 1: Reálné funkce 1/20

Transkript:

Vsupní o požadavů Bodový proces, záladní ypy procesů Bodový proces Sledujeme chod určiého procesu, v němž čas od času dochází jisé význačné událosi posloupnos časových oamžiů = 1 3 4 proces deerminován (jízdním řádem, bezpečnosními zásahy ) sochasicý (zajímají nás pravděpodobnosi, s nimiž čísla i, nebo něeré jejich funce vyhovují určiým vzahům) 1

= 1 3 4 = 1 3 4 Zápis procesu 1 3 posloupnos časových oamžiů 1,,..., n posloupnos inervalů 1,,..., n ;,1,,... 1 n n1 ; n 1,,... regisrujeme celový poče událosí od =. N()... poče událosí v průběhu časového inervalu <,> N n () n n 1 N(s,)... poče událosí během časového inervalu <s,s+> s,, N( s, ) N( s ) N( s) N( ) N(, ) 3 Pravděpodobnosní charaerisiy procesu 1 3 Proces je zapsán posloupnosí inervalů 1,,..., n A ( ) P{ },,1,, Jesliže jsou 1,,..., n spojié náhodné veličiny, můžeme definova husou pravděpodobnosi a ( ) A ( ) A( ) a( u) du Přílad: A () = 1-e - 5

Záladní řídy procesů Regulární (pravidelný) o = 1 3 4 Proces s nezávislými přírůsy pro lib. -ici vzájemně disjunních inervalů (s 1, s 1 + 1 ); (s, s + );... ; (s, s + );... je {N(s 1, s 1 + 1 ), N(s, s + ),..., N(s, s + );...} posloupnos nezávislých náhodných veličin. Regeneraivní proces (proces obnovy) {n} je posloupnos nezávislých náhodných veličin. Reurenní proces { n } je posloupnos nezávislých náhodných veličin se sejným rozdělením pravděpodobnosi. Homogenní proces v čase neměnný proces Ordinární proces nenasanou dvě událosi současně Vjezd vozidla do Smíchovsého unelu Objednáva zboží přes inerne Narození díěe Násup zelené na SSZ Vzni dopravní nehody 6 Homogenní (sacionární) proces Definice: Sochasicý proces nazveme homogenním jesliže jsou pravděpodobnosi v ( s, ) P( N( s, ) n); n,1,... n závislé pouze na délce inervalu a ne na jeho počáu s. v ( s, ) v (, ) v ( );, s, n,1,... n n n N(s,) má pro libovolné s vždy sejný záon rozložení jao N(). Definice: E[ N( u)] E[ N( )] E[ N( u)] E[ N( )] E[ N(1)]... Inenzia procesu (průměrný poče událosí za časovou jednou) EN [ (1)] Př: Určee inenziu regulárního (pravidelného) ou 1... 7 3

Ordinární proces označme () ps, že za časový inerval dély nasanou nejméně dvě událosi. Pa vsupní o je ordinární, je li () lim 1 ( ) 1 v ( ) v ( ) v ( ) Neordinární oy neordinárnos odsraníme ím, že regisrujeme dvojici [čas, poče] = 1 3 Ordinální proces s nezávislými přírůsy je regeneraivní. Ordinární homogenní proces je regeneraivní je reurenní. 8 Poissonův proces Proces ryzího zrodu (Pure birh process) Poissonovsý o - ordinární sacionární proces s nezávislými přírůsy Nejužívanější model vsupního ou Poče úmrí následem opnuí oně (saisia během le, L. Boriewicz: The Law of Small Numbers) Poče děsých sebevražd Poče vále v leech 18-195 Model Poissonova ou používáme praicy vždy, dyž záazníci (příchozí volání, daové paey, auomobily, ) pocházejí z velé množiny vzájemně nezávislých uživaelů Palm Khinchinova věa: Složení velého poču procesů s malou inenziou onverguje Poissonově procesu 9 4

Věa o Poissonovsém ou požadavů Pro ordinární beznásledný homogenní vsupní o událosí pravděpodobnos, že za časový inerval dély nasane právě událosí, je P( N( ) ) v( ) v( s, ) e! je o Poissonův o Elemenární o je až na onsanu jednoznačně určen. Rozdělení psi v(1)=p(n(1)=) pro dvě různé inenziy v (1) e!,3,5,,15,1,5 1 3 4 5 6 7 8 9 4 4 1 Binomicé a Poissonovo rozdělení Binomicé rozdělení je pro dosaečně velé n (n>) a malé p (p<,5) bmožné nahradi Poissonovým rozdělením s inenziou n*p 11 5

Binomicé a Poissonovo rozdělení Binomicé rozdělení je pro dosaečně velé n (n>) a malé p (p<,5) bmožné nahradi Poissonovým rozdělením s inenziou n*p 1 Normální a Poissonovo rozdělení 13 6

Poissonův o v ()! e Poissonův o je ordinární 1 v ( ) v 1 e e e e e 1 lim 1 lim lim Poissonův o je o s nezávislými přírusy (beznásledný) u u v ( u) e e e v ( ) v ( u) N u N N u P P P Inenzia Posissonova ou EN 1 1 1 E[ N( )] e e e! 1!! 14 Poissonův o v ()! e Pravděpodobnos, že za inerval dély nedojde žádné událosi: v ()=1 lesající funce proměnné. v (+h)= v (). v (h) v( ) e Inervaly mezi událosmi jsou vzájemně nezávislé veličiny s exponenciálním rozdělením P( ) e Př: Určee ps, že v elemenárním ou nenasane v inervalu dély T žádná událos, víe-li že od vsupu předešlého požadavu už uplynul čas <T. T P( u) P( u / ) P( ) u u v u e u = = = e = P( u) v e 15 7

Poissonův o - rozložení doby mezi událosmi Veličiny jsou navzájem nezávislé, mají sejnou disribuční funci A () = A() A( ) P( ) 1 v ( ) 1e 1 1 E[ ] ; D[ ] a() a( ) A( ) e V elemenárním ou se nejčasěji vysyují ráé inervaly mezi událosmi vsupují v sériích ráých sledů = 1 3 16 Sopařův paradox 1. Tramvaje jezdí pravidelně aždých 5 minu. Na zasávu přijdeme náhodně.průměrná doba čeání:,5 min 1 f ( x) ; x 5 5 5 EX [ ] ;. Sopař přijde náhodně silnici, aua projíždějí náhodně, déla inervalu mezi auomobily má exponenciální rozdělení f ( x) 1 e ; x E[ X ] ; 1 1x 1 Průměrná déla inervalu mezi auomobily : 5 min Průměrná doba čeání: 5 min 17 8

Poissonovsý o graf diferenciálních přechodů Symbol o používáme při vyšeřování liminího chování funcí, umožňuje zjednodušený zápis f( x) f ( x) o( g( x)) pro x lim gx ( ) x f() f ( ) o( ) pro lim x e o 1... 1 ( ) 18 Poissonův proces proces ryzího zrodu (pure birh process) v () V infiniesimálním časovém inervalu d může nasa jen jedna událos s pravděpodobnosí d, nezávisle na příjezdech mimo inerval. v e o! Sav sysému =poče událosí, eré od počáečního času zoumání nasaly! e v e o v1 ( ) e... o( ) ( ) 1... 1 ( ) d d d 1 3 d... 1 d 1 d 1 d 1 d 19 9

Disreizace Poissonova procesu Bernoulliho proces lambda = 1/; % iner-arrival ime = 1/lambda [s] T=6*6; % observaional ime [s] =; % number of evens for d=:.1:t if rand < lambda*.1 =+1; end end fprinf('theoreical mean of evens %6.f \n',lambda*t) fprinf('empirical number of evens %d \n',) Vlasnosi Poissonovsého procesu Mějme pevně dán inerval <, >, poče příjezdů za čas N()=n. Pa časy příchodů i1, i,, in jsou nezávislé a rovnoměrně rozdělené na inervalu <, >. Superpozice Složením dvou Poissonovsých procesů o inenziách 1 a vznine opě Poissonův process s inenziou = 1 +. 1 1 1 1 3 1 Náhodný výběr Vybíráme-li s psí p z daného Poissonovsého procesu s inenziou, pa výsledný proces je Poisonovsý s inenziou p. 1 1