Diskrete Ereignissysteme Vorlesung 9 Vorlesung 9 21.12.2006 Skript 4 Seite 09 bis 36 Bedingte Wahrscheinlichkeit Satz von der totalen W’keit Zufallsvariablen Dichtefunktion und Verteilungsfunktion Erwartungswert Varianz Standardabweichung Unabhängigkeit von Zufallsvariablen Beispiele Diskreter Verteilung - Bernoulli-Verteilung - Binomial-Verteilung - Poisson-Verteilung - Geometrische Verteilung 4.2 Stochastische Prozesse in diskreter Zeit - dynamisches System ~ zeitliche Folge von Zufallsexperimenten Zustand und Verhalten des Systems zur Zeit t wird als Zufallsvariable X t modelliert. Stochastischer Prozess: Folge von Zufallsvariablen Xt tT in diskreter Zeit T - 0 in kontinuierlicher Zeit T 0 ZV X t1 und X t 2 können abhängig sein Markov-Prozesse: Weiterer Ablauf ist nur vom aktuellen Zustand abhängig, nicht von der Vergangenheit. Beispiel: Paketübertragung 1/4 Diskrete Ereignissysteme Vorlesung 9 Definition: Markov-Kette - Endliche Markov-Kette in diskreter Zeit über Zustandsmenge S 0,1,..., n 1 - Folge von Zufallsvariablen X t t mit Wertemenge S 0 Startverteilung q0 q00 ,q01 ,...,q0n 1 mit q 0,i 0 und n 1 q i 0 0,i 1 - X t 1 hängt nur von X t ab (Falls S 0 : unendliche Markov-Kette in diskreter Zeit) Zeithomogene Markov-Ketten - Falls Pr Xt 1 j| Xt i für alle i, j S unabhängig von t ist, so heisst die MarkovKette (zeit)homogen. - Für zeithomogene Markov-Ketten sind die Werte pij : Pr Xt 1 j| Xt i eindeutig definiert und ergeben die Übergangsmatrix P pi, j 0i, j n Ablauf einer Markov-Kette - Beobachtung einer Markov-Kette von Zeit 0 bis Zeit t 0 - Möglicher Ablauf: Zustände x 0 , x1 , x 2 ,..., x t 0 - W’keit für diesen Ablauf (Musterpfad): q0,x0 Pr X1 x1 | X0 x 0 ... Pr Xt0 x t0 | Xt01 x t01 Beispiel: 2/4 Diskrete Ereignissysteme Vorlesung 9 Verweildauer - Betrachte eine Markov-Kette, die zur Zeit t im Zustand i ist - Modelliere die Anzahl der Zeitschritte, die die Kette ab Zeit t im Zustand i bleibt, als Zufallsvariable Vi - Es gilt: Pr Vi k piik 1 1 pii und Pr Vi k piik - Vi ist als geometrisch verteilt Beachte: Die Verweildauer ist abhängig davon, wie lange die Kette schon im Zustand i war. Rechnen mit der Übergangsmatrix - Startverteilung: q 0 (Zeilenvektor mit n Elementen) - W’keitsverteilung auf den Zuständen zur Zeit t: q t q t,0 ,..., q t,n 1 mit q t,i Pr Xt i - Berechnung von q t 1 aus q t : q t 1 q t P Dann muss gelten: qt q0 Pt Ebenso: q t k q t P k für alle k 0 Der Eintrag in Zeile i und Spalte j von P k , bezeichnet mit pij : P k , gibt die k ij W’keit an, in k Schritten von Zustand i nach Zustand j zu gelangen. Transientenanalyse Typische Fragen - Wie gross ist die W’keit nach k Schritten im Zustand j zu sein? - Wie wahrscheinlich ist es irgendwann von i nach j zu kommen? - Wie viele Schritte braucht die Kette im Mittel, um von i nach j zu kommen? Beispiel Übergangszeit (hitting time) - Definition: ZV Tij : min n 1| Xn j, wenn X0 i (falls Zustand j nie erreicht wird, setze Tij ) - h ij : E Tij ist die erwartete Übergangszeit von i nach j - f ij : Pr Tij ist die Ankunftsw’keit von i nach j 3/4 Diskrete Ereignissysteme Vorlesung 9 Berechnung der erwarteten Übergangszeit Lemma - Fr die erwartete Übergangszeit gilt für alle i, j S h ij 1 - p k:k j ik h kj falls die Erwartungswerte h ij und h kj existieren Für die Ankunftsw’keit gilt analog fij pij p k:k j f ik kj 4/4