12
HET POISSON PROCES
In veel praktische toepassingen kan het aaankomstproces van personen, orders, ... , gemodelleerd worden door een zogenaamd Poisson proces.
Definitie van een Poisson proces:
Een Poisson proces met intensiteit
λ
(notatieP P (λ)
) is een stochastisch proces{N(t), t ≥ 0}
dat het aantal gebeurtenissen telt in het interval(0, t)
, waarbij de tijden tussen 2 opeenvolgende gebeurtenissen onafhankelijke, exponentieel verdeelde stochastische variabelen zijn met parameterλ
.Notatie:
S
0= 0,
S
n=
tijdstip van den
-de gebeurtenis,T
n= S
n− S
n−1=
tijd tussenn
-de en(n − 1)
-de gebeurtenis.12
Stelling:
P (N (t) = k) = (λt)
kk! e
−λt, k = 0, 1, 2, . . . ,
en dusN (t)
is Poisson verdeeld met parameterλt
.(daarom heet dit proces een Poisson proces)
In het bijzonder geldt
E(N (t)) = λt
. Dit verklaart waaromλ
de intensiteit van het Poisson proces heet.Merk op dat
N (t)
een continue-tijd Markov keten is met toestandsruimteS = {0, 1, 2, , . . .}
enr
i= λ
enp
i,i+1= 1
voor allei ∈ S
.Belangrijker is echter dat
N (t)
vaak als aankomstproces wordt gebruikt in situaties waarbij wachtrijen ontstaan.12
Het
M/M/1/K
wachtrijmodel•
Stel klanten arriveren bij een betaalautomaat volgens een Poisson proces met intensiteitλ
.•
De behandelingstijden van klanten bij de automaat zijn onafhankelijk, exponentiëel verdeeld met parameterµ
.•
Klanten worden First Come First Served (FCFS) behandeld.•
Klanten die bij aankomstK
andere klanten bij de automaat aantreffen gaan ergens anders geld halen.X(t)
, het aantal klanten bij de betaalautomaat op tijdstipt
, is een continue- tijd Markov keten.12
Continue-tijd Markov ketens waarbij je, voor alle
i ∈ S
, vanuit toestandi
alleen maar naar de naburige toestandeni − 1
eni + 1
kunt springen heten geboorte-sterfte processen.Notatie:
λ
i: de intensiteit waarmee je van toestandi
naar toestandi + 1
springt.µ
i: de intensiteit waarmee je van toestandi
naar toestandi − 1
springt.De intensiteiten matrix
R
van een eindig geboorte-sterfte proces met toe- standsruimte{0, 1, . . . , K}
ziet er als volgt uit:R =
0 λ
00 0 . . . 0 µ
10 λ
10 . . . 0 0 µ
20 λ
2. . . 0
... ... ... ... ... ...0 . . . 0 µ
K−10 λ
K−10 . . . 0 0 µ
K0
.
12
VOORBEELDEN VAN GEBOORTE-STERFTE PROCESSEN
Werkplaats met
N
machines enM ≤ N
reparateurs.Levensduren van machines:
Exp(µ)
Reparatieduren van machines:Exp(λ)
X(t)
: aantal werkende machines op tijdstipt
.X(t)
is een geboorte-sterfte proces met toestandsruimteS = {0, 1, . . . , N}
en overgangsintensiteiten:
µ
i= iµ,
voor1 ≤ i ≤ N
.λ
i=
min(N − i, M)λ,
voor0 ≤ i ≤ N − 1
.12
VOORBEELDEN VAN GEBOORTE-STERFTE PROCESSEN (VERVOLG) Call center
M
telefonisten enH
wachtplaatsenAankomstproces van gesprekken is Poisson proces met intensiteit
λ
. Gespreksduren zijn exponentiëel verdeeld met parameterµ
.X(t)
: aantal gespreksaanvragen in het systeem (in behandeling of in de wachtstand) op tijdstipt
.X(t)
is geboorte-sterfte proces met toestandsruimteS = {0, 1, 2, . . . , K}
waarbij
K = M + H
en overgangsintensiteiten:λ
i= λ
voor0 ≤ i ≤ K − 1
.12
VOORBEELDEN VAN CONTINUE-TIJD MARKOV KETENS Voorraadmodel:
•
Zodra als voorraad tot niveauk
zakt bestel jer
nieuwe produkten.•
Als op het moment dat bestelling geleverd wordt de voorraad nog steeds≤ k
is, plaats je onmiddellijk weer een bestelling.•
Zo niet, dan wacht je tot voorraad weer tot niveauk
zakt voor je een bestelling plaatst.•
Levertijden van bestellingen zijnExp(µ)
verdeeld.•
Vraag naar produkten is een Poissonproces met intensiteitλ
.•
Vraag die niet uit voorraad geleverd kan worden gaat verloren.• X(t)
: aantal produkten op voorraad op tijdstipt
. Dan is{X(t) : t ≥ 0}
een CTMC.12
VOORBEELDEN VAN CONTINUE-TIJD MARKOV KETENS (VERVOLG) Produktiemodel
•
Op machine worden produkten op voorraad geproduceerd.•
Als de machine aan staat, produceert hij produkten volgens Poisson pro- ces met intensiteitλ
.•
Vraag naar produkten is Poisson proces met intensiteitµ
.•
Machine wordt uitgezet als voorraad gelijk is aan opslagcapaciteitK
.•
Machine wordt weer aangezet als voorraad gezakt is naar niveauk
.• X(t)
: aantal produkten op voorraad op tijdstipt
.• Y (t)
: toestand machine op tijdstipt
. (Belangrijk alsk < X(t) < K
) Dan is{(X(t), Y (t)) : t ≥ 0}
een CTMC.12
Net als bij een discrete-tijd Markov keten is men bij de bestudering van een continue-tijd Markov keten zowel geïnteresseerd in het korte-termijn gedrag als in het lange-termijn gedrag.
Vragen die je wilt beantwoorden zijn:
•
Wat is de kans dat het proces{X(t) : t ≥ 0}
zich op tijdstipt
in een bepaalde toestand bevindt? (transiënte verdeling)•
Wat is de kans dat het proces{X(t) : t ≥ 0}
zich voort → ∞
in een bepaalde toestand bevindt? (limietverdeling)•
Welk deel van de tijd bevindt het stochastisch proces{X(t) : t ≥ 0}
zich in een bepaalde toestand? (occupatieverdeling)
Wij zullen ons wel op het lange-termijn gedrag van CTMC’s richten maar niet op het korte-termijn gedrag. De secties 6.7 en 6.8 uit het boek zullen we overslaan.
12
LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS
We zullen nu de hoofdstelling over het limietgedrag van continue-tijd Markov ketens formuleren.
Stelling:
Een irreducibele, continue-tijd Markov keten met toestandsruimte
S = {1, 2, . . . , N}
heeft een unieke limietverdeling, een unieke stationaire ver- deling en een unieke occupatieverdeling. De drie verdelingen zijn gelijk en ze worden gegeven door de unieke oplossing van het stelsel vergelijkingenp
jr
j=
N
X
i=1
p
ir
i,j, 1 ≤ j ≤ N,
waarvoor bovendien geldt dat
P
Ni=1
p
i= 1
.Opmerking: In het geval van continue-tijd Markov ketens hoeven we ons