Catene di Markov e affidabilità I guasti però non solo determinano la cessazione di un dispositivo ad adempiere la funzione richiesta (guasti totali) ma anche la variazione della prestazione del dispositivo rispetto alla funzione richiesta Si possono verificare anche i guasti intermittenti. Ci sono diversi STATI che il sistema può occupare nel corso del tempo. La transizione da uno stato all’altro avviene con una certa probabilità, nel senso che se un sistema parallelo (a 3 sottosistemi) si trova ad esempio inizialmente nello stato pienamente funzionante (stato 3) , può passare allo stato 2 (ne funzionano 2) con una certa probabilità (quale?) e allo stato 1 con un’altra probabilità e così via. Se i guasti sono intermittenti, c’è la possibilità che dallo stato 2 il sistema torni allo stato 3 - che dipende dalla natura del guasto. CATENE DI MARKOV Def : Una catena di Markov è una successione di v.a. { X n }n≥1 definite sullo stesso spazio campione e che godono di certe proprietà. X n = stato occupato dal sistema al passo n Prove di Bernoulli = esempio di catena in cui le variabili aleatorie sono indipendenti tra di loro. 1 P ( X i = 1) = p con X i = 0 P ( X i = 0) = q X 1 , X 2 , X 3 ,… Costruire lo SPAZIO DELLE TRAIETTORIE p 0 1 q Nella relazione tra le variabili, saliamo di un gradino, ossia supponiamo che la variabile aleatoria allo stato n dipenda solo da quella precedente. …specificando il tipo di relazione di dipendenza al seguente modo Yn = Yn −1 + X n con n = 1,2, … P( X n = 1) = p 1 X n = 0 P ( X n = 0) = 1 − p − q − 1 P( X n = −1) = q 1− p − q p i-1 i q i+1 costruire lo spazio delle traiettorie ESEMPIO DI TRAIETTORIE PER LA PASSEGGIATA ALEATORIA n n i =1 i =1 Yn = Y0 + ∑ X i ⇒ P(Y0 = y0 ) = 1 ⇒ Yn − y0 = ∑ X i La passeggiata aleatoria è un esempio di catena di Markov. Altro esempio: Catene di Markov omogenee Non dipendono da n. La matrice P = ( pij ) si chiama matrice di transizione 0 0.5 0.5 0 0 0.5 0.5 0 P= 0 0 0 1 0.5 0 0.5 0 matrice di transizione Teorema : In una catena omogenea, detto p 0 il vettore delle probabilità che il sistema occupi una posizione al tempo 0 e p n il vettore delle probabilità che il sistema occupi una posizione al tempo n, si ha p n = p 0 P n . Ci sono situazioni nelle quali la potenza di P si stabilizza da un certo indice in poi. 0 1 La catena non è regolare: P = 1 0 Nell’esempio precedente w = (0.4, 0.2, 0.4) Il teorema dimostra che la riga comune di W è l’unico vettore ad essere vettore fisso riga. Il vettore riga w è autovettore sinistro dell’autovalore 1. La function per trovare gli autovalori è eig(X) Se vogliamo trovare anche gli autovettori è [V,D]=eig(X) Dunque abbiamo >> [v,d]=eig(p) v= -0.5774 -0.7071 0.2357 -0.5774 -0.0000 -0.9428 -0.5774 0.7071 0.2357 Cosa si deduce? d= 1.0000 0 0 0 0.2500 0 0 0 -0.2500 Il problema è che dobbiamo trovare l’autovettore sinistro che corrisponde all’autovalore 1. Il Matlab restituisce autovettori destri. >>q=p’; >> [v,d]=eig(q) v= -0.6667 -0.7071 0.4082 -0.3333 -0.0000 -0.8165 -0.6667 0.7071 0.4082 Ovviamente l’autovettore va normalizzato perché risulti un vettore di probabilità >> c=sum(v(:,1)) c= -1.6667 >> w=v(:,1)/c d= 1.0000 0 0 0 0.2500 0 0 0 -0.2500 w= 0.4000 0.2000 0.4000 CONSEGUENZA Significato: per n crescente la probabilità di andare da uno stato all’altro diventa costante e indipendente dallo stato iniziale (interessa solo la colonna e non la riga). Per la matrice di transizione di cui all’ esempio precedente >> [v,d]=eig(p') v= -0.3162 -0.7071 0.7071 -0.6325 -0.3162 0.7071 -0.7071 0.3162 -0.6325 -0.0000 0.0000 -0.3162 -0.6325 0.0000 0.0000 0.6325 >> c=sum(v(:,1)) c= -1.8974 >> w=v(:,1)/c w= d= 1.0000 0 0 0 0 -0.0000 0 0 0 0 0.0000 0 0 0 0 -0.5000 0.1667 0.1667 0.3333 0.3333 CATENE ASSORBENTI Danneggiamento non riparabile: una volta che il componente si è guastato non vi è alcuna possibilità che si auto-ripari senza l’intervento di una forza esterna. Qual è la probabilità che il processo raggiunga uno stato assorbente? Quanto tempo impiega il sistema ad essere assorbito? In media, in quanti passi viene assorbito? Forma canonica TR Ass TR Ass N = ( I − Q) −1 e' detta matrice fondamentale ( N )ij = # medio di passaggi per lo stato transiente s j essendo il sistema partito dallo stato transiente si ESEMPIO: 1 2 3 0 4 0 0.5 0 0.5 0 0 0.5 0 0.5 0 P = 0 0.5 0 0 0.5 0 0 1 0 0 0 0 0 0 1 − 0.5 0 1 I − Q = − 0.5 1 − 0.5 0 − 0 . 5 1 >> mat^(-1) ans = 1.5000 1.0000 0.5000 1.0000 2.0000 1.0000 0.5000 1.0000 1.5000 1 2 3 1.5 1 0.5 N = 1 2 1 0.5 1 1.5 1.5 1 0.5 1 3 t = Nc = 1 2 1 1 = 4 0.5 1 1.5 1 3 >> mat^(-1)*[1;1;1] Teorema : Data la matrice B = NR, il generico elemento Bij rappresenta la probabilità che, essendo partito da uno stato transiente si , il sistema venga assorbito nello stato s j . 0.5 0 3 / 4 1/ 4 R= 0 0 ⇒ B = NR = 1 / 2 1 / 2 1/ 4 3 / 4 0 0.5 Esercizio: Marco ha 3 euro ed è rinchiuso in carcere. La cauzione è di 5 euro. Decide di giocare con il poliziotto di turno. Il gioco funziona al seguente modo: ad ogni giocata scommette 1 euro. Lo vince con probabilità 0.4 e lo perde con probabilità 0.6. Quale è la probabilità che Marco riesca ad uscire? Catene di Markov a tempo continuo Le transizioni sono nella forma P ( X ( t + s ) = j | X ( s ) = i ) = Pij (t ) (a) Pij (t ) ≥ 0, per t > 0, (b) ∑ P (t ) = 1, ij per t > 0, j Pij (t ) sono differenziabili (c) Pij (t ) sono f.continue; (d ) lim Pij (t ) = δ ij t →0 Facciamo solo un esempio di modello in cui questo tipo di catene di Markov risulta utile per la trattazione Si consideri una valvola oleodinamica che abbia tasso di guasto costante e tasso di riparazione costanti nel tempo. λ Stato 0 – prodotto funzionante Stato 1 – prodotto guasto µ P0 ( t ) probabilità che il componente funzioni al tempo t P1 ( t ) probabilità che il componente sia guasto al tempo t λ tasso di guasto, µ tasso di riparazione Qual è la matrice di transizione? P0 ( t + ∆t ) = P0 ( t )(1 − λ∆t ) + P1 ( t )( µ∆t ) P '0 ( t ) = −λ P0 ( t ) + µ P1 ( t ) P1 ( t + ∆t ) = P1 ( t )(1 − µ∆t ) + P0 ( t )( λ∆t ) P '1 ( t ) = λ P0 ( t ) − µ P1 ( t ) Si tratta di un sistema di equazioni differenziali a coefficienti costanti P0 '(t ) −λ = P1 '(t ) λ µ P0 (t ) P (t ) −µ 1 Risolvere il precedente sistema di equazioni lineari.