В предыдущих лекциях мы научились имитировать наступление случайных событий. То есть мы можем разыграть какое из возможных событий наступит и в каком количестве. Чтобы это определить, надо знать статистические характеристики появления событий, например, такой величиной может быть вероятность появления события, или распределение вероятностей разных событий, если типов этих событий бесконечно много.
Но часто еще важно знать, когда конкретно наступит то или иное событие во времени.
Когда событий много и они следуют друг за другом, то они образуют поток . Заметим, что события при этом должны быть однородными, то есть похожими чем-то друг на друга. Например, появление водителей на АЗС, желающих заправить свой автомобиль. То есть, однородные события образуют некий ряд. При этом считается, что статистическая характеристика этого явления (интенсивность потока событий) задана. Интенсивность потока событий указывает, сколько в среднем происходит таких событий за единицу времени. Но когда именно произойдет каждое конкретное событие надо определить методами моделирования. Важно, что, когда мы сгенерируем, например, за 200 часов 1000 событий, их количество будет равно примерно величине средней интенсивности появления событий 1000/200 = 5 событий в час, что является статистической величиной, характеризующей этот поток в целом.
Интенсивность потока в некотором смысле является математическим ожиданием количества событий в единицу времени. Но реально может так оказаться, что в один час появится 4 события, в другой 6, хотя в среднем получается 5 событий в час, поэтому одной величины для характеристики потока недостаточно. Второй величиной, характеризующей насколько велик разброс событий относительно математического ожидания, является, как и ранее, дисперсия. Собственно именно эта величина определяет случайность появления события, слабую предсказуемость момента его появления. Про эту величину мы расскажем в следующей лекции.
Поток событий это последовательность однородных событий, наступающих одно за другим в случайные промежутки времени. На оси времени эти события выглядят как показано на рис. 28.1 .
Примером потока событий могут служить последовательность моментов касания взлетной полосы самолетами, прилетающими в аэропорт.
Интенсивность потока λ это среднее число событий в единицу времени. Интенсивность потока можно рассчитать экспериментально по формуле: λ = N /T н , где N число событий, произошедших за время наблюдения T н .
Если интервал между событиями τ j равен константе или определен какой-либо формулой в виде: t j = f (t j 1) , то поток называется детерминированным . Иначе поток называется случайным .
Случайные потоки бывают:
- ординарные : вероятность одновременного появления двух и более событий равна нулю;
- стационарные : частота появления событий λ (t ) = const(t ) ;
- без последействия : вероятность появления случайного события не зависит от момента совершения предыдущих событий.
Пуассоновский поток
За эталон потока в моделировании принято брать пуассоновский поток .
Пуассоновский поток это ординарный поток без последействия.
Как ранее было указано, вероятность того, что за интервал времени (t 0 , t 0 + τ ) произойдет m событий, определяется из закона Пуассона:
где a параметр Пуассона.
Если λ (t ) = const(t ) , то это стационарный поток Пуассона (простейший). В этом случае a = λ · t . Если λ = var(t ) , то это нестационарный поток Пуассона .
Для простейшего потока вероятность появления m событий за время τ равна:
Вероятность непоявления (то есть ни одного, m = 0 ) события за время τ равна:
Рис. 28.2 иллюстрирует зависимость P 0 от времени. Очевидно, что чем больше время наблюдения, тем вероятность непоявления ни одного события меньше. Кроме того, чем более значение λ , тем круче идет график, то есть быстрее убывает вероятность. Это соответствует тому, что если интенсивность появления событий велика, то вероятность непоявления события быстро уменьшается со временем наблюдения.
Вероятность появления хотя бы одного события (P ХБ1С ) вычисляется так:
так как P ХБ1С + P 0 = 1 (либо появится хотя бы одно событие, либо не появится ни одного, другого не дано).
Из графика на рис. 28.3 видно, что вероятность появления хотя бы одного события стремится со временем к единице, то есть при соответствующем длительном наблюдении события таковое обязательно рано или поздно произойдет. Чем дольше мы наблюдаем за событием (чем более t ), тем больше вероятность того, что событие произойдет график функции монотонно возрастает.
Чем больше интенсивность появления события (чем больше λ ), тем быстрее наступает это событие, и тем быстрее функция стремится к единице. На графике параметр λ представлен крутизной линии (наклон касательной).
Если увеличивать λ , то при наблюдении за событием в течение одного и того же времени τ , вероятность наступления события возрастает (см. рис. 28.4 ). Очевидно, что график исходит из 0, так как если время наблюдения бесконечно мало, то вероятность того, что событие произойдет за это время, ничтожна. И наоборот, если время наблюдения бесконечно велико, то событие обязательно произойдет хотя бы один раз, значит, график стремится к значению вероятности равной 1.
Изучая закон, можно определить, что: m x = 1/λ , σ = 1/λ , то есть для простейшего потока m x = σ . Равенство математического ожидания среднеквадратичному отклонению означает, что данный поток поток без последействия. Дисперсия (точнее, среднеквадратичное отклонение) такого потока велика. Физически это означает, что время появления события (расстояние между событиями) плохо предсказуемо, случайно, находится в интервале m x σ < τ j < m x + σ . Хотя ясно, что в среднем оно примерно равно: τ j = m x = T н /N . Событие может появиться в любой момент времени, но в пределах разброса этого момента τ j относительно m x на [σ ; +σ ] (величину последействия). На рис. 28.5 показаны возможные положения события 2 относительно оси времени при заданном σ . В данном случае говорят, что первое событие не влияет на второе, второе на третье и так далее, то есть последействие отсутствует.
По смыслу P равно r (см. лекцию 23. Моделирование случайного события. Моделирование полной группы несовместных событий), поэтому, выражая τ из формулы (*) , окончательно для определения интервалов между двумя случайными событиями имеем:
τ = 1/λ · Ln(r ) ,
где r равномерно распределенное от 0 до 1 случайное число, которое берут из ГСЧ, τ интервал между случайными событиями (случайная величина τ j ).
Пример 1 . Рассмотрим поток изделий, приходящих на технологическую операцию. Изделия приходят случайным образом в среднем восемь штук за сутки (интенсивность потока λ = 8/24 [ед/час] ). Необходимо промоделировать этот процесс в течение T н = 100 часов . m = 1/λ = 24/8 = 3 , то есть в среднем одна деталь за три часа. Заметим, что σ = 3 . На рис. 28.6 представлен алгоритм, генерирующий поток случайных событий.
На рис. 28.7 показан результат работы алгоритма моменты времени, когда детали приходили на операцию. Как видно, всего за период T н = 100 производственный узел обработал N = 33 изделия. Если запустить алгоритм снова, то N может оказаться равным, например, 34, 35 или 32. Но в среднем, за K прогонов алгоритма N будет равно 33.33 Если посчитать расстояния между событиями t сi и моментами времени, определяемыми как 3 · i , то в среднем величина будет равна σ = 3 .
Моделирование неординарных потоков событий
Если известно, что поток не является ординарным, то необходимо моделировать кроме момента возникновения события еще и число событий, которое могло появиться в этот момент. Например, вагоны на железнодорожную станцию прибывают в составе поезда в случайные моменты времени (ординарный поток поездов). Но при этом в составе поезда может быть разное (случайное) количество вагонов. В этом случае о потоке вагонов говорят как о потоке неординарных событий.
Допустим, что M k = 10 , σ = 4 (то есть, в среднем в 68 случаях из 100 приходит от 6 до 14 вагонов в составе поезда) и их число распределено по нормальному закону. В место, отмеченное (*) в предыдущем алгоритме (см. рис. 28.6 ), нужно вставить фрагмент, показанный на рис. 28.8 .
Пример 2 . Очень полезным в производстве является решение следующей задачи. Каково среднее время суточного простоя оборудования технологического узла, если узел обрабатывает каждое изделие случайное время, заданное интенсивностью потока случайных событий λ 2 ? При этом экспериментально установлено, что привозят изделия на обработку тоже в случайные моменты времени, заданные потоком λ 1 партиями по 8 штук, причем размер партии колеблется случайно по нормальному закону с m = 8 , σ = 2 (см. лекцию 25). До начала моделирования T = 0 на складе изделий не было. Необходимо промоделировать этот процесс в течение T н = 100 часов.
На рис. 28.9 представлен алгоритм, генерирующий случайным образом поток прихода партий изделий на обработку и поток случайных событий выхода партий изделий с обработки.
На рис. 28.10 показан результат работы алгоритма моменты времени, когда детали приходили на операцию, и моменты времени, когда детали покидали операцию. На третьей линии видно, сколько деталей стояло в очереди на обработку (лежало на складе узла) в разные моменты времени.
Отмечая для обрабатывающего узла времена, когда он простаивал в ожидании очередной детали (см. на рис. 28.10 участки времени, выделенные красной штриховкой), мы можем посчитать суммарное время простоев узла за все время наблюдения, а затем рассчитать среднее время простоя в течение суток. Для данной реализации это время вычисляется так:
T пр. ср. = 24 · (t 1 пр. + t 2 пр. + t 3 пр. + t 4 пр. + + t N пр.)/T н .
Задание 1 . Меняя величину σ , установите зависимость T пр. ср. (σ ) . Задавая стоимость за простой узла 100 евро/час, установите годовые потери предприятия от нерегулярности в работе поставщиков. Предложите формулировку пункта договора предприятия с поставщиками «Величина штрафа за задержку поставки изделий».
Задание 2 . Меняя величину начального заполнения склада, установите, как изменятся годовые потери предприятия от нерегулярности в работе поставщиков в зависимости от принятой на предприятии величины запасов.
Моделирование нестационарных потоков событий
В ряде случаев интенсивность потока может меняться со временем λ (t ) . Такой поток называется нестационарным . Например, среднее количество за час машин скорой помощи, покидающих станцию по вызовам населения большого города, в течение суток может быть различным. Известно, например, что наибольшее количество вызовов падает на интервалы с 23 до 01 часа ночи и с 05 до 07 утра, тогда как в остальные часы оно вдвое меньше (см. рис. 28.11 ).
В этом случае распределение λ (t ) может быть задано либо графиком, либо формулой, либо таблицей. А в алгоритме, показанном на рис. 28.6 , в место, помеченное (**), нужно будет вставить фрагмент, показанный на рис. 28.12 .
Основная задача ТСМО заключается в установлении зависимости между характером потока заявок на входе СМО, производительностью одного канала, числом каналов и эффективностью обслуживания.
В качестве критерия эффективности могут быть использованы различные функции и величины:
- среднее время простоя системы;
- среднее время ожидания в очереди;
- закон распределения длительности ожидания требования в очереди;
- средний % заявок, получивших отказ; и т.д.
Выбор критерия зависит от вида системы. Например, для систем с отказами главной характеристикой является абсолютная пропускная способность СМО; менее важные критерии - число занятых каналов, среднее относительное время простоя одного канала и системы в целом. Для систем без потерь (с неограниченным ожиданием) важнейшим является среднее время простоя в очереди, среднее число требований в очереди, среднее время пребывания требований в системе, коэффициент простоя и коэффициент загрузки обслуживающей системы.
Современная ТСМО является совокупностью аналитических методов исследования перечисленных разновидностей СМО. В дальнейшем из всех достаточно сложных и интересных методов решения задач массового обслуживания будут изложены методы, описываемые в классе марковских процессов типа “гибель и размножение”. Это объясняется тем, что именно эти методы чаще всего используются в практике инженерных расчетов.
2. Математические модели потоков событий.
2.1. Регулярный и случайный потоки.
Одним из центральных вопросов организации СМО является выяснение закономерностей, которым подчиняются моменты поступления в систему требований на обслуживание. Рассмотрим наиболее употребляемые математические модели входных потоков.
Определение: Поток требований называют однородным, если он удовлетворяет условиям:
- все заявки потока с точки зрения обслуживания являются равноправными;
вместо требований (событий) потока, которые по своей природе могут быть различными, рассматриваются толь ко моменты их поступления.
Определение: Регулярным называются поток, если события в потоке следуют один за другим через строгие интервалы времени.
Функция f (х) плотности распределения вероятности случайной величины Т – интервала времени между событиями имеет при этом вид:
Где - дельта функция, М т - математическое ожидание, причем М т =Т, дисперсия D т =0 и интенсивность наступления событий в поток =1/M т =1/T.
Определение: Поток называют случайным , если его события происходят в случайные моменты времени.
Случайный поток может быть описан как случайный вектор, который, как известно, может быть задан однозначно законом распределения двумя способами:
Где, zi - значения Ti(i=1,n), В этом случае моменты наступления событий могут быть вычислены следующим образом
t 1 =t 0 +z1
t 2 =t 1 +z2
………,
где, t 0 - момент начала потока.2.2. Простейший пуассоновский поток.
Для решения большого числа прикладных задач бывает достаточным применить математические модели однородных потоков, удовлетворяющих требованиям стационарности, без последействия и ординарности.
Определение: Поток называется стационарным, если вероятность появления n событий на интервале времени (t,t+T) зависит от его расположения на временной оси t.
Определение:
Поток событий называется ординарным, если вероятность появления двух
или более событий в течении элементарного интервала времени D
t
есть величина бесконечно малая по сравнению с вероятностью появления
одного события на этом интервале, т.е. 
при
n=2,3,…
Определение: Поток событий называетсяпотоком без последствия , если для любых непересекающихся интервалов времени число событий, попадающих на один из них, не зависит от числа событий попадающих на другой.
Определение: Если поток удовлетворяет требованиям стационарности, ординарности и без последствия он называется простейшим, пуассоновским потоком.
Доказано, что для простейшего потока число n событий попадающих на любой интервал z распределено по закону Пуассона:
(1)
Вероятность того, что на интервале времени z не появится ни одного события равна:
(2)
тогда вероятность противоположного события:
где по определению P(T
(3)
параметр называют плотностью потока. Причем,
Впервые описание модели простейшего потока появились в работах выдающихся физиков начала века – А. Эйнштейна и Ю.Смолуховского, посвященных броуновскому движению.
2.3. Свойства простейшего пуассоновского потока.
Известны два свойства простейшего потока, которые могут быть использованы при решении практических задач.
2.3.1. Введем величину a= х. В соответствии со свойствами Пуассоновского распределения при оно стремится к нормальному. Поэтому для больших а для вычисления Р{Х(а)меньше, либо равно n}, где Х(а) – случайная величина распределенная по Пуассону с матожиданием а можно воспользоваться следующим приближенным равенством:
2.3.2. Еще одно свойство простейшего потока связано со следующей теоремой:
Теорема: При показательном распределении интервала времени между требованиями Т, независимо от того, сколько он длился, оставшаяся его часть имеет тот же закон распределения.
Доказательство:
пусть Т распределено по показательному закону: 
Предположим,
что промежуток а уже длился некоторое время а<
Т.
Найдем условный закон распределения оставшейся части промежутка Т
1 =Т-а
F a (x)=P(T-a
По теореме умножения вероятностей:
P((T>a)(T-a
Отсюда,
равносильно событию а
P(T>a)=1-F(a), таким образом
F a (x)=(F(z+a)-F(a))/(1-F(a))
Отсюда, учитывая (3):
Этим свойством обладает только один вид потоков – простейшие пуассоновские.
В пуассоновском потоке событий (стационарном и нестационарном) число событий потока , попадающих на любой участок, распределено по закону Пуассона
Таким образом, для исследуемой системы S с дискретными состояниями и непрерывным временем переходы из состояния в состояние происходят под действием пуассоновских потоков событий с определенной интенсивностью Я.
Представим автомобиль как некоторую систему S с дискретными состояниями iSj,. 2. .... Sn, которая переходит из состояния S/ в состояние Sj(i - 1, 2,. .., n,j = I, 2,. .., и) под воздействием пуассоновских потоков событий (отказов) с интенсивностями Хд. Будем рассматривать следующие состояния автомобиля, в которых он может находиться в процессе эксплуатации и которые характеризуются целодневными простоями
Пуассоновский поток событий - это поток, обладающий двумя свойствами ординарностью и отсутствием последействия.
В данном параграфе устанавливается связь между пуассоновскими потоками событий и с непрерывным временем. Показывается, как используется интенсивность пуассоновских стационарных потоков в качестве плотностей вероятностей переходов системы из состояния в состояние при анализе моделей конкретных ситуаций.
Между пуассоновскими потоками событий и дискретными марковскими процессами с непрерывным временем имеется тесная связь.
Связь пуассоновских потоков событий с дискретными марковскими процессами с непрерывным временем
То есть технически, марковскую модель с непрерывным временем построить проще, чем модель с дискретным временем, хотя проблема подчинения пуассоновскому закону распределения всех потоков событий , переводящих элементы системы из состояния в состояние, остается.
Можно считать, что события, переводящие автомобиль из состояния в состояние, представляют собой потоки событий (например, потоки отказов). Если все потоки событий , переводящие систему (автомобиль) из состояния в состояние, пуассоновские (стационарные или нестационарные), то процесс, протекающий в системе, будет марковским, а плотности вероятности перехода Ху в непрерывной цепи Маркова представляют собой интенсивности потока событий, переводящего систему из состояния Si в состояние Sj. Например, Х03 - интенсивность потока отказов автомобиля, который переводит автомобиль из состояния исправен, работает в состояние находится в ТР.
Допущения о пуассоновском характере потока событий и о показательном распределении промежутков времени между событиями ценны тем, что позволяют на практике применить мощный аппарат марковских случайных процессов .
Пуассоновский стационарный (простейший) поток событий
Пуассоновский стационарным (простейшим) поток событий
Пуассоновский нестационарный поток событий
Рассмотрим нестационарный пуассоновский поток с интенсивностью Mf), некоторый промежуток времени длиной г>0, начинающийся с момента t0 (и заканчивающийся, следовательно, в момент +г) и дискретную случайную величину Х р г) - число событий, наступающих в потоке за промежуток времени от ta до t0+r.
Определение 6.2. Элементом вероятности появления события в нестационарном пуассоновском потоке называется вероятность >,(АО появления события за элементарный (достаточно малый) промежуток времени от t0 до t0+bt.
Теорема 6.2. Для элемента вероятности появления события за элементарный промежуток времени от t0 до t0+Af в нестационарном пуассоновском потоке с интенсивностью A(t) имеет место приближенная формула
Основное характеристическое свойство нестационарного пуассоновского потока состоит в том, что вероятность наступления определенного числа событий за временной промежуток зависит не только от его длины, но и от момента его начала.
Одной из основных стохастических характеристик нестационарного пуассоновского потока является дискретная случайная величина X(t т), представляющая собой случайное число событий, наступающих в потоке за промежуток [ t.+t.
Другой основной стохастической характеристикой нестационарного пуассоновского потока является случайный интервал времени T(tB) между двумя соседними событиями, первое из которых наступило в момент t0.
Доказательство Вероятность p (t At) того, что система S, находившаяся в момент времени t в состоянии sp за промежуток времени от t до t+Ы перейдет из него в состояние s (см. 4) равна элементу вероятности pfa t) появления события в пуассоновском потоке П.. на элементарном участке от t до +Д (см. Определение 5.11). Но (см. (4.3))
Система, в которой протекает дискретный марковский процесс с непрерывным временем, перескакивает из одного состояния х в другое xj не самопроизвольно, а под воздействием определенного события, которое мы можем отнести к событиям некоторого пуассоновского потока П.. и считать, таким образом, что переход системы из состояния х в состояние х происходит под воздействием всего потока /L. Привлечение всего потока П.. дает нам возможность рассматривать интенсивность А() этого потока.
Рассмотрим более подробно случай пуассоновского распределения спроса. Функция затрат будет иметь вид, аналогичный (5.6.18), с заменой интегрирования по х суммированием. Найдем плотность 1> (т) распределения времени дефицита. Распределение времени наступления k -го события пуассоновского потока подчинено закону Эрланга k -го порядка. Дефицит начинается при израсходовании всего запаса S и еще одной единицы, так что
Общий поток отказов, связанный с попаданием автомобилей исследуемой группы в ТО-2, получается путем наложения (суперпозиции) потоков ТО-2 этих автомобилей. Как показывают расчеты, распределение интервала пробега между событиями в этом потоке подчиняется показательному закону . При этом поток ТО-2 всех исследуемых автомобилей является пуассоновским.
Образ потока отказов, связанного со списанием автомобиля, является условным. Действительно, если автомобиль отказывает в тот момент, когда происходит первое событие данного потока, то совершенно все равно, продолжается после этого поток отказов или прекращается судьба автомобиля от этого уже не зависит. В случае когда элемент (автомобиль) не подлежит восстановлению, поток отказов является пуассоновским.
Каждый из входящих в блок агрегатов является сложной системой , состоящей из большого числа элементов. Отказ каждого из них может привести к утрате способности выполнения поставленной задачи всего агрегата. Поток отказов агрегата во времени образуется в результате наложения множества событий - потоков отказов элементов, входящих в его состав. При решении практической задачи отказы в элементах можно рассматривать как независимые (или слабозависимые) и ординарные события, поэтому для суммарного потока отказов всего агрегата правомерно применение предельной теоремы потоков в теории случайных процессов . Данная теорема определяет условия, при которых сумма независимых (или слабо зависимых)
Рассмотрим некоторую физическую систему S с дискретными состояниями которая переходит из состояния в состояние под влиянием каких-то случайных событий, например, вызовы на телефонной станции, выходы строя (отказы) элементов аппаратуры, выстрелы, направленные по цели и т. д.
Будем себе это представлять так, будто события, переводящие систему из состояния в состояние, представляют собой какие-то потоки событий (потоки вызовов, потоки отказов, потоки выстрелов и т. д.).
Пусть система S с графом состояний, показанным на рис. 4.27, в момент t находится в состоянии S; и может перейти из него в состояние под влиянием какого-то пуассоновского потока событий с интенсивностью как только появляется первое событие этого потока, система мгновенно переходит (перескакивает) из S в Как мы знаем, вероятность этого перехода за элементарный промежуток времени (элемент вероятности перехода) равна . Таким образом, плотность вероятности перехода в непрерывной цепи Маркова представляет собой не что иное, как интенсивность потока событий, переводящего систему по соответствующей стрелке.
Если все потоки событий, переводящие систему S из состояния в состояние, пуассоновские (стационарные или нестационарные - безразлично), то процесс, протекающий в системе, будет марковским. Действительно, пуассоновский поток обладает отсутствием последействия, поэтому, при заданном состоянии системы в данный момент, ее переходы в другие состояния в будущем обусловлены только появлением каких-то событий в пуассоновских потоках, а вероятности появления этих событий не зависят от «предыстории» процесса.
В дальнейшем, рассматривая марковские процессы в системах с дискретными состояниями и непрерывным временем (непрерывные марковские цепи), нам удобно будет во всех случаях рассматривать переходы системы из состояния в состояние как происходящие под влиянием каких-то потоков событий, хотя бы в действительности эти события были единичными. Например, работающее техническое устройство мы будем рассматривать как находящееся под действием потока отказов, хотя фактически оно может отказать только один раз. Действительно, если устройство отказывает в тот момент, когда приходит первое событие потока, то совершенно все равно - продолжается после этого поток отказов или же прекращается: судьба устройства от этого уже не зависит. Для нас же будет удобнее иметь дело именно с потоками событий.
Итак, рассматривается система S, в которой переходы из состояния в состояние происходят под действием пуассоновских потоков событий с определенными интенсивностями. Проставим эти интенсивности (плотности вероятностей переходов) на графе состояний системы у соответствующих стрелок.
Получим размеченный граф состояний (рис. 4.27); по которому, пользуясь правилом, сформулированным в § 3, можно сразу записать дифференциальные уравнения Колмогорова для вероятностей состояний.
Пример 1. Техническая система S состоит из двух узлов: I и II; каждый из них независимо от другого может отказывать (выходить из строя). Поток отказов первого узла - пуассоновский, с интенсивностью второго - также пуассоновский, с интенсивностью Каждый узел сразу после отказа начинает ремонтироваться (восстанавливаться). Поток восстановлений (окончаний ремонта ремонтируемого узла) для обоих узлов - пуассоновский с интенсивностью К.
Составить граф состояний системы и написать уравнения Колмогорова для вероятностей состояний. Определить, при каких начальных условиях нужно решать эти уравнения, если в начальный момент система работает исправно.
Решение. Состояния системы:
Оба узла неправды,
Первый узел ремонтируется, второй исправен,
Первый узел исправен, второй ремонтируется,
Оба узла ремонтируются.
Размеченный граф состояний системы показан на рис. 4.28.
Интенсивности потоков событий на рис. 4.28 проставлены из следующих соображений. Если система S находится в состоянии то на нее действуют два потока событий: поток неисправностей узла I с интенсивностью X, переводящий ее в состояние и поток неисправностей узла II с интенсивностью переводящий ее в Пусть теперь система находится в состоянии (узел I ремонтируется, узел II - исправен). Из этого состояния система может, во-первых, вернуться в (это происходит под действием потока восстановлений с интенсивностью ); во-вторых, - перейти в состояние (когда ремонт узла I еще не закончен, а узел II тем временем вышел из строя); этот переход происходит под действием потока отказов узла II с интенсивностью Интенсивности потоков у остальных стрелок проставляются аналогично.
Обозначая вероятности состояний и пользуясь правилом, сформулированным в § 3, запишем уравнения Колмогорова для вероятностей состояний:
Начальные условия, при которых нужно решать эту систему: при
Заметим, что, пользуясь условием
можно было бы уменьшить число уравнений на одно. Действительно, любую из вероятностей можно выразить через остальные и подставить в уравнения (6.1), а уравнение, содержащее в левой части производную чтой вероятности - отбросить.
Заметим, кроме того, что уравнения (6.1) справедливы как для постоянных интенсивностей пуассоновских потоков X, так и для переменных:
Пример 2. Группа в составе пяти самолетов в строю «колонна» (рис. 4.29) совершает налет на территорию противника. Передний самолет (ведущий) является постановщиком помех; до тех пор, пока он не сбит, идущие за ним самолеты не могут быть обнаружены и атакованы средствами ПВО противника. Атакам подвергается только постановщик помех. Поток атак - пуассоновский, с интенсивностью X (атак/час). В результате атаки постановщик помех поражается с вероятностью р.
Если постановщик помех поражен (сбит), то следующие за ним самолеты обнаруживаются и подвергаются атакам ПВО; на каждый из них (до тех пор, пока он не поражен) направляется пуассоновский поток атак с интенсивностью X; каждой атакой самолет поражается с вероятностью р. Когда самолет поражен, атаки по нему прекращаются, но на другие самолеты не переносятся.
Написать уравнения Колмогорова для вероятностей состояний системы и указать начальные условия.
Решение. Будем нумеровать состояния системы соответственно числу сохранившихся самолетов в группе:
Все самолеты целы;
Постановщик помех сбит, остальные самолеты целы;
Постановщик помех и один бомбардировщик сбиты, остальные самолеты целы;
Постановщик помех и два бомбардировщика сбиты, остальные самолеты целы;
Постановщик помех и три бомбардировщика сбиты, один самолет цел;
Все самолеты сбиты.
Состояния мы отличаем друг от друга по числу сохранившихся бомбардировщиков, а не по тому, какой именно из них сохранился, так как все бомбардировщики по условиям задачи равноценны - атакуются с одинаковой интенсивностью и поражаются с одинаковой вероятностью.
Граф состояний системы показан на рис. 4 30. Чтобы разметить этот граф, определим интенсивности потоков событий, переводящих систему из состояния в состояние.
Из состояния систему переводит поток поражающих (или «успешных») атак, т. е. тех атак, которые приводят к поражению постановщика (разумеется, если он раньше не был поражен).
Интенсивность потока атак равна X, но не все они - поражающие: каждая из них оказывается поражающей только с вероятностью . Очевидно, интенсивность потока поражающих атак равна эта интенсивность и проставлена в качестве у первой слева стрелки на графе (рис. 4.30).
Займемся следующей стрелкой и найдем интенсивность Система находится в состоянии т. е., целы и могут быть атакованы четыре самолета. Она перейдет в состояние за время если за это время какой-нибудь из самолетов (все равно, какой) будет сбит. Найдем вероятность противоположного события - за время ни один самолет не будет сбит:
Здесь отброшены члены высшего порядка малости относительно Вычитая эту вероятность из единицы, получим вероятность перехода из за время (элемент вероятности перехода):
что и проставлено у второй слева стрелки. Заметим, что интенсивность этого потока событий просто равна сумме интенсивностей потоков поражающих атак, направленных на отдельные самолеты Рассуждая наглядно, можно получить этот вывод следующим образом: система S в состоянии состоит из четырех самолетов; на каждый из них действует поток поражающих атак с интенсивностью значит на систему в целом действует суммарный поток поражающих атак с интенсивностью
Решение. Размеченный граф состояний показан на рис. 4.31.
Уравнения Колмогорова!
Начальные условия же, что и в примере 2.
Отметим, что в данном параграфе мы только выписывали дифференциальные уравнения для вероятностей состояний, но не занимались решением этих уравнений.
По этому поводу можно заметить следующее. Уравнения для вероятностей состояний представляют собой линейные дифференциальные уравнения с постоянными или переменными коэффициентами - в зависимости от того, постоянны или переменны интенсивности потоков событий, переводящих систему из состояния в состояние.
Система нескольких линейных дифференциальных уравнений такого типа только в редких случаях может быть проинтегрирована в квадратурах: обычно такую систему приходится решать численно - либо вручную, либо на аналоговой вычислительной машине (АВМ), либо, наконец, на ЭЦВМ. Все эти способы решения систем дифференциальных уравнений затруднений не доставляют; поэтому самое существенное - уметь записать систему уравнений и сформулировать для нее начальные условия, чем мы и ограничились здесь.
Описывает количество наступивших случайных событий, происходящих с постоянной интенсивностью.
Вероятностные свойства потока Пуассона полностью характеризуются функцией Λ(А) , равной приращению в интервале А некоторой убывающей функции. Чаще всего поток Пуассона имеет мгновенное значение параметра λ(t) - функцию, в точках непрерывности которой вероятность события потока в интервале равна λ(t)dt . Если А - отрезок , то
Λ (A) = ∫ a b λ (t) d t {\displaystyle \Lambda (A)=\int \limits _{a}^{b}\lambda (t)\,dt}Поток Пуассона, для которого λ(t) равна постоянной λ , называется простейшим потоком с параметром λ .
Потоки Пуассона определяются для многомерного и вообще любого абстрактного пространства, в котором можно ввести меру Λ(А) . Стационарный поток Пуассона в многомерном пространстве характеризуется пространственной плотностью λ . При этом Λ(А) равна объему области А , умноженному на λ .
Классификация
Различают два вида процессов Пуассона: простой (или просто: процесс Пуассона) и сложный (обобщённый).
Простой процесс Пуассона
Пусть λ > 0 {\displaystyle \lambda >0} . Случайный процесс { X t } t ≥ 0 {\displaystyle \{X_{t}\}_{t\geq 0}} называется однородным Пуассоновским процессом с интенсивностью λ {\displaystyle \lambda } , если
Сложный (обобщённый) пуассоновский процесс
Обозначим через S k {\displaystyle S_{k}} сумму первых k элементов введённой последовательности.
Тогда определим сложный Пуассоновский процесс { Y t } {\displaystyle \{Y_{t}\}} как S N (t) {\displaystyle S_{N(t)}} .
Свойства
- Пуассоновский процесс принимает только неотрицательные целые значения, и более того
- Траектории процесса Пуассона - кусочно-постоянные, неубывающие функции со скачками равными единице почти наверное. Более точно
где o (h) {\displaystyle o(h)} обозначает «о малое» .
Критерий
Для того чтобы некоторый случайный процесс { X t } {\displaystyle \{X_{t}\}} с непрерывным временем был пуассоновским (простым, однородным) или тождественно нулевым достаточно выполнение следующих условий:
Информационные свойства
Зависит ли
T
{\displaystyle T}
от предыдущей части траектории?
P
({
T
>
t
+
s
∣
T
>
s
})
{\displaystyle \mathbb {P} (\{T>t+s\mid T>s\})}
- ?
Пусть u (t) = P (T > t) {\displaystyle u(t)=\mathbb {P} (T>t)} .
U
(t
∣
s)
=
P
(T
>
t
+
s
∩
T
>
s)
P
(T
>
s)
=
P
(T
>
t
+
s)
P
(T
>
s)
{\displaystyle u(t\mid s)={\frac {\mathbb {P} (T>t+s\cap T>s)}{\mathbb {P} (T>s)}}={\frac {\mathbb {P} (T>t+s)}{\mathbb {P} (T>s)}}}
u
(t
∣
s)
u
(s)
=
u
(t
+
s)
{\displaystyle u(t\mid s)u(s)=u(t+s)}
u
(t
∣
s)
=
s
(t)
⇔
u
(t)
=
e
−
α
t
{\displaystyle u(t\mid s)=s(t)\Leftrightarrow u(t)=e^{-\alpha t}}
.
Распределение длин промежутков времени между скачка́ми обладает свойством отсутствия памяти ⇔ оно показательно .
X
(b)
−
X
(a)
=
n
{\displaystyle X(b)-X(a)=n}
- число скачков на отрезке
[
a
,
b
]
{\displaystyle }
.
Условное распределение моментов скачков
τ
1
,
…
,
τ
n
∣
X
(b)
−
X
(a)
=
n
{\displaystyle \tau _{1},\dots ,\tau _{n}\mid X(b)-X(a)=n}
совпадает с распределением вариационного ряда, построенного по выборке длины
n
{\displaystyle n}
из
R
[
a
,
b
]
{\displaystyle R}
.
Плотность этого распределения f τ 1 , … , τ n (t) = n ! (b − a) n I (t j ∈ [ a , b ] ∀ j = 1 , n ¯) {\displaystyle f_{\tau _{1},\dots ,\tau _{n}}(t)={\frac {n!}{(b-a)^{n}}}\mathbb {I} (t_{j}\in \ \forall j={\overline {1,n}})}
ЦПТ
- Теорема.
P
(X
(t)
−
λ
t
λ
t
<
x)
⇉
x
λ
t
→
∞
Φ
(x)
∼
N
(0
,
1)
=
1
2
π
∫
−
∞
x
e
−
u
2
2
d
u
{\displaystyle \mathbb {P} {\biggl (}{\frac {X(t)-\lambda t}{\sqrt {\lambda t}}} Скорость сходимости: Поток Пуассона служит для моделирования различных реальных потоков: несчастных случаев, потока заряженных частиц из космоса, отказов оборудования и других. Так же возможно применение для анализа финансовых механизмов, таких как поток платежей и других реальных потоков. Для построения моделей различных систем обслуживания и анализа их пригодности. Использование потоков Пуассона значительно упрощает решение задач систем массового обслуживания , связанных с расчетом их эффективности. Но необоснованная замена реального потока потоком Пуассона там, где это недопустимо, приводит к грубым просчетам.
sup
x
|
P
(X
(t)
−
λ
t
λ
t
<
x)
−
Φ
(x)
|
⩽
C
0
λ
t
{\displaystyle \sup \limits _{x}{\biggl |}\mathbb {P} {\biggl (}{\frac {X(t)-\lambda t}{\sqrt {\lambda t}}}
где
C
0
{\displaystyle C_{0}}
- константа Берри-Эссеена .Применение
