Пусть в предприятие сервиса через случайные интервалы времени обращаются клиенты, при этом поток заказов однороден (однотипные заказы) и в единицу времени обращается X клиентов. Вероятность прихода клиента не зависит от числа уже обратившихся клиентов, вероятность того, что одновременно обратятся сразу два клиента, мала. Кроме того, число обратившихся клиентов зависит от рассматриваемого интервала времени и не зависит от начала рассмотрения.
Тогда модель математически можно описать следующим образом. Пусть р к (х) означает вероятность прибытия к клиентов в интервале времени длительностью х, p 0 (t ) - вероятность того, что за время (0, /) не будет ни одного клиента, что, согласно (14.2), соответствует вероятности того, что интервал времени до прибытия первого клиента больше, чем t.
Рис. 14.2.
1. Если ijH т2 два неперекрывающихся интервала (рис. 14.2), то предположение о независимости имеет вид:
2. Среднее значение времени между прибытиями клиентов равно
3. Вероятность того, что клиент не придет в течение интервала времени нулевой длительности,
4. Вероятность того, что клиент не придет в течение интервала времени бесконечной длительности,
Такой поток заказов считается простейшим. Поток заказов называется простейшим, или пуассоновским, если он обладает тремя свойствами: стационарен, ординарен и без последействия.
Свойство стационарности к событий потока на любом интервале времени т зависит только от числа к и длительности т.
Свойство ординарности характеризуется тем, что вероятность появления более одного события за малый интервал времени пренебрежимо мала по сравнению с вероятностью появления только одного события.
Свойство отсутствия последействия характеризуется тем, что вероятность появления к событий потока на любом интервале времени т не зависит от того, появились или не появились события в моменты, предшествующие началу рассматриваемого интервала.
Пуассоновский поток играет фундаментальную роль в теории систем массового обслуживания, как нормальный процесс в статистике. Большинство других процессов, используемых в системах массового обслуживания, получаются путем модификации пуассоновского.
Рис. 14.3.
Часто на практике трудно установить, обладает ли поток перечисленными выше свойствами. В частности, установлено, что если поток представляет собой сумму (суперпозицию) очень большого числа независимых стационарных потоков, влияние каждого из которых на весь суммарный поток ничтожно мало, то этот суммарный поток при условии его ординарности близок к простейшему. На рис. 14.3 показан пример образования суммарного потока. Указанное свойство сродни центральной предельной теореме нормального распределения.
Рис. 14.4.
Случайный процесс N(t), описывающий такой поток и соответствующий числу прибывших клиентов, является дискретным и в случайные моменты времени может принимать только целочисленные значения. Процесс нестационарный, так как может только возрастать. Реализация процесса показана на рис. 14.4.
В течение малого интервала времени процесс может остаться в том же состоянии или изменить его (увеличить число клиентов на единицу). Другими словами, процесс из состояния Sj может перейти только в состояние $ ,. Пусть вероятность изменения состояния в малом интервале времени dx равна A,dx+o(dx), где А>0. Вероятность сохранения прежнего состояния l-^dx + o(dx). Так как поток ординарен, вероятность смены состояния более одного раза в интервале (/, t+ dx) есть бесконечно малая величина o(dx) высшего порядка по сравнению с dx.
Обозначим вероятность того, что N(t) = n, как р п (х), где x - t-t 0 - интересующий нас интервал времени, т.е. процесс за время х совершил п скачков. Пусть р п (х) зависит только от х и не зависит от начального момента t 0 , от которого отсчитывается х. Поэтому, несмотря на то что процесс нестационарный, случайное число появления запросов на сервис N(t) = п за интервал времени х = t-t Q является постоянной (стационарной) величиной.
Предположим также, что N(t ) не зависит от числа реализаций события, произошедших в любые интервалы времени, предшествующие т, т.е. процесс обладает свойством отсутствия последействия. Вычислим вероятность p n (x + dx) того, что в интервале (x+dx) произойдет п событий.
Очевидно, для того чтобы в интервале (х+dx) произошло п событий, должны совершиться два взаимоисключающих события:
О произошло п событий в интервале х и 0 событий в интервале dx. Вероятность этого в силу независимости равна р п (т)(1 - Xdx);
О произошло п - 1 событий в интервале т и 1 событие в интервале dx. Вероятность этого равна р { (x)A.dx.
Таким образом,
Перенесем в левую часть р п (х) и поделим на dx:
Перейдя к пределу при dx -? 0, получим дифференциальное уравнение:
Рассчитаем вероятность /? 0 (х)того, что на интервале (x+dx) событие не наступит ни разу. Ясно, что для этого событие не должно наступить в интервале х и в интервале dx. Вероятность этого равна /? 0 (х)(1-Ых).
Таким образом,
Соответствующее дифференциальное уравнение имеет вид:
Объединив (14.12) и (14.13) и положив начало рассмотрения процесса с момента^ = 0, а х = t, получим систему дифференциальных уравнений:
Зададимся следующими начальными условиями:
которые означают, что в начальный момент t 0 событие не произошло.
Как видно, уравнения (14.14) и (14.15) являются частным случаем уравнений Колмогорова-Чепмена в дифференциальной форме (13.11) для абсолютных вероятностей и описанный процесс является марковским.
Для нахождения общего решения системы удобно использо-
вать преобразование Лапласа. Пусть p{i) Применяя преобразование Лапласа к обеим частям уравнения (14.14) системы с учетом начальных условий (14.16), получаем
По теореме о начальном состоянии оригинала
По теореме о конечном состоянии оригинала
Полученные характеристики соответствуют рассматриваемой модели.
Обратное преобразование Лапласа (14.17) будет
Применяя преобразование Лапласа к обеим частям (14.15) с учетом начальных условий (14.16), получаем
Согласно (14.17) и (14.18),
По таблице преобразований Лапласа
Используя (14.20), из (14.19) получаем распределение Пуассона
которое дает вероятность того, что в момент t > 0 система находится в состоянии N(f) = п или что за время произойдет п изменений.
Рис. 14.5. Независимые пуассоновские процессы Хт { и Хх 2
Таким образом, число событий внутри фиксированного интервала в пуассоновском потоке распределено по закону Пуассона. При этом число событий N(t { ,t 2) и N{t 3 ,t 4) на неперекрываю- щихся интервалахT t = t 2 -1 { и т 2 = t 4 -1 3 , где t { независимы (рис. 14.5).
На рис. 14.6 показаны плотности вероятности прибытия 0,1,2, 3, 4 клиентов при поступлении их по пуассоновскому закону для интенсивностей X = 0,5 (рис. 14.6, а) и X = 1 (рис. 14.6, б). Как видно, с ростом интенсивности повышается вероятность прибытия клиентов в первые моменты времени.
Вероятность того, что за время t поступит не более п заказов, определяется функцией распределения
Рис. 14.6. Плотность вероятности Пуассона при X = 0,5 (а) и А. = 1 (б) 1-р(0У, 2-р{) 3-р(2У, 4-р(3);5-р(4)
Согласно (11.41), производящая функция для распределения Пуассона (14.21) по дискретному значению п
(14.23)
Математическое ожидание числа прибывших клиентов, распределенных по Пуассону, в соответствии с (11.43)
Таким образом, среднее число событий N(t) в интервале / равно U.
Дисперсия, характеризующая рассеивание числа заказов в интервале /, согласно (11.44),
Как видно, дисперсия простейшего потока равна математическому ожиданию. Данное свойство может служить критерием соответствия потока заказов простейшему.
Формула Пуассона (14.21) отражает все свойства простейшего потока. В самом деле, из формулы видно, что вероятность появления п событий за время t при заданной интенсивности А, является функцией только /, что характеризует свойство стационарности. В формуле не используется информация о появлении событий до начала рассматриваемого промежутка, что характеризует свойство отсутствия последействия. Если и т 2 два неперекрывающихся интервала времени, то свойство независимости имеет место, так как
Вероятность появления более одного события за малый интервал времени р (/) = (А,/) 2 /2!. Эта вероятность пренебрежимо мала
по сравнению с вероятностью наступления одного события, равной АЛ, что характеризует свойство ординарности потока.
Найдем далее для пуассоновского процесса распределение вероятностей интервалов между двумя последовательными событиями. Пусть случайная величина Т характеризует длину этих интервалов. Обозначим через F{x) функцию распределения этой случайной величины. По определению, F(x) - это вероятность того, что Т Вероятность того, что в интервале времени не произошло событие, если оно произошло в момент t 0 , равна безусловной вероятности
т.е.
Следовательно, функция распределения длины интервала между двумя последовательными событиями имеет вид показательного закона:
Продифференцировав (14.25), получим соответствующую плотность вероятности интервала между двумя событиями:
С учетом (14.26) и (14.24) вероятность того, что заказ появится внутри интервала (x,T+dx), можно записать как
т.е. вероятность поступления заказа внутри интервала (x,T + dx) равна A,dx, не зависит от х и пропорциональна dx. Величина X называется параметром показательного закона. Поскольку X не зависит от длительности интервала х, экспоненциальное распределение не имеет памяти и не имеет возраста (см. рис. 10.7).
Таким образом, для простейшего потока с интенсивностью X случайная величина Т, представляющая интервал между соседними заказами (событиями), имеет экспоненциальное распределение с функцией распределения (14.25) и плотностью распределения (14.26). Если время между прибытиями клиентов имеет экспоненциальное распределение со средним значением Т, тогда случайная переменная N(t), представляющая число клиентов, прибывших в фиксированный интервал , имеет пуассоновское распределение с параметром Xt, где Х=/Т. В силу марковости процесса интервалы между событиями взаимно независимы. Отсюда процесс, у которого интервалы между событиями взаимно независимы и подчинены показательному закону, является пуассоновским процессом.
В соответствии с разностными уравнениями (14.11) можно изобразить граф пуассоновского процесса (рис. 14.7). Вершины графа обозначают состояния системы, которые для пуассоновского потока клиентов соответствуют числу поступивших клиентов. Над дугами показаны вероятности перехода.
Рис. 14.7.
При большом промежутке времени вероятность перехода в соседнее состояние стремится к единице, а вероятность остаться в том же состоянии - к нулю и граф на рис. 14.7 преобразуется в граф на рис. 14.8. Над дугами графа показана интенсивность, с которой осуществляются переходы. Время нахождения процесса в состоянии случайно и распределено по экспоненциальному закону с математическим ожиданием /Х. В среднем через время 1Д система переходит в следующее состояние, что соответствует поступлению очередного клиента. Так как процесс ординарен, переход возможен только в соседние состояния. Передаточная функция дуги соответствует преобразованию Лапласа экспоненциального распределения (10.47).
Если число n
испытаний достаточно велико, а вероятность p
наступления события А
в независимых испытаниях мала, то для нахождения вероятности используется теорема Пуассона
: Если в n
независимых испытаниях вероятность p
наступления события А
в каждом из них постоянна и мала, а число испытаний достаточно велико, то вероятность того, что событие А наступит k
раз, вычисляется по формуле 
, где 
.
Эта формула называется формулой Пуассона .
Пример 15 . Вероятность попадания в самолёт при каждом выстреле из пулемёта равна 0.001. Производится 3000 выстрелов. Найти вероятность попадания в самолёт: а) один или два раза; б) хотя бы один раз.
Решение
. По условию примера n
=300, p
=0.001, 
.
а) Обозначим событие A={попадание в самолёт один или два раза}. Тогда .
б) Обозначим событие B={попадание в самолёт хотя бы один раз}. Тогда .
Потоком событий называется последовательность событий, которые наступают одно за другим в случайные моменты времени.
Например, поток вызовов в сфере обслуживания (ремонт телевизоров, вызовы скорой помощи и др.), поток вызовов на телефонной станции, отказ в работе отдельных частей некоторой системы и т.д.
Поток называется простейшим , если выполняются следующие условия:
Вероятность появления события зависит от длины промежутка времени t ;
Вероятность появления числа событий на любом промежутке времени не зависит от того, какое число событий наступило до начала этого промежутка;
Вероятность наступления двух или большего числа событий за достаточно малый промежуток времени мала и чем меньше , тем меньше становится вероятность.
При выполнении этих условий справедливо следующее утверждение:
Вероятность того, что случайное событие за время t наступит k раз, определяется по формуле
,
где - среднее число событий, наступающих в единицу времени.
Пример 16 . На ткацких станках, обслуживаемых ткачихой, в течение часа происходит 90 обрывов нити. Какова вероятность того, что за 4 минуты произойдёт: 1) один обрыв; 2) хотя бы один обрыв.
Решение
. По условию t
=4. Среднее число обрывов за одну минуту равно 
. Тогда 
.
1) 
. 2) .
Вопросы для самоконтроля знаний
1. Что называется суммой совместных событий?
2. Что называется суммой несовместных событий?
3. Как формулируется теорема сложения вероятностей несовместных событий?
4. Чему равна сумма вероятностей противоположных событий?
5. Что называется произведением двух событий?
6. Какие события называются независимыми?
7. Как формулируется теорема умножения вероятностей независимых событий?
8. Какие события называются зависимыми?
9. Что называется условной вероятностью?
10. Как формулируется теорема умножения вероятностей зависимых событий?
11. Что называется полной вероятностью события и как записывается формула полной вероятности?
12. Как записывается формула Байеса?
13. Какие испытания называются независимыми и как записывается формула Бернулли?
14. Как формулируется локальная теорема Лапласа?
15. Как формулируется интегральная теорема Лапласа?
16. Как формулируется теорема Пуассона?
Восстанавливаемые объекты после ремонта продолжают эксплуатироваться по прямому назначению. Надежность восстанавливаемых объектов принято оценивать по характеристикам потока отказов. В общем случае потоком событий называется последовательность однородных событий, следующих одно за другим в случайные моменты времени. В теории надежности восстанавливаемых объектов в основном рассматриваются простейшие потоки событий, характеризующиеся ординарностью, стационарностью и отсутствием последействия (такие потоки событий чаще всего встречаются на практике).
Поток событий называется ординарным, если вероятность появления двух и более отказов в единичном интервале времени пренебрежимо мала по сравнению с вероятностью появления одного отказа. Таким образом, отказы в системе возникают по одному.
Поток событий называется стационарным, если вероятность попадания того или иного числа событий на интервал времени т зависит только от длины интервала и не зависит от того, где именно на оси расположен этот интервал. Стационарность потока событий означает, что плотность потока постоянна. Очевидно, что при наблюдении поток может иметь сгущения и разрежения. Однако для стационарного потока эти сгущения и разрежения не носят закономерного характера, а среднее число событий, попадающих на единичный интервал времени, остается постоянным для всего рассматриваемого периода.
Отсутствие последействия в простейшем потоке событий означает, что вероятность появления отказов в единичном интервале времени не зависит от возникновения отказов во всех предыдущих интервалах времени, т. е. отказы возникают независимо друг от друга. В электронно-вычислительных средствах поток отказов равен сумме потоков отказов отдельных устройств. Если каждый в отдельности поток оказывает на суммарный поток достаточно равномерное и небольшое влияние, то суммарный поток будет простейшим.
Пусть простейший поток отказов обладает следующими свойствами.
1. Время между отказами распределено по экспоненциальному закону с некоторым параметром А, (формулы (4.16)-(4.21)):
Следовательно, и Т 0 - наработка до первого отказа распределена по экспоненциальному закону с тем же параметром X (средняя наработка до первого отказа есть математическое ожидание Т :
При таких условиях интенсивность отказов X(t)
оказывается постоянной величиной:
2. Пусть r(t) - число отказов за время t (r(t) является случайной величиной). Вероятность того, что за время t произойдет m отказов при интенсивности отказов X, определяется законом Пуассона (см. (4.22)):
3. Среднее число отказов за время t равно:
4. Вероятность того, что за время t не произойдет ни одного отказа, равна: P(t) = е ~ и.
Описанный простейший поток событий также называют стационарным пуассоновским потоком. Как уже было сказано выше, такой поток характерен для сложных высоконадежных объектов.
Процесс функционирования восстанавливаемого объекта можно описать как последовательность чередующихся интервалов работоспособности и простоя, связанного с восстановлением. Предполагается, что отказ объекта немедленно фиксируется и с этого же момента начинается восстановительная процедура. Интервалы работоспособности (мы предполагаем 100%-ное восстановление объекта) являются независимыми и одинаково распределенными случайными величинами, при этом они не зависят от интервалов восстановления, которые также являются независимыми и одинаково распределенными случайными величинами (скорее всего, с другим распределением). Каждая из этих последовательностей интервалов формирует свой простейший поток событий.
Напомним, что в случае восстанавливаемых объектов основной характеристикой является параметр потока отказов. Эксплуатация таких объектов может быть описана следующим образом: в начальный момент времени объект начинает работу и работает до отказа, после отказа происходит восстановление и объект вновь работает до отказа и т. д. Параметр потока отказов определяется через ведущую функцию Q(t) данного потока, представляющую собой математическое ожидание числа отказов за время 1:
где r(t) - число отказов за время t.
Параметр потока отказов со(0 характеризует среднее число отказов, ожидаемых в малом интервале времени, и определяется по формуле (2.9):
Ведущая функция может быть выражена через параметр потока отказов:
Для стационарных пуассоновских потоков, как было сказано выше, интенсивность отказов - величина постоянная и равна X; при этом она совпадает с параметром потока отказов. Действительно, по свойству 3 стационарного пуассоновского потока среднее число отказов за время г равно: Q.(t) = M = Xt, следовательно,
Средняя наработка на отказ. Как уже говорилось, этот показатель представляет собой отношение наработки к математическому ожиданию числа отказов в течение этой наработки. Поскольку при стационарном потоке отказов M , (a£x£b)
Применяя для моделирования метод обратной функции, получим алгоритм вычисления первого момента времени
где u получают от ДСЧ.
Окончательно имеем следующий алгоритм моделирования равномерного потока:
1) момент времени t 1 наступления первого события вычисляется по формуле
2) для последующих моментов времени производимы вычисления по формуле
t j =t j -1 + a + (b-a)u;
Величина u вырабатывается ДСЧ.
Поток Эрланга порядка k
Потоком Эрланга k-го порядка называют поток событий, получающегося "прореживанием" простейшего потока, когда сохраняется каждая k-я точка (событие) в потоке, а все промежуточные выбрасываются.
Интервал времени между двумя соседними событиями в потоке Эрланга k-го порядка представляет собой сумму k независимых случайных величин Z 1 ,Z 2 ,...,Z k , имеющих показательное распределение с параметром λ:
Закон распределения случайной величины Z называется законом Эрланга k-го порядка и имеет плотность
, (x > 0).
Математическое ожидание и дисперсия случайной величины Z соответственно равны:
M[Z]=k/ ; D[Z]=k/ 2 .
На основе определения потока Эрланга получается простой способ моделирования: прореживается пуассоновский поток с интенсивностью = /k, т.е. в пуассоновском потоке допускаем моменты времени с номерами 1,2,...,k-1, а k-й момент оставляем, т.к. он принадлежит новому потоку и т.д. Таким образом, моменты времени потока Эрланга вычисляются по формулам:
где - интенсивность потока Эрланга k-го порядка, u j - случайные числа от ДСЧ.
3. ОБЪЕКТЫ И СРЕДСТВА ИССЛЕДОВАНИЯ
Объектами исследования в лабораторной работе являются потоки событий, образованные слиянием нескольких потоков с известными характеристиками.
В процессе имитации потоков событий используются различные методы сортировки.
Одним из простых методов сортировки является метод пузырька (BUBBLE) который позволяет массив A, содержащий N элементов, расположить, например, в возрастающем порядке. Соответствующий алгоритм приведен на рис.4.1. Однако. Более эффективным методом для данного типа задач будет метод вставки.
процедура BUBBLE(A, N);
Цикл I=1,N1;
Если A(K) £ A(J) то идти к 20;
Если (K³1), то идти к 10;
Рис.4.1. Подпрограмма сортировки методом пузырька
В лабораторной работе могут быть использованы и другие более эффективные методы сортировки (например, адресная сортировка и т.п.).
4. ПОДГОТОВКА К РАБОТЕ
4.1. Ознакомиться с основными типами потоков событий.
4.2. Ознакомиться с методами моделирования пуассоновского, равномерного потока событий и потока Эрланга порядка k.
4.3. Ознакомиться с методами сортировки массивов чисел.
5. ПРОГРАММА РАБОТЫ
В некоторую систему массового обслуживания по различным каналам поступают заявки, образующие поток событий заданного типа. На входе системы потоки сливаются в один. Составить алгоритм и программу имитации результирующего потока, указанного в варианте.
Первые 100 моментов времени поступления заявок в результирующем потоке вывести на печать. По первым 1000 заявкам рассчитать оценку средней интенсивности потока. Найденную оценку сравнить с теоретическим значением интенсивности потока.
5.1. Поток образован слиянием трёх пуассоновских потоков событий с интенсивностями 1 , 2 , 3 (1/с) (табл.5.1.).
Таблица 5.1.
| Вариант | ||||||
| 1 | 2,5 | 1,5 | ||||
| 2 | 0,5 | |||||
| 3 | 0,5 | 0,5 | 0,5 |
5.2. Поток образован слиянием двух равномерных потоков с параметрами a 1 , b 1 и a 2 , b 2 (с) (табл. 5.2.).
Таблица 5.2.
| Вариант | ||||||
| a 1 | 1,5 | |||||
| b 1 | 2,5 | 1,5 | ||||
| a 2 | 0,5 | |||||
| b 2 |
5.3. Поток образован слиянием пуассоновского потока с интенсивностью (1 /с) и равномерного потока с параметрами a и b (с) (табл.5 3.).
Таблица 5.3.
6. КОНТРОЛЬНЫЕ ВОПРОСЫ
6.1. Дать определение потока событий.
6.2. Как строится вероятностное описание потока событий.
6.3. В чём состоит способ моделирования стационарного потока с ограниченным последствием.
6.4. Охарактеризовать пуассоновский поток и способ его моделирования.
6.5. Охарактеризовать равномерный поток и способ его моделирования.
6.6. Дать характеристику потока Эрланга k-го порядка и метода его имитации.
6.7. Привести характеристики потока событий, исследованного в лабораторной работе.
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 .
