Стационарный поток пуассона. Стационарный пуассоновский поток отказов. Распределение событий на малом интервале времени

Под потоком событий в теории вероятностей понимается последовательность событий, происходящих одно за другим в какие-то моменты времени. Примерами могут служить: поток вызовов на телефонной станции; поток заказных писем, поступающих в почтовое отделение, и т.п. События, образующие поток, в общем случае могут быть различными. Если события различаются только моментами появления, то поток событий называется однородным .

Поток событий называется регулярным, если события следуют одно за другим через строго определенные промежутки времени. Такой поток сравнительно редко встречается в реальных системах, но представляет интерес как предельный случай.

Поток событий называется стационарным , если вероятность попадания того или иного числа событий на промежуток времени зависит только от длительности промежутка и не зависит от того, где именно на оси времени расположен этот промежуток.

На практике часто встречаются потоки заявок, вероятностные характеристики которого не зависит от времени. Например, поток вызовов на городской телефонной станции на участке времени от 12 до 13 часов может считаться стационарным. Тот же в течение

Поток событий называется потоком без последействия , если для любых непересекающихся участков времени число событий, обладающих на одно из них, не зависит от числа событий, попадающих на другие.

Например, поток пассажиров, входящих на станцию метро, можно считать потоком без последействия. Поток пассажиров, покидающих станцию метро, уже не может считаться потоком без последействия, так как моменты выхода пассажиров, прибывших одним и тем же поездом, зависимы между собой.

Выходной поток (или поток обслуженных заявок), покидающий систему массового обслуживания, обычно имеет последействие, даже если входной поток его не имеет. Рассмотрим, например, одноканальную систему массового обслуживания, для которой

время обслуживания любой заявки имеет одну и ту же величину t об . Тогда в потоке обслуженных заявок минимальный интервал времени между заявками, покидающими

систему, будет равен t об . Нетрудно убедиться, что наличие такого минимального интервала неизбежно приводит к последействию. Действительно, пусть известно, что в какой-то момент t 1 систему покинула обслуженная заявка. Тогда можно утверждать с достоверностью, что на любом интервале времени, лежащем в пределах (t 1 , t 1 + t об ) ,

ни одна заявка не покинет систему. Значит, будет иметь место зависимость между числами событий на непересекающихся участках.

Поток событий называется ординарным ,если вероятность появления двух и более событий за малый промежуток времени имеет более высокий порядок малости по сравнению с вероятностью появления за этот промежуток одного события. Для ординарного потока событий вероятность одновременного появления более чем одного события равна нулю.

Условие ординарности означает, что заявки приходят по одиночке, а не парами, тройками и т.д.

Пуассоновским (простейшим ) потоком называют поток, который обладает свойствами стационарности, отсутствия последействия и ординарности. Название “пуассоновский” связано с тем, что для этого потока число событий, попадающих на любой фиксированный интервал времени, будет распределено по закону Пуассона.

Пуассоновский поток играет среди потоков событий особую роль, до некоторой степени аналогичную роли нормального закона среди других законов распределения. Можно доказать, что аналогично тому как при суммировании большого числа независимых случайных величин, подчиненных практически любым законам распределения, получается величина, приближенно распределенная по нормальному закону, при суммировании (взаимном наложении) большого числа ординарных, стационарных потоков с практически любым последействием получается поток, сколь угодно близкий к пуассоновскому. Условия, которые должны для этого соблюдаться, аналогичны условиям центральной теоремы, а именно – складываемые потоки должны оказывать на сумму приблизительно равномерное влияние.

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).

Интервал времени между двумя соседними событиями простейшего потока имеет распределение:

f 1 (x) = f(x) = (x³0),

где - интенсивность потока.

Используя метод имитации показательного (экспоненциального) распределения, получаем следующий способ моделирования пуассоновского потока:

t 0 =0; t j = t j -1 - (1/ ) lnu , (j=1,2,3,...).

Величина u - случайное число, получаемое от ДСЧ.

Равномерный поток

Для этого потока событий считается, что промежуток времени между последовательными событиями равномерно распределён на интервале , т.е.

f(x)=1/(b-a) , (a£x£b).

f 1 (x)=2(b-x)/(b-a) 2 ;

F 1 (x)=1-[(b-x) 2 /(b-a) 2 ] , (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.

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.

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.

Лабораторная работа 6

Этот термин используют, как правило, в теории массового обслуживания.

Математическая энциклопедия. - М.: Советская энциклопедия . И. М. Виноградов . 1977-1985 .

Смотреть что такое "ПУАССОНОВСКИЙ ПОТОК" в других словарях:

Пуассоновский поток - см. Поток требований (заявок) … Экономико-математический словарь

То же, что Пуассоновский процесс. Этот термин используют, как правило, в массового обслуживания теории (См. Массового обслуживания теория) … Большая советская энциклопедия

поток требований - поток заявок входящий поток В теории массового обслуживания последовательность требований или заявок, поступающих на пункт обслуживания (канал, станцию, прибор и т.д.). Они возникают случайно и требуют определенного, обычно заранее точно не… …

Поток событий последовательность событий, которые наступают в случайные моменты времени. Свойства Свойство стационарности: вероятность появления k событий на любом промежутке времени зависит только от числа k и от длительности t промежутка… … Википедия

В теории случайных процессов описывает количество наступивших случайных событий, происходящих с постоянной интенсивностью. Содержание 1 Определение 1.1 Простой Пуассоновский процесс … Википедия

пуассоновский входящий поток - — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом EN exponential arrivals … Справочник технического переводчика

Случайный процесс X(t).с независимыми приращениями X(t2) X(t1), t2>tl имеющими Пуассона распределение. В однородном П. п. для любых t2 > t1 (1) Коэффициент l>0 наз. интенсивностью пуассоновского процесса X(t). Траектории П. п. X(t).… … Математическая энциклопедия

Случайный процесс, описывающий моменты наступления 0 Большая советская энциклопедия

Случайная последовательность моментов времени, в к рые происходят события нек рого потока событий (напр., потока вызовов, приходящих на телефонную станцию), удовлетворяющая условию независимости и одинаковой показательной распределенности… … Математическая энциклопедия

- (теория очередей) раздел теории вероятностей, целью исследований которого является рациональный выбор структуры системы обслуживания и процесса обслуживания на основе изучения потоков требований на обслуживание, поступающих в систему и выходящие… … Википедия

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 .