Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Предельные вероятности состояний
Асимптотические оценки в соответствии с известной теоремой А.А.Маркова могут быть получены для марковских цепей, обладающих эргодическим свойством. Определение 1. Если число состояний системы конечно и из каждого состояния можно перейти в любое другое за произвольное число шагов, то говорят, что такая система обладает эргодическим свойством. Определение 2. Пусть марковский процесс характеризуется вероятностями перехода из состояния i в состояние j за время t pij(t) (0£i£n; 0£j£n). Процесс называется транзитивным, если существует такое t>0, что pij(t)>0 (0£i£n; 0£j£n). Из определений 1 и 2 следует, что процессы в марковских цепях с эргодическим свойством являются транзитивными. Теорема Маркова [4]. Для любого транзитивного марковского процесса предел существует и не зависит от начального состояния i.
Это означает, что при t®¥ в системе устанавливается некоторый предельный стационарный режим, характеризующийся постоянной, не зависящей от времени, вероятностью каждого из состояний системы. При этом данная вероятность представляет собой среднее относительное время пребывания системы в данном состоянии. Это значит, что если время работы всей системы 100 ч, а вероятность состояния S1 равна p1=0,15, то система будет находиться в состоянии S1 в среднем 15 ч. Пределы, к которым стремятся вероятности каждого из состояний марковской цепи с эргодическим свойством при t®¥, называются предельными вероятностями. При рассмотрении СМО мы будем иметь дело только с эргодическими марковскими цепями. Пусть V - некоторое подмножество множества состояний системы S, а V’ - его дополнение до S. Если множество V обладает эргодическим свойством и ни из одного состояния множества V нельзя перейти ни в одно из состояний множества V’, то множество называется замкнутым или эргодическим множеством. Эргодические системы состоят из одного единственного эргодического множества (S=V, V’=Æ) и называются поэтому неразложимыми. Если в системе S множество V'¹Æ или в этой системе можно выделить несколько эргодических множеств S = V1ÈV2È…ÈVn, то такая система называется разложимой. Примеры таких систем приведены на рис.1.3. На рис.1.3,а представлена система с двумя эргодическими множествами V1=(S2,S3,S4) и V2(S5,S6). На рис.1.3,б эргодическое множество состоит лишь из одного состояния (S4). Если эргодическое множество состоит лишь из одного состояния, то это состояние называется поглощающим, так как попав в него однажды, процесс остается навсегда в поглощающем состоянии. Характерная особенность графа состояний неразложимой эргодической марковской системы заключается в том, что каждой вершине этого графа инцидентны дуги как с положительной, так и с отрицательной инцидентностью (т.е. у каждой вершины имеются дуги, направленные как к вершине, так и от нее, см., например, рис. 1.1 и 1.2).
а б Рис.1.3
Вычисление предельных вероятностей состояний для таких систем упрощается в связи с тем, что, поскольку все эти вероятности являются постоянными величинами, то их производные по времени равны 0 (dpi/dt=0 для всех i). Поэтому левые части системы уравнений Колмогорова (1.7) приравниваются нулю и она превращается в систему линейных алгебраических уравнений . (1.8) Нетривиальное решение системы (1.8) может быть получено только в случае вырожденности матрицы L. Выше было доказано, что матрица плотностей вероятностей L является вырожденной. Система (1.8) без одного из своих уравнений дополняется условием нормировки (1.9)
Соотношения (1.8) и (1.9) позволяют определить предельные вероятности состояний. Поскольку часть слагаемых, соответствующая дугам с отрицательной инцидентностью, положительна, а другая часть, соответствующая дугам с положительной инцидентностью, отрицательна, то каждое уравнение системы (1.8) может быть составлено с учетом мнемонического правила: для каждого состояния сумма членов, соответствующих входящим дугам, равна сумме членов, соответствующих выходящим дугам. Пример. Для системы, изображенной на рис.1.2, из уравнений Колмогорова (1.7) следует (l12+l13)p1=l41p4 (l41+l45)p4=l34p3 l25p1=l12p1+l32p3 l53p3=l52p2+l45p4 (l32+l34)p4=l13p1+l53p5 (1.10)
Для решения (1.10) нужно исключить любое из первых пяти уравнений (например, пятое, как содержащее наибольшее число членов). Предельные вероятности состояний используются в ТМО значительно чаще, чем решения уравнений Колмогорова, причем, зная решение системы уравнений Колмогорова, можно определить момент окончания переходного процесса изменения вероятностей состояний во времени. Это дает возможность рассчитать, промежуток времени начиная от включения системы в работу, по истечении которого вероятности состояний достигнут своих предельных значений и будут справедливы оценки, использующие эти значения. В заключение этого параграфа рассмотрим один частный, но практически очень важный класс марковских процессов, широко применяемых при исследовании СМО. Это - процессы "размножения и гибели". К ним относятся марковские цепи, представимые размеченным графом, который состоит из вытянутой цепочки состояний, изображенной на рис.1.4.
Рис.1.4
Матрица плотностей вероятностей переходов такой системы является якобиевой (тридиагональной):
Рассматривая начальное состояние S0, получим в соответствии с (1.8) l01p0=l10p1 (1.11) Для состояния S1 имеем l01p0+l21p2=l10p1+l12p1 (1.12) Вычитая из (1.12) равенство (1.11), получим l21p2 = l12p1 (1.13) Продолжая этот процесс до n-гo состояния включительно, получим ln,n-1pn=ln-1,npn-1 Из (1.11) теперь можно выразить p1 через р0: p1=p0(l01/l10) (1.14) Подставляя (1.14) в (1.13), получим p2=p0(l01l12/l10l21) Очевидно, что для произвольного k (1£k£n) будет справедливо выражение . (1.15)
В соответствии с (1.15) и размеченным графом состояний, представленным на рис.1.4, можно сформулировать правило, с помощью которого можно выразить предельные вероятности состояний процесса "размножения и гибели" через вероятность начального состояния р0. Это правило гласит: вероятность произвольного состояния pk (l£k£n) равна вероятности начального состояния р0, умноженной на дробь, числитель которой равен произведению плотностей вероятностей перехода для дуг, переводящих состояние системы слева направо, а знаменатель - произведение плотностей вероятностей перехода справа налево от начального до k-гo состояний включительно. Вероятность р0 находится из условия нормировки и выражений (1.15) следующим образом: (1.16)
Выражения (1.15) и (1.16) полностью определяют предельные вероятности процесса "размножения и гибели".
Простейший поток событий Цепи Маркова с непрерывным временем являются математическими моделями СМО. Для анализа СМО необходимо также иметь математические модели входных потоков заявок на обслуживание. Эти математические модели представляют собой потоки события, являющиеся отдельным классом случайных процессов. Потоком событий называется последовательность однородных событий, следующих одно за другим в случайные моменты времени [1]. Этот поток количественно может быть охарактеризован числом событий x(t), имевших место в течение определенного промежутка времени (0,t). Тогда случайный поток событий можно определить как случайный процесс x(t) (t³0), в котором функция x(t) является неубывающей функцией времени, способной принимать лишь целые неотрицательные значения. Иными словами, график функции x(t) является ступенчатой кривой с постоянной высотой ступеньки, равной единице, причем ширина ступеньки - случайная величина (см.рис.1.5,а). Примерами таких потоков могут служить: поток вызовов на АТС, поток запросов в вычислительный центр коллективного пользования и т.п. Моменты появления событий можно отобразить точками на временной оси, поэтому поток событий часто представляется и как последовательность таких точек (см.рис.1.5,б). Поток событий называется регулярным, если события следуют одно за другим через одинаковые, строго фиксированные промежутки времени.
Рис.1.5
В ТМО такие потоки практически, не используются, однако они представляют интерес как предельный случай. Значительно чаще имеют дело с потоками, в которых времена поступления событий и, следовательно, промежутки времени между ними являются случайными (иррегулярными). При этом наиболее простые расчетные соотношения получаются при использовании простейших потоков событий, которые широко применяются при исследовании CMC. Простейшими называются потоки, обладающие следующими тремя свойствами: стационарностью, ординарностью и отсутствием последействия. Рассмотрим эти свойства подробнее. 1. Поток событий называется стационарным, если вероятность pk(l) того, что за отрезок времени t произойдет k событий, зависит только от его длины t и не зависит от его расположения на временной оси (см.рис.1.5), т.е. pk(t’,t’+t)=pk(t). Из определения однородной марковской цепи следует, что стационарность - это однородность потока по времени. 2. Поток называется ординарным, если вероятность попадания на любой элементарный участок временной оси двух или более событий является бесконечно малой величиной, т.е.
3. Поток событий называется потоком без последействия, если вероятность попадания событий на некоторый участок временной оси не зависит от того, сколько событий попало на другие участки. Иными словами, условная вероятность наступления k событий за промежуток времени (t’,t’+t), вычисленная при любом условии чередования событий до момента t', равна безусловной вероятности pk(t) того же события, т.е.
p[(t’,t’+t),k/(t",t"+t),m]=pk(t),tÇtk=Æ, t"<t’. На практике редко встречаются потоки, удовлетворяющие всем трем допущениям одновременно. Например, поток вызовов в АТС в дневные часы более интенсивен, чем в ночные. Тем не менее, рассматривая работу АТС в периоды с 12 до 13 ч дня и с 2 до 3 ч ночи, поток вызовов на этих более коротких промежутках можно с высокой степенью точности считать стационарным. Этот пример говорит о том, что в большом числе случаев можно ввести определенные упрощения, вытекающие из принципов работы конкретных реальных систем и позволяющие проводить исследование реальных СМО путем замены их входных потоков простейшими. Это дает возможность существенно упростить математический аппарат исследования СМО. Указанные свойства простейших потоков позволяют просто определить их распределение вероятностей pk(t), т.е. вероятность того, что за отрезок времени длиной t произойдет k событий. Прежде всего следует оговорить, что мы будем рассматривать только те потоки, в которых за конечный промежуток времени t с вероятностью 1 будет происходить лишь конечное число событий, т.е. (1.17) Тогда простейший поток можно представить цепью Маркова, изображенной на рис.1.6,а, где состояние S0 означает отсутствие событий в интервале t, S1 - появление одного события за время t, S2 - появление двух событий за время t,…, Sk - появление k событий за время t. Применив правила составления уравнений Колмогорова для такого размеченного графа состояний, получим: dp0(t)/dt = - lp0(t), dp1(t)/dt = - lp1(t)+lp0(t) (1.18) … dpk(t)/dt = - lpk(t)+lpk-1 … с начальными условиями: р0(0)=1, р1(0)=0,…, рk=0,… Плотность вероятности перехода l, которая участвует в уравнениях (1.18), является в данном случае интенсивностью потока событий. Под интенсивностью потока понимается среднее по ансамблю реализаций число событий в единицу времени. Вероятность перехода рi,i+1(t,t+Dt) равна вероятности появления одного события в интервале от t до t+Dt, поскольку ординарность потока исключает появление большего числа событий в этом интервале. Очевидно, что эта вероятность равна среднему числу появлений одного события за время Dt. Тогда с учетом определения (1.2) можно сделать вывод, что плотность вероятности перехода для марковской цепи (рис.1.6) равна интенсивности простейшего потока. В стационарном простейшем потоке l = const, тогда как в нестационарном потоке интенсивность зависит от времени: l = l(t).
а б Рис.1.6
Решить систему (1.18) можно различными методами. Одним из наиболее простых является метод производящих функций. Производящей функцией распределения вероятностей состояний pk(t) называется ряд , (1.19) где |z|£l. С учетом (1.17) ряд (1.19) сходится абсолютно. Умножая на zk все уравнения (1.18) и суммируя по k от 0 до ¥, получим:
откуда следует dln Ф/dt = l(z-1) (1.20) Интегрируя (1.20), получим ln Ф(t,z) – ln Ф(0,z) = l(z-1)t С учетом начальных условий системы (1.18) можно написать Ф(0,z) = p0(0) = 1, ln Ф(0,z) = 0. Следовательно, Подставив вместо Ф(t,z) выражение (1.19), получим окончательно (1.21)
Распределение (1.21) является известным распределением Пуассона, поэтому простейшие потоки называются пуассоновскими. Важнейшей характеристикой любого потока является закон распределения интервала времени Т между двумя соседними событиями в потоке (см.рис.1.6,б). Определим этот закон для пуассоновских потоков. Вначале рассмотрим интегральный закон распределения F(t)=p(t>T), т.е. вероятность того, что случайная величина Т примет значение, меньшее чем t. Для этого необходимо определить вероятность того, что в интервал времени t, отсчитываемый от момента t0 появления некоторого события, попадет еще хотя бы одно событие (см.рис.1.6,б). Эту вероятность можно определить, зная вероятность отсутствия событий в интервале t, равную вероятности p0(t) состояния S0 на графе рис.1.6, а. В соответствии с (1.21) p0(t)=e-lt откуда следует F(t)=p(t>T)=1-e-lt, t>0 . (1.22) Дифференцируя (1.22) по времени, получим искомый закон распределения (1.23) Закон распределения (1.4.9) называется показательным (экспоненциальным). Определим первые два момента показательного распределения: - математическое ожидание (1.24) - дисперсия (1.25) Интегрируя (1.24) и (1.25) по частям, получим
. (1.26)
Из (1.26) следует, что для показательного распределения математическое ожидание и среднеквадратичное отклонение равны друг другу. Кроме того из (1.26) следует, что в простейшем потоке среднее время между двумя соседними событиями равно обратной величине интенсивности потока. Определим теперь вероятность попадания одного события в простейшем потоке на элементарный участок временной оси (см.рис.1.6,б). Так же, как и в предыдущем случае, эта вероятность P1(Dt) = 1 – P0(t) = 1 - e-lDt. Разлагая e-lDt в ряд по степеням lDt и ограничиваясь только первой степенью (в силу малости Dt), получим P1(Dt) = lDt. (1.27) Выражение в правой части (1.27) называется элементом вероятности появления события в простейшем потоке.
Потоки Пальма и Эрланга Потоки Пальма или потоки с ограниченным последействием являются обобщением потоков элементарных событий. Определение. Потоком Пальма называется поток, в котором промежутки времени между двумя соседними событиями представляют собой независимые случайные величины, распределенные по одному и тому же закону. Частным случаем потоков Пальма являются простейшие потоки, в которых интервалы между соседними событиями распределены по показательному закону. Если интервалы между событиями подчиняются гауссовскому распределению, то такие потоки называются нормальными. Очевидно, что для регулярного потока закон распределения выражается d-функцией. В теории массового обслуживания широко используются потоки Эрланга. Они образуются из простейших потоков путем применения к ним операции "просеивания". Эта операция заключается в том, что из простейшего потока удаляется некоторое число точек по определенному правилу. Если удаляются точки через одну, т.е. остается каждая 2-я точка, то поток Эрланга называется потоком 2-го порядка (Э2). Если удаляются две точки подряд и остается каждая 3-я точка, то получается поток Эрланга 3-го порядка (Э3). Если удаляются (k-l) точек подряд, а остается каждая k-я точка, то поток Эрланга называется потоком k-го порядка (Эк). Очевидно, что простейший поток является потоком Эрланга 1-го порядка. Определим закон распределения fk(t) интервалов Т1 для потока Эk. Для этого необходимо найти вероятность появления события в потоке Эk на элементарном участке (t,t+Dt), что будет иметь место в том случае, когда конец интервала Т = STi окажется в пределах элементарного участка: t £ STi £ t+dt. Вероятность этого события равна fk(t)dt. С другой стороны, эта вероятность равна произведению вероятностей двух событий: - на участок длиной t должна попасть k-l точка простейшего потока; - последняя (k-я) точка должна попасть на участок (t,t+Dt). Вероятность первого события можно определить в соответствии с пуассоновским законом (1.21) . Вероятность второго события равна, по определению, элементу вероятности появления события в простейшем потоке (1.27), т.е. ldt. Перемножая эти вероятности, получим
откуда следует . (1.28)
Закон распределения (1.28) называется законом Эрланга. При k=1 закон Эрланга вырождается в показательное распределение. Каждый интервал в потоке Эk равен: Т = STi, где Ti - независимые случайные величины, распределенные по показательному закону с первыми двумя моментами, определяемыми выражениями (1.26). Применяя теоремы о сложении математических ожиданий и дисперсий для суммы независимых случайных величин, получим (1.29)
Целесообразно выразить параметры непосредственно через интенсивность потока Эрланга Эk. Очевидно, что Lk = l/k, l = kLk. Представив таким образом интенсивность исходного пуассоновского потока, получим в соответствии с (1.29):
(1.30)
Сделав соответствующую подстановку в (1.28), определим закон Эрланга в виде
Из (1.30) следует, что, устремляя порядок k потока Эрланга к бесконечности, получим mt = 1/Lk; Dt ® 0. Это означает, что случайная величина Т приближается к постоянной величине, равной математическому ожиданию. При этом поток Эрланга вырождается в регулярный поток. Отмеченное свойство потоков Эрланга и является причиной, по которой они широко используются для аппроксимации реальных потоков, изменяя k от 1 (полное отсутствие последействий, пуассоновский поток) до ¥ (жесткая связь между моментами появления событий, регулярный поток), можно получить широкий спектр различных случаев, располагающихся по своим свойствам между этими двумя крайними полюсами. Рассмотрим (без доказательств) два типичных преобразования, выполняемых над случайными потоками: суммирование потоков и разрежение потоков, Суммарным называется поток, получающийся путем сложения случайных событий исходных суммируемых потоков. Отметим два основных свойства суммарных потоков. 1) Для суммарного потока существует предельная теорема: сумма независимых, ординарных и стационарных случайных потоков сходится к пуассоновскому потоку при неограниченном увеличении числа слагаемых [3]. Интенсивности суммируемых потоков должны при этом быть соизмеримы. Эта теорема аналогична центральной предельной теореме для случайных величин. 2) При сложении n как стационарных, так и нестационарных потоков интенсивность суммарного потока равна сумме интенсивностей потоков-слагаемых и выражается соотношением (1.31)
Разреженным (редеющим) потоком называется поток, получающийся из исходного потока путем случайного удаления из него событий с постоянной вероятностью q. Иными словами, событие исходного потока остается в разреженном с вероятностью р = 1-q. Следует различать операцию детерминированного "просеивания", с помощью которой получаются потоки Эрланга, и операцию случайного разрежения. В качестве примера редеющего потока можно привести поток необслуженных заявок на выходе СМО с отказами (например, поток самолетов, прорвавшихся через систему ПВО, которая сбивает случайное число этих самолетов). Отметим основные свойства редеющих потоков [3]. 1) Для редеющих потоков существует предельная теорема: если последовательно разрежать исходный стационарный ординарный поток Пальма с вероятностями р1,р2,…,рn, то многократно разреженный поток стремится к пуассоновскому при n®¥. 2) Интенсивность разреженного потока lp равна интенсивности исходного потока, умноженной на вероятность сохранения события в потоке, т.е. lp = рl. В заключение отметим, что марковские цепи являются математическими моделями некоторых реальных систем, а потоки событий являются моделями внешних воздействий на эти системы. В дальнейшем будем считать, что переход системы из одного состояния i в другое j в соответствии с размеченным графом состояний происходит под действием потока событий с интенсивностью lij, равной соответствующей плотности вероятности перехода. Эта интенсивность определяется как среднее число переходов из состояния i в состояние j за единицу времени. Если все потоки событий являются пуассоновскими, то процесс в системе будет марковским.
|
|||||||||
Последнее изменение этой страницы: 2021-12-07; просмотров: 51; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.136.154.103 (0.084 с.) |