Процесс пуассона. Стационарный пуассоновский поток отказов

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.

Перевод

Введение

Одним из важнейших процессов, наблюдаемых в природе, является пуассоновский точечный процесс. Поэтому важно понять, как такие процессы можно моделировать. Методы моделирования различаются в зависимости от типа пуассоновского точечного процесса, т. е. пространства, в котором протекает процесс и однородности или неоднородности процесса. Мы не будем заинтересованы развитием пуассоновского точечного потока или с важными приложениями его в различных областях. Чтобы этот материал показался интересным, читателю настоятельно рекомендуется прочитать соответствующие разделы в Феллере (1965) и Синларе (1975) для основной теории и некоторые разделы в Триведи (1982) для приложений в ИТ.

На первом шаге мы определим пуассоновский процесс на = T
UNTIL Ложь (это бесконечный цикл; по желанию можно добавить критерий остановки)

Этот алгоритм просто реализовать, поскольку нет нужды генерировать пуассоновские случайные величины. Для других простых множеств A, существуют тривиальные обобщения теоремы 1.2. Например, когда A=x, где t может равняться бесконечности, 0 < T1 < T2 <… - равномерный пуассоновский процесс с интенсивностью λ и U1,U2,… - последовательность независимых одинаково распределённых равномерно на случайных величин, то (T1,U1),(T2,U2),… определяют пуассоновский процесс с интенсивностью λ на А.

Пример 1.1.

Равномерный пуассоновский процесс на единичной окружности
Если A - окружность с единичным радиусом, то разные свойства равномерного пуассоновского процесса можно использовать, чтобы получить несколько методов генерации (которые обобщаются на d-мерные сферы). Пусть λ - желаемая интенсивность.
Во-первых, мы просто могли бы сгенерировать случайную пуассоновскую величину N с параметром λπ, а затем вернуть последовательность N независимых одинаково распределённых равномерно на единично окружности векторов. Если мы применим метод порядковых статистик, предлагаемый теоремой 1.2, то пуассоновская случайная величина получается неявно. Например, перейдя в полярные координаты (R,φ) заметим, что для равномерного пуассоновского процесса R и φ независимы, и случайная величина R имеет плотность 2r, r меняется от 0 до 1, а φ равномерно распределена на . Таким образом, мы можем поступить следующим образом: Сгенерировать равномерный пуассоновский процесс 0 < φ1 < φ2 <… < φN с параметром интенсивности λ/(2π) на экспоненциальным методом и вернуть (φ1,R1),...,(φN,RN), где Ri - независимые одинаково распределённые случайные величины с плотностью 2r на , которые можно сгенерировать, взяв максимум из двух независимых равномерно распределённых на случайных величин. Особой причины применять эспоненциальный метод к углам нет. Таким же образом мы могли подобрать и радиусы. К сожалению, порядковые радиусы не формируют одномерный равномерный пуассоновский процесс на . Однако, тем не менее они образуют неоднородный пуассоновский процесс, и генерация таких процессов будет рассмотрена в следующем разделе.

Неоднородные пуассоновские процессы

Бывают такие ситуации, когда события происходят в «случайные моменты времени», но некоторые моменты более возможны, чем другие. Это случай прибытий в центры интенсивной терапии, предложений работ в компьютерных центрах и травмы игроков НХЛ. Для этих случаев очень хорошей моделью является модель неоднородного пуассоновского процесса, определённого здесь ради удобства на = T
UNTIL False

Пример 1.2. Однородный пуассоновский процесс

Для особого случая λ(t)=λ, Λ(t)=λt несложно видеть, что InvΛ(E+Λ(T))=T+E/λ, в результате чего мы снова получаем экспоненциальный метод.

Пример 1.3.

Для моделирования утреннего потока автомобилей перед часом пик, мы иногда можем взять λ(t)=t, тогда Λ(t)=t^2/2 и получим шаг

Если функцию интенсивности можно представить в виде суммы функций интенсивности, т. е. ,

0 < T i1 < T i2 <… T in - независимые реализации отдельных неоднородных пуассоновских процессов, то объединённая упорядоченная последовательность образует реализацию неоднородного пуассоновского процесса с функкцией интенсивности λ(t). Это относится к методу композиции, но разница теперь состоит в том, что нам нужны реализации всех компонентов процесса. Декомпозицию можно использовать, когда существует естественное разложение, продиктованное аналитической формой λ(t). Поскольку основная операция в слиянии процессов - взять минимальное значение из n процессов, для больших n преимущество может предоставить хранение моментов времени в куче из n элементов.

В итоге получим метод композиции:

Сгенерировать T,...,T для n пуассоновских процессов и хранить эти значения вместе с индексами соответствующих процессов в таблице
T = 0 (текущее время)
k = 0
REPEAT
Найти минимальный элемент T в таблице и удалить его
k = k + 1
T[k] = T
Сгенерировать T и вставить в таблицу
UNTIL False

Третий общий принцип - это принцип утоньшения (Льюис и Шедлер, 1979). Аналогично тому, что происходит в методе отклонения, предполагаем, что существует лёгкая доминирующая функция интенсивности λ(t) <= μ(t) для любого t.

Тогда идея состоит в том, чтобы сгенерировать однородный Пуассоновский процесс на части положительной полуплоскости между 0 и μ(t), затем рассмотреть однородный пуассоновский процесс под λ и, наконец, вернуть x-компоненты событий в этом процессе. Это требует следующей теоремы.

Теперь рассмотрим метод утоньшения Льюиса и Шедлера:

T = 0
k = 0
REPEAT
Сгенерировать Z, первое событие в неоднородном пуассоновском процессе с функцией интенсивности μ, который происходит после момента времени T. Присвоить T = Z
Сгенерировать равномерно распределённую на случайную величину U
IF U <= λ(Z)/μ(Z)
THEN k = k + 1, X[k] = T
UNTIL False

Утверждается, что последовательность X k так сгенерированная образует неоднородный пуассоновский процесс с функцией интенсивности λ. Заметим, что мы взяли неоднородный процесс 0 < Y1 < Y2 <… с функцией интенсивности μ и убрали некоторые точки. Насколько мы знаем, (Y i ,U i μ(Y i) - однородный пуассоновский процесс с единичной интенсивностью на кривой, если U i независимые одинаково распределённые равномерно на случайные величины в силу теоремы 1.3. Таким образом, подпоследовательность на кривой λ определяет однородный пуассоновский процесс с единичной интенсивностью на этой кривой (часть 3. теоремы 1.3). Наконец, взятие x-координат только этой подпоследовательности даёт нам неоднородный пуассоновский процесс с функцией интенсивности λ.
Неоднородный пуассоноский процесс с функцией интенсивности μ обычно моделируют методом инверсии.

Пример 1.4. Функция с циклической интенсивностью

Следующий пример также принадлежит Льюису и Шедлеру (1979). Рассмотрим функцию с циклической интенсивностью λ(t)= λ(1+cos(t)) с очевидным выбором доминирующей функции μ=2λ.

Тогда алгоритм моделирования примет вид:

T = 0
k = 0
REPEAT
Сгенерировать экспоненциальную случайную величину E c параметром 1
T = T + E/(2λ)
Сгенерировать равномерную на случайную величину U
IF U <= (1+cos(T))/2
THEN k = k + 1, X[k] = T
UNTIL False

Нет нужды говорить о том, что можно использовать здесь теорему о двух милиционерах, чтобы избежать вычисления косинуса в большинстве случаев.

Заключительное слово об эффективности алгоритма, когда моделируется неоднородный пуассоновский процесс на множестве . Среднее число событий, которое необходимо от доминирующего процесса, равно в то время, как среднее число возвращённых случайных величин равно
Отношение средних величин может быть рассмотрено как объективная мера эффективности, сравнимая в духе константы отклонения в стандартном методе отклонения. Заметим, что мы не можем использовать среднюю величину отношения, поскольку она, в общем случае, была бы равна бесконечности в силу положительной вероятности того, что ни одна величина не возвратится.

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.

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.

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.

Лабораторная работа 6

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 включений приборов в бытовой электросети; поток заказных писем, поступающих в почтовое отделение; поток сбоев (неисправностей) электронной вычислительной машины; поток выстрелов, направляемых на цель во время обстрела, и т. п. События, образующие поток, в общем случае могут быть различными, но здесь мы будем рассматривать лишь поток однородных событий, различающихся только моментами появления. Такой поток можно изобразить как последовательность точек на числовой оси (рис. 19.3.1), соответствующих моментам появления событий.

В настоящем мы рассмотрим потоки событий, обладающие некоторыми особенно простыми свойствами. Для этого введем ряд определений.

1. Поток событий называется стационарным, если вероятность попадания того или иного числа событий на участок времени длиной (рис. 19.3.1) зависит только от длины участка и не зависит от того, где именно на оси расположен этот участок.

2. Поток событий называется потоком без последействия, если для любых неперекрывающихся участков времени число событий, попадающих на один из них, не зависит от числа событий, попадающих на другие.

3. Поток событий называется ординарным, если вероятность попадания на элементарный участок двух или более событий пренебрежимо мала по сравнению с вероятностью попадания одного события.

Если поток событий обладает всеми тремя свойствами (т. е. стационарен, ординарен и не имеет последействия), то он называется простейшим (или стационарным пуассоновским) потоком. Название «пуассоновский» связано с тем, что при соблюдении условий 1-3 число событий, попадающих на любой фиксированный интервал времени, будет распределено по закону Пуассона (см. 5.9).

Рассмотрим подробнее условия 1-3, посмотрим, чему они соответствуют для потока заявок и за счет чего они могут нарушаться.

1. Условию стационарности удовлетворяет поток заявок, вероятностные характеристики которого не зависят от времени. В частности, для стационарного потока характерна постоянная плотность (среднее число заявок в единицу времени). На практике часто встречаются потоки заявок, которые (по крайней мере, на ограниченном отрезке времени) могут рассматриваться как стационарные. Например, поток вызовов на городской телефонной станции на участке времени от 12 до 13 часов может считаться стационарным. Тот же поток в течение целых суток уже не может считаться стационарным (ночью плотность вызовов значительно меньше, чем днем). Заметим, что так обстоит дело и со всеми физическими процессами, которые мы называем «стационарными»: в действительности все они стационарны лишь на ограниченном участке времени, а распространение этого участка до бесконечности - лишь удобный прием, применяемый в целях упрощения анализа. Во многих задачах теории массового обслуживания представляет интерес проанализировать работу системы при постоянных условиях; тогда задача решается для стационарного потока заявок.

2. Условие отсутствия последействия - наиболее существенное для простейшего потока - означает, что заявки поступают в систему независимо друг от друга. Например, поток пассажиров, входящие на станцию метро, можно считать потоком без последействия потому, что причины, обусловившие приход отдельного пассажира именно в тот, а не другой момент, как правило, не связаны с аналогичными причинами для других пассажиров. Однако условие отсутствия последействия может быть легко нарушено за счет появления такой зависимости. Например, 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.

Вообще нужно заметить, что выходной поток (или поток обслуженных заявок), покидающий систему массового обслуживания, обычно имеет последействие, даже если входной поток его не имеет. Чтобы убедиться в этом, рассмотрим одноканальную систему массового обслуживания, для которой время обслуживания одной заявки вполне определено и равно . Тогда в потоке обслуженных заявок минимальный интервал времени между заявками, покидающими систему, будет равен . Нетрудно убедиться, что наличие такого минимального интервала неизбежно приводит к последействию. Действительно, пусть стало известно, что в какой-то момент систему покинула обслуженная заявка. Тогда можно утверждать с достоверностью, что на любом участке времени , лежащем в пределах , обслуженной заявки не появится; значит, будет иметь место зависимость между числами событий на неперекрывающихся участках.

Последействие, присущее выходному потоку, необходимо учитывать, если этот поток является входным для какой-либо другой системы массового обслуживания (так называемое «многофазовое обслуживание», когда одна и та же заявка последовательно переходит из системы в систему).

Отметим, между прочим, что самый простой на первый взгляд регулярный поток, в котором события отделены друг от друга равными интервалами, отнюдь не является «простейшим» в нашем смысле слова, так как в нем имеется ярко выраженное последействие: моменты появления следующих друг за другом событий связаны жесткой, функциональной зависимостью. Именно из-за наличия последействия анализ процессов, протекающих в системе массового обслуживания при регулярном потоке заявок, гораздо сложнее, чем при простейшем.

3. Условие ординарности означает, что заявки приходят поодиночке, а не парами, тройками и т. д. Например, поток атак, которому подвергается воздушная цель в зоне действия истребительной авиации, будет ординарным, если истребители атакуют цель поодиночке, и не будет ординарным, если истребители идут в атаку парами. Поток клиентов, входящих в парикмахерскую, может считаться практически ординарным, чего нельзя сказать о потоке клиентов, направляющихся в ЗАГС для регистрации брака.

Если в неординарном потоке заявки поступают только парами, только тройками и т. д., то неординарный поток легко свести к ординарному; для этого достаточно вместо потока отдельных заявок рассмотреть поток пар, троек и т. д. Сложнее будет, если каждая заявка случайным образом может оказаться двойной, тройной и т. д. Тогда уже приходится иметь дело с потоком не однородных, а разнородных событий.

В дальнейшем мы для простоты ограничимся рассмотрением ординарных потоков.

Простейший поток играет среди потоков событий вообще особую роль, до некоторой степени аналогичную роли нормального закона среди других законов распределения. Мы знаем, что при суммировании большого числа независимых случайных величин, подчиненных практически любым законам распределения, получается величина, приближенно распределенная по нормальному закону. Аналогично можно доказать, что при суммировании (взаимном наложении) большого числа ординарных, стационарных потоков с практически любым последействием получается поток, сколь угодно близкий к простейшему. Условия, которые должны для этого соблюдаться, аналогичны условиям центральной предельной теоремы, а именно - складываемые потоки должны оказывать на сумму приблизительно равномерно малое влияние.

Не доказывая этого положения и даже не формулируя математически условия, которым должны удовлетворять потоки, проиллюстрируем его элементарными рассуждениями. Пусть имеется ряд независимых потоков (рис. 19.3.2). «Суммирование» потоков состоит в том, что все моменты появления событий сносятся на одну и ту же ось , как показано на рис. 19.3.2.

Предположим, что потоки сравнимы по своему влиянию на суммарный поток (т. е. имеют плотности одного порядка), а число их достаточно велико. Предположим, кроме того, что эти потоки стационарны и ординарны, но каждый из них может иметь последействие, и рассмотрим суммарный поток

на оси (рис. 19.3.2). Очевидно, что поток должен быть стационарным и ординарным, так как каждое слагаемое обладает этим свойством и они независимы. Кроме того, достаточно ясно, что при увеличении числа слагаемых последействие в суммарном потоке, даже если оно значительно в отдельных потоках, должно постепенно слабеть. Действительно, рассмотрим на оси два неперекрывающихся отрезка и (рис. 19.3.2). Каждая из точек, попадающих в эти отрезки, случайным образом может оказаться принадлежащей тому или иному потоку, и по мере увеличения удельный вес точек, принадлежащих одному и тому же потоку (и, значит, зависимых), должен уменьшаться, а остальные точки принадлежат разным потокам и появляются на отрезках независимо друг от друга. Достаточно естественно ожидать, что при увеличении суммарный поток будет терять последействие и приближаться к простейшему.

На практике оказывается обычно достаточно сложить 4-5 потоков, чтобы получить поток, с которым можно оперировать как с простейшим.

Простейший поток играет в теории массового обслуживания особенно важную роль. Во-первых, простейшие и близкие к простейшим потоки заявок часто встречаются на практике (причины этого изложены выше). Во-вторых, даже при потоке заявок, отличающемся от простейшего, часто можно получить удовлетворительные по точности результаты, заменив поток любой структуры простейшим с той же плотностью. Поэтому займемся подробнее простейшим потоком и его свойствами.

Рассмотрим на оси простейший поток событий (рис. 19.3.3) как неограниченную последовательность случайных точек.

Выделим произвольный участок времени длиной . В главе 5 (5.9) мы доказали, что при условиях 1, 2 и 3 (стационарность, отсутствие последействия и ординарность) число точек, попадающих на участок , распределено по закону Пуассона с математическим ожиданием

где - плотность потока (среднее число событий, приходящееся на единицу времени).

Вероятность того, что за время произойдет ровно событий, равна

. (19.3.3)

В частности, вероятность того, что участок окажется пустым (не произойдет ни одного события), будет

Важной характеристикой потока является закон распределения длины промежутка между соседними событиями. Рассмотрим случайную величину - промежуток времени между произвольными двумя соседними событиями в простейшем потоке (рис. 19.3.3) и найдем ее функцию распределения

Перейдем к вероятности противоположного события

Это есть вероятность того, что на участке времени длиной , начинающемся в момент появления одного из событий потока, не появится ни одного из последующих событий. Так как простейший поток не обладает последействием, то наличие в начале участка (в точке ) какого-то события никак не влияет на вероятность появления тех или других событий в дальнейшем. Поэтому вероятность можно вычислить по формуле (19.3.4)

Дифференцируя, найдем плотность распределения

Закон распределения с плотностью (19.3.6) называется показательным законом, а величина - его параметром. График плотности представлен на рис. 19.3.4.