На практике чаще всего ограничиваются рассмотрением простейшего (пуассоновского) потока заявок.

Определение. Поток событий, обладающий свойствами ординарности, стационарности и отсутствия последействия , называется простейшим (или стационарным пуассоновским) потоком . Для простейшего потока событий вероятность того, что на участке времени длины t наступит ровно k событий, имеет распределение Пуассона и определяется по формуле:

Р{X(t,t) = k} = a k e -a /k! (k=0, 1, 2,…),

где а = lt , l – интенсивность потока.

Физический смысл интенсивности потока событий – это среднее число событий, приходящееся на единицу времени (число заявок в единицу времени), размерность – 1/время.

Простейшим этот поток назван потому, что исследование систем, находящихся под воздействием простейших потоков, проводится самым простым образом.

Распределение интервалов между заявками для простейшего потока будет экспоненциальным (показательным) с функцией распределения и плотностью , где – интенсивность поступления заявок в СМО.

Рассмотрим основные свойства простейшего потока:

Стационарность;

Ординарность;

Отсутствие последействия.

Стационарность . Свойство стационарности проявляется в том, что вероятность попадания того или иного числа событий на участок времени зависит только от длины участка и не зависит от его расположения на оси . Другими словами, стационарность означает неизменность вероятностного режима потока событий во времени. Поток, обладающий свойством стационарности, называют стационарным . Для стационарного потока среднее число событий, воздействующих на систему в течение единицы времени, остаётся постоянным. Реальные потоки событий в экономике предприятия яв­ляются в действительности стационарными лишь на ограниченных участках времени.

Ординарность. Свойство ординарности потока присутствует, если вероятность попадания на элементарный участок времени двух и более событий пренебрежимо мала по сравнению с длиной этого участка. Свойство ординарности означает, что за малый промежуток времени практически невозможно появление более одного события. Поток, обладающий свойством ординарности, называют ор­динарным. Реальные потоки событий в различных экономических системах либо являются ординарными, либо могут быть достаточно просто приведены к ординарным.

Отсутствие последействия . Данное свойство потока состоит в том, что для любых непересекающихся участков времени количество событий, попадающих на один из них, не зависит от того, сколько событий попало на другие участки времени. Поток, обладающий свойством отсутствия последействия, называют потоком без последействия .

Поток событий, одновременно обладающий свойствами стационарности, ординарности и отсутствия последействия, называется простейшим потоком событий.

2.6. Компоненты и классификация

моделей систем массового обслуживания (СМО)

Первые задачи теории систем массового обслуживания (ТСМО) были рассмотрены сотрудниками Копенгагенской телефонной компании, датским учёным А. К. Эрлангом (1878–1929 гг.) в период между 1908 и 1922 гг. Эти задачи были вызваны к жизни стремлением упорядочить работу телефонной сети и разработать методы, позволяющие заранее повысить качество обслуживания потребителей в зависимости от числа используемых устройств. Оказалось, что ситуации, возникающие на телефонных станциях, являются типичными не только для телефонной связи. Работа аэродромов, работа морских и речных портов, магазинов, терминальных классов, радиолокационных комплексов, радиолокационных станций и т. д. и т. п. может быть описана в рамках ТСМО.

Системы массового обслуживания – это такие системы, в которые в случайные моменты времени поступают заявки на обслуживание, при этом поступившие заявки обслуживаются с помощью имеющихся в распоряжении системы каналов обслуживания.

С позиции моделирования процесса массового обслуживания ситуации, когда образуются очереди заявок (требований) на обслуживание, возникают следующим образом. Поступив в обслуживающую систему, требование присоединяется к очереди других (ранее поступивших) требований. Канал обслуживания выбирает требование из находящихся в очереди с тем, чтобы приступить к его обслуживанию. После завершения процедуры обслуживания очередного требования канал обслуживания приступает к обслуживанию следующего требования, если таковое имеется в блоке ожидания.

Цикл функционирования системы массового обслуживания подобного рода повторяется многократно в течение всего периода работы обслуживающей системы. При этом предполагается, что переход системы на обслуживание очередного требования после завершения обслуживания предыдущего требования происходит мгновенно, в случайные моменты времени.

Примерами систем массового обслуживания могут служить посты технического обслуживания автомобилей; любое предприятие сферы сервиса; персональные компьютеры, обслуживающие поступающие заявки или требования на решение тех или иных задач; аудиторские фирмы; отделы налоговых инспекций, занимающиеся приёмкой и проверкой текущей отчётности предприятий; телефонные станции и т. д.

Реальные системы, с которыми приходится иметь дело на практике, как правило, очень сложны и включают в себя ряд этапов (стадий) обслуживания. Причём на каждом этапе может существовать вероятность отказа в выполнении или существует ситуация приоритетного обслуживания по отношению к другим требованиям. При этом отдельные звенья обслуживания могут прекратить свою работу (для ремонта, наладки и т. д.) или могут быть подключены дополнительные средства. Могут быть такие обстоятельства, когда требования, получившие отказ, вновь возвращаются в систему (подобное может происходить в информационных системах).

Основными компонентами системы массового обслуживания любого вида являются:

Входной поток поступающих требований или заявок на обслуживание;

Дисциплина очереди;

Механизм обслуживания.

Входной поток требований . Для описания входного потока требуется задать вероятностный закон, определяющий последовательность моментов поступления требований на обслуживание и указать количество таких требований в каждом очередном поступлении. При этом, как правило, оперируют понятием «вероятностное распределение моментов поступления требований». Здесь могут поступать как единичные, так и групповые требования (требования поступают группами в систему). В последнем случае обычно речь идёт о системе обслуживания с параллельно-групповым обслуживанием.

Дисциплина очереди – это важный компонент системы массового обслуживания, он определяет принцип, в соответствии с которым поступающие на вход обслуживающей системы требования подключаются из очереди к процедуре обслуживания. Чаще всего используются дисциплины очереди, определяемые следующими правилами:

– первым пришёл – первый обслуживаешься (FIFO);

– пришёл последним – обслуживаешься первым (LIFO);

– случайный отбор заявок (RANDOM);

– отбор заявок по критерию приоритетности (PR);

– ограничение времени ожидания момента наступления обслуживания (имеет место очередь с ограниченным временем ожидания обслуживания или количеством мест, что ассоциируется с понятием «допустимая длина очереди»).

Следует отметить, что время обслуживания заявки зависит от характера самой заявки или требований клиента, и от состояния и возможностей обслуживающей системы. В ряде случаев приходится также учитывать вероятность выхода обслуживающего прибора по истечении некоторого ограниченного интервала времени.

Структура обслуживающей системы определяется количеством и взаимным расположением каналов обслуживания (механизмов, приборов и т. п.). Cистема обслуживания может иметь не один канал обслуживания, а несколько – система такого рода способна обслуживать одновременно несколько требований. В этом случае, если все каналы обслуживания предлагают одни и те же услуги, можно утверждать, что имеет место параллельное обслуживание – многоканальная система.

Система обслуживания может состоять из нескольких разнотипных каналов обслуживания, через которые должно пройти каждое обслуживаемое требование, т. е. в обслуживающей системе процедуры обслуживания требований реализуются последовательно.

Рассмотрев основные компоненты систем обслуживания, можно утверждать, что функциональные возможности любой систе­мы массового обслуживания определяются следующими основными факторами:

Вероятностное распределение моментов поступлений заявок на обслуживание (единичных или групповых);

Вероятностное распределение времени продолжительности обслуживания;

Конфигурация обслуживающей системы (параллельное, последовательное или параллельно-последовательное обслуживание);

Количество и производительность обслуживающих каналов;

Дисциплина очереди;

Мощность источника требований.

В системах с ограниченным ожиданием может ограничиваться длина очереди, время пребывания в очереди.

В системах с неограниченным ожиданием заявка, стоявшая в очереди, ждёт обслуживание неограниченно долго, т. е. пока не подойдёт очередь.

Приведённая классификация СМО является условной. На практике чаще всего системы массового обслуживания выступают в качестве смешанных систем. Например, заявки ожидают начала обслуживания до определённого момента, после чего система начинает работать как система с отказами.

Предметом теории массового обслуживания является установление зависимости между факторами, определяющими функциональные возможности системы массового обслуживания, и эффективностью её функционирования. В большинстве случаев все параметры, описывающие системы массового обслуживания, являются случайными величинами или функциями, поэтому эти системы относятся к стохастическим системам.

В качестве основных критериев эффективности функционирования систем массового обслуживания в зависимости от характера решаемой задачи могут выступать:

Вероятность немедленного обслуживания поступившей заявки;

Вероятность отказа в обслуживании поступившей заявки;

Относительная и абсолютная пропускная способность системы;

Средний процент заявок, получивших отказ в обслуживании;

Среднее время ожидания в очереди;

Средняя длина очереди;

Средний доход от функционирования системы в единицу времени.

Случайный характер потока заявок и длительности обслуживания приводит к тому, что в системе массового обслуживания происходит случайный процесс. По характеру случайного процесса, происходящего в системе массового обслуживания (СМО), различают марковские и немарковские. Независимо от характера процесса, протекающего в системе массового обслуживания, различают два основных вида СМО:

· системы с отказами, в которых заявка, поступившая в систему в момент, когда все каналы заняты, получает отказ и покидает очередь;

· системы с ожиданием (очередью), в которых заявка, поступившая в момент, когда все каналы обслуживания заняты, становится в очередь и ждет, пока не освободится один из каналов.

Для указания типа СМО используются общепринятые обозначения Кендалла – Баша: X/Y/Z/m ,

где X – вид закона распределения интервалов поступления заявок;
Y – вид закона распределения времени обслуживания заявок;
Z – число каналов;

m – число мест в очереди.

В обозначениях вида закона распределения буква M соответствует экспоненциальному распределению (от слова Марковиан ), буква E – распределению Эрланга, R – равномерному распределению и D – детерминированной величине.

Например, запись M/M/1 означаетодноканальную систему с экспоненциальными распределениями времени поступления и обслуживания заявок (М – марковская) без очереди.

2.7. Расчёт основных характеристик СМО

на основе использования их аналитических моделей

Рассмотрим такие СМО, в которых возможные состояния системы образуют цепь и каждое состояние, кроме исходного и последнего, связано прямой и обратной связью с двумя соседними состояниями. Такая схема процесса, протекающего в системе, называется схемой «гибели и размножения». Термин ведёт начало от биологических задач, процесс описывает изменение численности популяции.

Если в такой системе все потоки, переводящие систему из состояния в состояние пуассоновские, то процесс называется марковским случайным процессом «гибели и размножения».

Заметим, что в таких системах все состояния являются существенными, а значит, существуют финальные вероятности состояний, которые можно найти из линейной системы уравнений Эрланга.

На практике значительная часть систем (СМО) может описываться в рамках процесса «гибели и размножения».

Рассмотрим некоторые типы таких систем:

а) одноканальные с отказами (без очереди);

б) одноканальные с ограниченной очередью;

в) многоканальные с отказами (без очереди);

г) многоканальные с ограниченной очередью.

• 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.

Этот поток занимает центральное место среди всего многообразия потоков, так же как случайные величины с нормальным законом распределения в прикладной теории вероятностей. Такое положение объясняется тем обстоятельством, что в теории потоков, так же как и в теории случайных величин, имеется предельная теорема , согласно которой сумма большого числа независимых потоков с любым законом распределения приближается к простейшему потоку с ростом числа слагаемых потоков.

Стационарным пуассоновским (простейшим) называется поток, обладающий тремя свойствами:ординарностью ,отсутствием последействия истационарностью .

Распределение событий на малом интервале времени

По определению, интенсивностью потока называется предел
, так как простейший поток стационарен, то для него
.

Стационарность потока и отсутствие последействия исключают зависимость вероятности появления событий на интервале
как от расположения этого интервала на оси времени, так и от событий ему предшествующих. Поэтому
.

Для любого промежутка времени имеем . При устремлении
всеми членами правой части этой формулы, за исключением первого, можно пренебречь, т.к. в силу ординарности потока событий эти величины пренебрежимо малы по сравнению с
:

.

С учетом изложенного преобразуем исходное выражение для интенсивности потока:

.

Отсюда имеем равенство
, т.е. вероятность появления одного события на малом интервале времени пропорциональна этому интервалу с коэффициентом.

Очевидно, что
. Следовательно,
, откуда имеем
- вероятность непоявления ни одного события на малом интервале времени
.

Распределение событий в пуассоновском потоке

Найдем выражение
, где
- вероятность того, что на интервале
произойдетсобытий. Это событие произойдет в одном из двух взаимоисключающих случаях:

По теореме сложения вероятностей несовместных событий имеем вероятность наступления ситуации 1 или 2:

Откуда . Устремив
, получим
.

Определим аналогичное соотношение для
. Чтобы событие на интервале
не наступило ни одного раза, необходимо и достаточно, чтобы оно наступило0 раз в интервалеи0 раз - в
. Вероятность этого события равна. Откуда аналогично получим
.

Таким образом, пуассоновский поток событий описывается системой линейных дифференциальных уравнений

,

с очевидными начальными условиями .

Из первого уравнения получаем
, из начальных условий имеем
, откудас = 1 . Окончательно
.

Таким образом, для пуассоновского потока вероятность
отсутствия событий на любом интервале длинойопределяется экспоненциальной зависимостью. Для решения полной системы уравнений используем преобразование Лапласа. Имеем,

откуда
;
и далее
;
; ...
.

Взяв обратное преобразование Лапласа, с помощью таблиц получим
, т.е. распределение Пуассона.

Таким образом, простейший поток подчиняется закону распределения Пуассона, для которого математическое ожидание и дисперсия соответственно равны
.

Распределение интервалов между событиями

Найдем закон распределения интервалов времени между событиями для простейшего потока. Рассмотрим случайную величину - промежуток времени между двумя произвольными соседними событиями в простейшем потоке. Требуется найти функцию распределения
.

Рассмотрим противоположное событие
. Это вероятность того, что, начиная с некоторого момента появления события, за времяне появится больше ни одного события. Так как поток без последействия, то тот факт, что событие появилось в момент , не должен оказать никакого влияния на поведение потока в дальнейшем. Поэтому вероятность
, откуда
и плотность распределения вероятности
.

Такой закон распределения называется показательным (экспоненциальным) с параметром. Найдем математическое ожидание и дисперсиюэтого процесса:

;

Показательный закон обладает замечательным свойством: если промежуток времени, распределенный по показательному закону, уже длился некоторое время , то это никак не влияет на закон распределения оставшейся части промежутка
(он будет таким же, как закон распределения промежутка).

Докажем это свойство. Пусть
- вероятность того, что обслуживание, продолжавшееся(с), еще продлится не менее(с): т.е. на интервале времениa + t не произойдет ни одного события. При показательном законе распределения времени обслуживания
.

По теореме о произведении вероятностей событий . При показательном законе;
и, следовательно,
, т.е. при показательном законе времени обслуживания закон распределения оставшейся части времени обслуживания не зависит от того, сколько времени уже длилось обслуживание. Можно доказать, что показательный закон единственный , для которого справедливо это свойство.

Рассмотренное свойство , по существу, представляет другую формулировку свойстваотсутствия последействия .

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?

Рассмотрим некоторую физическую систему S с дискретными состояниями которая переходит из состояния в состояние под влиянием каких-то случайных событий, например, вызовы на телефонной станции, выходы строя (отказы) элементов аппаратуры, выстрелы, направленные по цели и т. д.

Будем себе это представлять так, будто события, переводящие систему из состояния в состояние, представляют собой какие-то потоки событий (потоки вызовов, потоки отказов, потоки выстрелов и т. д.).

Пусть система S с графом состояний, показанным на рис. 4.27, в момент t находится в состоянии S; и может перейти из него в состояние под влиянием какого-то пуассоновского потока событий с интенсивностью как только появляется первое событие этого потока, система мгновенно переходит (перескакивает) из S в Как мы знаем, вероятность этого перехода за элементарный промежуток времени (элемент вероятности перехода) равна . Таким образом, плотность вероятности перехода в непрерывной цепи Маркова представляет собой не что иное, как интенсивность потока событий, переводящего систему по соответствующей стрелке.

Если все потоки событий, переводящие систему S из состояния в состояние, пуассоновские (стационарные или нестационарные - безразлично), то процесс, протекающий в системе, будет марковским. Действительно, пуассоновский поток обладает отсутствием последействия, поэтому, при заданном состоянии системы в данный момент, ее переходы в другие состояния в будущем обусловлены только появлением каких-то событий в пуассоновских потоках, а вероятности появления этих событий не зависят от «предыстории» процесса.

В дальнейшем, рассматривая марковские процессы в системах с дискретными состояниями и непрерывным временем (непрерывные марковские цепи), нам удобно будет во всех случаях рассматривать переходы системы из состояния в состояние как происходящие под влиянием каких-то потоков событий, хотя бы в действительности эти события были единичными. Например, работающее техническое устройство мы будем рассматривать как находящееся под действием потока отказов, хотя фактически оно может отказать только один раз. Действительно, если устройство отказывает в тот момент, когда приходит первое событие потока, то совершенно все равно - продолжается после этого поток отказов или же прекращается: судьба устройства от этого уже не зависит. Для нас же будет удобнее иметь дело именно с потоками событий.

Итак, рассматривается система S, в которой переходы из состояния в состояние происходят под действием пуассоновских потоков событий с определенными интенсивностями. Проставим эти интенсивности (плотности вероятностей переходов) на графе состояний системы у соответствующих стрелок.

Получим размеченный граф состояний (рис. 4.27); по которому, пользуясь правилом, сформулированным в § 3, можно сразу записать дифференциальные уравнения Колмогорова для вероятностей состояний.

Пример 1. Техническая система S состоит из двух узлов: I и II; каждый из них независимо от другого может отказывать (выходить из строя). Поток отказов первого узла - пуассоновский, с интенсивностью второго - также пуассоновский, с интенсивностью Каждый узел сразу после отказа начинает ремонтироваться (восстанавливаться). Поток восстановлений (окончаний ремонта ремонтируемого узла) для обоих узлов - пуассоновский с интенсивностью К.

Составить граф состояний системы и написать уравнения Колмогорова для вероятностей состояний. Определить, при каких начальных условиях нужно решать эти уравнения, если в начальный момент система работает исправно.

Решение. Состояния системы:

Оба узла неправды,

Первый узел ремонтируется, второй исправен,

Первый узел исправен, второй ремонтируется,

Оба узла ремонтируются.

Размеченный граф состояний системы показан на рис. 4.28.

Интенсивности потоков событий на рис. 4.28 проставлены из следующих соображений. Если система S находится в состоянии то на нее действуют два потока событий: поток неисправностей узла I с интенсивностью X, переводящий ее в состояние и поток неисправностей узла II с интенсивностью переводящий ее в Пусть теперь система находится в состоянии (узел I ремонтируется, узел II - исправен). Из этого состояния система может, во-первых, вернуться в (это происходит под действием потока восстановлений с интенсивностью ); во-вторых, - перейти в состояние (когда ремонт узла I еще не закончен, а узел II тем временем вышел из строя); этот переход происходит под действием потока отказов узла II с интенсивностью Интенсивности потоков у остальных стрелок проставляются аналогично.

Обозначая вероятности состояний и пользуясь правилом, сформулированным в § 3, запишем уравнения Колмогорова для вероятностей состояний:

Начальные условия, при которых нужно решать эту систему: при

Заметим, что, пользуясь условием

можно было бы уменьшить число уравнений на одно. Действительно, любую из вероятностей можно выразить через остальные и подставить в уравнения (6.1), а уравнение, содержащее в левой части производную чтой вероятности - отбросить.

Заметим, кроме того, что уравнения (6.1) справедливы как для постоянных интенсивностей пуассоновских потоков X, так и для переменных:

Пример 2. Группа в составе пяти самолетов в строю «колонна» (рис. 4.29) совершает налет на территорию противника. Передний самолет (ведущий) является постановщиком помех; до тех пор, пока он не сбит, идущие за ним самолеты не могут быть обнаружены и атакованы средствами ПВО противника. Атакам подвергается только постановщик помех. Поток атак - пуассоновский, с интенсивностью X (атак/час). В результате атаки постановщик помех поражается с вероятностью р.

Если постановщик помех поражен (сбит), то следующие за ним самолеты обнаруживаются и подвергаются атакам ПВО; на каждый из них (до тех пор, пока он не поражен) направляется пуассоновский поток атак с интенсивностью X; каждой атакой самолет поражается с вероятностью р. Когда самолет поражен, атаки по нему прекращаются, но на другие самолеты не переносятся.

Написать уравнения Колмогорова для вероятностей состояний системы и указать начальные условия.

Решение. Будем нумеровать состояния системы соответственно числу сохранившихся самолетов в группе:

Все самолеты целы;

Постановщик помех сбит, остальные самолеты целы;

Постановщик помех и один бомбардировщик сбиты, остальные самолеты целы;

Постановщик помех и два бомбардировщика сбиты, остальные самолеты целы;

Постановщик помех и три бомбардировщика сбиты, один самолет цел;

Все самолеты сбиты.

Состояния мы отличаем друг от друга по числу сохранившихся бомбардировщиков, а не по тому, какой именно из них сохранился, так как все бомбардировщики по условиям задачи равноценны - атакуются с одинаковой интенсивностью и поражаются с одинаковой вероятностью.

Граф состояний системы показан на рис. 4 30. Чтобы разметить этот граф, определим интенсивности потоков событий, переводящих систему из состояния в состояние.

Из состояния систему переводит поток поражающих (или «успешных») атак, т. е. тех атак, которые приводят к поражению постановщика (разумеется, если он раньше не был поражен).

Интенсивность потока атак равна X, но не все они - поражающие: каждая из них оказывается поражающей только с вероятностью . Очевидно, интенсивность потока поражающих атак равна эта интенсивность и проставлена в качестве у первой слева стрелки на графе (рис. 4.30).

Займемся следующей стрелкой и найдем интенсивность Система находится в состоянии т. е., целы и могут быть атакованы четыре самолета. Она перейдет в состояние за время если за это время какой-нибудь из самолетов (все равно, какой) будет сбит. Найдем вероятность противоположного события - за время ни один самолет не будет сбит:

Здесь отброшены члены высшего порядка малости относительно Вычитая эту вероятность из единицы, получим вероятность перехода из за время (элемент вероятности перехода):

) все самолеты целы, начальные условия будут;Отметим, что в данном параграфе мы только выписывали дифференциальные уравнения для вероятностей состояний, но не занимались решением этих уравнений.

По этому поводу можно заметить следующее. Уравнения для вероятностей состояний представляют собой линейные дифференциальные уравнения с постоянными или переменными коэффициентами - в зависимости от того, постоянны или переменны интенсивности потоков событий, переводящих систему из состояния в состояние.

Система нескольких линейных дифференциальных уравнений такого типа только в редких случаях может быть проинтегрирована в квадратурах: обычно такую систему приходится решать численно - либо вручную, либо на аналоговой вычислительной машине (АВМ), либо, наконец, на ЭЦВМ. Все эти способы решения систем дифференциальных уравнений затруднений не доставляют; поэтому самое существенное - уметь записать систему уравнений и сформулировать для нее начальные условия, чем мы и ограничились здесь.

Закрытие ИП