
- •Пример 5.2.2: Множественные события
- •Формула Литла
- •Пример 5.3.1: Формулы Литла
- •Лекция 6. Пуассоновский процесс
- •Характеристики Пуассоновского процесса
- •Распределения Пуассоновского процесса
- •Экспоненциальное распределение
- •Распределение Эрланга k-го порядка
- •Пример 6.2.1: Статистика вызова в системе с программным управлением (сравните с примером 5.1.2)
- •Пуассоновское распределение
- •Пример 6.2.2: Спутниковая система синхронного (сегментированная) алоха
- •6.2.4. Статическое получение распределения Пуассоновского процесса
Распределение Эрланга k-го порядка
Из приведенного выше можно заметить, что время поступления точно к событий определяется суммой к IID (independently and identically distributed - независимо и тождественно распределенных) экспоненциально распределенных случайных переменных.
Распределение этой суммы — распределение Эрланга к-го порядка (секция 4.2), и плотность равна:
gk(t)
dt
= X
^
—
6~xt
d t,
A>0,
/>0,
k=
1,2,....
(6.14)
Для k=\ мы получаем экспоненциальное распределение. Распределение gk+l(t), k>0, получено свертыванием gm(t) и g,(f)- Если мы принимаем, что выражение (6.14) правильно для gt(t), тогда получаем свертыванием:
t
gk+i(t) = J^(/-x)g,(x)dx о
= f х е-А(,-х) X, е-Ъс dt
J (к- 1)!
о
у4+1 I
11 [(/- x)k~Idx
(к- 1)!
о к\
Так как выражение справедливо при к= 1, согласно приведенной выше индукции мы имеем, что это справедливо для любого к.
Распределение Эрланга к-го порядка со статистической точки зрения - это специальное гамма-распределение.
Средняя величина и дисперсия получаются из (6.12):
к
Т’ к
V«'
1+-J-. (6.15)
к
Пример 6.2.1: Статистика вызова в системе с программным управлением (сравните с примером 5.1.2)
Пусть вызовы поступают в систему с программным управлением, например, на программно управляемую телефонную станцию (SPC — System Program Control), согласно Пуассоновскому процессу. Станция автоматически собирает полную информацию о каждом 1000-ом вызове. Интервалы поступления между двумя регистрацией тогда будут иметь А:= I ООО распределение Эрланга и иметь коэффициент формы е = 1,001, то есть регистрация будет очень регулярной.
Пуассоновское распределение
Покажем теперь, что число поступления заявок в интервал фиксированной длины t имеет Пуассоновское распределение со средней величиной Xt. Когда мы знаем вышеупомянутое экспоненциальное распределение и распределение Эрланга, дифференцирование Пуассоновского распределения — только вопрос применения простой комбинаторики. Доказательство может быть осуществлено по индукции.
Мы хотим получить p(i, t) = вероятность i-го поступления заявки в пределах временного интервала t. Предположим, что:
ЛЛ/-1
Р(‘ ~ 1,0 = • е~Л(, X > 0, 1= 1,2,...
Это справедливо, для /=0 (6.9). Интервал (0, /) разделен на три не перекрывающихся интервала: (0, ?,), (tx, t{+dt{) и (/,+Л,, t). Из предположения о независимости мы знаем, что события в пределах интервала не зависят от событий в других интервалах, потому что интервалы — не перекрывающиеся. Выбирая так, чтобы последнее поступление заявки в пределах (0,1) появлялось в интервале (/,, /,+<#,), получим вероятность/> (/', /) объединением по всем возможным значениям t{ как произведение следующих трех вероятностей.
а) Вероятность, что (/ - 1) поступление произойдет в пределах временного интервала (0, /,):
рЦ- М0= ,е~Ц|,
б) Вероятность, что только одно поступление произойдет в пределах временного интервала от t, до t, + dt,
в) Вероятность, что не произойдет поступление в пределах временного
интервала от tt + dtl до t:
e-W-'i).
Произведение первых двух вероятностей дает вероятность того, что /-ая заявка поступит в момент + dtx, т.е. будет иметь место Эрланговское распределение из предыдущей секции.
Интегрируя, мы получаем
P(U) = d/,e-^>
t
— е-Ь' f (H d/,
(i- 1)! J'>
,(/,,) = <6J6>
Это — Пуасоновское распределение, которое мы, таким образом, получили из (6.9) индукцией. Средняя величина и дисперсия:
т 1 = \-1, (6.17)
ст2 = X • t. (6.18)
Пуассоновское распределение — очень хорошая модель для числа вызовов в телекоммуникационной системе (рис. 6.3) или вакантных мест в компьютерной системе.