книги / Прикладные задачи теории массового обслуживания
..pdf§1.6. ПРЕДЕЛЬНЫЕ ТЕОРЕМЫ ДЛЯ ПОТОКОВ СОБЫТИЙ
Вбольшинстве исследований прикладного характера делается предположение, что фигурирующие в них потоки событий являются пуассоновскими. Это объясняется не только тем, что введение пуассоновских потоков событий намного упрощает исследование
иоблегчает нахождение решения, а еще и тем, что пуассоновские
потоки |
событий (или |
весьма близкие к ним |
по |
структуре) |
часто |
имеют место в |
действительности, так |
как |
в опреде |
ленном смысле они являются предельными для различных пото ков. Например, если накладывать друг на друга («складывать») большое число различных по структуре потоков событий, то сум марный поток в весьма широком классе условий будет близок к пуассоновскому. С другой стороны, если взять произвольный поток и из него случайным образом выбрасывать события, то по сле нескольких таких разрежений полученный поток событий бу дет также близок к пуассоновскому * На практике очень часто фактически имеет место сложение или случайное разрежение потоков событий, поэтому пуассоновские потоки событий нахо дят широкое применение при решении различных прикладных задач.
1. Предельная теорема для суммарного потока
Предельная теорема для суммы нескольких потоков имеет такое же значение, как и центральная предельная теорема для суммы нескольких случайных величин. Центральная предельная теорема утверждает сходимость закона распределения суммы независимых случайных величин к нормальному закону при уве личении числа слагаемых. Предельная теорема для суммарного потока утверждает сходимость суммы независимых, ординар ных, стационарных потоков к простейшему потоку. При этом ус ловия, налагаемые на суммируемые потоки, приблизительно та кие же, как и условия центральной предельной теоремы: скла дываемые потоки должны оказывать более или менее одинаково малое влияние на суммарный поток. Другими словами, среди суммируемых потоков не должно быть потоков с очень большой интенсивностью (по сравнению с суммарной интенсивностью всех остальных); интенсивности складываемых потоков не должны становиться по мере увеличения номера потока исчезающе ма лыми; кроме этого, должны быть наложены некоторые несущест венные ограничения на последействие внутри каждого потока, которые мы не будем уточнять, так как книга носит прикладной характер. Здесь важно отметить, что сходимость суммарного по тока к простейшему осуществляется очень быстро. Практически можно считать, что сложение четырех-пяти стационарных, орди-
* Ниже будет дано более подробное разъяснение понятий сложения и раз режения потоков.
31
нарных, независимых потоков, сравнимых по интенсивности, достаточно для того, чтобы суммарный поток был близок к про стейшему.
Остановимся несколько подробнее на понятии «сложение» потоков. «Сложение» двух потоков П\ и П2 состоит в том, что все
моменты появлений событий в этих потоках относятся к одной оси 01 (см. рис. 1.6.1), на которой отмечаются моменты появле ния событий в суммарном потоке П = ПХ+ П2.
«____________ . ___. ____
0 I |
1 1 |
1 |
1 |
11 |
1 п |
г |
1т 1т t 1 1 « |
1- |
|
1- - 1 1 |
1 "г |
t |
|
е М |
?i ' 7 |
1 Т |
|
м • 1 1 |
T i i |
|
-H MU |
и 1 1 _ J ^ L L _ L L l |
1 \ 1 п> 'пг |
|
Рис. 1.6.1
При сложении п потоков интенсивность суммарного потока
определяется следующим образом:
|
( 1.6.1) |
|
; =1 |
где Kj — интенсивность |
/-го потока событий. |
Таким образом, для |
выяснения в с е х с в о й с т в суммарно |
го потока событий достаточно знать лишь интенсивности сумми руемых потоков событий и практически не требуется знать внут
реннюю структуру этих потоков. Как указывалось выше, для
сходимости суммарного потока событий к простейшему требуется взаимная независимость склады ваемых потоков. Поясним поня тие независимости потоков на примере двух потоков. Рассмот рим участок времени ть наложен ный на поток событий П\. Участок
TI может иметь произвольную длительность и начало его может быть в произвольной точке t\ оси времени 01 (см. рис. 1.6.2).
Таким же образом выберем участок времени т2 в потоке Я2. Случайное число событий в потоке Пи наступающих на участке времени п, обозначим Х\. Случайное число событий в потоке Я2, наступающих на участке времени т2, обозначим Х2. Потоки со бытий Пх и Я2 называются независимыми, если случайные вели чины Х\ и Х2 независимы. Короче это можно сформулировать
следующим образом: два потока называются независимыми, ес ли число событий, попадающих на любой участок времени
32
в первом потоке не зависит от того, сколько событий попало на любой участок времени во втором потоке.
На практике часто потоки возникают в результате сложения не строго независимых, а слабо зависимых потоков событий. Ис следования, проведенные методом статистических испытаний, по казывают, что и в этом случае (при достаточном числе слагае мых) суммарный поток также оказывается близок к простейшему.
До сих пор мы рассматривали только сложение стационар ных потоков событий. Оказывается, если складываемые потоки не стационарны, то предельное свойство также имеет место: по лучается суммарный поток, близкий к нестационарному пуассо новскому с интенсивностью
ч о = 2 w o . |
о - 6-2) |
1 |
|
где hj(t) — переменная интенсивность /-го потока. При этом для любого момента времени t интенсивности всех пото
ков должны быть соизмеримы.
Из всего вышеизложенного следует, что многие потоки собы тий, возникающие на практике и фигурирующие в задачах мас сового обслуживания, можно приближенно считать пуассонов скими.
Так, например, поток космических частиц является практиче ски пуассоновским, так как частицы порождаются очень боль шим числом звезд, испускающих эти частицы независимо друг от друга. Поток машин на загородном шоссе будет также прак тически пуассоновским потоком, так как он состоит из отдель ных машин, выезжающих на шоссе с различных улиц и дорог. Поток самолетов, осуществляющих посадку на аэродром, также близок к пуассоновскому, несмотря на то, что его стремятся сде лать строго регулярным (заранее планируют время приземления каждого самолета). Это объясняется тем, что самолеты прибыва
ют к аэродрому не в строго заданное время |
(раньше или позже) |
|
и тем самым вносят элемент случайности |
в |
поток приземлений |
(каждый самолет независимо от других) |
и т. д. |
|
Заметим, что пуассоновский поток |
обладает у с т о й ч и- |
в о с т ь ю, состоящей в том, что при суммировании независимых пуассоновских потоков получается снова пуассоновский поток, причем интенсивности складываемых потоков суммируются. Д о кажем это свойство, которое понадобится нам в дальнейшем.
Рассмотрим участок времени произвольной продолжительно сти т, начало которого находится в произвольной точке ty нала
гаемой на все складываемые потоки (рис. 1.6.3). Введем в рас смотрение случайную величину Xj — число событий, наступив ших на участке времени т, в потоке /7,- (/= 1, 2, ..., п). Так как все потоки пуассоновские, то случайная величина Xj распреде
лена по закону Пуассона с математическим ожиданием
33
aj = aj{t, т)= j lj{t)dt, 1
где ?.j(t) — интенсивность потока IJj.
Характеристическая функция случайной величины Xj, распре деленной по закону Пуассона с параметром aj(t, т), будет
g j (x) = M[e!xXJ ] = ^ |
e~aJelxk= e a^ l- etx'>. |
(1.6.3) |
||||
k=0 |
k\ |
|
|
|
|
' |
|
Рассмотрим |
сумму п |
пуас |
|||
|
соновских потоков и в каждом |
|||||
|
из этих потоков возьмем оди |
|||||
|
наковый |
интервал |
длительно |
|||
|
сти т. |
|
|
|
|
|
|
Тогда для того, чтобы дока |
|||||
|
зать, что в результате сумми |
|||||
|
рования |
п |
независимых |
пуас |
||
|
соновских |
потоков |
получается |
|||
|
пуассоновский |
поток, |
доста |
|||
|
точно показать, |
что |
случайная |
|||
|
величина |
|
|
|
|
|
Рис. 1.6.3 |
х |
= |
2 х ; |
|
(1.6.4) |
|
|
|
|||||
|
|
|
7 = 1 |
|
|
|
подчинена закону Пуассона с параметром
в = ' J |
(О dt = ' J |
2 |
(*) d t = 2 a,. |
(1.6.5) |
t |
t |
j=1 |
7= 1 |
|
Найдем характеристическую функцию g(x) случайной вели чины X. Так как потоки Я ь /72, ..., Пп независимы, то случайные величины Х\, X2i ...» Хп тоже независимы и, следовательно [см. ( 1.2.6), (1.6.3) и (1.6.5)]:
|
п |
—2 аj ^- e ix\ |
j,t |
i - ■ |
= е—(l—е*х)а |
|
Сравнивая это выражение с выражением (1.6.3), убеждаемся, что случайная величина X подчинена закону Пуассона с пара метром л, что и требовалось доказать.
Таким образом, складывая независимые пуассоновские по токи, мы снова получаем пуассоновский поток.
34
2. Предельная теорема для редеющих потоков
Потоки событий, встречающиеся на практике, часто подвер гаются операции «разрежения». Она состоит в том, что под влия нием случайных причин те или иные события выпадают из по тока. Например, поток космических частиц, прежде чем достичь уровня земли, редеет за счет столкновения этих частиц с атома ми атмосферы; поток самолетов, прорывающихся через систему ПВО противника, редеет за счет поражения части этих самоле тов; поток готовых изделий тоже редеет за счет выбраковывания
части |
этих изделий в от- |
Т |
|
|
|
|
|||
деле технического контро |
|
|
|
п |
|||||
г— |
I т~ |
|
|
||||||
ля. В отличие |
от |
потока |
------- Т |
т t |
|||||
Эрланга fe-ro порядка, ко |
\р |
? |
\р |
\р |
|
||||
торый |
получался |
путем |
|
||||||
строго закономерного раз |
|
А |
|
|
t |
||||
|
|
|
|
||||||
режения |
простейшего по |
|
|
|
|
|
|||
тока (k |
точек выбрасыва |
|
Рис. 1.6.4 |
|
|
||||
лось, |
а |
( £ + 1)-я |
точка |
|
|
|
|
|
|
оставлялась), |
в приведенных |
выше |
примерах |
осуществляется |
|||||
с л у ч а й н о е |
разрежение исходного потока событий, когда каж |
дое событие с определенной вероятностью р исключается из пото
ка независимо от того, исключены другие частицы или нет. Рассмотрим подробнее такое случайное разрежение. В каче стве исходного потока событий П рассмотрим стационарный
поток Пальма. К этому потоку событий применим операцию раз режения, состоящую в том, что каждое событие, независимо от других, переносится из исходного потока в разреженный поток Пр с неизменной вероятностью р (следовательно, выбрасывается с вероятностью q= 1— р\ рис. 1.6.4).
Такую операцию разрежения будем называть «операцией Rv» и обозначим Rp{17}:
n p= R p {п }.
Допустим, что в исходном потоке Пальма интервал между со седними событиями Т имел характеристическую функцию g{x). Найдем характеристическую функцию интервала Тр между со седними событиями в разреженном потоке Пр.
Для отыскания этой характеристической функции проведем преобразования, связанные с анализом случайного числа случай ных слагаемых. Рассмотрим последовательность случайных величин Х\уХ2у X3, Суммой п случайных слагаемых будем на
зывать выражение вида
_ V |
V |
h |
^ |
' |
|
/=i |
|
|
где п — вполне определенное неслучайное число.
35
Теперь представим себе опыт, в результате которого сумми руется не определенное число слагаемых п, а случайное число
слагаемых У Тогда суммой случайного числа случайных слагае мых будет выражение
z = |
\ x „ |
i=1
где случайная величина У может принимать только положи тельные целочисленные значения (1, 2, 3 ...). Число возможных значений случайной величины У может быть либо ограничено некоторым конечным числом п, либо равно бесконечности.
Вернемся к исследованию случайной величины Тр. Очевидно, что случайная величина Тр может быть представлена как сумма
случайного числа случайных слагаемых
Тр = \ т ь 1=1
где случайные величины Ti(i = 1, 2, ...) взаимно независимы и
каждая имеет характеристическую функцию g(x).
Случайная величина Z представляет собой число просумми рованных интервалов в исходном потоке П и подчинена закону
Паскаля:
|
p {Z = k) = p q |
(ft= l, 2, ... ), |
(1.6.6) |
где *7= 1 — р |
(0 < / ? < 1). |
|
|
Для нахождения характеристической функции g T |
(х) случай- |
||
о |
~ |
Р |
|
нои величины |
I р выдвинем гипотезу, состоящую в том, что слу |
чайная величина Z = k. В предположении, что эта гипотеза имела
место, получим выражение для условной характеристической функции [см. ( 1.2.7)]:
Следовательно, безусловная характеристическая функция величины Гр будет
со |
|
гчг |
|
|
ё тр ( ■ * ) = РЧк~1(g (x))kJ ] |
(*(*)*)• = |
|
||
*=i |
|
*=1 |
|
|
_ р |
qg(x) _ |
pg (х) |
(1.6.7) |
|
Я |
1 —qg(x) |
1 —qgix) |
||
|
так как 0 < 9< 1 и | g ( x ) | ^ l .
36
Найдем числовые характеристики случайной величины Тр.
Применяя формулы (1.2.9) и (1.2.10) и учитывая, что
М ro -i |
2 |
|
|
( 1.6.8) |
fc=0 |
k=0 |
|
|
|
D [Z ] = M [Z 2] - ( A f [Z ] ) 2= £ k * p q » - ' - ± = |
|
|||
|
к=1 |
|
|
|
= |
p J - q Y k q * - ' ---- |
pD2 |
’ |
(1.6.9) |
|
^D2 |
|
ft= l
получим
/ . . w |
+ P S ( x ) q g ’ (x) |
\ |
-------------- o - |
« w --------------- |
L |
откуда |
|
|
M[Tp]:= - ig 'T (0) = - lg' (0) |
|
|
Ho |
M [7]. |
|
ig-' (0)= |
|
Следовательно [см. (1.6.8)]:
Найдем дисперсию случайной величины Тр:
g' (0)
(1.6.10)
|
D \T P\ — — g"Tр (0) + |
(g'Tр (0))2 = |
|
||
_ |
( Pg” (■*) (1 — qg (л-))2 + |
2 (1 — qg (JC)) qg' (.г) pg' (,t) |
|||
- ( |
(i —qg(x))* |
|
)/л = 0 + |
||
|
(g' 10))2 = - g " ( 0 ) |
+ (g' |
(0))21 _ |
(0))2 J _ = |
|
|
p |
p |
' |
|
p |
|
= D[T\-M [Z] + (M [T)fD [Z], |
(1.6.11) |
|||
Зная |
характеристическую |
функцию g r |
(x) |
интервала Tp, |
|
|
|
|
p |
|
|
можно по формуле ( 1.2.11) найти плотность распределения
/тр (0 .
Анализ формулы (1.6.10) приводит нас к естественному вы воду, что интенсивность Кр разреженного потока Пр будет равна
интенсивности исходного потока Я, умноженной на вероятность сохранения события в потоке р:
).„= — -— = |
------ 1-------- |
=1р, |
(1.6.12) |
|
р М [Гр] |
М [Г] М [Z] |
и |
К |
’ |
где К— интенсивность исходного потока Я.
37
Введем новое преобразование Rp потока П, заключающееся в том, что поток подвергается сперва преобразованию Rp, а за
тем сжимается так, чтобы интенсивность потока Пр была равна интенсивности исходного потока П. Для этого достаточно слу чайную величину Тр умножить на р\
II |
■J3 |
(1.6.13)
В этом случае характеристическая функция интервала между
соседними событиями Тр в потоке flp= Rp{fl} |
(см. пятое свой |
|
ство характеристической функции в § |
1.2) имеет вид |
|
$ p lg ( x ) \= g r (Р*)= |
, Pgi'l\ t |
(1.6.14) |
р |
i — qg {х) |
|
Нетрудно убедиться, что |
|
|
М[Тр)= М[Т\, |
(1.6.15) |
|
D[Tp] = D[T]p+M[Tfq. |
(1.6.16) |
Теперь можно перейти к предельной теореме для редеющих потоков. Смысл этой теоремы состоит в том, что если последо вательно разрежать стационарный ординарный поток Пальма достаточно большое число раз, то такой многократно разрежен ный поток будет близок к простейшему. Предположим, что первое разрежение сохраняет событие в потоке с вероятностью /?i> 0, второе — с вероятностью /?2>0 и т. д. Обозначим h интен
сивность исходного потока Пальма. Предположим, что вслед за каждым разрежением происходит сжатие потока с тем, чтобы его интенсивность оставалась неизменной. Обозначим п после
довательных таких преобразований символом
|
Ш ) = |
/?„,, |
|
{• • • /?Р. {П\ • • -}). |
(1.6.17) |
||||
Сначала покажем, что последовательное двойное разрежение |
|||||||||
со сжатием потока |
П |
с |
вероятностями |
р\ |
и р% эквивалентно |
||||
одному «разрежению |
со сжатием» |
с вероятностью р = р\ро, т. |
|||||||
|
RpARpAn\\=RPtP, [ n \ . |
|
( 1.6. 18) |
||||||
Действительно, |
преобразование |
RPt [см. |
(1.6.14)] дает |
характе |
|||||
ристическую функцию |
|
|
|
|
|
|
|
||
|
g r |
(■*)= |
P \ g ( р l-V) |
|
|
( 1.6. 19) |
|||
Тогда |
|
'р■ |
1 — Q\g(P\x) |
|
|
|
|||
P 2 g f |
(P2X ) |
|
|
. |
. |
|
|||
|
|
|
|
||||||
te* (■*)! = |
|
TP,________ _ |
P \ P 2 g ( P \ P 2 x ) |
( 1.6.20) |
|||||
JPi |
>— ?2g r „ |
( P 2 x ) |
|
1 — (1 — P ] P l ) g ( P \ P 2 x ) |
|
||||
|
|
|
Pi |
|
|
|
|
|
|
38
Отсю да
f f -ч g(X))S |
W |
i * > |
, |
где |
i - 0 - P w )e(Pw x)) |
||
|
п |
|
|
|
|
|
|
/»<Я,= Р 1Р2- ■•/»„= П Л- |
|
||
|
|
/ = 1 |
|
Преобразуем выражение ( 1.6.21): |
|
||
*<■> (г м | = ----------------- |
-------------------------- |
|
|
[1 - g |
( Р (л ). * ) ] |
( /> < " > ) - » + |
g ( P in)x) |
( 1.6.21)
( 1.6.22)
(1.6.23)
Найдем предел этого выражения при неограниченном увеличе нии числа преобразований (п— кх>). В этом случае р<п>— Ч) и в
знаменателе (1.6.23) получится неопределенность вида |
Рас |
|||
кроем эту неопределенность: |
|
|
||
НИ! |
1 - S(P(n)x) = |
1}т |
1 |
1к |
р (п)-+О |
Р (я) |
(")Л |
||
|
|
р!40 |
|
|
Следовательно: |
|
|
|
|
|
Urn R in\g(x)) |
|
(1.6.24) |
Сравнивая это выражение с (1.4.14), видим, что у предель ного потока интервалы между соседними событиями распределе ны по показательному закону. Так как исходный поток был по
током Пальма и всякое преобразование Доставляет его потоком Пальма (интервалы остаются независимыми), то предельный поток будет также потоком Пальма с показательно распределен ными интервалами, т. е. простейшим потоком. Исследования показывают, что на практике уже 4—5-кратное разрежение (при /?< 0,8) дает поток, близкий к простейшему, даже если исходный
поток был регулярным. Рассмотрим случай, когда разрежению подвергается простейший поток с интенсивностью X. При разре
жении без сжатия (Д ) преобразованный поток остается про стейшим с параметром Хр [см. (1.6.7), (1.6.24)]:
g Tр с*) |
Pg(x) |
q \ \ — * __ |
\р |
1 — q g (х) |
X — i x ) |
\р — ix |
|
|
|
|
(1.6.25) |
Если же простейший поток с параметром X подвергается
«разрежению со сжатием», то получается простейший поток с тем же параметром X.
39
§1.7. ЗАДАЧИ И УПРАЖНЕНИЯ
1.7.1.Поток Эрланга k-ro порядка является частным слу
чаем так называемого гамма-потока, у которого интервал между соседними событиями является случайной величиной, подчинен ной гамма-распределению с параметрами а и р:
( t > 0; « > l ) ,
Г(а)
где
со
Г (а )= I*x a~le~xdx
6
— известная гамма-функция. При а=& -Н получаем закон рас пределения Эрланга k-ro порядка. Найти характеристики этого
потока.
Р е ш е н и е Найдем числовые характеристики случайной величины Т,
подчиненной гамма-распределению:
т |
-V |
p v 1 |
e~?‘dt= — ; |
|
Г(«)[о |
P |
|
|
|
<X/Ct— |
l |
|
|
J_L |
■er**dt=— . |
|
|
Г(a) |
P2 |
Следовательно, интенсивность потока будет
3. a
Характеристическая функция интервала Т между событиями
имеет вид
er^dt—
Плотность распределения интервала Т*9 на который случай ным образом падает точка S, определяется по формуле ( 1.2.2):
Ф ' я~1 е-?1
Г(а)
Воспользовавшись известным свойством гамма-функции:
аГ (а)^ Г (а — 1), |
|
||
получаем |
^__1 ■ |
^-3/ |
|
f ( t ) = |
|||
|
|
Г ( * + 1 )
40