Стационарный поток пуассона. Стационарный пуассоновский поток отказов. Поток Эрланга порядка k

В предыдущих лекциях мы научились имитировать наступление случайных событий. То есть мы можем разыграть какое из возможных событий наступит и в каком количестве. Чтобы это определить, надо знать статистические характеристики появления событий, например, такой величиной может быть вероятность появления события, или распределение вероятностей разных событий, если типов этих событий бесконечно много.

Но часто еще важно знать, когда конкретно наступит то или иное событие во времени.

Когда событий много и они следуют друг за другом, то они образуют поток . Заметим, что события при этом должны быть однородными, то есть похожими чем-то друг на друга. Например, появление водителей на АЗС, желающих заправить свой автомобиль. То есть, однородные события образуют некий ряд. При этом считается, что статистическая характеристика этого явления (интенсивность потока событий) задана. Интенсивность потока событий указывает, сколько в среднем происходит таких событий за единицу времени. Но когда именно произойдет каждое конкретное событие надо определить методами моделирования. Важно, что, когда мы сгенерируем, например, за 200 часов 1000 событий, их количество будет равно примерно величине средней интенсивности появления событий 1000/200 = 5 событий в час, что является статистической величиной, характеризующей этот поток в целом.

Интенсивность потока в некотором смысле является математическим ожиданием количества событий в единицу времени. Но реально может так оказаться, что в один час появится 4 события, в другой 6, хотя в среднем получается 5 событий в час, поэтому одной величины для характеристики потока недостаточно. Второй величиной, характеризующей насколько велик разброс событий относительно математического ожидания, является, как и ранее, дисперсия. Собственно именно эта величина определяет случайность появления события, слабую предсказуемость момента его появления. Про эту величину мы расскажем в следующей лекции.

Поток событий это последовательность однородных событий, наступающих одно за другим в случайные промежутки времени. На оси времени эти события выглядят как показано на рис. 28.1 .

Примером потока событий могут служить последовательность моментов касания взлетной полосы самолетами, прилетающими в аэропорт.

Интенсивность потока λ это среднее число событий в единицу времени. Интенсивность потока можно рассчитать экспериментально по формуле: λ = N /T н , где N число событий, произошедших за время наблюдения T н .

Если интервал между событиями τ j равен константе или определен какой-либо формулой в виде: t j = f (t j 1) , то поток называется детерминированным . Иначе поток называется случайным .

Случайные потоки бывают:

ординарные : вероятность одновременного появления двух и более событий равна нулю;
стационарные : частота появления событий λ (t ) = const(t ) ;
без последействия : вероятность появления случайного события не зависит от момента совершения предыдущих событий.

Пуассоновский поток

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 .

Моделирование неординарных потоков событий

Если известно, что поток не является ординарным, то необходимо моделировать кроме момента возникновения события еще и число событий, которое могло появиться в этот момент. Например, вагоны на железнодорожную станцию прибывают в составе поезда в случайные моменты времени (ординарный поток поездов). Но при этом в составе поезда может быть разное (случайное) количество вагонов. В этом случае о потоке вагонов говорят как о потоке неординарных событий.

Допустим, что M k = 10 , σ = 4 (то есть, в среднем в 68 случаях из 100 приходит от 6 до 14 вагонов в составе поезда) и их число распределено по нормальному закону. В место, отмеченное (*) в предыдущем алгоритме (см. рис. 28.6 ), нужно вставить фрагмент, показанный на рис. 28.8 .

Пример 2 . Очень полезным в производстве является решение следующей задачи. Каково среднее время суточного простоя оборудования технологического узла, если узел обрабатывает каждое изделие случайное время, заданное интенсивностью потока случайных событий λ 2 ? При этом экспериментально установлено, что привозят изделия на обработку тоже в случайные моменты времени, заданные потоком λ 1 партиями по 8 штук, причем размер партии колеблется случайно по нормальному закону с m = 8 , σ = 2 (см. лекцию 25). До начала моделирования T = 0 на складе изделий не было. Необходимо промоделировать этот процесс в течение T н = 100 часов.

На рис. 28.9 представлен алгоритм, генерирующий случайным образом поток прихода партий изделий на обработку и поток случайных событий выхода партий изделий с обработки.

На рис. 28.10 показан результат работы алгоритма моменты времени, когда детали приходили на операцию, и моменты времени, когда детали покидали операцию. На третьей линии видно, сколько деталей стояло в очереди на обработку (лежало на складе узла) в разные моменты времени.

Отмечая для обрабатывающего узла времена, когда он простаивал в ожидании очередной детали (см. на рис. 28.10 участки времени, выделенные красной штриховкой), мы можем посчитать суммарное время простоев узла за все время наблюдения, а затем рассчитать среднее время простоя в течение суток. Для данной реализации это время вычисляется так:

T пр. ср. = 24 · (t 1 пр. + t 2 пр. + t 3 пр. + t 4 пр. + + t N пр.)/T н .

Задание 1 . Меняя величину σ , установите зависимость T пр. ср. (σ ) . Задавая стоимость за простой узла 100 евро/час, установите годовые потери предприятия от нерегулярности в работе поставщиков. Предложите формулировку пункта договора предприятия с поставщиками «Величина штрафа за задержку поставки изделий».

Задание 2 . Меняя величину начального заполнения склада, установите, как изменятся годовые потери предприятия от нерегулярности в работе поставщиков в зависимости от принятой на предприятии величины запасов.

Моделирование нестационарных потоков событий

В ряде случаев интенсивность потока может меняться со временем λ (t ) . Такой поток называется нестационарным . Например, среднее количество за час машин скорой помощи, покидающих станцию по вызовам населения большого города, в течение суток может быть различным. Известно, например, что наибольшее количество вызовов падает на интервалы с 23 до 01 часа ночи и с 05 до 07 утра, тогда как в остальные часы оно вдвое меньше (см. рис. 28.11 ).

В этом случае распределение λ (t ) может быть задано либо графиком, либо формулой, либо таблицей. А в алгоритме, показанном на рис. 28.6 , в место, помеченное (**), нужно будет вставить фрагмент, показанный на рис. 28.12 .

За эталон потока в моделировании принято брать пуассоновский поток .

Пуассоновский поток - это ординарный поток без последействия.

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.

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.

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.

Основная задача ТСМО заключается в установлении зависимости между характером потока заявок на входе СМО, производительностью одного канала, числом каналов и эффективностью обслуживания.

В качестве критерия эффективности могут быть использованы различные функции и величины:

среднее время простоя системы;
среднее время ожидания в очереди;
закон распределения длительности ожидания требования в очереди;
средний % заявок, получивших отказ; и т.д.

Выбор критерия зависит от вида системы. Например, для систем с отказами главной характеристикой является абсолютная пропускная способность СМО; менее важные критерии - число занятых каналов, среднее относительное время простоя одного канала и системы в целом. Для систем без потерь (с неограниченным ожиданием) важнейшим является среднее время простоя в очереди, среднее число требований в очереди, среднее время пребывания требований в системе, коэффициент простоя и коэффициент загрузки обслуживающей системы.

Современная ТСМО является совокупностью аналитических методов исследования перечисленных разновидностей СМО. В дальнейшем из всех достаточно сложных и интересных методов решения задач массового обслуживания будут изложены методы, описываемые в классе марковских процессов типа “гибель и размножение”. Это объясняется тем, что именно эти методы чаще всего используются в практике инженерных расчетов.

2. Математические модели потоков событий.

2.1. Регулярный и случайный потоки.

Одним из центральных вопросов организации СМО является выяснение закономерностей, которым подчиняются моменты поступления в систему требований на обслуживание. Рассмотрим наиболее употребляемые математические модели входных потоков.

Определение: Поток требований называют однородным, если он удовлетворяет условиям:

все заявки потока с точки зрения обслуживания являются равноправными;

вместо требований (событий) потока, которые по своей природе могут быть различными, рассматриваются толь ко моменты их поступления.

Определение: Регулярным называются поток, если события в потоке следуют один за другим через строгие интервалы времени.

Функция f (х) плотности распределения вероятности случайной величины Т – интервала времени между событиями имеет при этом вид:

Где - дельта функция, М т - математическое ожидание, причем М т =Т, дисперсия D т =0 и интенсивность наступления событий в поток =1/M т =1/T.

Определение: Поток называют случайным , если его события происходят в случайные моменты времени.

Случайный поток может быть описан как случайный вектор, который, как известно, может быть задан однозначно законом распределения двумя способами:

Где, zi - значения Ti(i=1,n), В этом случае моменты наступления событий могут быть вычислены следующим образом

t 1 =t 0 +z1

t 2 =t 1 +z2

………,

где, t 0 - момент начала потока.

2.2. Простейший пуассоновский поток.

Для решения большого числа прикладных задач бывает достаточным применить математические модели однородных потоков, удовлетворяющих требованиям стационарности, без последействия и ординарности.

Определение: Поток называется стационарным, если вероятность появления n событий на интервале времени (t,t+T) зависит от его расположения на временной оси t.

Определение: Поток событий называется ординарным, если вероятность появления двух или более событий в течении элементарного интервала времени D t есть величина бесконечно малая по сравнению с вероятностью появления одного события на этом интервале, т.е. при n=2,3,…

Определение: Поток событий называетсяпотоком без последствия , если для любых непересекающихся интервалов времени число событий, попадающих на один из них, не зависит от числа событий попадающих на другой.

Определение: Если поток удовлетворяет требованиям стационарности, ординарности и без последствия он называется простейшим, пуассоновским потоком.

Доказано, что для простейшего потока число n событий попадающих на любой интервал z распределено по закону Пуассона:

(1)

Вероятность того, что на интервале времени z не появится ни одного события равна:

(2)

тогда вероятность противоположного события:

где по определению P(T это функция распределения вероятности Т. Отсюда получим, что случайная величина Т распределена по показательному закону:

(3)

параметр называют плотностью потока. Причем,

Впервые описание модели простейшего потока появились в работах выдающихся физиков начала века – А. Эйнштейна и Ю.Смолуховского, посвященных броуновскому движению.

2.3. Свойства простейшего пуассоновского потока.

Известны два свойства простейшего потока, которые могут быть использованы при решении практических задач.

2.3.1. Введем величину a= х. В соответствии со свойствами Пуассоновского распределения при оно стремится к нормальному. Поэтому для больших а для вычисления Р{Х(а)меньше, либо равно n}, где Х(а) – случайная величина распределенная по Пуассону с матожиданием а можно воспользоваться следующим приближенным равенством:

2.3.2. Еще одно свойство простейшего потока связано со следующей теоремой:

Теорема: При показательном распределении интервала времени между требованиями Т, независимо от того, сколько он длился, оставшаяся его часть имеет тот же закон распределения.

Доказательство: пусть Т распределено по показательному закону: Предположим, что промежуток а уже длился некоторое время а< Т. Найдем условный закон распределения оставшейся части промежутка Т 1 =Т-а

F a (x)=P(T-ax)

По теореме умножения вероятностей:

P((T>a)(T-az) P(T-aa)=P(T>a) F a (z).

Отсюда,

равносильно событию а, для которого P(а; с другой стороны

P(T>a)=1-F(a), таким образом

F a (x)=(F(z+a)-F(a))/(1-F(a))

Отсюда, учитывая (3):

Этим свойством обладает только один вид потоков – простейшие пуассоновские.

Восстанавливаемые объекты после ремонта продолжают эксплуатироваться по прямому назначению. Надежность восстанавливаемых объектов принято оценивать по характеристикам потока отказов. В общем случае потоком событий называется последовательность однородных событий, следующих одно за другим в случайные моменты времени. В теории надежности восстанавливаемых объектов в основном рассматриваются простейшие потоки событий, характеризующиеся ординарностью, стационарностью и отсутствием последействия (такие потоки событий чаще всего встречаются на практике).

Поток событий называется ординарным, если вероятность появления двух и более отказов в единичном интервале времени пренебрежимо мала по сравнению с вероятностью появления одного отказа. Таким образом, отказы в системе возникают по одному.

Поток событий называется стационарным, если вероятность попадания того или иного числа событий на интервал времени т зависит только от длины интервала и не зависит от того, где именно на оси расположен этот интервал. Стационарность потока событий означает, что плотность потока постоянна. Очевидно, что при наблюдении поток может иметь сгущения и разрежения. Однако для стационарного потока эти сгущения и разрежения не носят закономерного характера, а среднее число событий, попадающих на единичный интервал времени, остается постоянным для всего рассматриваемого периода.

Отсутствие последействия в простейшем потоке событий означает, что вероятность появления отказов в единичном интервале времени не зависит от возникновения отказов во всех предыдущих интервалах времени, т. е. отказы возникают независимо друг от друга. В электронно-вычислительных средствах поток отказов равен сумме потоков отказов отдельных устройств. Если каждый в отдельности поток оказывает на суммарный поток достаточно равномерное и небольшое влияние, то суммарный поток будет простейшим.

Пусть простейший поток отказов обладает следующими свойствами.

1. Время между отказами распределено по экспоненциальному закону с некоторым параметром А, (формулы (4.16)-(4.21)):

Следовательно, и Т 0 - наработка до первого отказа распределена по экспоненциальному закону с тем же параметром X (средняя наработка до первого отказа есть математическое ожидание Т :

При таких условиях интенсивность отказов X(t) оказывается постоянной величиной:

2. Пусть r(t) - число отказов за время t (r(t) является случайной величиной). Вероятность того, что за время t произойдет m отказов при интенсивности отказов X, определяется законом Пуассона (см. (4.22)):

3. Среднее число отказов за время t равно:

4. Вероятность того, что за время t не произойдет ни одного отказа, равна: P(t) = е ~ и.

Описанный простейший поток событий также называют стационарным пуассоновским потоком. Как уже было сказано выше, такой поток характерен для сложных высоконадежных объектов.

Процесс функционирования восстанавливаемого объекта можно описать как последовательность чередующихся интервалов работоспособности и простоя, связанного с восстановлением. Предполагается, что отказ объекта немедленно фиксируется и с этого же момента начинается восстановительная процедура. Интервалы работоспособности (мы предполагаем 100%-ное восстановление объекта) являются независимыми и одинаково распределенными случайными величинами, при этом они не зависят от интервалов восстановления, которые также являются независимыми и одинаково распределенными случайными величинами (скорее всего, с другим распределением). Каждая из этих последовательностей интервалов формирует свой простейший поток событий.

Напомним, что в случае восстанавливаемых объектов основной характеристикой является параметр потока отказов. Эксплуатация таких объектов может быть описана следующим образом: в начальный момент времени объект начинает работу и работает до отказа, после отказа происходит восстановление и объект вновь работает до отказа и т. д. Параметр потока отказов определяется через ведущую функцию Q(t) данного потока, представляющую собой математическое ожидание числа отказов за время 1:

где r(t) - число отказов за время t.

Параметр потока отказов со(0 характеризует среднее число отказов, ожидаемых в малом интервале времени, и определяется по формуле (2.9):

Ведущая функция может быть выражена через параметр потока отказов:

Для стационарных пуассоновских потоков, как было сказано выше, интенсивность отказов - величина постоянная и равна X; при этом она совпадает с параметром потока отказов. Действительно, по свойству 3 стационарного пуассоновского потока среднее число отказов за время г равно: Q.(t) = M = Xt, следовательно,

Средняя наработка на отказ. Как уже говорилось, этот показатель представляет собой отношение наработки к математическому ожиданию числа отказов в течение этой наработки. Поскольку при стационарном потоке отказов M}