КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Обобщенное распределение ЭрлангаОбычно распределение Эрланга используется в случаях, когда длительность какого-либо процесса можно представить как сумму к элементарных последовательных составляющих, распределенных по экспоненциальному закону. Если обозначить математическое ожидание длительности всего процесса как M[t]=1/, среднюю длительность элементарной составляющей как 1/, то плотность вероятностей распределения Эрланга представляется следующей формулой:
Дисперсия такого распределения D[t]= Очевидно, что при к=1 - это экспоненциальное распределение. Разновидности этого распределения для разных к>0 представлены на рис. 9.4. Предположим, что в распределении Эрланга имеется не строго фиксированное число экспоненциально распределенных отрезков к, а переменное, с вероятными изменениями в пределах одного интервала. Тогда можно говорить лишь о средней величине s таких отрезков, где s - число с плавающей точкой. После такого перехода от дискретных к непрерывным величинам появляется возможность работы и со значениями в пределах 0<s<1. Рис. 1.5. Вид распределения Эрланга при различных значениях к: 1 - экспоненциальное; 2,3 - распределения второго и третьего порядков
Рассмотрим программную функцию, реализующую такое распределение f l o a t erlang{float m, float s) { f l o a t a, b; i n t i, k; a = 0.0; к = Sj to = S - k; for(i=0;i<k;i++) a += expont(m); if (rundumO < b) a += expont(m); return(a); } Эта функция имеет два входных параметра: • m - математическое ожидание элементарного интервала времени, причем m=1/k, • s - среднее число элементарных отрезков в общей длительности процесса. Видно, что при значениях s 1 (в том числе целых) получаем обычное распределение Эрланга с параметрами: M[t\ = ms = 1/ и D[t] – m2s= . Однако при 0<s<0 это распределение меняется коренным образом: фактически мы получаем процесс испытаний Бернулли. В результате этих испытаний «успехом» считается получение элементарного отрезка, распределенного по экспоненциальному закону с математическим ожиданием m (вероятность успеха равна s), а неудачей с вероятностью 1- s является получение элементарного отрезка с нулевой длиной. Если по такому правилу будет работать какой-то генератор заявок, то он будет создавать группы заявок. Причем средний размер группы будет равен n = 1/s, а средний интервал времени между двумя последовательными группами равен m. Математическое ожидание интервала между двумя последовательными заявками и в этом случае определяется выражением M[t] = ms = 1/ . Что касается дисперсии, то она существенно меняется и определяется по формуле: Одно из свойств групповых потоков заключается в том, что среднеквадратичное отклонение интервала между заявками превосходит математическое ожидание этого интервала. Если имеется возможность собрать статистику по групповому потоку на практике или получить такой поток с помощью рассмотренной выше программной функции, то можно определить коэффициент вариации с и связь этого коэффициента со средним размером группы заявок по формуле Это соотношение позволяет отслеживать появление групповых потоков в реальных системах или в их имитационных моделях. Обобщенное распределение Эрланга применяется при создании как чисто математических, так и имитационных моделей в двух случаях. Во-первых, его удобно применять вместо нормального распределения, если модель можно свести к чисто математической задаче, применяя аппарат марковских или полумарковских процессов либо используя метод Кендалла. Однако такие модели далеко не всегда адекватны реальным процессам. Во-вторых, в реальной жизни существует объективная вероятность возникновения групп заявок в качестве реакции на какие-то действия, поэтому возникают групповые потоки. Применение чисто математических методов для исследования в моделях эффектов от таких групповых потоков либо невозможно из-за отсутствия способа получения аналитического выражения, либо затруднено, так как аналитические выражения содержат большую систематическую погрешность из-за многочисленных допущений, благодаря которым исследователь смог получить эти выражения. Для описания одной из разновидностей группового потока можно применить обобщенное распределение Эрланга, которое рассмотрим ниже. Внешне похожее на гамма-распределение, оно имеет свои математические особенности. Появление групповых потоков в сложных экономических системах приводит к резкому увеличению средних длительностей различных задержек (заказов в очередях, задержек платежей и др.), а также к увеличению вероятностей рисковых событий или страховых случаев.
Дата добавления: 2014-01-11; Просмотров: 2218; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |