- •Математические модели и их виды. Классификация моделей
- •Экстемум функций многих переменных. Линии уровня. Градиент. Условный экстремум
- •Постановка и свойства задачи линейного программирования. Геометрическая интерпретация.
- •Симплекс- метод решения задачи линейного программирования
- •Двойственная задача линейного программирования, ее интерпретация и свойства
- •Транспортная задача и ее математическая модель. Определение опорного плана транспортной задачи
- •Определение оптимального плана транспортной задачи методом потенциалов. Приемы решения методом потенциалов транспортных задач
- •Геометрическая и экономическая интерпретация задач нелинейного программирования. Метод множителей Лагранжа. Возможности численного решения нелинейных и целочисленных задач
- •Основные понятия и общая характеристика задач динамического программирования, их геометрическая и экономическая интерпретация. Нахождение решение задач методом динамического программирования
- •Оптимизационные задачи, решаемые при помощи графов. Алгоритмы на графах
- •Нахождение максимального и минимального пути в графе. Решение транспортной задачи с помощью графов
- •Основные понятия теории массового обслуживания. Компоненты и классификация моделей систем массового обслуживания
- •Определение характеристик систем массового обслуживания. Марковский процесс. Уравнения Колмогорова
- •Одноканальные и многоканальные смо с пуассоновским входным потоком и экпотенциальным распределением длительности обслуживания
- •Основные количественные характеристики простейшего потока.
- •Распределение интервала времени t между произвольными двумя соседними событиями простейшего потока.
- •Одноканальная смо с отказами и ее характеристики
- •Многоканальная смо с отказами и ее характеристики
- •Одноканальная смо с ожиданием и его характеристики. Формула Литтла
- •Многоканальное смо с ожиданием и ее характеристики. Формула Литтла
- •Простейшие задачи решаемые методом имитационного моделирования. Теоретические основы метода имитационного моделирования
- •Моделирование смо с использованием метода Монте- Карло
- •Имитация процессов, происходящих во времени. Основная идея и методы прогнозирования. Количественные методы прогноза. Прогнозирование временных рядов. Модель линейной регрессии
- •Предмет теории игр, основные понятия. Матричные игры. Цны, доминирующие и оптимальные стратегии игр. Принцип минмакса. Решение задач теории игр в чистых стратегиях
- •Стратегические игры в смешанных стратегиях. Основная теорема теории игр. Решение задачи в смешанных стратегиях методами линейного программирования
- •Оценка сложных систем в условиях неопределенности. Матрица рисков. Критерии: Байеса, Лапласа, Вальда, Сэвиджа, Гурвица.
Распределение интервала времени t между произвольными двумя соседними событиями простейшего потока.
Рис.4.
Так как вероятность того, что на промежутке времени t не появится ни одного из последующего события (2.1.2), равна:
,
то вероятность противоположного события, т.е. функция распределения случайной величины T, есть:
. (2.1.3)
Плотность распределения случайной величины есть производная от её функции распределения, т.е.
(2.1.4)
Распределение, задаваемое плотностью вероятности (2.1.4) или функцией распределения (2.1.3) является показательным (экспоненциальным)
Таким образом, случайная величина T – интервал времени между двумя произвольными соседними событиями имеет показательное распределение, для которого математическое ожидание равно среднему квадратическому значению T (см.§2.1.1):
Отметим важнейшее свойство показательного распределения (присущее только этому распределению), которое состоит в следующем:
если промежуток времени, распределённый по показательному закону, уже длится некоторое время , то это никак не влияет на закон распределения оставшейся части промежутка (T – ): он будет таким же, как и закон распределения всего промежутка T.
Другими словами, для интервала времени T между двумя последовательными соседними событиями потока, имеющего показательное распределение, любые сведения о том, сколько времени протекал этот интервал, не влияет на закон распределения оставшейся части. Это свойство показательного закона представляет собой, по сути дела, другую формулировку для «отсутствия последействия» – основного свойства простейшего потока.
Приведём ещё одну важную характеристику простейшего потока, которую мы будем использовать при выводе и использовании уравнений Марковских процессов. Для простейшего потока с интенсивностью λ вероятность попадания на элементарный (малый) отрезок времени Δt хотя бы одного события потока (противоположное событие – ноль событий) равна согласно (2.1.2):
(2.1.5)
Примечание. Отметим, что выражение (2.1.5) получено с учётом в разложении функции e-λΔt в ряд Маклорена по степеням Δt только двух членов ряда, и это приближение будет тем точнее, чем меньше Δt.
Подведём итог.
Использование моделей простейших потоков событий в качестве входных и выходных процессов в СМО определяется свойствами таких потоков:
стационарность – постоянное число событий в единицу времени;
отсутствие последействия – независимость числа событий после любого момента времени от числа событий до него;
ординарность – практическая невозможность одновременного наступления нескольких событий,
позволяющих применение аналитических методов теории случайных процессов при построении и анализе математических моделей СМО.