(1.30)
где параметр - величина, обратная среднему времени ожидания, т. е.
Благодаря допущениям о том,
что входящий поток является простейшим, а распределения
времени обслуживания и времени ожидания — показательные, процесс функционирования
системы является марковским.
Перечислим состояния
системы. Будем нумеровать их не по числу занятых
каналов, как это сделано ранее, а по числу заявок, связанных с системой. При этом
будем заявку называть связанной с системой,
если она либо обслуживается, либо ожидает в очереди. Возможные состояния системы:
-
свободны все каналы, очереди нет,
-
занят ровно один канал, очереди нет,
…………………………………………………….
- занято
ровно k каналов, очереди нет,
- заняты все п каналов, очереди нет,
заняты вес п каналов, одна заявка стоит в очереди,
…………………………………………………….
- заняты все п каналов, s
заявок - в очереди.
Вероятность нахождения системы в
перечисленных состояниях находится по формуле:
(1.31)
где - среднее число заявок приходящихся на среднее
время обслуживания одной заявки;
- среднее число ухода заявок, стоящих в
очереди, приходящихся на среднее время обслуживания одной заявки;
1.4 Метод статистических испытаний
Специфическая идеология имитационного
моделирования реализуется в методе статистических испытаний (его часто называют
методом Монте-Карло). Основная идея метода статистических испытаний состоит в
том, что вероятностные характеристики различных сложных случайных процессов,
описывающих функционирование систем, могут быть рассчитаны с помощью
имитационных моделей даже в тех случаях, когда аналитически это сделать не
представляется возможным или затруднительно. Рассмотрим простой пример.
Пусть зависимость условной
вероятности продажи некоторого
товара от его цены описывается
соотношением
.
(1.32)
Пусть, кроме того, цена продажи –
случайная величина, распределенная в соответствии с усеченным нормальным
законом с математическим ожиданием и дисперсией . Тогда безусловная вероятность продажи будет
равна
, (1.33)
где
-нормирующая константа.
Полученный
интеграл в квадратурах не вычисляется. Вместе с тем, искомая вероятность может быть легко оценена
методом статистических испытаний. Технология расчета такова.
Кривая
изображена на
рис. 1.5.
Здесь
абсцисса выбрана
так, чтобы значение было
достаточно малым (например, 0,001), а ордината равна . Теперь понятно, что расчет эквивалентен вычислению
площади под
кривой при .
Рис. 1.5 - Кривая .
Пусть
в прямоугольнике с координатами вершин (0,0), (0,b), (a,0), (a,b) формируется точка, координаты которой
случайны и независимы, причем абсцисса равномерно распределена в , а ордината равномерно
распределена в .
Ясно, что вероятность попадания этой точки в область под кривой равна площади под кривой,
то есть искомой вероятности . С другой стороны эту вероятность легко
оценить, если провести испытаний,
подсчитать количество попаданий
точки в область под кривой и вычислить отношение . Легко показать, что оценка является несмещенной и
состоятельной оценкой .
В самом деле, введем индикатор
Очевидно,
что .
Вычислим
математическое ожидание и дисперсию случайной величины .
. (1.34)
Следовательно,
оценка вероятности
является
несмещенной.
.
(1.35)
Так как , то оценка - состоятельна.
Заметим,
что последнее соотношение может быть использовано для расчета числа опытов,
необходимых для получения оценок статистических характеристик с заданной
точностью.
Действительно,
если вероятность какого-либо события нужно оценить так, чтобы дисперсия оценки
не превосходила ,
то требуемое число опытов определяется неравенством .
Таким
образом, для расчета искомой вероятности достаточно иметь датчики равномерно
распределенных случайных величин.
Эта
же технология может быть использована для создания ИМ сложных
экономико-организационных систем.
Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17
|