Почему распределение Пуассона выбрано для моделирования процессов прибытия в задачах теории массового обслуживания?
15
Когда мы рассматриваем сценарии теории массового обслуживания, когда отдельные лица прибывают в обслуживающий узел и выстраиваются в очередь, обычно для моделирования времени прибытия используется процесс Пуассона. Эти сценарии возникают при проблемах сетевой маршрутизации. Я был бы признателен за интуитивное объяснение того, почему пуассоновский процесс лучше всего подходит для моделирования прибытий.
Процесс Пуассона включает в себя «без памяти» время ожидания до прибытия следующего клиента. Предположим, что среднее время от одного клиента до следующего . Непрерывное распределение вероятностей без памяти до следующего прибытия - это такое, при котором вероятность ожидания дополнительной минуты, или секунды, или часа и т. Д. До следующего прибытия не зависит от того, сколько времени вы ожидали с момента последнего прибытия , То, что вы уже ждали пять минут с момента последнего прибытия, не увеличивает вероятность того, что клиент приедет в следующую минуту, чем если бы вы ожидали только 10 секунд с момента последнего прибытия.θ
Это автоматически подразумевает, что время ожидания до следующего прибытия удовлетворяет Pr ( T > t ) = e - t / θ , то есть это экспоненциальное распределение.TPr(T>t)=e−t/θ
И это в свою очередь может показать, что подразумевается, что число клиентов, прибывающих в течение любого временного интервала длины t, удовлетворяет Pr ( X = x ) = e - t / θ ( t / θ ) xXtт.е. имеет распределение Пуассона с ожидаемым значениемt/θ. Более того, это означает, что число клиентов, прибывающих в непересекающиеся интервалы времени, является вероятностно независимым.Pr(X=x)=e−t/θ(t/θ)xx!т / θ
Таким образом, отсутствие времени ожидания приводит к пуассоновскому процессу.
Что бы ни говорили теоремы, это экспериментальный факт, что в нормальных ситуациях прибытия не имеют памяти. Вы не можете доказать, что количество клиентов, прибывающих в какой-то период, на самом деле ничто.
Цель этого вопроса состояла не в том, чтобы попросить формальное доказательство. Много раз, наблюдения сделаны, которые приводят к теореме, и затем интуиция 'развита', чтобы соответствовать наблюдениям и таким образом помочь цементировать теорему в популярном понимании. Я искал что-то подобное. Отредактировал мой вопрос, чтобы включить то же самое.
Вигнеш
Спасибо за ответ. Я не совсем поняла, как память без поступлений приводит к . Не могли бы вы разработать или привести ссылку, в которой подробно об этом говорится. Благодарю. Pr(T>t)=e−t/θ
Vighnesh
4
Без памяти говорит . Это то же самое, что Pr ( T > t + s и T > t ) = Pr ( T > s ) . Событие [ T > t + s и T > t ] совпадает с событием T >Pr(T>t+s∣T>t)=Pr(T>s)Pr(T>t+s and T>t)=Pr(T>s)[T>t+s and T>t] . Следовательно, условная вероятность равна Pr ( T > t + s ) / Pr ( T > t ) . Отсутствие памяти говорит, что это то же самое, что Pr ( T > s ) . Следовательно, Pr ( T > t + s ) = Pr ( T > t ) Pr ( T > s ) . Монотонная функция g , удовлетворяющаяT>t+sPr(T>t+s)/Pr(T>t)Pr(T>s)Pr(T>t+s)=Pr(T>t)Pr(T>s)g - экспоненциальная функция. А моногородность следует из того факта, что Pr ( T > t + s ) должно быть меньше, чем Pr ( T > t ), поскольку первое событие подразумевает, но не подразумевает второе. g(t+s)=g(t)g(s)Pr(T>t+s)Pr(T>t)
Майкл Харди
Разве это не должно быть ? Pr(T>t)=1/θ∗e−t/θ
vonjd
4
Почти все введение в теорию очередей или книгу о случайных процессах будет охватывать это, например, Росс, Стохастические процессы или Kleinrock, Queuing Theory.
Для наброска доказательства того, что прибытия без памяти приводят к экспоненциальному dist'n:
Пусть G (x) = P (X> x) = 1 - F (x). Теперь, если распределение без памяти,
G (s + t) = G (s) G (t)
т.е. вероятность того, что x> s + t = вероятность того, что она больше s, и что теперь, когда она больше s, она больше (s + t). Свойство без памяти означает, что вторая (условная) вероятность равна вероятности того, что другой rv с одинаковым распределением> t.
Цитировать Росса:
«Единственные решения вышеуказанного уравнения, которые удовлетворяют любым разумным условиям (таким как монотонность, правая или левая непрерывность или даже измеримость), имеют форму:»
G (x) = exp (-ax) для некоторого подходящего значения a.
ПРОЕКТ СТОХАСТИЧЕСКИХ ПРОЦЕССОВ Роберта Галлагера: теория приложений ( rle.mit.edu/rgallager/notes.htm ) является хорошей бесплатной альтернативой для введения в стохастические процессы, включая обсуждение процесса Пуассона
Мартин Ван дер Линден
РАФТ СТОХАСТИЧЕСКИХ ПРОЦЕССОВ Роберта Галлагера: ТЕОРИЯ ДЛЯ ПРИМЕНЕНИЯ
Почти все введение в теорию очередей или книгу о случайных процессах будет охватывать это, например, Росс, Стохастические процессы или Kleinrock, Queuing Theory.
Для наброска доказательства того, что прибытия без памяти приводят к экспоненциальному dist'n:
Пусть G (x) = P (X> x) = 1 - F (x). Теперь, если распределение без памяти,
G (s + t) = G (s) G (t)
т.е. вероятность того, что x> s + t = вероятность того, что она больше s, и что теперь, когда она больше s, она больше (s + t). Свойство без памяти означает, что вторая (условная) вероятность равна вероятности того, что другой rv с одинаковым распределением> t.
Цитировать Росса:
«Единственные решения вышеуказанного уравнения, которые удовлетворяют любым разумным условиям (таким как монотонность, правая или левая непрерывность или даже измеримость), имеют форму:»
G (x) = exp (-ax) для некоторого подходящего значения a.
и мы находимся в экспоненциальном распределении.
источник