|
Обычно 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]=\/X, среднюю длительность элементарной составляющей как то плотность вероятностей распределения Эрланга представляется формулой.
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
Рассмотрим программную функцию, реализующую такое распределение/ Эта функция имеет два входных параметра:
- m - математическое ожидание элементарного интервала времени,
- 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 = l/Х и D[t] - m2s=lA,2/t. 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 п = 1/s , а средний интервал времени между двумя последовательными группами равен т.
Математическое ожидание интервала между двумя последовательными заявками и в этом случае определяется выражением M[t] = ms = 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.
|
