- •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.
Одноканальные и многоканальные смо с пуассоновским входным потоком и экпотенциальным распределением длительности обслуживания
Поток событий – это последовательность однородных событий, которые наступают (следуют одно за другим, происходят) в некоторые случайные моменты времени. Основная характеристика потока событий – его интенсивность λ - среднее число событий, поступающих в СМО в единицу времени.
Поток событий называется простейшим (или стационарным пуассоновским), если он одновременно стационарен, ординарен и не имеет последействия.
Основные количественные характеристики простейшего потока.
Изобразим на оси времени Ot простейший поток событий как последовательность случайных n точек на достаточно большом отрезке длиной T >>1, для которых справедливы следующие предположения:
Рис.3
на единицу длины в среднем приходится λ точек, что соответствует интенсивности потока, т.е. λ = ;
вероятность расположения того или иного числа точек на отрезке длиной t зависит только от его длины и не зависит от его расположения на оси, что соответствует равновозможности событий в потоке и отсутствию последействия;
точки располагаются на оси независимо друг от друга, что соответствует независимости событий в потоке, а также отсутствию последействия.
Определим вероятность того, что ровно m точек окажется на отрезке длиной t.
Согласно первому предположению на отрезке T расположено n=λT точек, причём каждая из них может оказаться в любом месте отрезка T (в силу 2-ого 3-его предположения) и все эти положения равновозможные. Вероятность, что одна из этих точек окажется на отрезке t, равна p = t/T и согласно 2-ому предположению не зависит от того, какая это точка: первая, вторая или иная.
В результате мы приходим к схеме Бернулли:
производится n испытаний, в каждом из которых мы следим за одной точкой, и любые из эти точек с вероятностью p могут оказаться на отрезке t . Поэтому вероятность того, что ровно m точек из n окажутся на отрезке t определяется по формуле Бернулли:
,
где .
При неограниченном увеличении длины отрезка T→∞ , т.е. при неограниченной последовательности случайных точек (бесконечный поток событий), n = λT→ ∞, а p= →0, но при этом np = λT· = λt остаётся постоянной, т.к. λ и t константы. Следовательно, можно применить формулу Пуассона, которая в данном случае является точной, а не асимптотической:
Итак, бесконечный поток событий называется простейшим, пуассоновским, если вероятность pt(m) появления ровно m событий за время t определяется формулой Пуассона:
, где m! = 1 2 3....m, (2.1.1.)
для которого математическое ожидание (среднее число событий потока за время t при его интенсивности λ) равно его дисперсии: M(m) = σ2 = λt.
Из (2.1.1), в частности, следует, что вероятность того, что за время t не произойдёт ни одного события (m=0), равна:
Pt(0) = e-λt. (2.1.2)