【数学建模算法】(15)排队论：输入过程和服务时间的分布——泊松

作者: 热爱学习的高老板 | 来源:发表于2019-08-16 14:26 被阅读2次

【数学建模算法】(15)排队论：输入过程和服务时间的分布——泊松
应用数学
【数学建模算法】(17)排队论：生灭过程
金融业信贷风控算法6-广义线性回归
【泊松分布】
用Python机器学习模型预测世界杯结果靠谱吗？
指数分布
杂生
MACS的原理
loss函数之PoissonNLLLoss，GaussianNL

排队系统中的事件流包括顾客到达流和服务时间流。由于顾客到达的间隔时间和服务时间不可能是负值，因此，它的分布是非负随机变量的分布。最常用的分布有泊松分布、确定型分布，指数分布和爱尔朗分布。

1.泊松流与指数分布

设 $N(t)$ 表示在时间区间 $[0,t)$ 内到达的顾客数 $(t>0)$ ，令 $P_{n}\left(t_{1}, t_{2}\right)$ 表示在时间区间 $\left[t_{1}, t_{2}\right)\left(t_{2}>t_{1}\right)$ 内有 $n( \geq 0)$ 个顾客到达的概率，即
$P_{n}\left(t_{1}, t_{2}\right)=P\left\{N\left(t_{2}\right)-N\left(t_{1}\right)=n\right\} \quad\left(t_{2}>t_{1}, n \geq 0\right)$

当 $P_{n}\left(t_{1}, t_{2}\right)$ 合于下列三个条件时，我们说顾客的到达形成泊松流。三个条件是：

1.在在不相重叠的时间区间内顾客到达数是相互独立的，我们称这性质为无后效性。
2.对充分小的 $\boldsymbol{\Delta t}$ ，在时间区间 $[t, t+\Delta t)$ 内有一个顾客到达的概率与 $t$ 无关，而约与区间长 $\Delta t$ 成正比即：
$P_{1}(t, t+\Delta t)=\lambda \Delta t+o(\Delta t)$
其中 $O(\Delta t)$ 当 $\Delta t \rightarrow 0$ 时，是关于 $\Delta t$ 的高阶无穷小。 $\lambda>0$ 是常数，它表示单位时间内有一个顾客到达的概率，称为概率强度。
3.对于充分小的 $\Delta t$ ，在时间区间 $[t, t+\Delta t)$ 内有两个或两个以上顾客到达的概率极小，以致可以忽略，即 $\sum_{n=2}^{\infty} P_{n}(t, t+\Delta t)=o(\Delta t)$

上述条件下，我们研究顾客到达数 $n$ 的概率分布。

由条件2，可得总可以取时间0算起，简记 $P_{n}(0, t)=P_{n}(t)$ 。

由条件1和2，有：
$P_{0}(t+\Delta t)=P_{0}(t) P_{0}(\Delta t)$
$P_{n}(t+\Delta t)=\sum_{k=0}^{n} P_{n-k}(t) P_{k}(\Delta t), \quad n=1,2, \cdots$

由条件2和3，得：
$P_{0}(\Delta t)=1-\lambda \Delta t+o(\Delta t)$

可推得：
$\frac{P_{0}(t+\Delta t)-P_{0}(t)}{\Delta t}=-\lambda P_{0}(t)+\frac{o(\Delta t)}{\Delta t}$
$\frac{P_{n}(t+\Delta t)-P_{n}(t)}{\Delta t}=-\lambda P_{n}(t)+\lambda P_{n-1}(t)+\frac{o(\Delta t)}{\Delta t}$

对 $\Delta t$ 取趋于零的极限，当假设所涉及的函数可导时，可得到如下的微分方程组：
$\frac{d P_{0}(t)}{d t}=-\lambda P_{0}(t)$
$\frac{d P_{n}(t)}{d t}=-\lambda P_{n}(t)+\lambda P_{n-1}(t), \quad n=1,2, \cdots$
取初值 $P_{0}(0)=1$ ， $P_{n}(0)=0(n=1,2, \cdots)$ ，易解出 $P_{0}(t)=e^{-\lambda t}$ ；再令
$P_{n}(t)=U_{n}(t) e^{-\lambda t}$ 可代换得：
$\frac{d U_{n}(t)}{d t}=\lambda U_{n-1}(t), \quad n=1,2, \cdots$
$U_{0}(t)=1, \quad U_{n}(t)=0$
可解得：
$P_{n}(t)=\frac{(\lambda t)^{n}}{n !} e^{-\lambda t}, \quad n=1,2, \cdots$
即推得了泊松分布的表达式。我们说随机变量 $\{N(t)=N(s+t)-N(s)\}$ 服从泊松分布。他的数学期望和方差是：
$E[N(t)]=\lambda t ; \quad \operatorname{Var}[N(t)]=\lambda t$
当输入过程是泊松流时，那么顾客相继到达的时间间隔 $T$ 必服从指数分布。
这是由于：
$P\{T>t\}=P\{[0,t)内呼叫次数为零\}=P_{0}(t)=e^{-\lambda t}$
那么，以 $F(t)$ 表示 $T$ 的分布函数，则有：
$P\{T \leq t\}=F(t)=\left\{\begin{array}{ll}{1-e^{-\lambda t},} & {t \geq 0} \\ {0,} & {t<0}\end{array}\right.$
而分布密度函数为：
$f(t)=\lambda e^{-\lambda t}, \quad t>0$
对于泊松流， $\lambda$ 表示单位时间平均到达的顾客数，所以 $\frac{1}{\lambda}$ 就表示相继顾客到达平均间隔时间，而这正和 $ET$ 的意义相符。
对一顾客点的服务时间也就是在忙期相继离开系统的两顾客的间隔相同，有时也服从指数分布。这时设它的分布函数和密度函数分别是：
$G(t)=1-e^{-\mu t}, \quad g(t)=\mu e^{-\mu t}$
于是得到：
$\lim _{\Delta t \rightarrow 0} \frac{P\{T \leq t+\Delta t | T>t\}}{\Delta t}=\lim _{\Delta t \rightarrow 0} \frac{P\{t<T \leq t+\Delta t\}}{\Delta t P\{T>t\}}=\mu$
这表明，在任何小的时间间隔 $[t, t+\Delta t)$ 内一个顾客被服务完了（离去）的概率是 $\mu \Delta t+o(\Delta t)$ 。 $\mu$ 表示单位时间能被服务完成的顾客数，称为平均服务率，而 $\frac{1}{\mu}$ 表示一个顾客的平均服务时间。

【数学建模算法】(15)排队论：输入过程和服务时间的分布——泊松
排队系统中的事件流包括顾客到达流和服务时间流。由于顾客到达的间隔时间和服务时间不可能是负值，因此，它的分布是非负随...
应用数学
时间序列分析马尔可夫过程概率论正态分布二项分布-百度百科二项分布-统计之都泊松分布泊松分布的现实意义...
【数学建模算法】(17)排队论：生灭过程
一类非常重要且广泛存在的排队系统是生灭过程排队系统。生灭过程是一类特殊的随机过程，在生物学、物理学、运筹学中有广泛...
金融业信贷风控算法6-广义线性回归
一. 泊松分布 1.1 泊松分布回顾泊松分布(Poisson Distribution)回顾：一个事件在一段时间...
【泊松分布】
从二项分布到泊松分布二项分布概率公式：泊松分布需要做以下假定：一个事件在一段时间或空间内发生的平均次数或数学...
用Python机器学习模型预测世界杯结果靠谱吗？
看到kaggle、medium上有不少人用球队的历史数据来进行建模预测，比如用到泊松分布、决策树、逻辑回归等算法，...
指数分布
泊松过程泊松过程.PNG 指数分布概念指数分布.PNG 指数分布期望和方差期望和方差.PNG 指数分布和几何分布指...
杂生
关于泊松分布和指数分布在排队论里的应用，还是没搞明白。但是两个的本身意思大概了解了，还好。老师给的式子太简略了，...
MACS的原理
泊松分布泊松分布是统计与概率中重要的离散分布之一，泊松分布表示在一定的时间或空间内出现的事件个数，比如某一服务设...
loss函数之PoissonNLLLoss，GaussianNL
PoissonNLLLoss 真实标签服从泊松分布的负对数似然损失，神经网络的输出作为泊松分布的参数。泊松分布是...