Простейший поток событий пуассона теория случайных процессов. Стационарный пуассоновский поток отказов. Распределение событий на малом интервале времени

В предыдущих лекциях мы научились имитировать наступление случайных событий. То есть мы можем разыграть какое из возможных событий наступит и в каком количестве. Чтобы это определить, надо знать статистические характеристики появления событий, например, такой величиной может быть вероятность появления события, или распределение вероятностей разных событий, если типов этих событий бесконечно много.

Но часто еще важно знать, когда конкретно наступит то или иное событие во времени.

Когда событий много и они следуют друг за другом, то они образуют поток . Заметим, что события при этом должны быть однородными, то есть похожими чем-то друг на друга. Например, появление водителей на АЗС, желающих заправить свой автомобиль. То есть, однородные события образуют некий ряд. При этом считается, что статистическая характеристика этого явления (интенсивность потока событий) задана. Интенсивность потока событий указывает, сколько в среднем происходит таких событий за единицу времени. Но когда именно произойдет каждое конкретное событие надо определить методами моделирования. Важно, что, когда мы сгенерируем, например, за 200 часов 1000 событий, их количество будет равно примерно величине средней интенсивности появления событий 1000/200 = 5 событий в час, что является статистической величиной, характеризующей этот поток в целом.

Интенсивность потока в некотором смысле является математическим ожиданием количества событий в единицу времени. Но реально может так оказаться, что в один час появится 4 события, в другой 6, хотя в среднем получается 5 событий в час, поэтому одной величины для характеристики потока недостаточно. Второй величиной, характеризующей насколько велик разброс событий относительно математического ожидания, является, как и ранее, дисперсия. Собственно именно эта величина определяет случайность появления события, слабую предсказуемость момента его появления. Про эту величину мы расскажем в следующей лекции.

Поток событий это последовательность однородных событий, наступающих одно за другим в случайные промежутки времени. На оси времени эти события выглядят как показано на рис. 28.1 .

Примером потока событий могут служить последовательность моментов касания взлетной полосы самолетами, прилетающими в аэропорт.

Интенсивность потока λ это среднее число событий в единицу времени. Интенсивность потока можно рассчитать экспериментально по формуле: λ = N /T н , где N число событий, произошедших за время наблюдения T н .

Если интервал между событиями τ j равен константе или определен какой-либо формулой в виде: t j = f (t j 1) , то поток называется детерминированным . Иначе поток называется случайным .

Случайные потоки бывают:

ординарные : вероятность одновременного появления двух и более событий равна нулю;
стационарные : частота появления событий λ (t ) = const(t ) ;
без последействия : вероятность появления случайного события не зависит от момента совершения предыдущих событий.

Пуассоновский поток

За эталон потока в моделировании принято брать пуассоновский поток .

Пуассоновский поток это ординарный поток без последействия.

Как ранее было указано, вероятность того, что за интервал времени (t 0 , t 0 + τ ) произойдет m событий, определяется из закона Пуассона:

где a параметр Пуассона.

Если λ (t ) = const(t ) , то это стационарный поток Пуассона (простейший). В этом случае a = λ · t . Если λ = var(t ) , то это нестационарный поток Пуассона .

Для простейшего потока вероятность появления m событий за время τ равна:

Вероятность непоявления (то есть ни одного, m = 0 ) события за время τ равна:

Рис. 28.2 иллюстрирует зависимость P 0 от времени. Очевидно, что чем больше время наблюдения, тем вероятность непоявления ни одного события меньше. Кроме того, чем более значение λ , тем круче идет график, то есть быстрее убывает вероятность. Это соответствует тому, что если интенсивность появления событий велика, то вероятность непоявления события быстро уменьшается со временем наблюдения.

Вероятность появления хотя бы одного события (P ХБ1С ) вычисляется так:

так как P ХБ1С + P 0 = 1 (либо появится хотя бы одно событие, либо не появится ни одного, другого не дано).

Из графика на рис. 28.3 видно, что вероятность появления хотя бы одного события стремится со временем к единице, то есть при соответствующем длительном наблюдении события таковое обязательно рано или поздно произойдет. Чем дольше мы наблюдаем за событием (чем более t ), тем больше вероятность того, что событие произойдет график функции монотонно возрастает.

Чем больше интенсивность появления события (чем больше λ ), тем быстрее наступает это событие, и тем быстрее функция стремится к единице. На графике параметр λ представлен крутизной линии (наклон касательной).

Если увеличивать λ , то при наблюдении за событием в течение одного и того же времени τ , вероятность наступления события возрастает (см. рис. 28.4 ). Очевидно, что график исходит из 0, так как если время наблюдения бесконечно мало, то вероятность того, что событие произойдет за это время, ничтожна. И наоборот, если время наблюдения бесконечно велико, то событие обязательно произойдет хотя бы один раз, значит, график стремится к значению вероятности равной 1.

Изучая закон, можно определить, что: m x = 1/λ , σ = 1/λ , то есть для простейшего потока m x = σ . Равенство математического ожидания среднеквадратичному отклонению означает, что данный поток поток без последействия. Дисперсия (точнее, среднеквадратичное отклонение) такого потока велика. Физически это означает, что время появления события (расстояние между событиями) плохо предсказуемо, случайно, находится в интервале m x σ < τ j < m x + σ . Хотя ясно, что в среднем оно примерно равно: τ j = m x = T н /N . Событие может появиться в любой момент времени, но в пределах разброса этого момента τ j относительно m x на [σ ; +σ ] (величину последействия). На рис. 28.5 показаны возможные положения события 2 относительно оси времени при заданном σ . В данном случае говорят, что первое событие не влияет на второе, второе на третье и так далее, то есть последействие отсутствует.

По смыслу P равно r (см. лекцию 23. Моделирование случайного события. Моделирование полной группы несовместных событий), поэтому, выражая τ из формулы (*) , окончательно для определения интервалов между двумя случайными событиями имеем:

τ = 1/λ · Ln(r ) ,

где r равномерно распределенное от 0 до 1 случайное число, которое берут из ГСЧ, τ интервал между случайными событиями (случайная величина τ j ).

Пример 1 . Рассмотрим поток изделий, приходящих на технологическую операцию. Изделия приходят случайным образом в среднем восемь штук за сутки (интенсивность потока λ = 8/24 [ед/час] ). Необходимо промоделировать этот процесс в течение T н = 100 часов . m = 1/λ = 24/8 = 3 , то есть в среднем одна деталь за три часа. Заметим, что σ = 3 . На рис. 28.6 представлен алгоритм, генерирующий поток случайных событий.

На рис. 28.7 показан результат работы алгоритма моменты времени, когда детали приходили на операцию. Как видно, всего за период T н = 100 производственный узел обработал N = 33 изделия. Если запустить алгоритм снова, то N может оказаться равным, например, 34, 35 или 32. Но в среднем, за K прогонов алгоритма N будет равно 33.33 Если посчитать расстояния между событиями t сi и моментами времени, определяемыми как 3 · i , то в среднем величина будет равна σ = 3 .

Моделирование неординарных потоков событий

Если известно, что поток не является ординарным, то необходимо моделировать кроме момента возникновения события еще и число событий, которое могло появиться в этот момент. Например, вагоны на железнодорожную станцию прибывают в составе поезда в случайные моменты времени (ординарный поток поездов). Но при этом в составе поезда может быть разное (случайное) количество вагонов. В этом случае о потоке вагонов говорят как о потоке неординарных событий.

Допустим, что M k = 10 , σ = 4 (то есть, в среднем в 68 случаях из 100 приходит от 6 до 14 вагонов в составе поезда) и их число распределено по нормальному закону. В место, отмеченное (*) в предыдущем алгоритме (см. рис. 28.6 ), нужно вставить фрагмент, показанный на рис. 28.8 .

Пример 2 . Очень полезным в производстве является решение следующей задачи. Каково среднее время суточного простоя оборудования технологического узла, если узел обрабатывает каждое изделие случайное время, заданное интенсивностью потока случайных событий λ 2 ? При этом экспериментально установлено, что привозят изделия на обработку тоже в случайные моменты времени, заданные потоком λ 1 партиями по 8 штук, причем размер партии колеблется случайно по нормальному закону с m = 8 , σ = 2 (см. лекцию 25). До начала моделирования T = 0 на складе изделий не было. Необходимо промоделировать этот процесс в течение T н = 100 часов.

На рис. 28.9 представлен алгоритм, генерирующий случайным образом поток прихода партий изделий на обработку и поток случайных событий выхода партий изделий с обработки.

На рис. 28.10 показан результат работы алгоритма моменты времени, когда детали приходили на операцию, и моменты времени, когда детали покидали операцию. На третьей линии видно, сколько деталей стояло в очереди на обработку (лежало на складе узла) в разные моменты времени.

Отмечая для обрабатывающего узла времена, когда он простаивал в ожидании очередной детали (см. на рис. 28.10 участки времени, выделенные красной штриховкой), мы можем посчитать суммарное время простоев узла за все время наблюдения, а затем рассчитать среднее время простоя в течение суток. Для данной реализации это время вычисляется так:

T пр. ср. = 24 · (t 1 пр. + t 2 пр. + t 3 пр. + t 4 пр. + + t N пр.)/T н .

Задание 1 . Меняя величину σ , установите зависимость T пр. ср. (σ ) . Задавая стоимость за простой узла 100 евро/час, установите годовые потери предприятия от нерегулярности в работе поставщиков. Предложите формулировку пункта договора предприятия с поставщиками «Величина штрафа за задержку поставки изделий».

Задание 2 . Меняя величину начального заполнения склада, установите, как изменятся годовые потери предприятия от нерегулярности в работе поставщиков в зависимости от принятой на предприятии величины запасов.

Моделирование нестационарных потоков событий

В ряде случаев интенсивность потока может меняться со временем λ (t ) . Такой поток называется нестационарным . Например, среднее количество за час машин скорой помощи, покидающих станцию по вызовам населения большого города, в течение суток может быть различным. Известно, например, что наибольшее количество вызовов падает на интервалы с 23 до 01 часа ночи и с 05 до 07 утра, тогда как в остальные часы оно вдвое меньше (см. рис. 28.11 ).

В этом случае распределение λ (t ) может быть задано либо графиком, либо формулой, либо таблицей. А в алгоритме, показанном на рис. 28.6 , в место, помеченное (**), нужно будет вставить фрагмент, показанный на рис. 28.12 .

Этот поток занимает центральное место среди всего многообразия потоков, так же как случайные величины с нормальным законом распределения в прикладной теории вероятностей. Такое положение объясняется тем обстоятельством, что в теории потоков, так же как и в теории случайных величин, имеется предельная теорема , согласно которой сумма большого числа независимых потоков с любым законом распределения приближается к простейшему потоку с ростом числа слагаемых потоков.

Стационарным пуассоновским (простейшим) называется поток, обладающий тремя свойствами:ординарностью ,отсутствием последействия истационарностью .

Распределение событий на малом интервале времени

По определению, интенсивностью потока называется предел
, так как простейший поток стационарен, то для него
.

Стационарность потока и отсутствие последействия исключают зависимость вероятности появления событий на интервале
как от расположения этого интервала на оси времени, так и от событий ему предшествующих. Поэтому
.

Для любого промежутка времени имеем . При устремлении
всеми членами правой части этой формулы, за исключением первого, можно пренебречь, т.к. в силу ординарности потока событий эти величины пренебрежимо малы по сравнению с
:

С учетом изложенного преобразуем исходное выражение для интенсивности потока:

Отсюда имеем равенство
, т.е. вероятность появления одного события на малом интервале времени пропорциональна этому интервалу с коэффициентом.

Очевидно, что
. Следовательно,
, откуда имеем
- вероятность непоявления ни одного события на малом интервале времени
.

Распределение событий в пуассоновском потоке

Найдем выражение
, где
- вероятность того, что на интервале
произойдетсобытий. Это событие произойдет в одном из двух взаимоисключающих случаях:

По теореме сложения вероятностей несовместных событий имеем вероятность наступления ситуации 1 или 2:

Откуда . Устремив
, получим
.

Определим аналогичное соотношение для
. Чтобы событие на интервале
не наступило ни одного раза, необходимо и достаточно, чтобы оно наступило0 раз в интервалеи0 раз - в
. Вероятность этого события равна. Откуда аналогично получим
.

Таким образом, пуассоновский поток событий описывается системой линейных дифференциальных уравнений

с очевидными начальными условиями .

Из первого уравнения получаем
, из начальных условий имеем
, откудас = 1 . Окончательно
.

Таким образом, для пуассоновского потока вероятность
отсутствия событий на любом интервале длинойопределяется экспоненциальной зависимостью. Для решения полной системы уравнений используем преобразование Лапласа. Имеем,

откуда
;
и далее
;
; ...
.

Взяв обратное преобразование Лапласа, с помощью таблиц получим
, т.е. распределение Пуассона.

Таким образом, простейший поток подчиняется закону распределения Пуассона, для которого математическое ожидание и дисперсия соответственно равны
.

Распределение интервалов между событиями

Найдем закон распределения интервалов времени между событиями для простейшего потока. Рассмотрим случайную величину - промежуток времени между двумя произвольными соседними событиями в простейшем потоке. Требуется найти функцию распределения
.

Рассмотрим противоположное событие
. Это вероятность того, что, начиная с некоторого момента появления события, за времяне появится больше ни одного события. Так как поток без последействия, то тот факт, что событие появилось в момент , не должен оказать никакого влияния на поведение потока в дальнейшем. Поэтому вероятность
, откуда
и плотность распределения вероятности
.

Такой закон распределения называется показательным (экспоненциальным) с параметром. Найдем математическое ожидание и дисперсиюэтого процесса:

;

Показательный закон обладает замечательным свойством: если промежуток времени, распределенный по показательному закону, уже длился некоторое время , то это никак не влияет на закон распределения оставшейся части промежутка
(он будет таким же, как закон распределения промежутка).

Докажем это свойство. Пусть
- вероятность того, что обслуживание, продолжавшееся(с), еще продлится не менее(с): т.е. на интервале времениa + t не произойдет ни одного события. При показательном законе распределения времени обслуживания
.

По теореме о произведении вероятностей событий . При показательном законе;
и, следовательно,
, т.е. при показательном законе времени обслуживания закон распределения оставшейся части времени обслуживания не зависит от того, сколько времени уже длилось обслуживание. Можно доказать, что показательный закон единственный , для которого справедливо это свойство.

Рассмотренное свойство , по существу, представляет другую формулировку свойстваотсутствия последействия .

Под потоком событий в теории вероятностей понимается последовательность событий, происходящих одно за другим в какие-то моменты времени. Примерами могут служить: поток вызовов на телефонной станции; поток заказных писем, поступающих в почтовое отделение, и т.п. События, образующие поток, в общем случае могут быть различными. Если события различаются только моментами появления, то поток событий называется однородным .

Поток событий называется регулярным, если события следуют одно за другим через строго определенные промежутки времени. Такой поток сравнительно редко встречается в реальных системах, но представляет интерес как предельный случай.

Поток событий называется стационарным , если вероятность попадания того или иного числа событий на промежуток времени зависит только от длительности промежутка и не зависит от того, где именно на оси времени расположен этот промежуток.

На практике часто встречаются потоки заявок, вероятностные характеристики которого не зависит от времени. Например, поток вызовов на городской телефонной станции на участке времени от 12 до 13 часов может считаться стационарным. Тот же в течение

Поток событий называется потоком без последействия , если для любых непересекающихся участков времени число событий, обладающих на одно из них, не зависит от числа событий, попадающих на другие.

Например, поток пассажиров, входящих на станцию метро, можно считать потоком без последействия. Поток пассажиров, покидающих станцию метро, уже не может считаться потоком без последействия, так как моменты выхода пассажиров, прибывших одним и тем же поездом, зависимы между собой.

Выходной поток (или поток обслуженных заявок), покидающий систему массового обслуживания, обычно имеет последействие, даже если входной поток его не имеет. Рассмотрим, например, одноканальную систему массового обслуживания, для которой

время обслуживания любой заявки имеет одну и ту же величину t об . Тогда в потоке обслуженных заявок минимальный интервал времени между заявками, покидающими

систему, будет равен t об . Нетрудно убедиться, что наличие такого минимального интервала неизбежно приводит к последействию. Действительно, пусть известно, что в какой-то момент t 1 систему покинула обслуженная заявка. Тогда можно утверждать с достоверностью, что на любом интервале времени, лежащем в пределах (t 1 , t 1 + t об ) ,

ни одна заявка не покинет систему. Значит, будет иметь место зависимость между числами событий на непересекающихся участках.

Поток событий называется ординарным ,если вероятность появления двух и более событий за малый промежуток времени имеет более высокий порядок малости по сравнению с вероятностью появления за этот промежуток одного события. Для ординарного потока событий вероятность одновременного появления более чем одного события равна нулю.

Условие ординарности означает, что заявки приходят по одиночке, а не парами, тройками и т.д.

Пуассоновским (простейшим ) потоком называют поток, который обладает свойствами стационарности, отсутствия последействия и ординарности. Название “пуассоновский” связано с тем, что для этого потока число событий, попадающих на любой фиксированный интервал времени, будет распределено по закону Пуассона.

Пуассоновский поток играет среди потоков событий особую роль, до некоторой степени аналогичную роли нормального закона среди других законов распределения. Можно доказать, что аналогично тому как при суммировании большого числа независимых случайных величин, подчиненных практически любым законам распределения, получается величина, приближенно распределенная по нормальному закону, при суммировании (взаимном наложении) большого числа ординарных, стационарных потоков с практически любым последействием получается поток, сколь угодно близкий к пуассоновскому. Условия, которые должны для этого соблюдаться, аналогичны условиям центральной теоремы, а именно – складываемые потоки должны оказывать на сумму приблизительно равномерное влияние.

Рассмотрим некоторую физическую систему S с дискретными состояниями которая переходит из состояния в состояние под влиянием каких-то случайных событий, например, вызовы на телефонной станции, выходы строя (отказы) элементов аппаратуры, выстрелы, направленные по цели и т. д.

Будем себе это представлять так, будто события, переводящие систему из состояния в состояние, представляют собой какие-то потоки событий (потоки вызовов, потоки отказов, потоки выстрелов и т. д.).

Пусть система S с графом состояний, показанным на рис. 4.27, в момент t находится в состоянии S; и может перейти из него в состояние под влиянием какого-то пуассоновского потока событий с интенсивностью как только появляется первое событие этого потока, система мгновенно переходит (перескакивает) из S в Как мы знаем, вероятность этого перехода за элементарный промежуток времени (элемент вероятности перехода) равна . Таким образом, плотность вероятности перехода в непрерывной цепи Маркова представляет собой не что иное, как интенсивность потока событий, переводящего систему по соответствующей стрелке.

Если все потоки событий, переводящие систему S из состояния в состояние, пуассоновские (стационарные или нестационарные - безразлично), то процесс, протекающий в системе, будет марковским. Действительно, пуассоновский поток обладает отсутствием последействия, поэтому, при заданном состоянии системы в данный момент, ее переходы в другие состояния в будущем обусловлены только появлением каких-то событий в пуассоновских потоках, а вероятности появления этих событий не зависят от «предыстории» процесса.

В дальнейшем, рассматривая марковские процессы в системах с дискретными состояниями и непрерывным временем (непрерывные марковские цепи), нам удобно будет во всех случаях рассматривать переходы системы из состояния в состояние как происходящие под влиянием каких-то потоков событий, хотя бы в действительности эти события были единичными. Например, работающее техническое устройство мы будем рассматривать как находящееся под действием потока отказов, хотя фактически оно может отказать только один раз. Действительно, если устройство отказывает в тот момент, когда приходит первое событие потока, то совершенно все равно - продолжается после этого поток отказов или же прекращается: судьба устройства от этого уже не зависит. Для нас же будет удобнее иметь дело именно с потоками событий.

Итак, рассматривается система S, в которой переходы из состояния в состояние происходят под действием пуассоновских потоков событий с определенными интенсивностями. Проставим эти интенсивности (плотности вероятностей переходов) на графе состояний системы у соответствующих стрелок.

Получим размеченный граф состояний (рис. 4.27); по которому, пользуясь правилом, сформулированным в § 3, можно сразу записать дифференциальные уравнения Колмогорова для вероятностей состояний.

Пример 1. Техническая система S состоит из двух узлов: I и II; каждый из них независимо от другого может отказывать (выходить из строя). Поток отказов первого узла - пуассоновский, с интенсивностью второго - также пуассоновский, с интенсивностью Каждый узел сразу после отказа начинает ремонтироваться (восстанавливаться). Поток восстановлений (окончаний ремонта ремонтируемого узла) для обоих узлов - пуассоновский с интенсивностью К.

Составить граф состояний системы и написать уравнения Колмогорова для вероятностей состояний. Определить, при каких начальных условиях нужно решать эти уравнения, если в начальный момент система работает исправно.

Решение. Состояния системы:

Оба узла неправды,

Первый узел ремонтируется, второй исправен,

Первый узел исправен, второй ремонтируется,

Оба узла ремонтируются.

Размеченный граф состояний системы показан на рис. 4.28.

Интенсивности потоков событий на рис. 4.28 проставлены из следующих соображений. Если система S находится в состоянии то на нее действуют два потока событий: поток неисправностей узла I с интенсивностью X, переводящий ее в состояние и поток неисправностей узла II с интенсивностью переводящий ее в Пусть теперь система находится в состоянии (узел I ремонтируется, узел II - исправен). Из этого состояния система может, во-первых, вернуться в (это происходит под действием потока восстановлений с интенсивностью ); во-вторых, - перейти в состояние (когда ремонт узла I еще не закончен, а узел II тем временем вышел из строя); этот переход происходит под действием потока отказов узла II с интенсивностью Интенсивности потоков у остальных стрелок проставляются аналогично.

Обозначая вероятности состояний и пользуясь правилом, сформулированным в § 3, запишем уравнения Колмогорова для вероятностей состояний:

Начальные условия, при которых нужно решать эту систему: при

Заметим, что, пользуясь условием

можно было бы уменьшить число уравнений на одно. Действительно, любую из вероятностей можно выразить через остальные и подставить в уравнения (6.1), а уравнение, содержащее в левой части производную чтой вероятности - отбросить.

Заметим, кроме того, что уравнения (6.1) справедливы как для постоянных интенсивностей пуассоновских потоков X, так и для переменных:

Пример 2. Группа в составе пяти самолетов в строю «колонна» (рис. 4.29) совершает налет на территорию противника. Передний самолет (ведущий) является постановщиком помех; до тех пор, пока он не сбит, идущие за ним самолеты не могут быть обнаружены и атакованы средствами ПВО противника. Атакам подвергается только постановщик помех. Поток атак - пуассоновский, с интенсивностью X (атак/час). В результате атаки постановщик помех поражается с вероятностью р.

Если постановщик помех поражен (сбит), то следующие за ним самолеты обнаруживаются и подвергаются атакам ПВО; на каждый из них (до тех пор, пока он не поражен) направляется пуассоновский поток атак с интенсивностью X; каждой атакой самолет поражается с вероятностью р. Когда самолет поражен, атаки по нему прекращаются, но на другие самолеты не переносятся.

Написать уравнения Колмогорова для вероятностей состояний системы и указать начальные условия.

Решение. Будем нумеровать состояния системы соответственно числу сохранившихся самолетов в группе:

Все самолеты целы;

Постановщик помех сбит, остальные самолеты целы;

Постановщик помех и один бомбардировщик сбиты, остальные самолеты целы;

Постановщик помех и два бомбардировщика сбиты, остальные самолеты целы;

Постановщик помех и три бомбардировщика сбиты, один самолет цел;

Все самолеты сбиты.

Состояния мы отличаем друг от друга по числу сохранившихся бомбардировщиков, а не по тому, какой именно из них сохранился, так как все бомбардировщики по условиям задачи равноценны - атакуются с одинаковой интенсивностью и поражаются с одинаковой вероятностью.

Граф состояний системы показан на рис. 4 30. Чтобы разметить этот граф, определим интенсивности потоков событий, переводящих систему из состояния в состояние.

Из состояния систему переводит поток поражающих (или «успешных») атак, т. е. тех атак, которые приводят к поражению постановщика (разумеется, если он раньше не был поражен).

Интенсивность потока атак равна X, но не все они - поражающие: каждая из них оказывается поражающей только с вероятностью . Очевидно, интенсивность потока поражающих атак равна эта интенсивность и проставлена в качестве у первой слева стрелки на графе (рис. 4.30).

Займемся следующей стрелкой и найдем интенсивность Система находится в состоянии т. е., целы и могут быть атакованы четыре самолета. Она перейдет в состояние за время если за это время какой-нибудь из самолетов (все равно, какой) будет сбит. Найдем вероятность противоположного события - за время ни один самолет не будет сбит:

Здесь отброшены члены высшего порядка малости относительно Вычитая эту вероятность из единицы, получим вероятность перехода из за время (элемент вероятности перехода):

) все самолеты целы, начальные условия будут;Отметим, что в данном параграфе мы только выписывали дифференциальные уравнения для вероятностей состояний, но не занимались решением этих уравнений.

По этому поводу можно заметить следующее. Уравнения для вероятностей состояний представляют собой линейные дифференциальные уравнения с постоянными или переменными коэффициентами - в зависимости от того, постоянны или переменны интенсивности потоков событий, переводящих систему из состояния в состояние.

Система нескольких линейных дифференциальных уравнений такого типа только в редких случаях может быть проинтегрирована в квадратурах: обычно такую систему приходится решать численно - либо вручную, либо на аналоговой вычислительной машине (АВМ), либо, наконец, на ЭЦВМ. Все эти способы решения систем дифференциальных уравнений затруднений не доставляют; поэтому самое существенное - уметь записать систему уравнений и сформулировать для нее начальные условия, чем мы и ограничились здесь.

Если число n испытаний достаточно велико, а вероятность p наступления события А в независимых испытаниях мала, то для нахождения вероятности используется теорема Пуассона : Если в n независимых испытаниях вероятность p наступления события А в каждом из них постоянна и мала, а число испытаний достаточно велико, то вероятность того, что событие А наступит k раз, вычисляется по формуле , где .

Эта формула называется формулой Пуассона .

Пример 15 . Вероятность попадания в самолёт при каждом выстреле из пулемёта равна 0.001. Производится 3000 выстрелов. Найти вероятность попадания в самолёт: а) один или два раза; б) хотя бы один раз.

Решение . По условию примера n =300, p =0.001, .

а) Обозначим событие A={попадание в самолёт один или два раза}. Тогда .

б) Обозначим событие B={попадание в самолёт хотя бы один раз}. Тогда .

Потоком событий называется последовательность событий, которые наступают одно за другим в случайные моменты времени.

Например, поток вызовов в сфере обслуживания (ремонт телевизоров, вызовы скорой помощи и др.), поток вызовов на телефонной станции, отказ в работе отдельных частей некоторой системы и т.д.

Поток называется простейшим , если выполняются следующие условия:

Вероятность появления события зависит от длины промежутка времени t ;

Вероятность появления числа событий на любом промежутке времени не зависит от того, какое число событий наступило до начала этого промежутка;

Вероятность наступления двух или большего числа событий за достаточно малый промежуток времени мала и чем меньше , тем меньше становится вероятность.

При выполнении этих условий справедливо следующее утверждение:

Вероятность того, что случайное событие за время t наступит k раз, определяется по формуле

где - среднее число событий, наступающих в единицу времени.

Пример 16 . На ткацких станках, обслуживаемых ткачихой, в течение часа происходит 90 обрывов нити. Какова вероятность того, что за 4 минуты произойдёт: 1) один обрыв; 2) хотя бы один обрыв.

Решение . По условию t =4. Среднее число обрывов за одну минуту равно . Тогда .