Простейший поток событий

Простейший поток событий (также пуассоновский поток) — в теории вероятностей и математической статистике это стационарный ординарный поток событий без последействия, в котором число событий, попадающих на любой фиксированный интервал времени, распределено по закону Пуассона. Является простейшей и наиболее изученной моделью случайных потоков, широко применяется в теории массового обслуживания, теории надёжности, телекоммуникациях и других областях.

Определение и аксиоматика

Простейший поток событий определяется тремя основными свойствами (аксиомами):

1. Стационарность — вероятность наступления определённого числа событий на интервале времени длины \(t\) зависит только от длины этого интервала и не зависит от его положения на временной оси. Иными словами, вероятностные характеристики потока не меняются со временем.

1. Ординарность — вероятность наступления двух или более событий за бесконечно малый промежуток времени \(\Delta t\) пренебрежимо мала по сравнению с вероятностью наступления одного события. Формально: \(P_{k \ge 2}(\Delta t) = o(\Delta t)\) при \(\Delta t \to 0\).

1. Отсутствие последействия — для любых непересекающихся интервалов времени числа событий, попадающих на эти интервалы, являются независимыми случайными величинами. То есть будущее развитие потока не зависит от того, как он протекал в прошлом.

Из этих аксиом следует, что поток полностью описывается единственным параметром — интенсивностью \(\lambda\) (среднее число событий в единицу времени). Для простейшего потока вероятность того, что за время \(t\) произойдёт ровно \(k\) событий, задаётся формулой Пуассона:

\[ P_k(t) = \frac{(\lambda t)^k}{k!} e^{-\lambda t}, \quad k = 0, 1, 2, \dots \]

Свойства и характеристики

Распределение интервалов между событиями

Интервал времени \(T\) между двумя последовательными событиями в простейшем потоке имеет показательное (экспоненциальное) распределение с функцией распределения:

\[ F_T(t) = 1 - e^{-\lambda t}, \quad t \ge 0 \]

Среднее значение интервала равно \(1/\lambda\), медиана — \(\ln 2 / \lambda\). Важным свойством показательного распределения является отсутствие памяти (марковское свойство): \(P(T > t + s \mid T > s) = P(T > t)\). Это свойство эквивалентно отсутствию последействия в потоке.

Интенсивность и параметры

Интенсивность \(\lambda\) — это математическое ожидание числа событий в единицу времени. Для простейшего потока дисперсия числа событий на интервале длины \(t\) также равна \(\lambda t\), что характерно для пуассоновского распределения. Коэффициент вариации интервалов между событиями равен 1.

Суммирование и разъединение

При суммировании (объединении) нескольких независимых простейших потоков с интенсивностями \(\lambda_1, \lambda_2, \dots, \lambda_n\) образуется также простейший поток с интенсивностью \(\lambda = \lambda_1 + \lambda_2 + \dots + \lambda_n\). При случайном разъединении (декомпозиции) простейшего потока на \(n\) независимых направлений с вероятностями \(p_1, p_2, \dots, p_n\) (где \(\sum p_i = 1\)) каждый из полученных потоков также является простейшим с интенсивностью \(\lambda_i = \lambda p_i\).

История и развитие понятия

Понятие простейшего потока было введено в начале XX века в связи с развитием теории массового обслуживания. Основополагающие результаты принадлежат датскому математику Агнеру Крарупу Эрлангу (1878–1929), который в 1909–1917 годах исследовал телефонные сети и ввёл пуассоновский поток для моделирования поступления вызовов. В 1920-е годы советский математик Андрей Андреевич Марков (младший) и другие исследователи обобщили эти идеи, сформулировав аксиоматику простейшего потока. В 1930-е годы работы Александра Яковлевича Хинчина (1894–1959) и Бориса Владимировича Гнеденко (1912–1995) заложили основы современной теории случайных потоков, где простейший поток занял центральное место как эталонная модель.

Применение

Теория массового обслуживания (ТМО)

Простейший поток является основной моделью входящего потока требований в системах массового обслуживания (СМО). Благодаря своим свойствам он позволяет аналитически рассчитывать характеристики СМО: среднюю длину очереди, время ожидания, вероятность отказов и т.д. Классические системы \(M/M/1\), \(M/M/n\), \(M/G/1\) используют пуассоновский входной поток.

Теория надёжности

В теории надёжности простейший поток используется для моделирования потока отказов технических систем, если отказы происходят случайно и независимо. При этом наработка на отказ имеет экспоненциальное распределение, что характерно для периода нормальной эксплуатации (без износа).

Телекоммуникации и компьютерные сети

Модели трафика в сетях передачи данных часто используют пуассоновские потоки для описания поступления пакетов или вызовов. Хотя в современных сетях трафик часто имеет фрактальную или самоподобную природу, простейший поток остаётся базовой моделью для анализа и проектирования.

Биология и медицина

В биостатистике пуассоновские потоки применяются для моделирования редких событий: мутаций, поступления импульсов в нейронах, регистрации частиц в радиоактивном распаде.

Экономика и финансы

В финансовой математике простейший поток используется для моделирования потока транзакций, заявок на бирже, страховых случаев.

Критика и ограничения

Несмотря на широкую распространённость, простейший поток является идеализированной моделью. В реальных системах часто нарушаются аксиомы стационарности, ординарности и отсутствия последействия. Например, в телефонных сетях в часы пик интенсивность потока меняется (нестационарность), а в системах с повторными вызовами возникает последействие. Для таких случаев разработаны более сложные модели: нестационарные пуассоновские потоки, потоки с ограниченным последействием (например, эрланговские потоки), потоки с произвольным распределением интервалов (рекуррентные потоки).

Обобщения

• Нестационарный пуассоновский поток — интенсивность зависит от времени \(\lambda(t)\).
• Поток Эрланга — интервалы между событиями имеют распределение Эрланга (частный случай гамма-распределения).
• Поток Пальма (рекуррентный поток) — интервалы между событиями независимы и одинаково распределены, но не обязательно экспоненциально.
• Марковские потоки — интенсивность меняется в зависимости от состояния некоторой марковской цепи.

Примеры

1. Телефонная станция: если среднее число звонков в минуту равно 5, то число звонков за 10 минут распределено по Пуассону с параметром \(\lambda t = 50\). Вероятность, что за 10 минут не будет ни одного звонка, равна \(e^{-50} \approx 1.9 \times 10^{-22}\).

1. Радиоактивный распад: число распадов атомов за фиксированный интервал времени хорошо описывается пуассоновским потоком, если образец достаточно долгоживущий.

1. Дорожное движение: при малой интенсивности (например, на загородной трассе) поток автомобилей может приближаться к простейшему, но при высокой загрузке возникают зависимости между автомобилями.

Источники

1. Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. — М.: Наука, 1987.
2. Хинчин А.Я. Математические методы теории массового обслуживания. — М.: Изд-во АН СССР, 1955.
3. Клейнрок Л. Теория массового обслуживания. — М.: Машиностроение, 1979.
4. Вентцель Е.С. Теория вероятностей. — М.: Высшая школа, 2006.
5. Феллер В. Введение в теорию вероятностей и её приложения. Том 1. — М.: Мир, 1984.