为什么在排队论问题中选择Poisson分布来模拟到达过程?


15

当我们考虑个人到达服务节点并排队的排队论场景时,通常使用泊松过程对到达时间进行建模。这些情况出现在网络路由问题中。对于为什么泊松过程最适合对到达进行建模的直观解释,我将不胜感激。

Answers:


15

泊松过程涉及到下一位客户到达之前的“无记忆”等待时间。假设从一个客户到下一个客户的平均时间为。到下一次到达为止的无记忆连续概率分布是这样的概率,即直到下一次到达之前,再等待一分钟,一秒钟或一小时等的概率,并不取决于您自上一次以来等待了多长时间。 。自从上次到达以来您已经等待了五分钟,就比在您自上次到达之后仅等待了10秒的情况下,客户在下一分钟到达的可能性更大。θ

这自动意味着直到下一次到达的等待时间满足Pr T > t = e t / θ,即,它是指数分布。TPr(T>t)=et/θ

进而可以表明,在长度为t的任何时间间隔内到达的客户数量满足Pr X = x = e t / θt / θ xXt即具有期望值t/θ的泊松分布。而且,这意味着在不重叠的时间间隔内到达的客户数量在概率上是独立的。Pr(X=x)=et/θ(t/θ)xx!t/θ

因此,等待时间的无记忆导致了泊松过程。


无论定理是怎么说,在正常情况下,到达都是无记忆的,这是一个实验性事实。您无法证明某个时期内到达的客户数量确实没有。

该问题的目的不是要提供正式证据。很多时候,进行观察得出一个定理,然后“发展”直觉以适应这些观察,从而有助于将定理巩固在大众的理解中。我在寻找类似的东西。编辑了我的问题以包含相同的内容。
Vighnesh

感谢您的回答。我不太了解较少的内存到达如何导致。您能否详细说明或引用参考资料。谢谢。Pr(T>t)=et/θ
Vighnesh

4
Memorylessness说。等于Pr T > t + s  和  T > t = Pr T > s 。事件[ T > t + s  和  T > t ]与事件T >Pr(T>t+sT>t)=Pr(T>s)Pr(T>t+s and T>t)=Pr(T>s)[T>t+s and T>t]。因此,条件概率为 Pr T > t + s / Pr T > t 。无记忆说这与 Pr T > s )相同。因此,我们有 Pr T > t + s = Pr T > t Pr T > s 。满足的单调函数 gT>t+sPr(T>t+s)/Pr(T>t)Pr(T>s)Pr(T>t+s)=Pr(T>t)Pr(T>s)g是指数函数。一元论源于一个事实,即 Pr T > t + s 必须小于 Pr T > t ),因为前者暗示但不暗示后者。g(t+s)=g(t)g(s)Pr(T>t+s)Pr(T>t)
Michael Hardy

不应该是吗?Pr(T>t)=1/θet/θ
vonjd 2014年

4

几乎任何有关排队论或随机过程的介绍都将对此进行介绍,例如Ross,随机过程或Kleinrock排队论。

关于无记忆到达导致指数距离的证明的概述:

令G(x)= P(X> x)= 1-F(x)。现在,如果分发是无记忆的,

G(s + t)= G(s)G(t)

也就是说,x> s + t的概率=它大于s的概率,现在,它大于s的概率大于(s + t)。无记忆属性意味着第二个(条件)概率等于具有相同分布的不同rv> t的概率。

引用罗斯:

“上述方程式中满足任何合理条件(例如单调性,左右连续性,甚至可测量性)的唯一解的形式为:”

对于某个合适的a值,G(x)= exp(-ax)。

并且我们处于指数分布。


3
罗伯特·洛格的随机指标草案的过程:理论应用程序(rle.mit.edu/rgallager/notes.htm)是介绍了随机过程,包括泊松过程的讨论奠定了良好的免费替代品
马丁·德·林登

罗伯特·加拉格尔(Robert Gallager)的随机过程草稿:应用理论
马丁·范德·林登
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.