Главная страница
Навигация по странице:

  • Преобразование Лапласа-Стилтьеса

  • Информация в сетях электросвязи

  • Моделирование в теории телетрафика

  • Справочная литература

  • Реферат " Теория телетрафика "


    Скачать 479.98 Kb.
    НазваниеРеферат " Теория телетрафика "
    АнкорSP-nox
    Дата30.12.2021
    Размер479.98 Kb.
    Формат файлаpdf
    Имя файлаSP-nox.pdf
    ТипРеферат
    #322101
    страница2 из 2
    1   2
    Законы распределения случайных величин
    В теории телетрафика часто используется предположение о пуассонов- ском законе распределения случайных величин. Такое предположение, например, было подтверждено экспериментально для потока вызовов, посту- пающих от абонентов телефонной станции. Для математического ожидания

    (интенсивность потока вызовов) плотность вероятности –
    )
    (x
    p
    определя- ется следующим образом:
    =
    )
    (x
    p



    e
    x
    x
    !
    Переменную "
    x
    " можно рассматривать как число вызовов, поступаю- щих в течение интервала времени фиксированной длины. Функция распреде- ления этого потока вызовов –
    )
    ( x
    F
    равна нулю для
    0

    x
    Для
    0

    x
    она опреде- ляется таким соотношением:
    0
    ( )
    !
    i
    k
    λ
    i
    λ
    F x
    e
    i

    =
    =


    16
    Основные характеристики пуассоновского распределения приведены в таблице.
    Математиче- ское ожидание
    Диспер- сия
    Асиммет- рия
    Эксцесс



    1

    1
    На рисунке показаны два примера функции
    )
    ( x
    f
    . В левой части рисунка
    1
    =

    , а в правой –
    3
    =

    x
    x
    f
    1
    (x)
    f
    2
    (x)
    0 1
    2 3
    4 5
    0 1
    2 3
    4 5
    6 0,4 0,3 0,2 0,1 0,4 0,3 0,2 0,1
    0,37
    0,37
    0,18
    0,06
    0,02
    0,05
    0,15
    0,22
    0,22
    0,17
    0,10
    0,05
    λ=1
    λ=3
    Два примера распределения Пуассона
    Второй интересный пример – дискретное равномерное распределение.
    Буквой "
    b
    " обозначена левая граница области изменения случайной величи- ны. Допустим, что рассматриваемая случайная величина принимает n значе- ний.

    17
    x
    f(x)
    1/n b
    b+1
    b+n-1
    b+2 b+3
    Дискретное равномерное распределение
    Основные характеристики дискретного равномерного распределения приведены в таблице.
    Матема- тическое ожидание
    Дис- персия
    Асим- метрия
    Эксцесс
    2 1

    +
    n
    b
    12 1
    2

    n
    0 1
    4
    ,
    2 2
    ,
    1 2



    n
    Для обоих примеров ФР будет ступенчатой. Это утверждение справед- ливо для всех законов распределения дискретных случайных величин.
    В теории телетрафика часто используется экспоненциальное распреде- ление, для которого функции и
    )
    (t
    F
    определяются такими формулами:
    =
    )
    (t
    f
    t
    e



    ,
    t
    e
    t
    F



    =1
    )
    (
    Основные характеристики экспоненциального распределения будут приведены после следующего примера. Рассмотрим распределение Эрланга
    k
    го

    порядка. Функции и
    )
    (t
    F
    для этого распределения вычисляются следующим образом:
    )
    (t
    f
    )
    (t
    f

    18
    =
    )
    (t
    f
    )!
    1
    ( −
    k
    k

    t
    k
    e
    t


    −1
    ,
    t
    e
    t
    F



    =1
    )
    (


    =
    1 0
    !
    )
    (
    k
    i
    i
    i
    t

    Очевидно, что при
    1
    =
    k
    мы получаем экспоненциальное распределение.
    Несложно убедиться, что при


    k
    эта формула определяет детерминирован- ное (вырожденное) распределение. Это свойство позволяет эффективно ис- пользовать распределение Эрланга
    го
    k
    порядка для многих моделей теле- трафика. Численные характеристики последних распределений приведены в таблице.
    Название рас- пределения
    Матема- тическое ожида- ние
    Дис персия
    Асим- метрия
    Эк сцесс
    Экспоненци- альное

    1 2
    1

    2 6
    Эрланга порядка

    k
    2

    k
    k
    2
    k
    6
    На рисунке показано семейство распределения Эрланга
    го
    k
    порядка.
    Приведены три кривые для различных значений
    k
    . Для всех трех кривых принято, что математическое ожидание равно единице.
    го
    k
    )
    (t
    f

    19 1
    1 0
    2 3
    k = 1
    k = 2
    k = 5
    f(t)
    t
    Семейство распределений Эрланга порядка
    Последний пример связан с распределением случайной величины на ограниченном интервале. Речь идет о равномерном распределении на отрезке времени
    ]
    ,
    [
    b
    a
    . В этом интервале функции и
    )
    (t
    F
    определяются следую- щим образом:
    =
    )
    (t
    f
    a
    b
    1
    ,
    =
    )
    (t
    F
    a
    b
    a
    t


    На рисунке показаны функции и
    )
    (t
    F
    . Основные характеристики этого распределения представлены в таблице.
    t
    f(t)
    t
    F(t)
    1
    b a

    a b
    a b
    1
    Равномерное распределение на интервале
    ]
    ,
    [
    b
    a
    го
    k
    )
    (t
    f
    )
    (t
    f

    20
    Основные характеристики равномерного распределения приведены в таблице.
    Матема- тическое ожида- ние
    Дис- персия
    Асим- метрия
    Экс- цесс
    2
    b
    a +
    12
    )
    (
    2
    a
    b
    0
    –1,2
    Преобразование Лапласа-Стилтьеса
    Преобразование Лапласа устанавливает однозначную связь между функциями действительной –
    )
    (t
    B
    и комплексной переменной –
    )
    (s

    . Эти функции обычно называют оригиналом и изображением соответственно. Для оригиналов, существующих только в области неотрицательных значений ар- гумента (времени), целесообразно использовать одностороннее преобразова- ние Лапласа:
    =
    )
    (s

    dt
    e
    t
    B
    st



    0
    )
    (
    Функция
    )
    (s

    комплексной переменной


    i
    s
    +
    =
    позволяет найти ори- гинал по такой формуле:
    =
    )
    (t
    B
    ds
    e
    s
    i
    i
    i
    st


    +






    )
    (
    2 1
    Это соотношение известно в математике как формула обращения Рима- на-Моллина. Его также называют обратным преобразованием Лапласа.
    В обеих формулах используются интегралы Римана. Во многих случаях приходится оперировать с дискретными функциями плотности вероятности.
    Тогда предпочтительнее становится интеграл Стилтьеса, позволяющий уни-

    21 фицировать тип распределения случайной величины. Интеграл Стилтьеса определяется для двух функций – интегрируемой

    (x) и интегрирующей
    )
    ( x
    F
    :

    ).
    (
    )
    (
    x
    dF
    x

    Очевидно, что интеграл Римана представляет собой частный случай ин- теграла Стилтьеса, когда
    x
    x
    F
    =
    )
    (
    . Преобразование Лапласа-Стилтьеса для функции
    )
    (t
    B
    будет определяться следующим образом:
    =
    )
    (s

    )
    (
    0
    t
    dB
    e
    st



    Если изображения и
    )
    (s

    существуют, то они связаны между собой очевидным соотношением:
    )
    (
    )
    (
    s
    s
    s


    =
    Интерес к преобразованию Лапласа-Стилтьеса объясняется тем, что оно позволяет упростить исследование некоторых функций и вычисление пара- метров распределения. С точки зрения вопросов, рассматриваемых в курсе лекций, следует выделить ряд свойств, которые характерны для преобразова- ния Лапласа-Стилтьеса:
    1. Преобразование Лапласа-Стилтьеса производной от функции
    )
    (t
    B
    определяется по такой формуле:
    dt
    t
    dB )
    (

    )
    0
    (
    )
    (
    +
    sB
    s
    s

    2. Дифференцируя изображение, можно получить
    ый
    r
    начальный мо- мент (
    r
    b
    ) распределения:
    ( )
    0
    ( 1)
    ( )
    r
    r
    r
    s
    b
    β
    s
    =
    = −
    3. ФР двух независимых случайных величин –
    )
    (s

    определятся произве- дением их преобразований Лапласа-Стилтьеса –
    )
    (
    1
    s

    и
    )
    (
    2
    s

    :
    ).
    (
    )
    (
    )
    (
    2 1
    s
    s
    s



    =
    4. Сдвиг аргумента у оригинала на величину
     – первая теорема смеще- ния – соответствует такому изменению изображения:
    )
    (s


    22
    )
    (


    t
    B

    )
    (s
    e
    s



    Из всех свойств, присущих преобразованию Лапласа-Стилтьеса, следует выделить свертку оригиналов – третье свойство. Вычисление свертки функ- ций с помощью подобных преобразований можно рассматривать как одну из самых эффективных операций среди возможностей, присущих преобразова- нию Лапласа-Стилтьеса.
    Использование преобразования Лапласа-Стилтьеса в большинстве слу- чаев можно представить в виде алгоритма, показанного на рисунке. Этот ал- горитм универсален с точки зрения решаемых задач.
    0
    ( )
    Составление
    функции F t
    по условиям
    решаемой
    задачи
    0
    *
    0
    ( )
    ( )
    Нахождение
    изображения
    функции F t
    F s

    *
    0
    *
    ( )
    ( )
    N
    Необходимые
    операции
    с функцией F s
    F
    s

    *
    ( )
    ( )
    N
    N
    Нахождение
    оригинала для
    функции F s
    F t

    Использование преобразования Лапласа-Стилтьеса
    Функция
    )
    (
    0
    t
    B
    представляет собой выражение, которое необходимо пре- образовать для искомого результата. Эту функцию можно считать своего ро- да условием задачи. Сначала находится изображение этой функции –
    )
    (
    0
    s

    Изображение может быть получено с помощью таблиц преобразования
    Лапласа-Стилтьеса. Именно для функции
    )
    (
    0
    s

    выполняются преобразования, позволяющие получить ответ в виде функции
    )
    (s
    N

    . Для решения поставлен- ной задачи необходимо найти функцию
    )
    (t
    B
    N
    . Эта процедура может быть вы- полнена с использованием таблиц или иным способом.
    Для вычисления оригинала по известному изображению часто применя- ют теорему разложения, предложенную Хевисайдом (разложение на элемен- тарные дроби). Такой способ приемлем, если изображение
    )
    (s

    является раци- ональной дробью следующего вида:

    23
    )
    (
    )
    (
    )
    (
    2 1
    s
    s
    s



    =
    Числителем и знаменателем этого выражения служат полиномы
    )
    (
    1
    s

    и
    )
    (
    2
    s

    . Существенно то, что степень полинома
    )
    (
    1
    s

    меньше степени полинома
    )
    (
    2
    s

    .Если уравнение
    0
    )
    (
    2
    =
    s

    имеет
    n
    различных корней, то функция
    )
    (s

    представима такой суммой:
    K
    n
    K
    K
    K
    s
    s
    s
    s
    s



    =

    =
    1
    )
    (
    )
    (
    )
    (
    1 2
    1



    Используя таблицы обратного преобразования Лапласа, можно найти оригинал в следующем виде:
    t
    s
    n
    K
    K
    K
    K
    e
    s
    s
    t
    B


    =

    =1 2
    1
    )
    (
    )
    (
    )
    (


    Информация в сетях электросвязи
    Информация – сведения о лицах, предметах, фактах, событиях, явлениях и процессах независимо от формы их представления. Информация снижает степень неопределенности, неполноту знаний о лицах, предметах, событиях и т.д.
    Количество информации – мера оценки информации, содержащейся в сообщении или мера, характеризующая уменьшение неопределенности, со- держащейся в одной случайной величине относительно другой.
    Данные – сведения, полученные путем измерения, наблюдения, логиче- ских или арифметических операций. Данные должны быть представленные в форме, пригодной для постоянного хранения, передачи и (автоматизирован- ной) обработки.
    Информатика – в широком смысле – отрасль знаний, изучающая общие свойства и структуру научной информации, а также закономерности и прин- ципы ее создания, преобразования, накопления, передачи и использования в различных областях человеческой деятельности. Информатика – в узком

    24 смысле – отрасль знаний, изучающая законы и методы накопления, передачи и обработки информации с помощью компьютера.
    Искусственный интеллект – способность прикладного процесса обнару- живать свойства, ассоциируемые с разумным поведением человека. Искус- ственный интеллект – раздел информатики, занимающийся вопросами ими- тации мышления человека с помощью компьютера.
    Кибернетика – наука об управлении, связи и переработке информации.
    Основным объектом исследования кибернетики являются абстрактные ки- бернетические системы: от компьютеров до человеческого мозга и человече- ского общества. В зависимости от области применения различают политиче- скую, экономическую и социальную кибернетику. Особое значение в теории управления имеет принцип саморегулирования (принцип кибернетики – го- меостазис), позволяющий противостоять воздействию извне и перестраи- ваться в целях самосохранения.
    Информационная экономика – экономика, в которой значительная часть валового внутреннего продукта обеспечивается деятельностью по производ- ству, обработке, хранению и распространению информации и знаний. Неко- торые специалисты полагают, что критерием перехода следует считать рабо- ту половины всех занятых (в сфере производства) информационной деятель- ностью.
    Сетевая экономика – хозяйственная деятельность, осуществляемая с по- мощью электронных сетей (телекоммуникаций). Технологически сетевая экономика представляет собой среду, в которой юридические и физические лица могут контактировать между собой по поводу совместной деятельности
    Электронный бизнес – бизнес, основанный на использовании информа- ционных технологий с тем, чтобы обеспечить оптимальное взаимодействие деловых партнеров и создать интегрированную цепочку добавленной стои- мости. Электронный бизнес включает: продажи, маркетинг, финансовый ана- лиз, платежи, поиск сотрудников, поддержку пользователей и поддержку партнерских отношений.

    25
    С точки зрения инфокоммуникационной системы (связь плюс информа- ция) процесс обмена информацией может быть представлен следующей схе- мой. Объем передаваемых (принимаемых) данных может быть больше или меньше объема сообщения. Один из характерных примеров – сжатие изобра- жений.
    Информация
    Сообщение
    Поток данных
    Информация, сообщения и поток данных
    К передаче (обмену) некоторых видов информации предъявляется тре- бование поддержки реального времени (в частности, речь и трансляция теле- визионных программ). В ряде случаев такие требования отсутствуют (напри- мер, при передаче телеграмм). Можно ввести некоторые функции "ценности информации", зависящие от времени доставки сообщений.
    В сетях электросвязи используются средства коммутации, которые – в общем случае – выполняют две основные функции:
    • распределение информации;
    • концентрация трафика.
    Распределение информации – доставка сообщения по заданному (посто- янно или оперативно) адресу. В качестве адреса в телефонной сети обычно используется номер вызываемого абонента.
    Концентрация трафика – функция оборудования коммутации, которая позволяет эффективно использовать транспортные ресурсы. Характерный пример: концентрация абонентского трафика в соотношении "8 к 1" (одна со- единительная линия на восемь абонентских линий).

    26
    Коммутационное поле
    1
    N
    1
    V
    K
    1
    K
    V
    Распределение информации
    Концентрация трафика: N>V
    А
    бо не нт ск ие л
    ин ии
    С
    ое ди ни те ль ны е ли ни и
    Функции распределения информации и концентрации трафика
    Моделирование в теории телетрафика
    При моделировании реальный объект (или процесс) обычно представля- ется в идеализированной форме, упрощающей исследование. Выбор модели
    – сложная задача. Ее решение осуществляется с учетом множества факторов.
    Во-первых, следует четко выделить цель моделирования. Одна и та же система телетрафика может изучаться с помощью разных моделей, если ис- следуются, например, свойства выходящего потока и влияние дисциплины обслуживания на вероятность потери заявок. Во-вторых, должны быть уста- новлены основные причинно-следственные связи, важные для решаемой за- дачи. В-третьих, следует оценить желаемую точность результатов моделиро- вания.
    Существует несколько видов моделирования. Сначала в теории телетра- фика были использованы методы моделирования, основанные на реальных аппаратных средствах. В частности, искусственное замыкание и размыкание шлейфа абонентской линии может считаться простейшим примером такого моделирования. Подобные эксперименты часто связывают с физическими моделями. Этим моделям свойственно изменение масштаба. К достоинствам

    27 физических моделей следует отнести их адекватность реальным объектам
    (или процессам). Обычно реализация этих моделей (если речь не идет об экс- перименте на уже готовом оборудовании) обходится довольно дорого. Суще- ственно то, что данный вид моделей не годится в тех случаях, когда оборудо- вание только разрабатывается.
    В настоящее время в теории телетрафика широко используется матема- тическое моделирование. Оно незаменимо в тех случаях, когда исследование системы с помощью аналитических методов не представляется возможным.
    Также полезным математическое моделирование становится для проверки ряда допущений, свойственных аналитическим методам исследования систем телетрафика. Еще одна сфера применения – выбор числа членов в рядах, включающих бесконечное количество слагаемых.
    Математическое моделирование систем телетрафика выполняется на
    ЭВМ за счет составления программы или набора программ. Эти программы имитируют процессы по обслуживанию заявок. Поэтому в теории телетрафи- ка очень часто используется термин "имитационное моделирование".
    Иногда используется сочетание физических и математических моделей.
    В частности, японские специалисты при изучении вероятностно-временных характеристик системы общеканальной сигнализации изготовили оборудова- ние, а на его входе имитировали с помощью программного датчика случай- ных чисел входящий поток заявок – сигнальных единиц.
    Моделирование случайных чисел – важный этап создания имитацион- ных моделей. Известны два способа получения случайных чисел:
    • использование физических генераторов (датчиков) случайных чисел
    (шум в радиоэлектронных приборах и трактах, радиоактивное излучение);
    • составление программ, позволяющих получить псевдослучайные числа
    (они могут быть очень близки к случайным числам).
    В настоящее время используются исключительно программные датчики.
    Обычно случайные числа генерируются так, чтобы они принадлежали интер- валу
    [0; 1)
    . При этом закон распределения должен быть равномерным. Из-

    28 вестно, что для интервала
    [ ;
    )
    a b
    функции
    )
    (t
    f
    и
    )
    (t
    F
    определяются следую- щим образом:
    =
    )
    (t
    f
    a
    b
    1
    ,
    =
    )
    (t
    F
    a
    b
    a
    t


    На рисунке показаны функции
    )
    (t
    f
    и
    )
    (t
    F
    . Основные характеристики равномерного распределения представлены в таблице.
    t
    f(t)
    t
    F(t)
    1
    b
    a

    a b
    a b
    1
    Равномерное распределение на интервале
    [ ;
    )
    a b
    Матема- тическое ожида- ние
    Дис- персия
    Асим- метрия
    Экс- цесс
    2
    b
    a +
    12
    )
    (
    2
    a
    b
    0
    –1,2
    Очевидно, что для интервала
    [0; 1)
    среднее значение равно
    1 2
    , а диспер- сия –
    1 12
    Моделированием случайной величины называют процесс получения ее значений. Это означает, что для формирования потока вызовов, поступаю- щих, например, в АТС, следует разработать процесс, который позволяет вы-

    29 делять моменты занятия входов на ступени абонентского искания. Ступень абонентского искания в АТС – с точки зрения имитационной модели – может рассматриваться как система телетрафика.
    Случайные числа, получаемые с помощью программных генераторов, необходимо проверить с точки зрения закона их распределения на интервале
    [0; 1)
    . Для этого можно использовать сравнение статистического и эмпириче- ского распределений, выбрав заранее критерий согласия. Часто используется критерий Пирсона –
    2

    Для того чтобы убедиться в "похожести" полученного распределения и закона равномерной плотности, целесообразно проверить математическое ожидание случайной величины (оно должно быть близким к 0,5), коэффици- ент вариации (он должен быть равен примерно 0,577), коэффициент асим- метрии (он должен быть близок к нулю) и коэффициент эксцесса (он не дол- жен заметно отличаться от минус 1,2).
    Получив случайные (псевдослучайные) числа, необходимо перейти к формированию последовательности случайных величин с исследуемым зако- ном распределения. Обычно используется один из следующих приемов:
    • метод обратных функций (то есть, прямого преобразования равномер- но распределенных случайных чисел);
    • приближенные методы;
    • метод отсеивания чисел из первоначальной последовательности слу- чайных чисел (метод генерации Неймана);
    • методы, основанные на центральной предельной теореме.
    Допустим, что случайная величина
    Y
    непрерывна, а соответствующая плотность распределения вероятности задана функцией
    ( )
    f y
    . Тогда функция распределения задана известным выражением:
    ( )
    ( )
    y
    F y
    f y dy
    −
    =


    30
    Обычно в качестве нижнего предела интегрирования в теории телетра- фика используется ноль.
    Теорема. Если случайная величина
    Y
    имеет плотность распределения вероятности
    ( )
    f y
    , то распределение случайной величины
    ( )
    ( )
    Y
    X
    f y dy
    F Y
    −
    =
    =

    является равномерным на интервале
    [0; 1)
    . Из этой теоремы следует
    Правило: для того чтобы найти возможное значение
    i
    y
    непрерывной случай- ной величины
    Y
    , надо выбрать случайное число
    i
    x
    и решить относительно
    i
    y
    такое уравнение:
    ( )
    i
    y
    i
    x
    f y dy
    −
    =

    Справедливо и обратное утверждение. Если
    ( )
    F y
    – функция распределе- ния непрерывной случайной величины
    Y
    , а
    X
    – случайная величина с равно- мерным законом распределения на интервале
    [0; 1)
    , то случайная величина
    1
    ( )
    Y
    F
    X

    =
    имеет функцию распределения
    ( )
    F y
    . В данном случае
    1
    F

    – функ- ция, обратная по отношению к
    F
    Таким образом, необходимо:
    • реализовать случайную величину
    X
    , которая распределена равномер- но на интервале
    [0; 1)
    ;
    • вычислить значение случайной величины
    Y
    по формуле
    1
    ( )
    Y
    F
    X

    =
    Один из важных для теории телетрафика случаев – простейший входя- щий поток. Это означает, что случайная величина
    Y
    подчиняется экспонен- циальному закону:
    ( )
    ,
    ( ) 1
    y
    y
    f y
    e
    F y
    e





    =
    = −
    Необходимо найти формулу для моделирования случайной величины
    Y
    с помощью равномерно распределенной случайной величины
    X

    31
    Шаг 1. Находится функция, обратная по отношению к
    F
    . Известно, что
    1
    Y
    X
    e


    = −
    . Решение относительно
    Y
    тривиально:
    1
    (1
    )
    Y
    ln
    X


    = −

    Шаг 2. Очевидно, что случайная величина
    1
    X

    (так же как и случайная величина
    X
    ) равномерно распределена на отрезке
    [0; 1)
    . Поэтому справедлива также и формула следующего вида:
    1
    ( )
    Y
    ln X


    = −
    Шаг 3. Теперь числа с экспоненциальным распределением могут быть получены из значений
    i
    x
    по такой формуле:
    1
    ( )
    i
    i
    y
    ln x


    = −
    К сожалению, не всегда удается решить соответствующие уравнения в явном виде. Приходится прибегать к приближенным методам. В частности, используется кусочная аппроксимация функций
    ( )
    f t
    Три других метода получения требуемых законов распределения описа- ны в работах по моделированию. Одна из последних публикаций – моногра- фия [1].
    Входящий поток заявок на входе СМО (системы телетрафика) может быть задан последовательностью появления требований:
    1 2
    , ,...,
    m
    t t
    t
    . С практи- ческой точки зрения удобнее оперировать длительностью промежутка между соседними требованиями:
    1 2
    , ,...,
    m
     
     . Способ формирования величин
    k

    с за- данным законом распределения был изложен выше. Теперь необходимо определить свойства СМО и проследить за временами обслуживания заявок и соответствующими процессами (потери и задержки).
    В качестве примера моделирования рассматривается алгоритм, предло- женный в монографии [2].
    Справочная литература
    1. Свешников А.А. Прикладные методы теории Марковских процессов.
    Учебное пособие. - Санкт-Петербург. Лань, 2007 г.
    2. Гмурман В.Е. Теория вероятностей и математическая статистика. -
    М.: Высш. шк., 2000 г.
    3.
    Михайлова И.В. Теория случайных процессов. Учебное пособие. –

    32
    Воронеж,2004г. [Электронный ресурс]. Доступ без ограничений. Системные требования: браузер Интернет, Adobe Reader.
    1   2


    написать администратору сайта