Смекни!
smekni.com

Базовый процесс обработки вызовов (стр. 9 из 14)

,…,

. (3.1)

Здесь и в дальнейшем через

обозначена вероятность события, указанного в фигурных скобках.

Для трех моментов времени

формула (3.1) принимает вид:

,…,
.(3.2)

Поэтому часто говорят, что характерное свойство марковских процессов состоит в следующем: если точно (если настоящее состояние

известно не точно, то будущее состояние марковского процесса будет зависеть от прошлых состояний) известно состояние марковского процесса в настоящий момент времени (
), то будущее состояние (при
) не зависит от прошлого состояния (при
).

В случае, если пространство состояний

,
, …,
марковского процесса
является конечным или счетным, марковский процесс называется цепью Маркова. Если параметр
принимает значения только в дискретном множестве, то цепь Маркова называется цепью с дискретным временем. Если же параметр
принимает значения в некотором непрерывном множестве, то цепь Маркова называется цепью с непрерывным временем.

Важным частным случаем цепи Маркова с непрерывным временем является так называемый процесс гибели и размножения.

Случайный процесс

,
называется процессом гибели и размножения, если он удовлетворяет условиям:

– пространство состояний процесса есть множество неотрицательных целых чисел (или некоторое его подмножество;

– время пребывания процесса в состоянии

имеет показательное распределение с параметром
и не зависит от предыдущего поведения процесса;

– после завершения пребывания процесса в состоянии

он переходит в состояние
с вероятностью
,
и в состояние
с вероятностью
. Вероятность
полагается равной 1.

Состояние процесса

,
в момент времени
можно трактовать как размер некоторой популяции в этот момент времени. Переход из состояния
в состояние
трактуется как рождение нового члена популяции, а переход в состояние
– как гибель члена популяции. Такая трактовка процесса и объясняет его название.

В дальнейшем применительно к марковским процессам будем пользоваться следующими обозначениями:

, если пространство состояний (фазовое пространство) процесса непрерывно, и
, если пространство состояний дискретно.

Полумарковские процессы объединяют теорию цепей Маркова, разрывных марковских процессов и теорию восстановления. В соответствии с предложенной методикой анализа марковских процессов приведем определение полумарковского процесса.

Пусть поведение некоторой системы описывается следующим образом. В каждый момент времени система может находиться в одном из

возможных фазовых состояний
,
, …,
, причем известны начальное состояние системы (в начальный момент времени
она находиться в состоянии
) и одношаговые вероятности перехода
,
,
. следовательно, процесс
есть однородная цепь Маркова.

Сопоставим каждому ненулевому элементу

матрицы вероятностей перехода случайную величину
с функцией распределения
. В теории массового обслуживания случайную величину
обычно рассматривают как время пребывания системы в состоянии
при условии, что следующим состоянием, в которое перейдет система, будет
. При этом величина
считается неотрицательной и непрерывной с плотностью вероятности
. При такой интерпретации величину
можно назвать временем ожидания в состоянии
до перехода в
.

Представим, что точка, отображающая поведение системы на фазовой плоскости, остается в состоянии

в течении времени
, прежде чем она прейдет в
(рис. 3.1). По достижении
«мгновенного» (в соответствии с матрицей вероятностей перехода
) выбирается следующее состояние
, и после того как состояние
выбрано, время ожидания в
полагается равным
с функцией распределения
или плотностью вероятности
.Этот процесс затем следует неограниченно продолжать, выбирая каждый раз независимо следующее состояние и время ожидания. Если через
обозначить состояние системы, занятое в момент времени
. То полученный случайный момент принято называть полумарковским.