最新运筹学导论教学课件PPT 排队系统教学PPT.ppt

* 在这里，H0中未给出参数 θ 的值，先有极大似然估计法求出θ的估计值为 x为连续型随机变量，我们将 x 可能取值的区间[0, ∞)分为k=9个互不重叠的子区间[ai, ai+1), i=1,2,…,9. 如下表的第二列所示. 取Ai={ai≤xai+1}, i=1,2,…9. 若H0为真，x的分布函数的估计为 由上式可得概率pi=P(Ai)的估计 例如 而 * Ai fi A0: 0≤x4.5 50 0.2788 45.165 -4.8344 0.5175 A1 : 4.5≤x9.5 31 0.2196 35.575 4.5752 0.5884 A2 : 9.5≤x14.5 26 0.1527 24.737 -1.2626 0.0644 A3 : 14.5≤x19.5 17 0.1062 17.204 0.2044 0.0024 A4 : 19.5≤x24.5 10 0.0739 11.978 1.9718 0.3248 A5 : 24.5≤x29.5 8 0.0514 8.326 0.3268 0.0126 A6 : 29.5≤x34.5 6 0.0358 5.799 -0.2004 0.0069 A7 : 34.5≤x39.5 6 0.0248 4.017 -0.7808 0.0461 A8 : 39.5≤x 8 0.0568 9.201 Σ 0.5633 因为 故在水平0.05下接受H0，认为 x 服从指数分布. * 分布检验的步骤 根据实际问题的要求，提出原假设H0及备择假设H0 根据极大似然估计，确定检验分布的参数 将样本值放到互不相容的事件区间上，确定各事件的发生频次 根据统计量的计算结果，与 结果比较 根据比较结果，确定接受还是拒绝H0 * 12.8 一般服务时间M/G/1模型 前面讨论的排队模型到达时间和服务时间均服从指数分布，这类系统的主要特征是Markov特性，即未来状态仅由当前系统的状态决定。但是当到达时间间隔和服务时间间隔至少至少有一个不服从负指数分布时，仅靠当前状态不足以推断未来状态，这样的排队模型称为非马氏排队模型。这类排队模型非常复杂，对于这类情形的分析，我们将在以后介绍采用模拟方法来研究 * (M/G/1):(GD/∞/∞)排队模型 本节介绍一个很少出现的具有解析结果的非泊松排队. 它所描述的情况是，服务时间 t 服从任何概率分布，平均值为E{t}, 方差为Var{t}. 这个模型的结果包括系统性能的基本指标Ls、Lq、Ws和Wq. 由于公式非常复杂, 这个模型没有pn的封闭型表达式. 令λ为单服务台设施的到达率，已知服务时间分布的E{t}和Var{t}，并且λE{t}1, 我们可以通过复杂的概率论/马尔可夫链分析来证明 这就是著名的Pollaczek-Kbintchine(P-K)公式. * 服务设施为空闲的概率可按照下面公式求出 由λeff=λ，根据Little公式可以从Ls求出来. * 例 Automata洗车房只运行一个清洗位. 车辆按照泊松分布到达, 平均每小时4辆车，如果清洗位忙，则到达的车辆等在洗车房的停车场. 现在安装了新的洗车系统，对所有车辆的服务时间均为10分钟. 该系统有何影响？ λeff=λ=4辆车/小时. 服务时间为常数, 这样E{t}=1/6小时, 方差Var{t}=0. 因此 * 有意思的是，虽然到达率和离开率与前面P58的泊松分布情况相同(λ=4辆车/小时, μ=6辆车/小时)，但是这个模型的期望等待时间要少，因为服务时间为常数，如下表. M/M/1 M/G/1 Ws(hr) 0.5 0.333 Ws(hr) 0.333 0.167 因为 常数服务时间表示该设施的运行更加确定，所以这个结果是合理的。 * (M/D/1):(GD/∞/∞)排队模型 (M/D/1):(GD/∞/∞)排队模型中，服务时间服从定长分布，其平均服务时间为1/μ，方差为0，这时可以将P-K公式改为 其余指标为 上式中的Lq是M/M/1模型排队长的1/2，即MD1模型排队长更短。可以证明在一般的服务时间分布中，定长分布的排队最小，即服务时间的不确定性越小(方差越小)，等候时间越短 * (M/Ek/1):(GD/∞/∞)排队模型 (M/Ek/1):(GD/∞/∞)排队模型中的服务时间服从k阶Erlang分布. 多个服务台串联式，每个服务台的服务时间相互独立且服从相同的参数kμ的负指数分布，这就是总服务时间服从k阶Erlang分布。根据P-K公式改写为 λ 1 2 … k k μ kμ kμ 埃尔朗分布的数字特征： * 例 某