согласно (3.3.9), после чего нетрудно сформировать систему линейных уравнений относительно коэффициентов поправочного многочлена Ч
3.3.3. Нормальное распределение
На рис. 3.4 приведены графики играющего важнейшую роль в теории вероятностей и математической статистике нормального распределения с плотностью /(.г) = ехр[-(.г - а)/2(7]/о-\/27г при общем среднем а = 3 и различных а . Параметр а - это среднеквадрати-ческое отклонение (квадратный корень из дисперсии). ФР нормального распределения выражается через функцию Лапласа
Ф{х)
(.3.3.10)
согласно
(3.3.11)
Рисунок наглядно иллюстрирует концентрацию значений случайной величины в окрестности среднего значения (точнее, математического ожидания) при уменьшении среднеквадратического отклонения. Площади под каждой кривой одинаковы, поскольку для любой плотности
J f[x)dx - 1 . Отличия нормального распределения от других, имею-
- ОС
щих те же среднее и дисперсию, можно охарактеризовать асимметрией S - рз/а и эксцессом е = Рл/" - 3. В этих формулах {pi] суть центральные моменты, вычисленные относительно среднего.
Эта технология ниже рассматривается для распределения Вейбулла.
1 2 3 4 5 6 Рис. 3.4. Нормальные плотности
3.3.4. Распределение Вейбулла
Основным показателем качества функционирования многих СМО является ДФР времени пребывания заявки в системе, получаемая в виде таблицы для заданных значений аргумента. Неинтегрируемость гамма-плотности вынуждает искать для вычисления ДФР по заданным моментам другую аппроксимацию. Удобно применение распределения Вейбулла
F{t) = e-. (3.3.12)
Его моменты
Л= (0r(0iy/= = W/=r(l + iA), j = l,2,..., (3.3.13)
а отношение
а = hlfl = 2кГ(2/к)/Т\1/к) = 2Т{2и)/(иТ\и)),
(3.3.14)
где и = 1/к. Воспользовавшись формулой удвоения аргумента гамма-функции, можно переписать (3.3.14) в виде
2"Г(ц)Г(ц+1/2) 2"Г(ц + 1/2)
откуда следует обеспечивающая быстро сходящийся итерационный процесс уточнения и формула
1 аГ(г/, 1 + 1) = 2Ы2 ГК,,Ч-1/2) - = •
Начальное приближение
го = 1п2а/(21п2). (3.3.16)
При необходимости учета более двух моментов можно применить ту же базовую аппроксимацию с поправочным многочленом:
F(/) = e-Vvv..,.. (3.3.17)
Моменты этого распределения
. N
fj = i = OV. (3.3.18)
Теперь ясен алгоритм подбора параметров аппроксимации (3.3.17) по моментам {/j}, j = l,N :
1) Вычислить а - /2/fi
2) Определить щ согласно (3.3.16).
3) Решить уравнение (3.3.15) методом итераций.
4) Вычислить к = 1/и, W = {fi/T{u -f 1)) .
5) Сформировать систему (3.3.18) линейных алгебраических уравнений относительно {gi}.
6) Решить эту систему любым стандартным методом.
3.3.5. Дискретные распределения
Дискретные распределения обычно задаются набором вероятностей появления допустимых значений.
Распределение Пуассона описывает вероятности редких событий:
р,-е-\ х = 0,1,... (3.3.19)