Jump to content

Распределение фазового типа

Фазовый тип
Параметры субгенератора матрица
, вероятности вектор-строка
Поддерживать
PDF
Подробности смотрите в статье
CDF
Иметь в виду
медиана нет простой закрытой формы
Режим нет простой закрытой формы
Дисперсия
МГФ
CF

Распределение фазового типа — это распределение вероятностей, построенное с помощью свертки или смеси экспоненциальных распределений . [1] Он возникает в результате системы одного или нескольких взаимосвязанных пуассоновских процессов, происходящих последовательно или поэтапно. Последовательность, в которой происходит каждая из фаз, сама по себе может быть случайным процессом . Распределение можно представить случайной величиной, описывающей время до поглощения марковского процесса с одним поглощающим состоянием. Каждое из состояний марковского процесса представляет собой одну из фаз.

У него есть эквивалент в дискретном времени распределение дискретного фазового типа .

Множество распределений фазового типа плотно в области всех распределений с положительными значениями, то есть с его помощью можно аппроксимировать любое распределение с положительным знаком.

Определение

[ редактировать ]

Рассмотрим марковский процесс с непрерывным временем и m + 1 состояниями, где m ≥ 1, такой, что состояния 1,..., m являются переходными состояниями, а состояние 0 является поглощающим состоянием. Далее, пусть процесс имеет начальную вероятность начала на любой из m + 1 фаз, заданную вектором вероятности ( α 0 , α ), где α 0 — скаляр, а α — вектор 1 × m .

представляет Распределение типа непрерывной фазы собой распределение времени от начала вышеуказанного процесса до момента поглощения в поглощающем состоянии.

Этот процесс можно записать в виде матрицы скорости перехода :

где S матрица размера m × m , а S 0 = –S 1 . Здесь 1 представляет вектор-столбец m × 1, где каждый элемент равен 1.

Характеристика

[ редактировать ]

Распределение времени X до достижения процессом поглощающего состояния называется распределением фазового типа и обозначается PH( α , S ).

Функция распределения X определяется выражением:

и функция плотности,

для всех x > 0, где exp( · ) – матричная экспонента . Обычно предполагается, что вероятность начала процесса в поглощающем состоянии равна нулю (т.е. α 0 = 0). Моменты функции распределения определяются выражением

Преобразование Лапласа распределения фазового типа имеет вид

где I — единичная матрица.

Особые случаи

[ редактировать ]

Следующие распределения вероятностей считаются особыми случаями распределения непрерывного фазового типа:

  • Вырожденное распределение , точечная масса на нуле или распределение типа пустой фазы – 0 фаз.
  • Экспоненциальное распределение – 1 фаза.
  • Распределение Эрланга – 2 или более одинаковых фазы подряд.
  • Детерминированное распределение (или константа) – предельный случай распределения Эрланга, когда количество фаз становится бесконечным, а время в каждом состоянии становится нулевым.
  • Распределение Коксиана – 2 или более (не обязательно одинаковые) последовательные фазы с вероятностью перехода в завершающее/поглощающее состояние после каждой фазы.
  • Гиперэкспоненциальное распределение (также называемое смесью экспоненциальных) – 2 или более неидентичных фазы, каждая из которых имеет вероятность возникновения взаимоисключающим или параллельным образом. (Примечание: экспоненциальное распределение — это вырожденная ситуация, когда все параллельные фазы идентичны.)
  • Гипоэкспоненциальное распределение - две или более фазы подряд могут быть неодинаковыми или смесью идентичных и неидентичных фаз, обобщает Эрланг.

Поскольку распределение фазового типа плотно в области всех распределений с положительными значениями, мы можем представить любое распределение с положительными значениями. Однако фазовый тип представляет собой распределение с легким хвостом или платикуртическое. Таким образом, представление распределения с тяжелым хвостом или лептокуртического распределения по типу фазы является приближением, даже если точность приближения может быть настолько хорошей, насколько мы хотим.

Во всех следующих примерах предполагается, что в нуле нет вероятностной массы, то есть α 0 = 0.

Экспоненциальное распределение

[ редактировать ]

Простейшим нетривиальным примером распределения фазового типа является экспоненциальное распределение параметра λ. Параметрами фазового распределения являются: S = -λ и α = 1.

Гиперэкспоненциальное или смесь экспоненциального распределения

[ редактировать ]

Смесь экспоненциального или гиперэкспоненциального распределения с λ 1 2 ,...,λ n >0 можно представить как распределение фазового типа с

с и

Эту смесь плотностей экспоненциально распределенных случайных величин можно охарактеризовать как

или его кумулятивная функция распределения

с

Распределение Эрланга

[ редактировать ]

Распределение Эрланга имеет два параметра: форму (целое число k > 0) и скорость λ > 0. Иногда его обозначают E ( k , λ ). Распределение Эрланга можно записать в виде распределения фазового типа, сделав матрицу S a k × k с диагональными элементами -λ и супердиагональными элементами λ, с вероятностью запуска в состоянии 1, равной 1. Например, Е (5,λ),

и

Для заданного количества фаз распределение Эрланга представляет собой распределение типа фазы с наименьшим коэффициентом вариации. [2]

Гипоэкспоненциальное распределение является обобщением распределения Эрланга, поскольку для каждого перехода имеются разные скорости (неоднородный случай).

Смесь дистрибутива Erlang

[ редактировать ]

Смесь двух распределений Эрланга с параметром E (3,β 1 ), E (3,β 2 ) и (α 1 2 ) (таких, что α 1 + α 2 = 1 и для каждого i , α i ≥ 0 ) можно представить как распределение типа фазы с

и

Коксианское распределение

[ редактировать ]

Распределение Кокса является обобщением распределения Эрланга . Вместо того, чтобы войти в поглощающее состояние только из состояния k, его можно достичь из любой фазы. Представление фазового типа имеет вид:

и

где 0 < p 1 ,..., p k -1 ≤ 1. В случае, когда все p i = 1, мы имеем распределение Эрланга. Распределение Кокса чрезвычайно важно, поскольку любое распределение ациклического фазового типа имеет эквивалентное представление Кокса.

Обобщенное распределение Кокса ослабляет условие, требующее начала с первой фазы.

Характеристики

[ редактировать ]

Минимумы независимых случайных величин PH

[ редактировать ]

Подобно экспоненциальному распределению класс распределений PH замкнут относительно минимумов независимых случайных величин. Описание этого здесь .

Генерация выборок из распределенных случайных величин фазового типа

[ редактировать ]

BuTools включает методы для генерации выборок из распределенных случайных величин фазового типа. [3]

Аппроксимация других распределений

[ редактировать ]

Любое распределение можно сколь угодно хорошо аппроксимировать распределением фазового типа. [4] [5] Однако на практике аппроксимации могут быть плохими, если размер аппроксимирующего процесса фиксирован. Аппроксимируя детерминированное распределение времени 1 с 10 фазами, каждая из которых имеет среднюю длину 0,1, будет иметь дисперсию 0,1 (потому что распределение Эрланга имеет наименьшую дисперсию). [2] ).

  • BuTools - сценарий MATLAB и Mathematica для подгонки распределений фазового типа к трем заданным моментам.
  • сопоставление моментов сценария MATLAB для соответствия минимальному распределению фазового типа трем заданным моментам [6]
  • KPC-toolbox — библиотека сценариев MATLAB для соответствия наборов эмпирических данных марковским процессам вступления и распределениям фазового типа. [7]

Подбор распределения типа фазы к данным

[ редактировать ]

Методы подбора распределения типа фазы к данным можно классифицировать как методы максимального правдоподобия или методы сопоставления моментов. [8] подгонка распределения фазового типа к распределениям с тяжелым хвостом является практичной. Было показано, что в некоторых ситуациях [9]

  • PhFit — скрипт C для подгонки к данным дискретных и непрерывных фазовых распределений. [10]
  • EMpht — это сценарий C для подгонки распределений фазового типа к данным или параметрическим распределениям с использованием алгоритма максимизации ожидания . [11]
  • HyperStar был разработан вокруг основной идеи сделать подбор фазового типа простым и удобным для пользователя, чтобы способствовать использованию распределений фазового типа в широком диапазоне областей. Он предоставляет графический интерфейс пользователя и дает хорошие результаты при минимальном взаимодействии с пользователем. [12]
  • jPhase — это библиотека Java, которая также может вычислять метрики для очередей, используя распределение по подобранному фазовому типу. [13]

См. также

[ редактировать ]
  1. ^ Хархол-Балтер, М. (2012). «Реальные рабочие нагрузки: высокая изменчивость и тяжелые хвосты». Моделирование производительности и проектирование компьютерных систем . стр. 347–348. дои : 10.1017/CBO9781139226424.026 . ISBN  9781139226424 .
  2. ^ Jump up to: а б Олдос, Дэвид ; Шепп, Ларри (1987). «Наименее изменчивое распределение фаз — эрланг» (PDF) . Стохастические модели . 3 (3): 467. дои : 10.1080/15326348708807067 .
  3. ^ Хорват, Великобритания; Райнеке, П.; Телек, М.С.; Уолтер, К. (2012). «Эффективное создание PH-распределенных случайных величин» (PDF) . Методы и приложения аналитического и стохастического моделирования . Конспекты лекций по информатике. Том. 7314. с. 271. дои : 10.1007/978-3-642-30782-9_19 . ISBN  978-3-642-30781-2 .
  4. ^ Болх, Гюнтер; Грейнер, Стефан; де Меер, Герман; Триведи, Кишор С. (1998). «Стационарные решения цепей Маркова». Сети массового обслуживания и цепи Маркова . стр. 103–151. дои : 10.1002/0471200581.ch3 . ISBN  0471193666 .
  5. ^ Кокс, Д.Р. (2008). «Использование комплексных вероятностей в теории случайных процессов». Математические труды Кембриджского философского общества . 51 (2): 313–319. дои : 10.1017/S0305004100030231 . S2CID   122768319 .
  6. ^ Осогами, Т.; Хархол-Балтер, М. (2006). «Решения в замкнутой форме для отображения общих распределений на квазиминимальные распределения PH». Оценка производительности . 63 (6): 524. doi : 10.1016/j.peva.2005.06.002 .
  7. ^ Казале, Г.; Чжан, ЭЗ; Смирни, Э. (2008). «KPC-Toolbox: простая, но эффективная установка трассировки с использованием марковских процессов прибытия». Пятая Международная конференция по количественной оценке систем, 2008 г. (PDF) . п. 83. дои : 10.1109/QEST.2008.33 . ISBN  978-0-7695-3360-5 . S2CID   252444 .
  8. ^ Ланг, Андреас; Артур, Джеффри Л. (1996). «Аппроксимация параметров распределений фазового типа». В Чакраварти, С.; Альфа, Аттахиру С. (ред.). Методы матричного анализа в стохастических моделях . ЦРК Пресс. ISBN  0824797663 .
  9. ^ Рамасвами, В.; Пул, Д.; Ан, С.; Байерс, С.; Каплан, А. (2005). «Обеспечение доступа к экстренным службам при наличии длительных коммутируемых вызовов в Интернет». Интерфейсы . 35 (5): 411. дои : 10.1287/inte.1050.0155 .
  10. ^ Хорват, Андраш С.; Телек, Миклош С. (2002). «PhFit: универсальный инструмент для установки фазового типа». Оценка производительности компьютера: методы и инструменты моделирования . Конспекты лекций по информатике. Том. 2324. с. 82. дои : 10.1007/3-540-46029-2_5 . ISBN  978-3-540-43539-6 .
  11. ^ Асмуссен, Сорен; Нерман, Олле; Олссон, Марита (1996). «Подбор распределений фазового типа с помощью алгоритма EM». Скандинавский статистический журнал . 23 (4): 419–441. JSTOR   4616418 .
  12. ^ Райнеке, П.; Краус, Т.; Уолтер, К. (2012). «Кластерная подгонка распределений фазового типа к эмпирическим данным» . Компьютеры и математика с приложениями . 64 (12): 3840. doi : 10.1016/j.camwa.2012.03.016 .
  13. ^ Перес, Дж. Ф.; Рианьо, Дж.Н. (2006). «jPhase: объектно-ориентированный инструмент для моделирования распределений фазового типа». По материалам семинара 2006 г. «Инструменты для решения структурированных цепей Маркова» (SMCtools '06) (PDF) . дои : 10.1145/1190366.1190370 . ISBN  1595935061 . S2CID   7863948 .
  • М. Ф. Нойтс (1975), Распределения вероятностей фазового типа, В Liber Amicorum профессора Х. Флорина, страницы 173–206, Лувенский университет.
  • МФ Нейтс. Матрично-геометрические решения в стохастических моделях: алгоритмический подход , Глава 2: Распределения вероятностей фазового типа; Dover Publications Inc., 1981.
  • Ж. Латуш, В. Рамасвами. Введение в методы матричного анализа в стохастическом моделировании, 1-е издание. Глава 2: Распределение PH; АСА СИАМ, 1999.
  • Калифорния О'Синнеид (1990). Характеристика фазовых распределений . Коммуникации в статистике: стохастические модели, 6 (1), 1-57.
  • Калифорния О'Синнеид (1999). Распределение фазового типа: открытые проблемы и некоторые свойства , Коммуникация в статистике: стохастические модели, 15 (4), 731-757.
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: c8bd86ce4ba8976a25b86cb4d21bd76a__1698465720
URL1:https://arc.ask3.ru/arc/aa/c8/6a/c8bd86ce4ba8976a25b86cb4d21bd76a.html
Заголовок, (Title) документа по адресу, URL1:
Phase-type distribution - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)