Распределение фазового типа
Параметры | субгенератора матрица , вероятности вектор-строка | ||
---|---|---|---|
Поддерживать | |||
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.
Примеры
[ редактировать ]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 ,λ 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 ,α 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 ]- Дискретное фазовое распределение
- Марковский процесс с непрерывным временем
- Экспоненциальное распределение
- Гиперэкспоненциальное распределение
- Теория массового обслуживания
Ссылки
[ редактировать ]- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ 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 .
- ^ Асмуссен, Сорен; Нерман, Олле; Олссон, Марита (1996). «Подбор распределений фазового типа с помощью алгоритма EM». Скандинавский статистический журнал . 23 (4): 419–441. JSTOR 4616418 .
- ^ 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 .
- ^ 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.