Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Der <strong>Simulation</strong>srahmen 5-45<br />
Bei nicht-stationären Poisson-Prozessen ist die Rate eine Funktion der Zeit<br />
λ = λ(t) mit der Stammfunktion Λ(t) =<br />
Definieren wir uns<br />
a(t,s) = Λ(t+s) – Λ(t) =<br />
t+ s<br />
∫<br />
t<br />
λ(y)dy<br />
t1<br />
∫ λ(y)dy<br />
(5.82)<br />
t0<br />
(5.83)<br />
Bei konstantem λ wird a(t,s) = λs. Im nicht-stationären Fall müssen wir aber λs<br />
ersetzen durch a(t,s)<br />
P(k) =<br />
a(t,s) e<br />
k!<br />
k −a(t,s)<br />
k = N(t + s) − N(t)<br />
mit<br />
k = 0,1, 2,..., t,s ≥ 0<br />
(5.84)<br />
Um die Funktion λ(t) für die Realität abschätzen zu können, müssen geeignete<br />
Histogramme aufgestellt werden. Dabei muss die Zeit in kleine, aber auch wiederum<br />
nicht zu kleine Teilintervalle zerlegt werden.<br />
Beispiel Ladengeschäft<br />
Für ein Ladensgeschäft soll λ(t) geschätzt werden. Dazu messen wir an mehreren<br />
Tagen die Anzahl der K<strong>und</strong>en, die innerhalb eines 10-Minuten-Intervalls<br />
eintreffen. Für jedes Intervall jeden Wochentags gibt es unterschiedliche Anzahlen.<br />
Wir mitteln die Anzahl für das Intervall einer Tageszeit über alle Wochentage<br />
<strong>und</strong> erhalten so einen tageszeitabhängigen Erwartungswert.<br />
Wie modellieren wir einen Prozess, bei dem auch die Forderung (1) verletzt wird?<br />
Solche Prozesse, bei denen die K<strong>und</strong>en in Gruppen erscheinen, beobachten wir bei<br />
allen Sportveranstaltungen, Buffet-Warteschlangen etc. bei denen ein fester Zeitpunkt,<br />
der für alle K<strong>und</strong>en vorgegeben wird. Ein Ansatz,. auch solche Situationen<br />
zu beschreiben, besteht darin, nicht die Einzelpersonen, sondern die Gruppen als<br />
Ereignisse zu betrachten. Die Zwischenankunftszeiten der Gruppen kann dann wie<br />
vorher mit einer exponentiellen Verteilung modelliert werden. Die Anzahl der<br />
Mitglieder einer Gruppe ist hier eine zweite Zufallsvariable, deren Verteilung über<br />
diskrete Histogramme selbst wieder approximiert werden kann. Die Anzahl der<br />
eintreffenden K<strong>und</strong>en bis zum Zeitpunkt ti ist also nach N(t) Gruppen der Größe<br />
Bi<br />
x(t) =<br />
N(t)<br />
∑ Bi<br />
i= 1<br />
t > 0 (5.85)<br />
Der Verb<strong>und</strong> der Zufallsvariable {x(t), t>0} mit dem Poisson-Prozess {N(t), t>0}<br />
wird "verb<strong>und</strong>ener Poisson-Prozess" genannt.