-
更新過程
鎖定
- 中文名
- 更新過程
- 外文名
- renewal process
- 所屬領域
- 數理科學
- 分 類
- 普通更新、延遲更新、平衡更新
- 特 點
- 一類特殊的獨立隨機變量和
- 定 義
- 描述元件或設備更新現象的一類隨機過程
更新過程定義
定義一
在數學上更新過程可簡單地定義為相鄰兩個點事件(即更新)的間距是相互獨立同分布(但從原點到第一次更新的間距T1可以有不同分佈)的計數過程,根據T1的分佈情形更新過程又分為普通更新過程,延遲更新過程和平衡更新過程三類,更新過程也可用過程的事件間距序列{Tn,n≥1}給定,這時N(t)和Tn有如下關係∶N(t)=sup{n:Sn≤t}和Sn=inf{t:N(t)=n},其中
定義二
在故障報修方面的定義:
如果假設故障間隔時問Xi=
一
(
=0)為來自某一分佈的獨立同分布樣本,則隨機過程Xi,i=1,2,…即為更新過程。其中,當故障間隔時間服從指數分佈時,這一更新過程即為指數更新過程;當故障間隔時間服從Gamma分佈時,這一更新過程即為Gamma更新過程。更新過程具有無記憶性,也就是説,對於一個更新過程,不管系統是全新的還是被修復了100次,下一次故障的實際都具有相同的分佈,即更新過程描述了“修舊如新”維修效果。然而,需要注意的是,更新過程模型無法模擬通常在可修復系統中觀測到的可靠性增長或可靠性衰減。對於更新過程模型,一個有用的指標是平均故障間隔時間(MTBF),即故障間隔時間分佈的均值.記為E(X)
[3]
。
更新過程舉例
P(ti≤t)=F(t)
其中F是分佈函數,F(0)=P(ti≤0)=0.
如果在時刻0從一個新燈泡(編號為1)開始,一旦燈泡燒壞,就立即更換新的燈泡,那麼Tn=t1+…+tn表示第n個燈泡燒壞的時刻,
N(t)=max{n:Tn≤t}
表示到時刻t為止已更換的燈泡數,那麼過程的路徑和Poisson過程的相應結果是類似的,如果更新理論僅僅和更換燈泡有關的話,那它就不是一個非常有用的研究對象了.我們關注這個系統的原因是它抓住了很多不同情形的本質.我們已經看到過的例子如下.
[2]
1.Markov鏈 令Xn表示一個Markov鏈,設Xn=x,Tn表示過程第n次返回到x的時刻.根據強Markov性可知tn=Tn一
是相互獨立的,因此Tn是一個更新過程。
2.維修機器 考慮一台機器而不是一個燈泡,機器發生故障前正常工作的時間為si,發生故障後需要花費ui時間才能修理好機器.令ti=si+ui,表示機器發生故障並維修好的第i個循環的時問長度,如果我們假定維修機器可使得它處於“宛如新機器”的狀態,那麼ti是獨立同分布的,因此可以得到一個更新過程。
3.計數過程 在諸如醫學成像的應用中會出現下面的情形:粒子按照速率為λ的Poisson過程到達計數器,當一個粒子到達計數器時,如果計數器是空閒的,則進行計數,並鎖定計數器τ時長,當粒子在計數器處於鎖定期間到達時不產生任何效果,如果假定計數器從未鎖定的狀態開始,則計數器第n次變為未鎖定狀態的時刻Tn可形成一個更新過程,這是前面例子的一個特殊情形:ui=τ,si=速率為λ的指數隨機變量,此外,更新過程在排隊論中有很多應用。
[2]
更新過程重要結論
當t→∞時,N(t)/t→1/μ
用文字敍述,是説如果燈泡平均使用了μ年時間,那麼在t年中我們將用壞大約t/μ個燈泡,因為在Poisson過程中時間間隔服從均值為1/λ的指數分佈,根據定理1可知,如果N(t)表示Poisson過程中在時刻t之前的總到達數,那麼
當t→∞時,N(t)/t→λ
定理1的證明 我們利用下面的強大數定律.
當n→∞時,Sn/n→μ
取xi=ti,則有Sn=Tn因此定理2意味着當n→∞時,Tn/n以概率1收斂於μ。
根據定義,
除以N(t),有
根據強大數定律,左邊和有邊都收斂於μ.據此即可得t/N(t)→μ,從而N(t)/t→1/μ。