SISTEME DE AŞTEPTARE ŞI APLICAŢII

Evaluare:
Tip evaluare Metode de evaluare Pondere din nota finală
Teste pe parcurs: 1 test scris în săpt. 7 20%
A. Examen /
Colocviu Evaluare finală: Colocviu – săpt. 14 70% (minim 5)
80%
- Rezolvare de probleme; se pot folosi
(minim 5)
materiale bibliografice
Răspuns oral
C. Laborator 30 % (minim 5)
Caiet de laborator

Bibliografie:
1. M.H. Matcovschi, Lanţuri şi sisteme de aşteptare markoviene, Ed. Gh. Asachi, Iaşi, 2003.
2. pagina web curs: http://www.ac.tuiasi.ro/~mhanako/saa/
3. C.G. Cassandras, S. Lafortune, Introduction to Discrete Event Systems, 2nd Ed., Springer, New York, 2008.
4. G., Bolch, S. Greiner, H. de Meer, and K. Trivedi, Queueing Networks and Markov Chains: Modeling and
Performance Evaluation with Computer Science Applications, John Wiley & Sons, New York, 1998.
5. L. Kleinrock, Queueing Systems, vol. I and II, John Wiley & Sons, New York, 1976.
6. S.M. Ross, Introduction to Probability Models, 9th ed, Academic Press, 2006.
7. Myron Hlynka's Queueing Theory Page: http://web2.uwindsor.ca/math/hlynka/queue.html
8. ARENA Home Page, http://www.arenasimulation.com/support/.
9. W.D. Kelton, R.P. Sadowski, and D. Sturrock, Simulation with Arena, 4th ed., McGraw Hill Higher
Education, New York, 2006.
 Elemente de teoria probabilităţilor şi statistică matematică

Capitolul 1
INTRODUCERE
Sistemele de aşteptare (eng. queueing systems) – o submulţime a clasei de sisteme de tip flux
(eng. flow systems), care efectuează procesarea (sau servirea) unor entităţi (sau clienţi).
cauda (lb. latină) = coadă

Agner Krarup Erlang (1878 – 1929) – matematician danez

1909: The Theory of Probabilities and Telephone Conversations
studiu efectuat pentru Compania Daneză de Telefoane din Copenhaga

David G. Kendall (1918 –2007) – statistician britanic

1951: Some Problems in the Theory of Queues – introduce terminologia
specifică domeniului
1953: introduce sistemul de clasificare a sistemelor de aşteptare
şi notaţia A / B / m

2
 Elemente de teoria probabilităţilor şi statistică matematică

Structura de bază a unui sistem de aşteptare:

Factori care definesc comportarea unui sistem de aşteptare:

 Procesul de sosire a clienţilor: frecvenţa şi modul de sosire a clienţilor
♦ duratele de timp dintre 2 sosiri consecutive (eng. interarrival times)
♦ clienţii sosesc unul câte unul, sau în grup (eng. batch arrival)
 Procesul de servire a clienţilor
♦ duratele de servire (eng. service times)
♦ clienţii sunt serviţi unul câte unul sau în grup (eng. batch processing)
 Numărul staţiilor de servire
♦ un server
♦ mai multe servere: în paralel sau în serie; complet abordabile sau cu abordare restrictivă
 Capacitatea sistemului de aşteptare: numărul total de clienţi care se pot afla simultan în sistem
♦ finită sau infinită
 Dimensiunea populaţiei din care provin clienţii (eng. calling population):
♦ infinită – sistemul este deschis (eng. open queueing system)
♦ finită – sistemul este închis (eng. closed queueing system)

3
 Elemente de teoria probabilităţilor şi statistică matematică

 Regulile de servire a clienţilor

♦ First In, First Out – FIFO
♦ Last In, First Out – LIFO
♦ Random Service
♦ reguli de prioritate între mai multe categorii (clase) de clienţi:
o prioritate absolută (eng. pre-emptive priority)
o prioritate relativă (eng. non pre-emptive priority)
♦ comportamentul clienţilor: clienţii "au răbdare" sau "îşi pierd răbdarea"
o pleacă fără a fi serviţi (eng. reneging)
o trec de la o coadă mai lungă la alta mai scurtă (eng. jockeying)
o un client vede coada şi renunţă să mai intre (eng. balking)

4
 Capitolul 2
ELEMENTE DE TEORIA PROBABILITĂŢILOR
ŞI STATISTICĂ MATEMATICĂ
Variabile aleatoare şi distribuţii de probabilitate
Caracteristici ale distribuţiilor de probabilitate:
Valoare medie, Dispersie (varianţă), Moment de ordin k
Distribuţii discrete de probabilitate
Distribuţia Bernoulli
Distribuţia binomială
Distribuţia geometrică
Distribuţia Poisson
Distribuţii continue de probabilitate
Distribuţia exponenţială
Distribuţia gamma
Distribuţia Erlang
Funcţii generatoare
Elemente de statistică matematică
Estimarea parametrilor
Verificarea ipotezelor statistice
 Elemente de teoria probabilităţilor şi statistică matematică

2.1. Câmp de probabilitate

Atunci când se creează un model matematic care descrie (probabilistic) un experiment din
„lumea reală”, se pun în evidenţă următoarele elemente:
(i) mulţimea tuturor rezultatelor (realizărilor) posibile ale experimentului:
 = spaţiul eşantioanelor acelui experiment (eng. sample space);
(ii) o grupare a acestor rezultate în clase (evenimente);
(iii) frecvenţa relativă de apariţie a claselor atunci când experimentul este reluat
(în mod independent) de mai multe ori.

Un eveniment reprezintă o submulţime a spaţiului  . Mulţimea  reprezintă

evenimentul sigur, iar mulţimea vidă  corespunde evenimentului imposibil.

Operaţiile elementare cu evenimente corespund operaţiilor cu mulţimi:

− uniunea evenimentelor, „A sau B”:
(2.1.1) A  B       A sau   B ;
− intersecţia evenimentelor, „A şi B”:
(2.1.2) A  B       A şi   B ;
− complementul evenimentului A, „non A”:
(2.1.3) A       A    A .

Evenimentele A şi B sunt mutual exclusive (disjuncte) dacă A  B   .

2
 Elemente de teoria probabilităţilor şi statistică matematică

Tripletul  , E, P  se numeşte câmp de probabilitate dacă:

  este spaţiul eşantioanelor unui experiment;
 E este o familie nevidă de submulţimi ale lui  , numită spaţiul evenimentelor, cu
proprietăţile:
 dacă A E , atunci şi A  E ;
 dacă A1, A2 ,... E , atunci şi  Ai  E .
i
 P este o funcţie P : E  , numită probabilitate, astfel încât (axiomele lui Kolmogorov):
 P[ A]  0, A  E ;
 P[]  1 ;
 dacă A1, A2  E sunt evenimente disjuncte, atunci P  A1  A2   P[ A1 ]  P[ A2 ] .

Proprietăţi ale funcţiei de probabilitate:

 0  P[ A]  1; P[]  1 ; P[]  0 ;
 P[ A]  1  P[ A] ;
 dacă A1, A2 ,... E sunt evenimente disjuncte, atunci P  Ai    P[ Ai ] ;
 P[ A  B ]  P[ A]  P[ B ]  P[ A  B ] ;
 dacă A  B atunci P[ A]  P[ B ] .

3
 Elemente de teoria probabilităţilor şi statistică matematică

Mulţimea de evenimente  A1, A2 , , An ,... reprezintă un

sistem complet de evenimente dacă:
 sunt disjuncte: Ai  A j   , i  j ,

 acoperă spaţiul  :  Ai   .
i

Probabilitatea de apariţie a evenimentului A în ipoteza că s-a produs

evenimentul B, denumită probabilitate condiţională, este dată de:
P[ A  B ]
P[ A | B ]  , (2.1.5)
P[ B ]
de unde rezultă
P[ A  B ]  P[ A | B ]  P[ B ] . (2.1.6)

Se spune că două evenimente A şi B sunt independente dacă şi numai dacă

P[ A  B ]  P[ A]  P[ B ]
(ceea ce înseamnă că P[ A | B ]  P[ A] ).

4
 Elemente de teoria probabilităţilor şi statistică matematică

Legea probabilităţii totale.

Dacă  A1, A2 , , An  este un sistem complet de evenimente atunci
n
P[ B ]   P[ B | Ai ]P[ Ai ] . (2.1.7)
i 1

Formula lui Bayes.

Dacă  A1, A2 , , An  este un sistem complet de evenimente şi B un eveniment cu P[ B ]  0 , atunci
P[ Ak  B ] P[ B | Ak ] P[ Ak ]
P[ Ak | B]   n . (2.1.8)
P[ B]
 P[ B | Ai ]P[ Ai ]
i 1

5
 Elemente de teoria probabilităţilor şi statistică matematică

2.2. Variabile aleatoare şi distribuţii de probabilitate

2.2.1. Variabile aleatoare unidimensionale
Fie  , E, P  un câmp de probabilitate. O variabilă aleatoare (eng. random variable) reală X
asociază un număr X ( )  fiecărei realizări posibile   :
X :  ,
astfel încât mulţimea [ X  x] să reprezinte un eveniment:
[ X  x]     X ( )  x  E , x  .
Mulţimea valorilor pe care le poate lua variabila aleatoare X:
X ()   x  X ( )  x,    ,
poate fi: finită sau numărabilă  X este variabilă aleatoare discretă
interval al dreptei reale  X este variabilă aleatoare continuă

Exemple:
 starea unui server cu posibilităţi de defectare (1 = I – idle, 2 = W – working, 3 = D – down)
 numărul X de clienţi dintr-un fir de aşteptare de capacitate 10 ( X  {0,1, 2, ,10})
 numărul Y de clienţi care au intrat într-un sistem de aşteptare într-un interval de timp t ( Y  )

 durata X dintre sosirile a doi clienţi consecutivi într-un fir de aşteptare ( X    (0, ) )
 durata cât un server se găseşte în starea D (defect)

 durata Z de servire a unui client de către sever ( Z    (0,  ) )

6
 Elemente de teoria probabilităţilor şi statistică matematică

Variabilele aleatoare X şi Y sunt independente dacă

P[ X  x, Y  y ]  P[ X  x ]  P[Y  y ], x, y  .

Funcţia de repartiţie (sau de distribuţie) (eng. cumulative distribution function - cdf) a variabilei
aleatoare X este aplicaţia
F :  [0, 1] , F ( x)  P[ X  x] . (2.2.1)

Proprietăţi:
 F este monoton crescătoare pe : x1  x2  F ( x1 )  F ( x2 ) ;
 F este continuă la dreapta în orice punct x  , lim F ( )  F ( x) ;
 x

 F ()  lim F ( x)  0, F ()  lim F ( x)  1;

x x

 P[ x1  X  x2 ]  F ( x2 )  F ( x1 ), P[ X  x]  1  F ( x) .

7
 Elemente de teoria probabilităţilor şi statistică matematică

 x x2 xn 
Fie o variabilă aleatoare discretă X   1
 p1 p2 pn 
Densitatea de probabilitate (eng. probability density function – pdf):
 pi , dacă x  xi ,
p :  [0, 1] , p ( x)  P[ X  x]   (2.2.2)
 0, dacă x  xi .
Relaţia de legătură dintre funcţia de repartiţie şi densitatea sa de probabilitate este:
F ( x)   p( y ) . (2.2.3)
y x
Dacă numărul de valori pe care le poate lua X este finit (n), expresia funcţiei sale de repartiţie este:
 0 , x  (, x1 ),
 p1 , x  [ x1, x2 ),

 p1  p2 , x  [ x2 , x3 ),
F ( x)   (2.2.4)

 p1  p2   pn1 , x  [ xn1, xn ),

 1 , x  [ xn , ).
Proprietăţi:
p ( x)  0, x  ,  p( x)  1 .
x

8
 Elemente de teoria probabilităţilor şi statistică matematică

Dacă pentru o variabilă aleatoare continuă X există o funcţie f :  , cu un număr finit

de puncte de discontinuitate de prima speţă, ce satisface relaţia:
x
F ( x)   f ( )d , x  , (2.2.5)

atunci funcţia f se numeşte densitate de probabilitate a variabilei X.

Dacă funcţia f este continuă într-un punct x  , atunci funcţia de repartiţie F este derivabilă în x şi
dF ( x)
f ( x)  . (2.2.6)
dx

Proprietăţi:

f ( x)  0, x  ,  f ( x)dx  1 ;

b
P[a  X  b]  F (b)  F (a )   f ( )d .
a

9
 Elemente de teoria probabilităţilor şi statistică matematică

2.2.3. Funcţii de variabile aleatoare

Presupunem că X este o variabilă aleatoare (cu valori reale), X :   , având
funcţia de repartiţie FX ( x) şi densitatea de probabilitate f X ( x) .

Dacă g :  este o funcţie cunoscută, atunci Y  g ( X ) este o variabilă aleatoare

a cărei funcţie de repartiţie, notată FY ( y ) , este dată de
FY ( y )  P[Y  y ]  P[ g ( X )  y ] , y  . (2.2.13)

10
 Elemente de teoria probabilităţilor şi statistică matematică

Exemplu:
Fie X 1, X 2 , , X n , variabilele aleatoare independente, având funcţiile de repartiţie Fi , i  1, n .

Considerând variabilele aleatoare

Y  max  X 1, X 2 , , X n  şi Z  min  X1, X 2 , , X n  ,
funcţiile lor de repartiţie sunt date de:
FY ( y )  P  max  X 1, X 2 , , X n   y   P  X 1  y, X 2  y, , X n  y  
 P  X1  y  P  X 2  y  P  X n  y   F1 ( y ) F2 ( y ) Fn ( y ), y  ,
respectiv,
FZ ( z )  P  min  X 1, X 2 , , X n  z  
 1  P  min  X 1, X 2 , , X n  z  
 1  P  X1  z, X 2  z, , X n  z   1  P  X1  z  P  X 2  z  P X n  y 
 1  1  F1 ( z ) 1  F2 ( z )  1  Fn ( z ) , z .

11
 Elemente de teoria probabilităţilor şi statistică matematică

2.3. Caracteristici ale distribuţiilor de probabilitate

2.3.1. Valoare medie
 x x2 
Pentru o v.a. discretă X   1  , se defineşte valoarea medie (eng. mean value sau
 p1 p2 
mathematical expectation) prin relaţia:
not
M[ X ]   xi pi  m X , (2.3.1)
i
dacă seria de mai sus este absolut convergentă,  | xi | pi   .
i
Pentru o v.a. continuă X având densitatea de probabilitate f, valoarea medie este definită prin
relaţia:
 not
M[ X ]   x f ( x) dx  mX , (2.3.2)

dacă integrala din membrul doi este convergentă.

Valoarea medie caracterizează variabila aleatoare X cu privire la modul de grupare a valorilor

pe care le poate lua X.

12
 Elemente de teoria probabilităţilor şi statistică matematică

Proprietăţi:
Dacă X şi Y sunt variabile aleatoare având valori medii finite, atunci
M[cX ]  c M[ X ], c  ,
M[ X  Y ]  M[ X ]  M[Y ], (2.3.3)
M[ X  Y ]  M[ X ]  M[Y ], dacă X şi Y sunt independente.

 x x2   z1 z2 
Dacă X   1  este v.a.d. cu densitatea de probabilitate p ( x ) , şi Z  g ( X )  q q ,
 1p p 2   1 2 
unde zi  g ( xi ) , i  1, 2, , atunci:
M[ Z ]   z j q j   g ( xi ) pi . (2.3.4)
j i
Dacă X este v.a.c. având densitatea de probabilitate f ( x) , şi Z  g ( X ) are densitatea de
probabilitate h, atunci:
 
M[ Z ]   zh( z )dz   g ( x) f ( x)dx . (2.3.5)
 

Prin particularizarea dependenţei Z  g ( X ) se introduc noi caracteristici ale variabilelor aleatoare.

13
 Elemente de teoria probabilităţilor şi statistică matematică

2.3.2. Dispersie (varianţă)

Dispersia (varianţa) (eng. variance) variabilei aleatoare X care are valoarea medie m X este:
not
Var[ X ]  M ( X  m X )    X2 ,
2
(2.3.7)
dacă există valoarea medie a variabilei ( X  mX ) 2 .
Numărul  X  Var[ X ] se numeşte deviaţie standard (eng. standard deviation).

Dispersia caracterizează o variabilă aleatoare X cu privire la modul de împrăştiere a valorilor

pe care le poate lua aceasta.

x x2 xn
Dispersia unei v.a.d. X   1  este:
 p1 p2 pn 
Var[ X ]    xi  mX  pi .
2
(2.3.8)
i

Dispersia unei v.a.c. X având densitatea de probabilitate f este:


Var[ X ]    x  m X  2
f ( x)dx . (2.3.9)


14
 Elemente de teoria probabilităţilor şi statistică matematică

Proprietăţi:
Var[ X ]  0
Var[ X ]  0 dacă şi numai dacă X  m (sau mai exact P[ X  m]  1).

Var[ X ]  M[ X 2 ]   M[ X ] ,
2

Var[cX ]  c 2 Var[ X ], c  ,
Var[c  X ]  Var[ X ], c  , (2.3.10)
Var[ X  Y ]  Var[ X ]  Var[Y ], dacă X şi Y sunt independente.
1
P | X  m X | k X   , k  , k  0 (inegaltatea lui Cebîşev).
k2

Observaţie. Calculul mediei şi al dispersiei pune şi el în evidenţă trecerea

de la exprimarea cumulativă de tip sumă – specifică pentru cazul discret –
la exprimarea cumulativă de tip integral – specifică pentru cazul continuu.

15
 Elemente de teoria probabilităţilor şi statistică matematică

2.3.3. Moment de ordin k

Se numeşte moment de ordin k (eng. k-th moment) al variabilei aleatoare X media variabilei X k ,
k [ X ]  M[ X k ] , pentru k  1, 2, , (2.3.11)
dacă această valoare medie există.
Se numeşte moment centrat de ordin k (eng. k-th centered moment) al variabilei aleatoare X
care are valoarea medie m X , media variabilei  X  mX  (dacă această valoare medie există)
k

k [ X ]  M  X  m X   , k  1, 2, .
k
(2.3.14)
 
v.a.d. X:
 x1 x2 xn   k [ X ]   i pi ,
x k
(2.3.12)
X   i
 p1 p2 pn 
k [ X ]    xi  mX  pi ,
k
(2.3.15)
i
v.a.c. X cu densitatea de probabilitate f :

k [ X ]   x k f ( x)dx , (2.3.13)


k [ X ]    x  m X  k
f ( x)dx . (2.3.16)

Se observă că 1 [ X ]  0 şi că 2 [ X ]  Var[ X ] .

16
 Elemente de teoria probabilităţilor şi statistică matematică

2.4. Distribuţii de probabilitate utilizate în modelarea

sistemelor de aşteptare
2.4.1. Distribuţii discrete de probabilitate
2.4.1.2. Distribuţia Bernoulli
Un experiment Bernoulli este experimentul de extragere a unui element dintr-o populaţie infinită în
ipoteza că există numai două rezultate posibile în urma unei încercări:
 succes (reprezentat simbolic prin numărul 1), cu probabilitatea p, 0  p  1 ,
 sau insucces (reprezentat simbolic prin numărul 0), cu probabilitatea q  1  p .

O v.a. de tip Bernoulli ia numai două valori, X  {0, 1}, cu densitatea de probabilitate:
1  p, k  0,
p (k )  P[ X  k ]   (2.4.3)
 p , k  1.

Media şi dispersia variabilei X sunt egale cu M[ X ]  p , respectiv Var[ X ]  p (1  p ) .

17
 Elemente de teoria probabilităţilor şi statistică matematică

2.4.1.3. Distribuţia binomială

Considerăm v.a.d. X ce reprezintă numărul de succese obţinute în urma efectuării a n
experimente de tip Bernoulli, mutual independente, în cazul în care probabilitatea de succes este
aceeaşi în fiecare încercare ( 0  p  1 ).
Se notează X Bin(n, p ) , n   , 0  p  1.
Jacques Bernoulli a introdus aceasta distribuţie în anul 1713 (Ars Conjectandi).
Înaintea sa, Blaise Pascal considerase cazul particular p  1/ 2 .

Densitatea de repartiţie a variabilei aleatoare discrete X  0,1, 2,..., n este

p (k )  P[ X  k ]  Cnk p k (1  p ) nk , k  0,1, 2,..., n , (2.4.4)
n!
unde Cnk  , pentru 0  k  n , este numărul combinărilor de n elemente luate câte k.
k !( n  k )!
Se verifică uşor că
n n
 p(k )   Cnk p k (1  p)nk   p  (1  p)
n
 1, (2.4.5)
k 0 k 0
ceea ce arată că relaţia (2.4.4.) defineşte o densitate de probabilitate.

Dacă X Bin(n, p ) , atunci M[ X ]  np şi Var[ X ]  np (1  p ) .

18
 Elemente de teoria probabilităţilor şi statistică matematică

Exemplul 2.4.1.
Se inspectează loturi de câte n  30 piese asamblate pe o linie de fabricaţie.
Considerăm că probabilitatea ca o piesă oarecare să fie defectă este p  0,05 .
Variabila aleatoare X ce reprezintă numărul de piese defecte găsite în lot are distribuţie
binomială, X Bin(30, 0.05) .

Probabilitatea ca în lot să fie mai puţin de 3 piese defecte este:

2 2
P[ X  2]   p (k )   C30
k k
p (1  p )30k 
k 0 k 0
30! 30! 30!
 (0,05)0 (0,95)30  (0,05)1 (0,95) 29  (0,05) 2 (0,95) 28 
0!30! 1!29! 2!28!
 0, 2146  0,3389  0, 2586  0,8122.

Numărul mediu de piese defecte dintr-un lot este

M[ X ]  np  30  0,05  1,5 ,
iar dispersia variabilei X:
Var[ X ]  np (1  p )  30  0,05  0,95  1, 425 .

19
 Elemente de teoria probabilităţilor şi statistică matematică

Exemplul 2.4.2.
Într-un canal de comunicaţii, probabilitate de transmisie corectă a unui bit este p  (0,1) .
Se transmit cuvinte de n biţi.
Se utilizează un cod care poate tolera până la un număr de e biţi eronaţi într-un cuvânt.

Notând cu X numărul de erori dintr-un cuvânt, X Bin(n, p ) .

Probabilitatea de transmisie corectă a unui cuvânt este dată de

e
P[ X  e]   Cnk p nk (1  p ) k .
k 0
Dacă e  0 , atunci erorile nu sunt tolerate.

20
 Elemente de teoria probabilităţilor şi statistică matematică

2.4.1.5. Distribuţia geometrică

Considerăm v.a.d. X ce reprezintă numărul de experimente de tip Bernoulli efectuate până
la obţinerea primului succes (inclusiv), X  {1, 2, }.
Dacă probabilitatea de succes este aceeaşi în fiecare încercare ( 0  p  1 ), atunci X are
distribuţie geometrică de parametru p, X Gd ( p ) , 0  p  1 .

Densitatea de probabilitate a variabilei X Gd ( p ) :

p (k )  P[ X  k ]  p (1  p ) k 1 , k  {1, 2, } . (2.4.7)

Probabilitatea ca până la primul succes să fie necesare mai mult de n încercări este
 
P[ X  n]   P[ X  k ]   p (1  p ) k 1  (1  p ) n , n  {1, 2, } , (2.4.8)
k n 1 k n 1
astfel că funcţia de repartiţie a variabilei X este
n
F (n)  P[ X  n]   P[ X  k ]  1  (1  p ) n , n  {1, 2, } . (2.4.9)
k 1

Dacă X Gd ( p ) , atunci M[ X ]  1 p şi Var[ X ]  1 p 2 .

Dacă X 1 Gd ( p1 ) şi X 2 Gd ( p2 ) sunt independente, atunci Z  min  X 1, X 2  Gd (1  q1q2 ) ,

cu qi  1  pi , i  1, 2 .
FZ ( z )  P  min  X 1, X 2 , , X n   z   1  P  min  X 1, X 2 , , X n  z  
 1  1  FX1 ( z )  1  FX 2 ( z )  1  FX ( z )  , z  .
n

21
 Elemente de teoria probabilităţilor şi statistică matematică

Exemplul 2.4.3. În exemplul 2.4.1, numărul Y de piese inspectate până când se găseşte prima
piesă defectă dintr-un lot are distribuţie geometrică de parametru p  0,05 , şi
M[Y ]  1 p  1 0,05  20 .

Exemplul 2.4.4. Considerăm un procesor care funcţionează după următorul principiu:

 fiecărui task sosit i se alocă un interval de timp constant T pentru servire;
 probabilitatea ca servirea unui task să fie terminată într-un interval de timp T este p;
 probabilitatea ca să mai fie necesare alte calcule este q  1  p ;
 dacă după trecerea duratei T servirea unui anumit task nu a fost terminată, atunci acesta este
trimis din nou în bufferul care precede procesorul;
 taskurile sunt servite în ordinea sosirii (a intrării în buffer).

Numărul X de intervale de timp necesare pentru servirea completă a unui task are o distribuţie
geometrică, X Gd ( p ) , având densitatea de probabilitate
p (k )  P[ X  k ]  p (1  p ) k 1 , k  {1, 2, }.

22
 Elemente de teoria probabilităţilor şi statistică matematică

Distribuţia geometrică este singura distribuţie discretă de probabilitate care are proprietatea de
lipsă a memoriei (eng. memoryless property):
P[ X  n  m, X  m]
P[ X  n  m | X  m]  1  P[ X  n  m | X  m]  1  
P[ X  m]
n m
(2.4.12)
P[ X  n  m] (1  p )
1  1  1  (1  p) n  P[ X  n], m, n  *.
P[ X  m] (1  p ) m

În multe situaţii se doreşte contorizarea numărului Y de experimente (independente, de tip

Bernoulli) eşuate care au fost efectuate înaintea obţinerii primului succes.
Se observă că Y  X  1{0,1, 2,...} unde variabila X are o distribuţie geometrică.

Se spune că Y are o distribuţie geometrică modificată, Y Gm ( p ) , cu densitatea de probabilitate:

pY (k )  P[Y  k ]  p (1  p ) k , k  {0,1, 2, } , (2.4.10)
şi funcţia de repartiţie:
F (n)  P[Y  n]  1  (1  p) n1 , n  {0,1, 2, } . (2.4.11)

Dacă X Gm ( p ) , 0  p  1 , atunci M[ X ]  (1  p ) p şi Var[ X ]  (1  p) p 2 .

Această distribuţie este implementată în MATLAB!

23
 Elemente de teoria probabilităţilor şi statistică matematică

2.4.1.6. Distribuţia Poisson

Distribuţia Poisson caracterizează o v.a.d. X  având densitatea de probabilitate
 k 
p (k )  P[ X  k ]  e , k  ,   0. (2.4.13)
k!
Relaţia (2.4.13) defineşte într-adevăr o densitate de probabilitate deoarece
 
k
 p (k )  e  k !  e   e  1 .

(2.4.14)
k 0 k 0
Dacă X P ( ) ,   0 , atunci M[ X ]   şi Var[ X ]   .
Proprietăţi:
X 1 P (1 ), X 2 P (2 ), X 1 şi X 2 independente  Z  X 1  X 2 P (1  2 ) , (2.4.15)
deoarece
n
P[ X 1  X 2  n]   P[ X 1  k ]P[ X 2  n  k ] 
k 0
(2.4.16)
n
1k 2nk 1  ( 1 2 ) n
(1  2 )  (12 )
n
 e  1 e  2  e  C k k nk
   e .
(n  k )!
n 1 2
k 0 k! n! k 0 n!

Distribuţia Poisson este utilizată pentru a modela rezultatul unui experiment ce implică
numărarea apariţiilor unor evenimente aleatoare într-un interval de timp.
Dacă duratele de timp dintre apariţiile a două evenimente aleatoare independente consecutive
are o distribuţie exponenţială, atunci numărul de evenimente dintr-un interval de timp fixat are o
repartiţie Poisson (şi reciproc).

24
 Elemente de teoria probabilităţilor şi statistică matematică

2.4.2. Distribuţii continue de probabilitate

2.4.2.2. Distribuţia exponenţială
Legea de distribuţie exponenţială cu parametrul   0 caracterizează o variabilă aleatoare X (ce
poate lua numai valori reale nenegative, X   ) având:
 0 , pentru t  0,
pdf: f (t )    t (2.4.19)
  e , pentru t  0,
 0 , pentru t  0,
cdf: F (t )  P[ X  t ]    t
(2.4.20)
1  e , pentru t  0.
Dacă X E ( ) ,   0 , atunci M[ X ]  1  şi Var[ X ]  1  2 .
Parametrul  poartă denumirea de rată a distribuţiei exponenţiale.
În MATLAB, parametrul distribuţiei exponenţiale este valoarea medie   1/  !
PDF - distr. exponentiala E() CDF - distr. exponentiala E()

1 = 1 1.2 1 = 1
1.6
2 = 1.5 2 = 1.5
3 = 0.5 3 = 0.5
1.4 1

1.2
0.8
1

F(t)
f(t)

0.6
0.8

0.6
0.4

0.4
0.2
0.2

0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
t t

25
 Elemente de teoria probabilităţilor şi statistică matematică

Distribuţia exponenţială este singura distribuţie continuă de probabilitate care posedă

proprietatea de lipsă de memorie (eng. memoryless property), denumită şi proprietate Markov,
P[ X  s  t | X  s ]  P[ X  t ], t , s  0 , (2.4.21)
care rezultă din
P[ X  s  t , X  s ]
P[ X  s  t | X  s ]  1  P[ X  s  t | X  s ]  1  
P[ X  s ]
  (t  s )
(2.4.22)
P[ X  s  t ] e
 1  1    s  1  e  t  P[ X  t ], t , s  0.
P[ X  s ] e

Interpretarea acestei proprietăţi: 1.2 P[ X  t]

P[ X  t | X > 2]

Pp. că X reprezintă timpul de servire a unui client de către un 1

server, X E ( ) . 0.8

Timpul de servire rezidual are distribuţie exponenţială cu aceeaşi

F(t)
0.6  = 0.5

rată ca şi timpul de servire total. 0.4

0.2

Distribuţia exponenţială este utilizată pentru a modela procese care 0

0 1 2 3 4 5 6 7 8 9 10

„nu au memorie”: t

o duratele dintre sosirile clienţilor într-un sistem (eng. interarrival times)

o duratele de aşteptare (dacă probabilitatea de a mai aştepta încă un interval de timp este
independentă de timpul de aşteptare scurs deja)
o duratele de servire

26
 Elemente de teoria probabilităţilor şi statistică matematică

Legătura cu distribuţia discretă Poisson:

Dacă duratele dintre două apariţii consecutive ale unui acelaşi tip de eveniment sunt variabile
independente cu distribuţie exponenţială de rată  , atunci numărul de evenimente care apar într-un
intr-un interval de timp [0, t), t  0 , are distribuţie Poisson de parametru t , şi reciproc..
Proprietăţi:
Dacă X 1, X 2 ,..., X n E ( ) ,   0 , sunt v.a. independente, atunci
 variabila Z  min  X 1 , X 2 ,..., X n  este distribuită exponenţial cu rata n , Z E ( n ) :
FZ (t )  P  min  X 1, X 2 , , X n   t  
(2.4.25)
 1  1  F1 (t ) 1  F2 (t )  1  Fn (t )   1  e  nt
, t  0.
 variabila Y  max  X 1, X 2 , , X n  are funcţia de repartiţie:
FY (t )  P  max  X 1, X 2 , , X n   t   F1 (t ) F2 (t ) 
Fn (t )  1  e 
 t n
, t  0 . (2.4.26)

Generalizare: Dacă X i E (i ) , i  0 , i  1,..., n , sunt v.a. independente, atunci:

Z  min  X 1, X 2 ,..., X n  E (1  2  ...  n ),
i
P[ Z  X i ]  , i  1,..., n.
1  ...  n

27
 Elemente de teoria probabilităţilor şi statistică matematică

2.4.2.3. Distribuţia gamma

Distribuţia gamma cu parametrii  ,   ,  ,   0 , caracterizează o variabilă aleatoare X   (ce
poate lua numai valori reale nenegative,) a cărei densitate de probabilitate este de forma:
 0 , pentru t  0,

f (t )   1 
 1 
t
cu  ,   ,  ,   0 , (2.4.27)
  t e , pentru t  0,
  ( )
unde funcţia specială Gamma este definită prin relaţia

( )   x 1 e  x dx ,   0 . (2.4.28)
0
Parametrul  reprezintă parametrul de formă (eng. shape parameter), iar  este parametrul de
scalare (eng. scale parameter) al distribuţiei gama.
PDF - distributia Gamma ( , ) CDF - distributia Gamma ( , )
2
 =0.75,  =0.5
1.8  =1,  =1 1
 =1.5,  =1
1.6  =2,  =1
 =2,  =2
0.8
1.4

1.2
0.6

F(x)
f(x)

0.8
0.4
0.6
 =0.75,  =0.5
0.4 0.2  =1,  =1
 =1.5,  =1
0.2  =2,  =1
 =2,  =2
0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
x x

28
 Elemente de teoria probabilităţilor şi statistică matematică

Dacă X G ( ,  ) ,  ,   ,  ,   0 , atunci M[ X ]   şi Var[ X ]   2 .

Pentru   1 şi   1  se obţine distribuţia exponenţială, astfel încât E ( )  G (1,1  ) .

2.4.2.4. Distribuţia Erlang

Pentru   n, n  1, 2,3,  , şi notând   1   0 , se obţine distribuţia Erlang de ordin n şi
parametru  , notată Er (n,  )  G ( n,1/  ) .
Deoarece (n)   n  1! dacă n  * , o variabilă aleatoare X Er (n,  ) are
 0 , pentru t  0

pdf: f (t )    n n1  t cu n  * ,   0 . (2.4.29)
  n  1! t e , pentru t  0

 0 , pentru t  0

cdf: F (t )   n1 (t ) k  t (2.4.30)
  k!
1  e , pentru t  0.
 k 0
Dacă X Er (n,  ) , n  * ,   0 , atunci M[ X ]  n  şi Var[ X ]  n  2 .

Legătura cu distribuţia exponenţială:

Dacă X 1, X 2 ,..., X n E ( ) ,   0 , sunt variabile aleatoare independente, atunci variabila
Z  X 1  X 2  ...  X n are distribuţie Erlang de ordin n şi parametru  , Z Er (n,  ) .
În particular, Er (1,  )  E ( ) .

29
Elemente de teoria probabilităţilor şi statistică matematică

30
 Elemente de teoria probabilităţilor şi statistică matematică

Exemplul 2.4.6. Pentru testarea calităţii pieselor produse într-un FMS se aplică consecutiv
trei teste, durata fiecărui test (Ti, i = 1, 2, 3) având distribuţie exponenţială de medie   5 s.
Timpul total de verificare a unei piese, T  T1  T2  T3 , are distribuţie Erlang de ordin n  3 şi
parametru (rată)   1   0, 2 s-1, cu M[ X ]  n   n  15 s şi Var[ X ]  n  2  n 2  75 s2.

Exemplul 2.4.7. Durata de execuţie X a unui program de către CPU, măsurată în secunde, are
o distribuţie Erlang de ordin n  4 şi rată   0,5 s-1.
Probabilitatea ca execuţia unui program să dureze mai mult de 1 secundă este
3
 k    2  3  
P[ X  1]  1  F (1)  1   e  1  1      e  0,99824 .
k 0 k !  2 6 

31