‫‪٣٣‬‬ ‫‪٣٩-٣٣‬‬ ‫اﻧﺪﯾﺸﻪ آﻣﺎری‪ ،‬ﺳﺎل ﺻﻔﺮ‪ ،‬ﺷﻤﺎره ﺻﻔﺮ‪ ،‬ﭘﺎﯾﯿﺰ و زﻣﺴﺘﺎن ‪ ،١۴٠١‬ﺷﻤﺎره ﭘﯿﺎﭘﯽ ‪ ،۵۴‬ص‬

‫ﺗﻌﯿﯿﻦ ﻣﺪل ﺑﻬﯿﻨﻪ در ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی } · · · ‪{Er /M/٢, r = ١, ٢,‬‬

‫‪١‬‬
‫ﺷﻬﺮام ﯾﻌﻘﻮبزاده ﺷﻬﺮﺳﺘﺎﻧﯽ‬

‫‪١۴٠١/١١/٠٧‬‬ ‫ﺗﺎرﯾﺦ درﯾﺎﻓﺖ‪:‬‬

‫‪١۴٠٢/٠٢/٠٨‬‬ ‫ﺗﺎرﯾﺦ ﭘﺬﯾﺮش‪:‬‬

‫ﭼﮑﯿﺪه‪:‬‬
‫در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺮای ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی } · · · ‪ {Er /M/٢, r = ١, ٢,‬ﺑﺎ زﻣﺎنﻫﺎی ﺑﯿﻦ ورودﻫﺎی دارای ﺗﻮزﯾﻊ ارﻻﻧﮓ و زﻣﺎنﻫﺎی ﺳﺮوﯾﺲ ﺑﺎ ﺗﻮزﯾﻊ‬
‫ﻧﻤﺎﯾﯽ‪ ،‬ﻣﺪل ﺑﻬﯿﻨﻪ ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد‪ .‬روش اﻧﺘﺨﺎب ﻣﺪل ﺑﻬﯿﻨﻪ ﺑﻪ اﯾﻦ ﺻﻮرت اﺳﺖ ﮐﻪ اﺑﺘﺪا ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ ﻣﻌﺮﻓﯽ و ﺳﭙﺲ ﺷﺎﺧﺼﯽ ﺟﺪﯾﺪ ﺑﻪﻋﻨﻮان ﺷﺎﺧﺺ‬
‫ﺗﺼﻤﯿﻢﮔﯿﺮی ﺑﺮﺣﺴﺐ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ ﺑﻪ ﻧﺎم ‪ SER‬ﻣﻌﺮﻓﯽ ﻣﯽﺷﻮد ﺗﺎ ﺑﺮ اﺳﺎس آن ﻣﺪل ﺑﻬﯿﻨﻪ ﺗﻌﯿﯿﻦ ﺷﻮد‪ .‬ﻣﺪﻟﯽ ﺑﻬﯿﻨﻪ اﺳﺖ ﮐﻪ‬
‫دارای ﺷﺎﺧﺺ ‪ SER‬ﺑﺰرگﺗﺮی ﺑﺎﺷﺪ‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﺮای ﺗﺸﺮﯾﺢ روش اﺳﺘﻔﺎدهﺷﺪه در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺮای ﺗﻌﯿﯿﻦ ﻣﺪل ﺑﻬﯿﻨﻪ‪ ،‬از روش ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ‬
‫و ﯾﮏ ﻣﺜﺎل ﻋﺪدی اﺳﺘﻔﺎده ﻣﯽﺷﻮد‪.‬‬

‫واژهﻫﺎی ﮐﻠﯿﺪی‪ :‬ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ‪ ،‬اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ‪ ،‬ﺗﻮزﯾﻊ ارﻻﻧﮓ‪ ،‬ﺷﺎﺧﺺ ‪ ،SER‬ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی } · · · ‪.{Er /M/٢, r = ١, ٢,‬‬

‫ﺗﻮزﯾﻊ ﭘﯿﺸﯿﻦ دو ﻣﺘﻐﯿﺮه ﺗﻮﺳﻂ دﯾﭙﭽﯽ و ﺟﻮس ]‪ [٣‬ﺑﻪ دﺳﺖ آورده ﺷﺪ‪.‬‬ ‫ﻣﻘﺪﻣﻪ‬ ‫‪١‬‬
‫در اﯾﻦ ﻣﻘﺎﻟﻪ‪ ،‬ﻫﺪف ﯾﺎﻓﺘﻦ ﻣﺪﻟﯽ در ﺑﯿﻦ ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی‬
‫} · · · ‪ {Er /M/٢, r = ١, ٢,‬ﺑﺮ اﺳﺎس ‪ r‬ﻫﺴﺖ ﮐﻪ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ ﮐﻤﺘﺮﯾﻦ‬
‫ﻣﺪلﻫﺎی ﺻﻒﺑﻨﺪی دارای ﺗﻮزﯾﻊ ارﻻﻧﮓ‪ ،‬ﺳﯿﺴﺘﻢﻫﺎی ﺻﻒﺑﻨﺪی ﻣﻬﻤﯽ‬
‫ﻣﻘﺪار و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺑﯿﺸﺘﺮﯾﻦ ﻣﻘﺪار را ﺑﮕﯿﺮﻧﺪ‪ ،‬ﭼﻨﯿﻦ ﻣﺪﻟﯽ در اﯾﻦ‬
‫در ﻧﻈﺮﯾﻪ ﺻﻒﺑﻨﺪی ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺮﺧﯽ از ﻣﻌﯿﺎرﻫﺎی ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد‬
‫ﻣﻘﺎﻟﻪ ﺑﺎ ﻧﻤﺎد ‪ ErOpt /M/٢‬ﻧﺸﺎن دادهﺷﺪه و ﺑﻪﻋﻨﻮان ﻣﺪل ﺑﻬﯿﻨﻪ ﻣﻌﺮﻓﯽ‬
‫آنﻫﺎ ﻣﺎﻧﻨﺪ ﭘﺎراﻣﺘﺮ ﺷﺪت ﺗﺮاﻓﯿﮏ‪ ،‬ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺳﯿﺴﺘﻢ‬
‫ﺷﺪ؛ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮای رﺳﯿﺪن ﺑﻪ اﯾﻦ ﻫﺪف‪ ،‬اﺑﺘﺪا ﺑﺮ اﺳﺎس ﻣﺘﻮﺳﻂ ﺗﻌﺪاد‬
‫وﺻﻒ و ﻣﺘﻮﺳﻂ زﻣﺎن اﻧﺘﻈﺎر در ﺻﻒ و ﺳﯿﺴﺘﻢ ﻣﺘﻘﺎﺿﯿﺎن ﺑﻪ روشﻫﺎی‬
‫ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ و ﺳﯿﺴﺘﻢ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ ﻣﻌﺮﻓﯽ و ﺳﭙﺲ ﺷﺎﺧﺼﯽ ﺟﺪﯾﺪ‬
‫ﻣﺨﺘﻠﻒ آﻣﺎری ﺗﻮﺳﻂ ﭼﻨﺪ ﻧﻮﯾﺴﻨﺪه ﺑﺮآورد ﺷﺪه اﺳﺖ‪ .‬ﺑﺮآورد ﭘﺎراﻣﺘﺮﻫﺎ‬
‫ﺑﻪ ﻧﺎم ﻧﺮخ ﮐﺎراﯾﯽ ﺳﯿﺴﺘﻢ ‪ ٢‬ﺑﺮﺣﺴﺐ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ‬
‫و ﺑﺮرﺳﯽ ﺧﻮاص رﯾﺎﺿﯽ آنﻫﺎ در ﻣﺪل ‪ M/Ek /١‬ﺗﻮﺳﻂ ﮔﻮﭘﺘﺎ ]‪ [۵‬و‬
‫ﻣﻌﺮﻓﯽ ﺷﺪ ﺗﺎ ﺑﺮ اﺳﺎس آن ﻣﺪل ﺑﻬﯿﻨﻪ ﺗﻌﯿﯿﻦ ﺷﻮد‪ .‬ﻧﺤﻮه ﺗﻌﯿﯿﻦ ﻣﺪل‬
‫ﺑﺮآورد زﻣﺎن اﻧﺘﻈﺎر ﻣﺘﻘﺎﺿﯿﺎن در ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی ‪ Ek /M/١‬ﺗﻮﺳﻂ‬
‫ﺑﻬﯿﻨﻪ ﺑﺮ اﺳﺎس ﺷﺎﺧﺺ ﺗﺼﻤﯿﻢﮔﯿﺮی ‪ ،SER‬در ﺑﺨﺶ ‪ ٣‬ﺗﻮﺿﯿﺢ دادهﺷﺪه‬
‫ﻓﯿﺴﭽﺮ ]‪ [۴‬ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ‪ .‬ﺗﺤﻠﯿﻞ ﺑﯿﺰی ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺪلﻫﺎی‬
‫اﺳﺖ‪ .‬ﺳﺎﺧﺘﺎر ﻣﻘﺎﻟﻪ ﺑﻪ اﯾﻦ ﺻﻮرت اﺳﺖ‪ .‬در ﺑﺨﺶ دوم‪ ،‬اﺑﺘﺪا ﺗﻮزﯾﻊ‬
‫‪ Er /M/١‬و ‪ Er /M/c‬ﺗﻮﺳﻂ وﯾﭙﺮ ]‪ ،[١۴‬ﺗﺤﻠﯿﻞ ﺑﯿﺰی ﭘﺎراﻣﺘﺮﻫﺎی‬
‫ارﻻﻧﮓ و ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی ‪ Er /M/c‬ﻣﻌﺮﻓﯽ و ﺑﻌﻀﯽ از ﻣﻌﯿﺎرﻫﺎی‬
‫ﻣﺪلﻫﺎی ‪ M/Er /١‬و ‪ M/Hk /١‬ﺗﻮﺳﻂ اﯾﻨﺴﻮا ]‪ [٧‬و ﺑﺮآورد ﭘﺎراﻣﺘﺮ‬
‫ارزﯾﺎﺑﯽ اﯾﻦﮔﻮﻧﻪ ﺳﯿﺴﺘﻢﻫﺎ اراﺋﻪ و ﺳﭙﺲ وﯾﮋﮔﯽﻫﺎی ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی‬
‫ﺷﺪت ﺗﺮاﻓﯿﮏ ﻣﺪل ‪ M/Ek /١‬ﺗﻮﺳﻂ ﻫﺎرﯾﺶﭼﺎﻧﺪرا و ﺳﻮﺑﺎراﺋﻮ ]‪[١١‬‬
‫‪ Er /M/٢‬ﺑﻪ دﺳﺖ آورده ﺷﺪﻧﺪ‪ .‬در ﺑﺨﺶ ﺳﻮم‪ ،‬ﻓﺮم ﮐﻠﯽ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و‬
‫اﻧﺠﺎم ﺷﺪ‪ .‬ﺗﺤﻘﯿﻘﯽ ﻫﻢ در زﻣﯿﻨﻪ ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ در ﻣﺪل ‪ M/Ek /١‬ﺗﻮﺳﻂ‬
‫ﺷﺎﺧﺺ ‪ SER‬ﻣﻌﺮﻓﯽ و ﻧﺤﻮه ﺑﻬﯿﻨﻪﺳﺎزی ﺳﯿﺴﺘﻢﻫﺎی ‪ Er /M/٢‬ﺗﻮﺿﯿﺢ‬
‫ﺟﺎﯾﻦ و دﻫﯿﺎﻧﯽ ]‪ [٨‬ﺻﻮرت ﮔﺮﻓﺘﻪ ﺷﺪ‪ .‬ﺑﺮآورد ﺑﯿﺰی ﭘﺎراﻣﺘﺮﻫﺎ در ﻣﺪل‬
‫داده ﺷﺪ‪ .‬در ﺑﺨﺶ ﭼﻬﺎرم ﺑﺎ اﺳﺘﻔﺎده از ﺗﺤﻠﯿﻞ ﻋﺪدی‪ ،‬ﻣﺪل ﺑﻬﯿﻨﻪ ﺑﺮای‬
‫‪ M/Er /١‬ﺗﻮﺳﻂ ﭼﺎدﻫﻮری و ﻣﯿﺘﯽ ]‪ ،[۶‬ﺑﺮآورد ﺑﯿﺰی ﭘﺎراﻣﺘﺮﻫﺎ در اﻧﻮاع‬
‫ﺳﯿﺴﺘﻢ ‪ Er /M/٢‬ﺗﻌﯿﯿﻦ ﺷﺪ‪.‬‬
‫ﻣﺪلﻫﺎی ﺻﻒﺑﻨﺪی ﺗﻮﺳﻂ ﺟﻮس و ﻣﺎﻧﻮﻫﺎران ]‪ ،[٩‬ﺑﺮآورد ﭘﺎراﻣﺘﺮﻫﺎ‬
‫در ﻣﺪل ‪ M/Er /١‬ﺑﻪ روشﻫﺎی درﺳﺘﻨﻤﺎﯾﯽ ﻣﺎﮐﺴﯿﻤﻢ و ﺑﯿﺰی ﺗﻮﺳﻂ‬
‫واﯾﺪﯾﺎﻧﺎﺗﺎن و ﭼﺎﻧﺪراﺳﺎﺧﺎر ]‪ [١٣‬و ﺑﺮآورد ﺑﯿﺰی ﭘﺎراﻣﺘﺮﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از‬
‫‪١‬ﮔﺮوه آﻣﺎر‪ ،‬داﻧﺸﮕﺎه ﭘﯿﺎم ﻧﻮر‪ ،‬ﺗﻬﺮان‪ ،‬اﯾﺮان‪) .‬ﻧﻮﯾﺴﻨﺪه ﻣﺴﺌﻮل‪(yagoubzade@pnu.ac.ir :‬‬
‫‪2 System‬‬ ‫)‪efficiency rate (SER‬‬
‫ﯾﻌﻘﻮبزاده ﺷﻬﺮﺳﺘﺎﻧﯽ‬ ‫ﻣﺪل ﺑﻬﯿﻨﻪ‬ ‫‪٣۴‬‬

‫و زﻣﺎنﻫﺎی ﺳﺮوﯾﺲ دارای ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ ‪ µ‬اﺳﺖ‪ .‬در اﯾﻦ‬ ‫ﻣﻔﺎﻫﯿﻢ اوﻟﯿﻪ‬ ‫‪٢‬‬
‫ﺑﺨﺶ ‪ µ ،λ‬و ‪ r‬ﭘﺎراﻣﺘﺮﻫﺎی ﻧﺎﻣﻌﻠﻮم و ﺑﺮ اﺳﺎس ]‪ [١٠‬ﺗﻮزﯾﻊ ﭘﯿﺸﯿﻦ‬
‫‪ µ‬ﺗﻮزﯾﻊ )‪ Gamma(v١ , a‬ﺑﺎ ‪ v١ ∈ N‬و ‪ a > ٠‬و ﺗﻮزﯾﻊ ﭘﯿﺸﯿﻦ ﺗﻮأم‬ ‫در اﯾﻦ ﺑﺨﺶ ﺗﻮزﯾﻊ ارﻻﻧﮓ و ﻣﺪل ‪ Er /M/٢‬ﺑﻪﻃﻮر ﻣﺨﺘﺼﺮ ﻣﻌﺮﻓﯽ‬

‫)‪ (λ, r‬ﺗﻮزﯾﻌﯽ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ‬ ‫ﺷﺪﻧﺪ‪.‬‬

‫‪θr−١ r(rλ)rv٢ −١ e−rbλ‬‬

‫∝ )‪f (λ, r‬‬ ‫‪,‬‬ ‫‪λ > ٠, r ∈ N,‬‬
‫‪( v٢ )v٢‬‬
‫‪Γ(r)v٢‬‬
‫ﺗﻮزﯾﻊ ارﻻﻧﮓ‬ ‫‪١.٢‬‬
‫‪θ‬‬ ‫‪b‬‬
‫ﺑﺎ ‪ θ, b > ٠‬و ‪ v٢ ∈ N‬ﺑﻪﻋﻨﻮان ﺛﺎﺑﺖﻫﺎی ﻣﻌﻠﻮم و ﺑﺎ ﺷﺮط <‬

‫‪ ١‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮﻧﺪ‪ .‬در اﯾﻦ ﻣﻘﺎﻟﻪ ‪ r‬ﻋﺪد ﺛﺎﺑﺖ ﻣﺸﺨﺼﯽ ﻧﯿﺴﺖ‪،‬‬ ‫ﺳﺎدهﺗﺮﯾﻦ ﻣﺪلﻫﺎی ﺻﻒﺑﻨﺪی آنﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺮ اﺳﺎس ﻣﺘﻐﯿﺮ‬

‫ﺑﻠﮑﻪ ﺑﻪﻋﻨﻮان ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪﺷﺪه ﮐﻪ ﺑﺎ ﻧﻤﺎد ‪ R‬ﻧﺸﺎن داده‬ ‫ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﯽ ﺗﺸﮑﯿﻞﺷﺪهاﻧﺪ‪ .‬ﺧﺎﺻﯿﺖ ﺑﯽﺣﺎﻓﻈﻪ ﺑﻮدن اﯾﻦ ﻣﺘﻐﯿﺮ‬

‫ﻣﯽﺷﻮد‪ .‬ﻫﻤﭽﻨﯿﻦ ﺗﺎﺑﻊ اﺣﺘﻤﺎل ‪ R‬ﺑﻪﺻﻮرت‬ ‫ﺗﺼﺎدﻓﯽ‪ ،‬ﺗﺤﻠﯿﻞ ﻣﺪلﻫﺎی ﻧﻤﺎﯾﯽ را ﺑﺴﯿﺎر آﺳﺎن ﻣﯽﺳﺎزد؛ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﯿﺸﺘﺮ‬

‫) ‪Γ(rv٢‬‬
‫(‬
‫‪θ‬‬
‫‪)r−١‬‬ ‫ﻣﺴﺎﺋﻞ ﺻﻒﺑﻨﺪی در ﭼﺎرﭼﻮب ﻣﺪلﻫﺎی ﻧﻤﺎﯾﯽ ﻓﺮﻣﻮلﺑﻨﺪی ﻣﯽﺷﻮﻧﺪ‪.‬‬
‫∝ )‪P (R = r‬‬ ‫‪,‬‬ ‫‪r∈N‬‬
‫‪Γ(r)v٢‬‬ ‫‪b v٢‬‬ ‫ﻣﺘﻐﯿﺮﻫﺎی ﺗﺼﺎدﻓﯽ ﻣﺎﻧﻨﺪ ﻣﺪتزﻣﺎن ﺳﺮوﯾﺲ و ﯾﺎ زﻣﺎن ﺑﯿﻦ دو ورود‬
‫ﺑﻪ دﺳﺖ آورده ﻣﯽﺷﻮد ]‪ .[١۴‬ﺑﺎ ﻓﺮض ‪ v٢ = ١‬و ‪ θ < b‬ﺗﻮزﯾﻊ ‪،R‬‬ ‫ﻣﺸﺘﺮیﻫﺎ در ﺳﯿﺴﺘﻢﻫﺎی ﺻﻒﺑﻨﺪی از ﺗﻮزﯾﻊﻫﺎی ﻣﺘﻨﻮﻋﯽ ﭘﯿﺮوی ﻣﯽﮐﻨﻨﺪ‬
‫‪ ١ −‬اﺳﺖ ﮐﻪ در اﯾﻦ ﻣﻘﺎﻟﻪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮد‪.‬‬ ‫‪θ‬‬
‫‪b‬‬
‫ﻫﻨﺪﺳﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ‬ ‫ﮐﻪ ﺗﻮزﯾﻊ ارﻻﻧﮓ ﯾﮑﯽ از ﻣﻌﺮوفﺗﺮﯾﻦ آنﻫﺎﺳﺖ‪.‬‬
‫(‬ ‫‪) ( )r−١‬‬
‫‪θ‬‬ ‫‪θ‬‬
‫‪PR (r) = P (R = r) = ١ −‬‬ ‫‪,‬‬ ‫‪r = ١, ٢, · · · .‬‬
‫‪b‬‬ ‫‪b‬‬ ‫ﺗﻌﺮﯾﻒ ‪ .١.٢‬اﮔﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ‪ X‬دارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺑﻪﺻﻮرت‬
‫=‪Θ‬‬ ‫‪λ‬‬
‫‪٢µ‬‬
‫در ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی ﺻﻒﺑﻨﺪی } · · · ‪،{Er /M/٢, r = ١, ٢,‬‬
‫‪λr r−١ −λx‬‬
‫= )‪f (x‬‬ ‫‪x e‬‬ ‫‪,‬‬ ‫} · · · ‪x > ٠, λ > ٠, r ∈ { ١, ٢,‬‬
‫ﭘﺎراﻣﺘﺮ ﺷﺪت ﺗﺮاﻓﯿﮏ ﺳﯿﺴﺘﻢ ﻧﺎم دارد ﮐﻪ ﺗﺤﺖ ﺷﺮط ‪ Θ < ١‬ﭘﺎﯾﺎ‬ ‫)‪Γ(r‬‬

‫اﺳﺖ ]‪ .[٧‬ازآﻧﺠﺎﯾﯽﮐﻪ ﺣﺎﻟﺖ ﭘﺎﯾﺎﯾﯽ‪ ،‬وﯾﮋﮔﯽ ﻣﻬﻢ ﻫﺮ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی‬ ‫ﺑﺎﺷﺪ‪ ،‬در اﯾﻦ ﺣﺎﻟﺖ ﺗﻮزﯾﻊ ‪ X‬ﺗﻮزﯾﻊ ارﻻﻧﮓ ﻧﺎم دارد‪.‬‬
‫ﻫﺴﺖ‪ ،‬اﻃﻼع داﺷﺘﻦ ﻣﻘﺪار ﻣﺘﻮﺳﻂ ‪ Θ‬ﺿﺮوری ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﺪ؛ ﺑﻨﺎﺑﺮاﯾﻦ‬
‫در اﯾﻦ ﻣﻘﺎﻟﻪ‪ ،‬ﺗﻮزﯾﻊ ارﻻﻧﮓ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻓﻮق ﺑﺎ ﻧﻤﺎد‬
‫ﺑﺮ اﺳﺎس ]‪ [٢‬ﻣﺘﻮﺳﻂ ﭘﺎراﻣﺘﺮ ﺷﺪت ﺗﺮاﻓﯿﮏ ﺗﺤﺖ ﺷﺮط ‪ Θ < ١‬ﺑﻪ ازای‬
‫‪r‬‬
‫و‬ ‫‪r‬‬
‫)‪ Er(r, λ‬ﻧﺸﺎن دادهﺷﺪه ﮐﻪ ﻣﯿﺎﻧﮕﯿﻦ و وارﯾﺎﻧﺲ آن ﺑﻪ ﺗﺮﺗﯿﺐ‬
‫‪ v١ > ١‬ﺑﻪﺻﻮرت‬ ‫‪λ٢‬‬ ‫‪λ‬‬

‫∑‬‫∞‬ ‫اﺳﺖ‪ .‬در ﺣﺎﻟﺖ ﺧﺎص اﮔﺮ ‪ r = ١‬ﺑﺎﺷﺪ‪ ،‬ﺗﻮزﯾﻊ ارﻻﻧﮓ ﺑﻪ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ‬
‫‪av٢‬‬
‫= )‪E(Θ|Θ < ١‬‬ ‫)‪PR (r)ϕ(r‬‬ ‫)‪(١‬‬
‫‪b(v١ − ١)PΘ r=١‬‬ ‫ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮد‪ .‬اﮔﺮﭼﻪ ﺗﻮزﯾﻊ ارﻻﻧﮓ ازﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﯽ در ﺣﺪ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ‬
‫ﺑﺎ‬ ‫ﻧﯿﺴﺖ‪ ،‬اﻣﺎ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﺳﺎﯾﺮ ﻣﺘﻐﯿﺮﻫﺎی ﺗﺼﺎدﻓﯽ ﺑﻪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﯽ‬
‫‪v١ −٢‬‬
‫(‬ ‫)‬
‫‪∑ rv٢ + i − ١ rv‬‬ ‫ﻧﺰدﯾﮏﺗﺮ اﺳﺖ و در ﻣﻮاردی ﺑﺎ ﺗﺒﺪﯾﻞ آن ﺑﻪ ﻣﺘﻐﯿﺮﻫﺎی ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﯽ‬
‫= )‪ϕ(r‬‬ ‫‪pr ٢ (١ − pr )i‬‬
‫‪i‬‬
‫‪i=٠‬‬ ‫از ﺳﻬﻮﻟﺖ ﻣﺤﺎﺳﺒﺎﺗﯽ ﺧﺎﺻﯿﺖ ﺑﯽﺣﺎﻓﻈﮕﯽ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ‪ .‬ﺑﺮای آنﮐﻪ‬
‫= ‪ pr‬و‬ ‫ﻫﺴﺖ ﮐﻪ در آن‬ ‫‪rb‬‬
‫‪rb+a‬‬ ‫ﺑﺘﻮان از ﺧﺎﺻﯿﺖ ﺑﯽﺣﺎﻓﻈﮕﯽ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ اﺳﺘﻔﺎده ﮐﺮد‪ ،‬ﻣﯽﺗﻮان ﻣﺘﻐﯿﺮ‬
‫‪v١ −١‬‬
‫(‬ ‫)‬
‫∑‬‫∞‬ ‫‪∑ rv٢ + i − ١ rv‬‬ ‫ﺗﺼﺎدﻓﯽ ارﻻﻧﮓ را ﺑﻪ ﭼﻨﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﯽ ﺗﺠﺰﯾﻪ ﮐﺮد‪ .‬ﺑﻪﻋﻨﻮانﻣﺜﺎل‬
‫= )‪PΘ = P (Θ < ١‬‬ ‫)‪PR (r‬‬ ‫‪p r ٢ (١ − p r )i‬‬
‫‪i‬‬
‫‪r=١‬‬ ‫‪i=٠‬‬ ‫ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ارﻻﻧﮓ ﺑﺎ ‪ r = ٢‬ﺑﻪﺻﻮرت ﻣﺠﻤﻮع دو ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ‬
‫اﺳﺖ‪ .‬اﻟﺒﺘﻪ‬
‫(‬ ‫)‬ ‫ﻧﻤﺎﯾﯽ ﻧﻮﺷﺘﻪ ﻣﯽﺷﻮد‪ .‬ﻣﺰﯾﺖ ﻋﻤﺪه آن ﻧﺴﺒﺖ ﺑﻪ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ اﯾﻦ اﺳﺖ‬
‫‪v١ −٢‬‬
‫∑‬ ‫‪rv٢ + i − ١ rv٢‬‬
‫= ‪PΘ|Θ<١‬‬ ‫‪p r (١ − p r )i .‬‬ ‫)‪(٢‬‬ ‫ﮐﻪ در ﻋﻤﻞ ﭘﺪﯾﺪهﻫﺎی ﺗﺼﺎدﻓﯽ ﺑﺴﯿﺎری ﺑﺮﺣﺴﺐ آن ﺑﯿﺎن ﻣﯽﺷﻮد )]‪.([١‬‬
‫‪i=٠‬‬
‫‪i‬‬

‫ﺑﻪﻃﻮرﮐﻠﯽ ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ ﺗﻮزﯾﻊ ﺗﻌﺪاد اﻓﺮاد ﻣﻮﺟﻮد در ﺳﯿﺴﺘﻢ ‪Er /M/c‬‬

‫در ]‪ [٢‬ﺑﻪﺻﻮرت‬ ‫ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی ‪Er /M/٢‬‬ ‫‪٢.٢‬‬

‫‪‬‬ ‫(‬ ‫)‬
‫‪‬‬ ‫‪∑c−١‬‬ ‫‪١‬‬ ‫‪١‬‬
‫‪‬‬
‫‪‬‬ ‫‪١‬‬ ‫‪−‬‬ ‫‪ρ‬‬ ‫‪−‬‬ ‫‪cρ‬‬ ‫‪Π(j‬‬ ‫‪−‬‬ ‫‪١‬‬ ‫)‬ ‫‪−‬‬ ‫‪n=٠‬‬ ‫در اﯾﻦ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی زﻣﺎن ﺑﯿﻦ دو ورود ﻣﺘﻮاﻟﯽ ﻣﺘﻘﺎﺿﯿﺎن دارای‬
‫‪‬‬
‫‪‬‬ ‫=‪j‬‬‫‪١‬‬ ‫‪j‬‬ ‫‪c‬‬

‫)‪Π(n − ١‬‬ ‫‪١≤n≤c−١‬‬ ‫ﺗﻮزﯾﻊ )‪ Er (r, rλ‬و ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل‬

‫= ‪πn‬‬ ‫‪cρ‬‬
‫‪‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪‬‬
‫)‪ ρΠ(n − ١‬‬ ‫‪n≥c‬‬
‫‪rλ‬‬
‫= )‪f (t|r, λ‬‬ ‫‪(rλt)r−١ e−rλt ,‬‬ ‫‪t > ٠, λ > ٠, r ∈ N‬‬
‫)‪(٣‬‬ ‫)‪Γ(r‬‬
‫‪٣۵‬‬ ‫‪٣٩-٣٣‬‬ ‫اﻧﺪﯾﺸﻪ آﻣﺎری‪ ،‬ﺳﺎل ﺻﻔﺮ‪ ،‬ﺷﻤﺎره ﺻﻔﺮ‪ ،‬ﭘﺎﯾﯿﺰ و زﻣﺴﺘﺎن ‪ ،١۴٠١‬ﺷﻤﺎره ﭘﯿﺎﭘﯽ ‪ ،۵۴‬ص‬

‫از راﺑﻄﻪ )‪ (۵‬رواﺑﻂ‬ ‫اراﺋﻪ ﻣﯽﺷﻮد ﺑﻪﻃﻮریﮐﻪ‬

‫‪rλ‬‬ ‫‪٢rρ‬‬
‫= ‪gi‬‬ ‫=‬ ‫‪,‬‬ ‫‪i = ١, ٢‬‬ ‫‪‬‬
‫‪rλ + iµ‬‬ ‫‪i + ٢rρ‬‬ ‫‪‬‬ ‫‪∑c−١‬‬ ‫) (‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫)‪i=n (−١‬‬
‫‪i−n i‬‬
‫‪Ui‬‬ ‫‪n = ٠, ١, · · · , c − ٢‬‬
‫‪‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪‬‬ ‫‪١‬‬ ‫‪i=٠‬‬
‫‪‬‬
‫‪‬‬ ‫= )‪Π(n‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬
‫= ‪Ci‬‬ ‫‪‬‬
‫‪ Dω n−c‬‬
‫‪‬‬
‫‪‬‬ ‫‪n≥c−١‬‬
‫‪‬‬
‫‪‬‬
‫‪ ٢(rρ)i‬‬ ‫‪i = ١, ٢‬‬
‫)‪(۴‬‬
‫)‪٢rρω(١ − ω)(١ − ٢ω‬‬
‫=‪D‬‬
‫‪١ − (١ + ٢rρ)ω‬‬
‫)‪(١ − ω)(١ − ۴rρω‬‬ ‫و ‪ ω‬رﯾﺸﻪ ﻣﻌﺎدﻟﻪ ))‪ ω = G(cµ(١ −ω‬ﺑﻮده ﮐﻪ )‪ G(.‬ﺗﺒﺪﯾﻞ ﻻﭘﻼس ﺗﻮزﯾﻊ‬
‫= ‪U٠‬‬
‫‪١ − (١ + ٢rρ)ω‬‬
‫زﻣﺎن ﺑﯿﻦ دو ورود ﻣﺘﻮاﻟﯽ ﻣﺘﻘﺎﺿﯿﺎن اﺳﺖ )‪ .(٠ < ω < ١‬ﻫﻤﭽﻨﯿﻦ‬
‫‪U١ = ٢rρU٠‬‬
‫)‪(c‬‬ ‫[‬ ‫]‬
‫∑‬
‫‪c‬‬
‫‪c(١ − gj ) − j‬‬
‫ﺑﻪ دﺳﺖ آورده ﻣﯽﺷﻮﻧﺪ؛ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﻪ ﮐﻤﮏ اﯾﻦ رواﺑﻂ‪ ،‬راﺑﻄﻪ )‪ (٧‬ﺑﻪ‬ ‫‪Ui = DCi‬‬
‫‪j‬‬
‫‪, ٠ ≤ i ≤ c − ١,‬‬
‫‪j=i+١‬‬
‫‪Cj (١ − gj ) c(١ − ω) − j‬‬
‫راﺑﻄﻪ‬
‫‪‬‬ ‫‪gj = G(jµ),‬‬ ‫‪j = ١, ٢, · · · , c,‬‬
‫‪‬‬
‫‪‬‬ ‫)‪(١−٢rρ)(١−ω)(١−۴rρω‬‬
‫‪n=٠‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫‪١−(١+٢rρ)ω‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪١‬‬ ‫‪j=٠‬‬
‫‪‬‬
‫= )‪Π(n‬‬ ‫)‪(٨‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫= ‪Cj‬‬
‫‪‬‬ ‫)‪٢rρω n−١ (١−ω)(١−٢ω‬‬
‫‪n≥١‬‬ ‫‪‬‬
‫‪‬‬ ‫(‬ ‫)‬
‫‪‬‬
‫‪١−(١+٢rρ)ω‬‬
‫‪ ∏j‬‬
‫‪‬‬ ‫‪gi‬‬
‫‪j = ١, · · · , c,‬‬
‫‪i=١‬‬ ‫‪١−gi‬‬
‫ﺗﺒﺪﯾﻞﺷﺪه و ﺑﺎ اﺳﺘﻔﺎده از رواﺑﻂ )‪ (۶‬و )‪ ،(٨‬ﺗﻮزﯾﻊ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در‬ ‫[‬ ‫)‪(c‬‬ ‫(‬ ‫‪)]−١‬‬
‫‪١‬‬ ‫∑‬
‫‪c‬‬
‫‪c(١ − gj ) − j‬‬
‫ﺳﯿﺴﺘﻢ ﺑﻪﺻﻮرت‬ ‫=‪D‬‬ ‫‪+‬‬
‫‪j‬‬
‫)‪(۵‬‬
‫‪١ − ω j=i+١‬‬ ‫‪Cj (١ − gj ) c(١ − ω) − j‬‬
‫})‪ρ{[١ − (١ + ٢rρ)ω] + (١ − ٢rρ)(١ − ω)(١ − ۴rρω‬‬
‫‪π٠ = ١ −‬‬
‫‪١ − (١ + ٢rρ)ω‬‬ ‫ﻫﺴﺘﻨﺪ‪.‬‬
‫)‪٢ρ(١ − ٢rρ)(١ − ω)(١ − ۴rρω‬‬
‫= ‪π١‬‬
‫‪١ − (١ + ٢rρ)ω‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﻪ ازای ‪ c = ٢‬و ﺑﺎ ﻓﺮض ‪ ρ‬ﺑﻪﻋﻨﻮان ﯾﺎﻓﺘﻪ ‪ ،Θ‬راﺑﻄﻪ )‪ (٣‬ﺑﻪ‬
‫‪٢‬‬ ‫‪n−٢‬‬
‫‪٢rρ ω‬‬ ‫)‪(١ − ω)(١ − ٢ω‬‬ ‫راﺑﻄﻪ‬
‫= ‪πn‬‬ ‫‪,‬‬ ‫‪n≥٢‬‬ ‫)‪(٩‬‬
‫‪١ − (١ + ٢rρ)ω‬‬

‫ﺑﻪ دﺳﺖ آورده ﻣﯽﺷﻮد‪ .‬ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (٩‬ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫))‪١ − ρ(١ + Π(٠‬‬ ‫‪n=٠‬‬
‫‪‬‬
‫‪‬‬
‫در ﺳﯿﺴﺘﻢ ) ‪ (Ls‬و ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ ) ‪ (Lq‬ﺑﻪﺻﻮرت‬ ‫‪‬‬
‫= ‪πn‬‬ ‫)‪٢ρΠ(٠‬‬ ‫‪n=١‬‬ ‫)‪(۶‬‬
‫‪‬‬
‫‪‬‬
‫‪٢‬‬
‫])‪٢ρ[rρ(١ − ٢ω)(٢ − ω) + (١ − ω) (١ − ٢rρ)(١ − ۴rρω‬‬ ‫‪‬‬
‫‪‬‬
‫)‪ ρΠ(n − ١‬‬ ‫‪n≥٢‬‬
‫= ‪Ls‬‬
‫]‪(١ − ω)[١ − (١ + ٢rρ)ω‬‬
‫)‪٢ρ٢ ω(١ − ٢ω‬‬
‫= ‪Lq‬‬ ‫)‪(١٠‬‬
‫]‪(١ − ω)[١ − (١ + ٢rρ)ω‬‬ ‫و راﺑﻄﻪ )‪ (۴‬ﺑﻪ راﺑﻄﻪ‬
‫و ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮلﻫﺎی ﻟﯿﺘﻞ‪ ،‬زﻣﺎنﻫﺎی اﻧﺘﻈﺎر در ﺻﻒ ) ‪ (Wq‬و در‬
‫‪‬‬
‫ﺳﯿﺴﺘﻢ ) ‪ (Ws‬ﺑﻪﺻﻮرت‬ ‫‪‬‬
‫‪‬‬ ‫‪U٠ − U١‬‬ ‫‪n=٠‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪Lq‬‬ ‫‪Ls‬‬ ‫= )‪Π(n‬‬ ‫)‪(٧‬‬
‫= ‪Wq‬‬ ‫‪,‬‬ ‫= ‪Ws‬‬ ‫‪‬‬
‫‪‬‬
‫‪λ‬‬ ‫‪λ‬‬ ‫‪‬‬
‫‪‬‬
‫‪ Dω n−٢‬‬ ‫‪n≥١‬‬
‫ﺑﻪ دﺳﺖ آورده ﻣﯽﺷﻮﻧﺪ‪.‬‬
‫ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮﻧﺪ‪ .‬از ﻃﺮﻓﯽ ﺗﺒﺪﯾﻞ ﻻﭘﻼس ﺗﻮزﯾﻊ زﻣﺎن ﺑﯿﻦ دو ورود‬
‫ﻣﺘﻮاﻟﯽ ﻣﺘﻘﺎﺿﯿﺎن ﯾﻌﻨﯽ )‪ ،Er (r, rλ‬ﺗﺎﺑﻊ ‪G(s) = (rλ/(rλ + s))r‬‬
‫ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و ﺑﻬﯿﻨﻪﺳﺎزی‬ ‫‪٣‬‬ ‫‪١‬‬
‫اﺳﺖ؛ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﻪ ازای ‪ c = ٢‬و ﺑﺎ ﻓﺮض ‪ ،x = ω r‬از ﻣﻌﺎدﻟﻪ‬
‫در ﻫﺮ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی ﻫﺪف‪ ،‬ﮐﺎﻫﺶ ﻃﻮل ﺻﻒ و زﻣﺎن اﻧﺘﻈﺎر‬ ‫))‪ ω = G(cµ(١ − ω‬راﺑﻄﻪ ‪ ٢µxr+١ − (rλ + ٢µ)x + rλ = ٠‬ﯾﺎ‬
‫ﻣﺘﻘﺎﺿﯽ اﺳﺖ‪ .‬وﻗﺖ ﻣﺘﻘﺎﺿﯽ ازﻧﻈﺮ اﺟﺘﻤﺎﻋﯽ‪-‬اﻗﺘﺼﺎدی ارزش دارد و‬ ‫‪ xr+١ − (١ + rρ)x + rρ = ٠‬ﺣﺎﺻﻞ ﻣﯽﺷﻮد‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﻪ ازای ‪c = ٢‬‬
‫ﯾﻌﻘﻮبزاده ﺷﻬﺮﺳﺘﺎﻧﯽ‬
‫ﻫﺮ دو ﻣﻌﯿﺎر ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه‪ ،‬ﺷﺎﺧﺺ‬
‫ﺗﺼﻤﯿﻢﮔﯿﺮی ﺑﻪﻋﻨﻮان ﻧﺮخ ﮐﺎراﯾﯽ ﺳﯿﺴﺘﻢ ﺑﻪﺻﻮرت‬
‫‪SER = w١ CN SC + w٢ PN RSP ,‬‬ ‫‪w١ + w٢ = ١‬‬
‫ﭘﯿﺸﻨﻬﺎد ﻣﯽﺷﻮد ﮐﻪ ‪ w١‬و ‪ w٢‬ﺑﻪ ﺗﺮﺗﯿﺐ وزن ﻣﻌﯿﺎرﻫﺎی ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل‬
‫ﭘﺎﯾﺎﯾﯽ ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه ﻫﺴﺘﻨﺪ‪ .‬ﺷﺎﺧﺺ ﺗﺼﻤﯿﻢﮔﯿﺮی ‪ SER‬ﺑﺎ ﻫﺮدو‬
‫ﻣﻌﯿﺎر ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه ذﮐﺮﺷﺪه ارﺗﺒﺎط ﻣﺴﺘﻘﯿﻢ دارد‪ ،‬ﺑﺪﯾﻦﺻﻮرت ﮐﻪ‬
‫ﻫﺮﭼﻘﺪر ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ ﭘﺎﯾﯿﻦﺗﺮ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺑﺎﻻﺗﺮ ﺑﺎﺷﺪ‪ SER ،‬ﻣﻘﺪار‬
‫ﺑﺎﻻﺗﺮی ﻣﯽﺷﻮد؛ ﺑﻨﺎﺑﺮاﯾﻦ ﻣﻘﺪاری از ‪ r‬ﮐﻪ ﺑﻪ ازای آن‪ ،‬ﺷﺎﺧﺺ ‪SER‬‬
‫ﺑﺎﻻﺗﺮﯾﻦ ﻣﻘﺪار ﺷﻮد ﺑﻪﻋﻨﻮان ‪ rOpt‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪﺷﺪه و ﺳﯿﺴﺘﻢ ﻣﺮﺑﻮط ﺑﻪ‬
‫آن ﺳﯿﺴﺘﻢ ﺑﻬﯿﻨﻪ ﻧﺎﻣﯿﺪه ﻣﯽﺷﻮد‪.‬‬
‫ﺗﺤﻠﯿﻞ ﻋﺪدی‬
‫در اﯾﻦ ﺑﺨﺶ ﺑﺮای ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی } ‪ {Er /M/٢, r ∈ N‬ﺑﺎ اﺳﺘﻔﺎده‬
‫از روش ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ و ﯾﮏ ﻣﺜﺎل ﻋﺪدی ﻣﺪل ﺑﻬﯿﻨﻪ ﺗﻌﯿﯿﻦ‬
‫ﻣﯽﺷﻮد‪.‬‬
‫ﻣﻄﺎﻟﻌﻪ ﺷﺒﯿﻪﺳﺎزی‬ ‫‪١.۴‬‬
‫در اﯾﻦ ﺑﺨﺶ ﺑﺎ اﺳﺘﻔﺎده از روش ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ‪ ،‬ﻣﺪل ﺑﻬﯿﻨﻪ‬
‫ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد‪ .‬ﺑﺮای رﺳﯿﺪن ﺑﻪ اﯾﻦ ﻫﺪف‬
‫‪ .١‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ )‪ (١‬ﻣﻘﺪار ‪ E(Θ|Θ < ١) = ٠٫٠١۴‬ﻣﺤﺎﺳﺒﻪﺷﺪه‬
‫ﮐﻪ ﺑﻪﻋﻨﻮان ‪ ρ = ٠٫٠١۴‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮد‪.‬‬
‫‪ .٢‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ‪ ρ‬ﯾﺎﻓﺘﻪ ﺷﺪه در ﮔﺎم اول و ﺑﻪ ازای‪ r‬ﻫﺎی ﻣﺘﻔﺎوت‪ ،‬رﯾﺸﻪ‬
‫ﻣﺜﺒﺖ و ﮐﻮﭼﮏﺗﺮ از ﻋﺪد ‪ ١‬راﺑﻄﻪ ‪xr+١ − (١ + rρ)x + rρ = ٠‬‬
‫ﻣﺤﺎﺳﺒﻪﺷﺪه و ﺳﭙﺲ ﺑﻪ ﮐﻤﮏ راﺑﻄﻪ )‪ (٢‬اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ و ﺑﺎ‬
‫اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (١١‬ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ ﺑﺮ اﺳﺎس دادهﻫﺎی زﯾﺮ‬
‫‪C١ = ٣٠٠, C٢ = ٢۵٠, v١ = ١١, v٢ = ١‬‬
‫‪a = ٣, b = ۶, θ = ۴‬‬
‫ﺑﻪ دﺳﺖ آورده ﻣﯽﺷﻮﻧﺪ‪.‬‬
‫‪ .٣‬ﻣﻘﺎدﯾﺮ ﯾﺎﻓﺘﻪ ﺷﺪه ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ در ﮔﺎم دوم‪،‬‬
‫ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه و ﺳﭙﺲ ﺑﻪ ﮐﻤﮏ راﺑﻄﻪ )‪ ،(١٢‬ﻣﻘﺪار ‪ SER‬ﺑﻪ‬
‫ازای ‪ w١ = ٠٫۴‬و ‪ w٢ = ٠٫۶‬ﺑﻪ دﺳﺖ آورده ﻣﯽﺷﻮد‪.‬‬
‫ﻧﺘﺎﯾﺞ ﻣﺮاﺣﻞ اﺷﺎرهﺷﺪه‪ ،‬در ﺟﺪول ‪ ١‬آورده ﺷﺪه اﺳﺖ‪.‬‬
‫ﻣﺪل ﺑﻬﯿﻨﻪ‬ ‫‪٣۶‬‬
‫اﺗﻼف آن ﻫﺰﯾﻨﻪ ﻣﺤﺴﻮب ﻣﯽﺷﻮد‪ .‬ﺑﻪﻃﻮرﮐﻠﯽ در ﯾﮏ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی‬
‫اﻣﯿﺪ رﯾﺎﺿﯽ ﮐﻞ ﻫﺰﯾﻨﻪﻫﺎ در واﺣﺪ زﻣﺎن ﻣﻌﯿﺎری ﺑﺮای ارزﯾﺎﺑﯽ ﺳﯿﺴﺘﻢ‬
‫ﻫﺴﺖ ﮐﻪ ﻫﺰﯾﻨﻪﻫﺎ ﺑﺴﺘﮕﯽ ﺑﻪ ﻧﻮع و ﻣﺎﻫﯿﺖ آن دارد‪ .‬در اﯾﻦ ﻣﻘﺎﻟﻪ ﺗﺎﺑﻊ‬
‫)‪(١٢‬‬
‫ﻫﺰﯾﻨﻪ ﺑﻪﺻﻮرت‬
‫) ‪C(r) = C١ Lq + C٢ (Ls − Lq‬‬ ‫)‪(١١‬‬
‫ﭘﯿﺸﻨﻬﺎد ﻣﯽﺷﻮد ﮐﻪ در آن ‪ C١‬و ‪ C٢‬ﻣﻘﺎدﯾﺮ ﺛﺎﺑﺖ و‬
‫‪ ،C١ Lq .١‬ﻫﺰﯾﻨﻪ اﺗﻼف وﻗﺖ ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد ﮐﻪ‬
‫ﻣﯿﺎﻧﮕﯿﻦ ﮐﻞ اﯾﻦ ﻫﺰﯾﻨﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻫﺰﯾﻨﻪ اﺗﻼف وﻗﺖ ﻫﺮ ﻣﺘﻘﺎﺿﯽ در‬
‫ﺻﻒ ) ‪ (C١‬در ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ ﯾﻌﻨﯽ ‪ Lq‬اﺳﺖ‪.‬‬
‫‪ ،C٢ (Ls − Lq ) .٢‬ﻫﺰﯾﻨﻪ اﺗﻼف وﻗﺖ ﻣﺘﻘﺎﺿﯿﺎن در ﻫﻨﮕﺎم درﯾﺎﻓﺖ‬
‫ﺧﺪﻣﺖ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد ﮐﻪ ﻣﯿﺎﻧﮕﯿﻦ ﮐﻞ اﯾﻦ ﻫﺰﯾﻨﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻫﺰﯾﻨﻪ‬
‫‪۴‬‬ ‫اﺗﻼف وﻗﺖ ﻫﺮ ﻣﺘﻘﺎﺿﯽ در ﺣﺎل درﯾﺎﻓﺖ ﺧﺪﻣﺖ ) ‪ (C٢‬در ﻣﺘﻮﺳﻂ‬
‫ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺣﺎل درﯾﺎﻓﺖ ﺧﺪﻣﺖ ﯾﻌﻨﯽ ) ‪ (L − Lq‬اﺳﺖ‪.‬‬
‫ﻫﺴﺘﻨﺪ )]‪ .([١‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ )‪ (١٠‬راﺑﻄﻪ )‪ (١١‬ﺑﻪﺻﻮرت‬
‫}] ‪٢ρ٢ (١ − ٢ω){٢rC١ + ω[C٢ − (١ + r)C١‬‬
‫= )‪C(r‬‬
‫]‪(١ − ω)[١ − (١ + ٢rρ)ω‬‬
‫)‪٢ρ(١ − ω)٢ (١ − ٢rρ)(١ − ۴rρω‬‬
‫‪+ C٢‬‬
‫]‪(١ − ω)[١ − (١ + ٢rρ)ω‬‬
‫ﻧﻮﺷﺘﻪ ﻣﯽﺷﻮد‪.‬‬
‫ﺑﻬﯿﻨﻪﺳﺎزی ﻣﺪل ‪Er /M/٢‬‬ ‫‪١.٣‬‬
‫در ﻫﺮ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی‪ ،‬ﺣﺎﻟﺖ ﭘﺎﯾﺎﯾﯽ وﯾﮋﮔﯽ ﻣﻬﻤﯽ اﺳﺖ ﮐﻪ ﺗﻼش‬
‫ﻣﯽﺷﻮد ﺷﺮاﯾﻄﯽ ﻓﺮاﻫﻢ ﮔﺮدد ﺗﺎ ﺳﯿﺴﺘﻢ در وﺿﻌﯿﺖ ﭘﺎﯾﺎ ﻗﺮار ﮔﯿﺮد‪ .‬از‬
‫ﻃﺮﻓﯽ در دﻧﯿﺎی اﻣﺮوز ﻫﺰﯾﻨﻪ ﺑﻪﻋﻨﻮان ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﻋﻮاﻣﻞ ﺗﺼﻤﯿﻢﮔﯿﺮی‬
‫ﺑﻪ ﺷﻤﺎر ﻣﯽآﯾﺪ ﮐﻪ ﺑﻬﯿﻨﻪ ﮐﺮدن آن ﻧﻘﺶ ﻣﻬﻤﯽ در ﻋﻤﻠﮑﺮد ﻣﻄﻠﻮب‬
‫ﺳﯿﺴﺘﻢﻫﺎی ﺻﻒﺑﻨﺪی دارد؛ ﺑﻨﺎﺑﺮاﯾﻦ ﺳﯿﺴﺘﻤﯽ ﻣﺪﻧﻈﺮ اﺳﺖ ﮐﻪ ﻫﺰﯾﻨﻪ‬
‫آن ﮐﻤﺘﺮﯾﻦ ﻣﻘﺪار و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ آن ﺑﯿﺸﺘﺮﯾﻦ ﻣﻘﺪار را داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﺑﻪ ازای ‪ ρ‬ﻣﻌﯿﻦ‪ ،‬ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ ﺑﻪ ازای ‪r‬‬
‫ﻫﺎی ﻣﺨﺘﻠﻒ ﻣﺤﺎﺳﺒﻪ و ﺳﭙﺲ ﻣﻘﺎدﯾﺮ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﻧﺮﻣﺎلﺳﺎزی‬
‫ﻣﯽﺷﻮﻧﺪ‪ .‬ﺑﺮای ﻧﺮﻣﺎلﺳﺎزی ﻫﺰﯾﻨﻪ‪ ،‬ﮐﻮﭼﮏﺗﺮﯾﻦ ﻣﻘﺪار ﻫﺰﯾﻨﻪ ﺑﺮ ﻫﺮﯾﮏ از‬
‫ﻣﻘﺎدﯾﺮ آن و ﺑﺮای ﻧﺮﻣﺎلﺳﺎزی اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ‪ ،‬ﻫﺮﯾﮏ از ﻣﻘﺎدﯾﺮ اﺣﺘﻤﺎل‬
‫ﭘﺎﯾﺎﯾﯽ ﺑﺮ ﺑﺰرگﺗﺮﯾﻦ ﻣﻘﺪار آن ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮﻧﺪ‪ .‬ﻣﻘﺎدﯾﺮ ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه‬
‫ﻫﺰﯾﻨﻪ ﺑﺎ ﻧﻤﺎد ‪ CN SC‬و ﻣﻘﺎدﯾﺮ ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺑﺎ ﻧﻤﺎد‬
‫‪ PN RSP‬ﻧﺸﺎن داده ﻣﯽﺷﻮد‪ .‬ﺑﺮای ﺗﻌﯿﯿﻦ ﺳﯿﺴﺘﻢ ﺑﻬﯿﻨﻪ‪ ،‬ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ‬
‫‪٣٧‬‬ ‫‪٣٩-٣٣‬‬ ‫اﻧﺪﯾﺸﻪ آﻣﺎری‪ ،‬ﺳﺎل ﺻﻔﺮ‪ ،‬ﺷﻤﺎره ﺻﻔﺮ‪ ،‬ﭘﺎﯾﯿﺰ و زﻣﺴﺘﺎن ‪ ،١۴٠١‬ﺷﻤﺎره ﭘﯿﺎﭘﯽ ‪ ،۵۴‬ص‬

‫ﺟﺪول ‪ .١‬ﺑﺮآورد ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ و ﻣﻘﺎدﯾﺮ ﻧﺮﻣﺎل ﺷﺪه آنﻫﺎ و ‪ SER‬ﺑﻪ ازای ‪ρ = ٠٫٠١۴‬‬

‫‪SER‬‬ ‫‪PN SRP‬‬ ‫‪CN SC‬‬ ‫‪PΘ|r‬‬ ‫)‪C(r‬‬ ‫‪Ls‬‬ ‫‪Lq‬‬ ‫‪x‬‬ ‫‪r‬‬

‫‪٠٫٩٨٧٧‬‬ ‫‪٠٫٩٩۴٩٣‬‬ ‫‪٠٫٩٧۶٨‬‬ ‫‪٠٫٩٩۴٩٢‬‬ ‫‪۶٫٩٩۶‬‬ ‫‪٠٫٠٢٧٩٨‬‬ ‫‪٠٫٠٠٠۵۴‬‬ ‫‪٠٫٠١۴‬‬ ‫‪١‬‬

‫‪٠٫٩٨٨٩‬‬ ‫‪٠٫٩٩۵٩٩‬‬ ‫‪٠٫٩٧٨۴‬‬ ‫‪٠٫٩٩۵٩٨‬‬ ‫‪۶٫٩٨۵‬‬ ‫‪٠٫٠٢٧٩۴‬‬ ‫‪٠٫٠٠١٠۶‬‬ ‫‪٠٫٠٢٧‬‬ ‫‪٢‬‬

‫‪٠٫٩٩١٠‬‬ ‫‪٠٫٩٩٧٨٣‬‬ ‫‪٠٫٩٨٠٨‬‬ ‫‪٠٫٩٩۶٨٢‬‬ ‫‪۶٫٩۶٨‬‬ ‫‪٠٫٠٢٧٨٧‬‬ ‫‪٠٫٠٠١۶١‬‬ ‫‪٠٫٠۴١‬‬ ‫‪٣‬‬

‫‪٠٫٩٩١٨‬‬ ‫‪٠٫٩٩٧٢۶‬‬ ‫‪٠٫٩٨٣۶‬‬ ‫‪٠٫٩٩٧٢۵‬‬ ‫‪۶٫٩۴٨‬‬ ‫‪٠٫٠٢٧٧٩‬‬ ‫‪٠٫٠٠٢٠٨‬‬ ‫‪٠٫٠۵٣‬‬ ‫‪۴‬‬

‫‪٠٫٩٩۴١‬‬ ‫‪٠٫٩٩٨٧٣‬‬ ‫‪٠٫٩٨٧١‬‬ ‫‪٠٫٩٩٨٧٢‬‬ ‫‪۶٫٩٢٣‬‬ ‫‪٠٫٠٢٧۶٨‬‬ ‫‪٠٫٠٠٢۵۶‬‬ ‫‪٠٫٠۶۵‬‬ ‫‪۵‬‬

‫‪٠٫٩٩۶۴‬‬ ‫‪٠٫٩٩٩٩٢‬‬ ‫‪٠٫٩٩١٣‬‬ ‫‪٠٫٩٩٩٩١‬‬ ‫‪۶٫٨٩۴‬‬ ‫‪٠٫٠٢٧۵٧‬‬ ‫‪٠٫٠٠٣٠۴‬‬ ‫‪٠٫٠٧٧‬‬ ‫‪۶‬‬

‫‪١‬‬ ‫‪١‬‬ ‫‪١‬‬ ‫‪٠٫٩٩٩٩٩‬‬ ‫‪۶٫٨٣۴‬‬ ‫‪٠٫٠٢٧٣۴‬‬ ‫‪٠٫٠٠۴١۵‬‬ ‫‪٠٫١٠۵‬‬ ‫‪٧‬‬

‫ﻣﺜﺎل ﻋﺪدی‬ ‫‪٢.۴‬‬ ‫ﺟﺪول ‪ ١‬ﺗﺎ رﺳﯿﺪن ﺑﻪاﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺣﺪاﻗﻞ ‪ ٠٫٩٩٩٩٩‬ﺑﺮ اﺳﺎس‬
‫ﺑﺮ اﺳﺎس ﺷﺎﺧﺺ ‪ SER‬واﺿﺢ اﺳﺖ ﮐﻪ‬ ‫‪ r‬اﯾﺠﺎدﺷﺪه ﻫﺴﺖ‪.‬‬
‫ﺑﺎﻧﮑﯽ در ﺷﻬﺮ رﺷﺖ ﮐﻪ دارای دو دﺳﺘﮕﺎه ﺧﻮدﭘﺮداز اﺳﺖ‪ ،‬ﺗﻮﺳﻂ ﻧﻮﯾﺴﻨﺪه‬ ‫‪ rOpt = ٧‬اﻧﺘﺨﺎبﺷﺪه و ﻣﺪل ﺑﻬﯿﻨﻪ در ﺧﺎﻧﻮاده ﺳﯿﺴﺘﻢﻫﺎی ﺻﻒﺑﻨﺪی‬
‫در ﻧﻈﺮ ﮔﺮﻓﺘﻪﺷﺪه و ﻓﺎﺻﻠﻪ زﻣﺎﻧﯽ ﺑﯿﻦ ﻣﺮاﺟﻌﯿﻦ و ﻓﺎﺻﻠﻪ زﻣﺎﻧﯽ ﺑﯿﻦ‬ ‫} · · · ‪ E٧ /M/٢ ،{Er /M/٢, r = ١, ٢,‬ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ‬
‫ﺳﺮوﯾﺲﺷﺪهﻫﺎ )ﺑﺮﺣﺴﺐ دﻗﯿﻘﻪ( از ﺳﺎﻋﺖ ‪ ٨‬ﺗﺎ ‪ ١٠‬ﺻﺒﺢ ‪ ١٧‬ﻓﺮوردﯾﻦ‬ ‫راﺑﻄﻪ )‪ (٩‬و ﺑﺎ ‪ ρ = ٠٫٠١۴‬و ‪ ،x = ٠٫١٠۵‬ﺗﻮزﯾﻊ ﻣﺘﻘﺎﺿﯿﺎن ﻣﻮﺟﻮد در‬
‫ﺳﺎل ‪ ١۴٠٢‬ﺛﺒﺖﺷﺪه ﮐﻪ دادهﻫﺎ در ﺟﺪول ‪ ٢‬ﺛﺒﺖﺷﺪه اﺳﺖ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از‬ ‫‪ E٧ /M/٢‬ﺑﻪﺻﻮرت‬ ‫ﺳﯿﺴﺘﻢ در ﻣﺪل ﺑﻬﯿﻨﻪ‬
‫‪‬‬
‫دادهﻫﺎی ﺟﺪول ‪ ،٢‬ﺑﺮآوردﻫﺎی درﺳﺘﻨﻤﺎﯾﯽ ﻣﺎﮐﺴﯿﻤﻢ و ﮔﺸﺘﺎوری ‪µ ،λ ،r‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫‪٠٫٩٧۴٩‬‬ ‫‪n=٠‬‬
‫‪‬‬
‫و ‪ ρ‬ﺑﻪ دﺳﺖ آورده ﺷﺪه و در ﺟﺪول ‪ ٣‬آورده ﺷﺪه ﺗﺎ در ﻣﺤﺎﺳﺒﺎت ﺑﻌﺪی‬ ‫= ‪πn‬‬
‫‪‬‬ ‫‪٠٫٠٢٢١‬‬ ‫‪n=١‬‬
‫‪‬‬
‫‪‬‬
‫ﺑﻪﻋﻨﻮان ﻣﻘﺎدﯾﺮ ‪ r‬و ‪ ρ‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ‪ .‬ﺑﻪ ﮐﻤﮏ ﻣﻘﺎدﯾﺮ ‪ r‬و ‪ ρ‬در ﺟﺪول‬ ‫‪‬‬
‫‪ (٠٫٠٠٢٢)(٠٫١٠۵)n−٢‬‬ ‫‪n≥٢‬‬
‫‪ ،٣‬رﯾﺸﻪ ﮐﻮﭼﮏﺗﺮ از ‪ ١‬ﻣﻌﺎدﻟﻪ ‪ xr+١ − (١ + rρ)x + rρ = ٠‬ﺑﻪ دﺳﺖ‬
‫و ﻣﻌﯿﺎرﻫﺎی ارزﯾﺎﺑﯽ ﺳﯿﺴﺘﻢ ﺑﻪﺻﻮرت‬
‫آورده ﻣﯽﺷﻮد‪ .‬در اداﻣﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘﺎدﯾﺮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪﺷﺪه ﺑﺮای ‪،θ ،b ،a‬‬
‫‪Lq = ٠٫٠٠۴١۵,‬‬ ‫‪Ls = ٠٫٠٢٧٣۴,‬‬
‫‪ w١ ،C٢ ،C١ ،v٢ ،v١‬و ‪ w٢‬در ﺑﺨﺶ ‪ ،۴.١‬ﻣﻘﺎدﯾﺮ اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ‪ ،‬ﻫﺰﯾﻨﻪ‬
‫‪٠٫٠٢٧٣۴‬‬ ‫‪٠٫٠٠۴١۵‬‬
‫= ‪Ws‬‬ ‫‪,‬‬ ‫= ‪Wq‬‬
‫ﺳﯿﺴﺘﻢ و ﺷﺎﺧﺺ ‪) SER‬ﺑﻌﺪ از ﻧﺮﻣﺎلﺳﺎزی ﻣﻘﺎدﯾﺮ اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ و‬ ‫‪λ‬‬ ‫‪λ‬‬
‫ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ( ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﻪ ﮐﻤﮏ رواﺑﻂ )‪ (١١) ،(٢‬و )‪ (١٢‬ﺑﻪ دﺳﺖ‬ ‫ﻫﺴﺘﻨﺪ‪ .‬ﻣﻘﺎدﯾﺮ ‪ Lq‬و ‪ Ls‬ﻧﺸﺎندﻫﻨﺪه آن اﺳﺖ ﮐﻪ ﺑﻪﻃﻮر ﻣﺘﻮﺳﻂ‪ ،‬ﺗﻌﺪاد‬
‫آورده ﺷﺪه و در ﺟﺪول ‪ ۴‬ﻗﺮار دادهﺷﺪه اﺳﺖ‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﺎﺧﺺ ‪SER‬‬ ‫ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ و ﺳﯿﺴﺘﻢ ﺧﺎﻟﯽ ﻫﺴﺖ ﮐﻪ اﻟﺒﺘﻪ ﻣﻘﺪار ‪π٠ = ٠٫٩٧۴٩‬‬

‫در ﺟﺪول ‪ ۴‬واﺿﺢ اﺳﺖ ﮐﻪ روش ﺑﺮآورد ﮔﺸﺘﺎوری ﺑﺎ ﺑﺮآورد ‪ r‬و ‪،ρ‬‬ ‫ﻫﻢ ﺑﺮ ﺧﺎﻟﯽ ﺑﻮدن ﺳﯿﺴﺘﻢ در ﺣﺪاﻗﻞ ‪ ٩٧‬درﺻﺪ اوﻗﺎت دﻻﻟﺖ دارد؛ ﯾﻌﻨﯽ‬
‫ﻣﺪل ﺑﻬﯿﻨﻪﺗﺮی ﻧﺴﺒﺖ ﺑﻪ روش ﺑﺮآورد درﺳﺘﻨﻤﺎﯾﯽ ﻣﺎﮐﺴﯿﻤﻢ اراﺋﻪ ﻣﯽدﻫﺪ‬ ‫ﻣﺘﻘﺎﺿﯽ ﺑﻌﺪ از وارد ﺷﺪن ﺑﻪ ﺳﯿﺴﺘﻢ ﺗﺎ اﺧﺬ ﺳﺮوﯾﺲ ‪ ،‬ﺗﻘﺮﯾﺒﺎً ﻣﺪتزﻣﺎن‬
‫و اﯾﻦ ﻣﺪل ﺑﻬﯿﻨﻪ‪ E١ /M/٢ ،‬ﺑﺎ ‪ ρ = ٠٫٧٨۶‬اﺳﺖ‪.‬‬ ‫ﻧﺎﭼﯿﺰی را ﺳﭙﺮی ﻣﯽﮐﻨﺪ؛ ﺑﻨﺎﺑﺮاﯾﻦ ﻋﻤﻠﮑﺮد ﺳﯿﺴﺘﻢ ﻣﻄﻠﻮب ﺑﻮده اﺳﺖ‪.‬‬

‫‪١۴٠٢‬‬ ‫ﺟﺪول ‪ .٢‬دادهﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﻣﺜﺎل ﺑﺎﻧﮏ در ‪ ١٧‬ﻓﺮوردﯾﻦ ﺳﺎل‬

‫‪۵٫۴٠‬‬ ‫‪٣٫١۵‬‬ ‫‪۴٫٣٢‬‬ ‫‪٢٫٢٧‬‬ ‫‪٢٫۶٧‬‬ ‫‪٢٫٩١‬‬ ‫‪٢٫٣۵‬‬ ‫‪٣٫٩٨‬‬

‫‪۴٫١١‬‬ ‫‪۴٫٣۴‬‬ ‫‪٣٫٠٨‬‬ ‫‪٢٫١٢‬‬ ‫‪۶٫۵٢‬‬ ‫‪۴٫٨۴‬‬ ‫‪٣٫۴۶‬‬ ‫‪۴٫٧١‬‬

‫‪۵٫٠٠‬‬ ‫‪۴٫٩۵‬‬ ‫‪٣٫٩٧‬‬ ‫‪٣٫٣٢‬‬ ‫‪٣٫۵٠‬‬ ‫‪٣٫٨٢‬‬ ‫‪٢٫۶٨‬‬ ‫‪۴٫١٧‬‬ ‫ﻓﺎﺻﻠﻪ زﻣﺎﻧﯽ ﺑﯿﻦ ورودیﻫﺎ‬
‫‪٣٫٢۵‬‬ ‫‪٢٫٣٧‬‬ ‫‪١٫٧٧‬‬ ‫‪٢٫۵٢‬‬ ‫‪۴٫٣٨‬‬ ‫‪٣٫۶٨‬‬

‫‪٢٫۶٢‬‬ ‫‪٣٫٨۶‬‬ ‫‪٠٫۶۴‬‬ ‫‪٠٫١١‬‬ ‫‪٠٫۶٣‬‬ ‫‪١٫۵٠‬‬ ‫‪٠٫٧٣‬‬ ‫‪٣٫۴۴‬‬

‫‪٢٫١۵‬‬ ‫‪١٫٩٠‬‬ ‫‪٠٫۵۶‬‬ ‫‪۵٫١٧‬‬ ‫‪١٫٩٧‬‬ ‫‪٢٫٨٠‬‬ ‫‪١٫۵١‬‬ ‫‪٠٫١٧‬‬

‫‪٠٫١٨‬‬ ‫‪٠٫٩۴‬‬ ‫‪٠٫٣۴‬‬ ‫‪٢٫٩٣‬‬ ‫‪۴٫۴٧‬‬ ‫‪٣٫١۵‬‬ ‫‪١٠٫٠٠‬‬ ‫‪٠٫۴٩‬‬ ‫ﻓﺎﺻﻠﻪ زﻣﺎﻧﯽ ﺑﯿﻦ ﺳﺮوﯾﺲﻫﺎ‬
‫‪٢٫١٩‬‬ ‫‪٣٫١۵‬‬ ‫‪٢٫٩۴‬‬ ‫‪٠٫١٠‬‬ ‫‪۴٫٢۵‬‬ ‫‪١٫٨۶‬‬
‫ﯾﻌﻘﻮبزاده ﺷﻬﺮﺳﺘﺎﻧﯽ‬ ‫ﻣﺪل ﺑﻬﯿﻨﻪ‬ ‫‪٣٨‬‬

‫ﺟﺪول ‪ .٣‬ﺑﺮآورد ﭘﺎراﻣﺘﺮﻫﺎ ﺑﺮای ﻣﺜﺎل ﺑﺎﻧﮏ‬

‫‪ρ‬‬ ‫‪µ‬‬ ‫‪λ‬‬ ‫‪r‬‬ ‫روش ﺑﺮآورد‬
‫‪٠٫٩٣۴‬‬ ‫‪٢٫٢٠‬‬ ‫‪۴٫١١‬‬ ‫‪٢‬‬ ‫درﺳﺘﻨﻤﺎﯾﯽ ﻣﺎﮐﺴﯿﻤﻢ‬
‫‪٠٫٧٨۶‬‬ ‫‪٢٫٢٠‬‬ ‫‪٢٫٨۶‬‬ ‫‪١‬‬ ‫ﮔﺸﺘﺎورﻫﺎ‬

‫ﺟﺪول ‪ .۴‬ﺑﺮآورد اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ‪ ،‬ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ و ﺷﺎﺧﺺ ‪ SER‬ﺑﺮای ﻣﺜﺎل ﺑﺎﻧﮏ‬
‫‪SER‬‬ ‫‪PN SRP‬‬ ‫‪CN SC‬‬ ‫)‪C(r‬‬ ‫‪x‬‬ ‫‪PΘ|r‬‬ ‫روش ﺑﺮآورد‬
‫‪٠٫٨٣١٢‬‬ ‫‪١‬‬ ‫‪٠٫۵٧٩٣‬‬ ‫‪٩١۶۵‬‬ ‫‪٠٫٩٧٧٨‬‬ ‫‪٠٫٩٩۵٨‬‬ ‫درﺳﺘﻨﻤﺎﯾﯽ ﻣﺎﮐﺴﯿﻤﻢ‬
‫‪٠٫٩٩٩۵‬‬ ‫‪٠٫٩٩٩١‬‬ ‫‪١‬‬ ‫‪۵٣٠٩‬‬ ‫‪٠٫٩٧٢٠‬‬ ‫‪٠٫٩٩۴٩‬‬ ‫ﮔﺸﺘﺎورﻫﺎ‬

‫ﻣﺜﺎل ﻋﺪدی و ﺑﺎ اﺳﺘﻔﺎده از ﺑﺮآورد ‪ r‬و ‪ ρ‬ﺑﻪ روشﻫﺎی درﺳﺘﻨﻤﺎﯾﯽ‬ ‫ﺑﺤﺚ و ﻧﺘﯿﺠﻪﮔﯿﺮی‬
‫ﻣﺎﮐﺴﯿﻤﻢ و ﮔﺸﺘﺎوری و ﺑﺮ اﺳﺎس دادهﻫﺎی ﺟﺪول ‪ ،۴‬ﻣﺸﺨﺺ ﺷﺪ ﮐﻪ‬
‫روش ﺑﺮآورد ﮔﺸﺘﺎوری‪ ،‬ﻣﺪل ﺑﻬﯿﻨﻪﺗﺮی ﺑﺎ اﻟﮕﻮی ‪ E١ /M/٢‬ﺑﺎ ‪ρ = ٠٫٧٨۶‬‬ ‫در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ‪ ،‬ﺷﺎﺧﺼﯽ ﺑﻪ ﻧﺎم‬
‫اراﺋﻪ ﻣﯽدﻫﺪ‪.‬‬ ‫‪ SER‬ﺑﺮای ﺗﻌﯿﯿﻦ ﯾﮏ ﺳﯿﺴﺘﻢ ﺑﻬﯿﻨﻪ ﻣﻌﺮﻓﯽ ﺷﺪ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از روش‬
‫ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ و ﺑﻪ ﮐﻤﮏ اﯾﻦ ﺷﺎﺧﺺ‪ ،‬ﺑﺮای ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی‬
‫ﺻﻒﺑﻨﺪی } · · · ‪ ،{Er /M/٢, r = ١, ٢,‬ﻣﺪل ‪ E٧ /M/٢‬ﺑﻪﻋﻨﻮان ﻣﺪل‬
‫ﺗﻘﺪﯾﺮ و ﺗﺸﮑﺮ‬
‫ﺑﻬﯿﻨﻪ اﻧﺘﺨﺎب ﺷﺪ و ﺗﻮزﯾﻊ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺳﯿﺴﺘﻢ و ﻣﺘﻮﺳﻂ ﺗﻌﺪاد‬
‫ﻧﻮﯾﺴﻨﺪه ﻣﻘﺎﻟﻪ از ﺳﺮدﺑﯿﺮ و داوران ﻣﺤﺘﺮم ﻣﺠﻠﻪ در ارزﯾﺎﺑﯽ ﻣﻘﺎﻟﻪ ﻗﺪرداﻧﯽ‬ ‫ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ و ﺳﯿﺴﺘﻢ و ﻣﺘﻮﺳﻂ زﻣﺎن اﻧﺘﻈﺎر ﻫﺮ ﻣﺘﻘﺎﺿﯽ در‬
‫و ﺗﺸﮑﺮ ﻣﯽﮐﻨﺪ‪.‬‬ ‫ﺻﻒ و ﺳﯿﺴﺘﻢ ﺑﺮای ﻣﺪل ﺑﻬﯿﻨﻪ اراﺋﻪ ﺷﺪﻧﺪ‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﻪ ﮐﻤﮏ ﯾﮏ‬

‫ﻣﺮاﺟﻊ‬
‫]‪ [١‬ﻣﺪرس‪ ،‬م؛ و ﺗﯿﻤﻮری‪ ،‬ا‪ .(١٣٩۴) .‬ﻧﻈﺮﯾﻪ ﺻﻒ‪ ،‬ﭼﺎپ ﺷﺸﻢ‪ ،‬ﻣﺮﮐﺰ ﻧﺸﺮ آﺛﺎر ﻋﻠﻤﯽ داﻧﺸﮕﺎه ﻋﻠﻢ و ﺻﻨﻌﺖ‪ ،‬ﺗﻬﺮان‪.‬‬

‫‪[2] Allen, A. (1990). Probability, Statistics and Queueing Theory with Computer Science Applications, 2nd ed. Academic‬‬
‫‪Press, Boston.‬‬

‫‪[3] Deepthi, V. and Jose, J. K. (2021). Bayesian Estimation of M/Ek /1 Queueing Model using Bivariate Prior, American‬‬
‫‪Journal of Mathematical and Management Sciences, 40, 88-105.‬‬

‫‪[4] Fischer, M. (1974). The Waiting time in the Ek /M/1 Queueing System, Operational Research, 22, 898-902.‬‬

‫‪[5] Gupta, P. L. (1982). Structural Properties and Estimation in M/Ek /1 Queue, Communication in Statistics-Theory and‬‬
‫‪Methods, 11, 711-719.‬‬

‫‪[6] Chowdhury, S. and Maiti, S. (2014). Bayesian Estimation of Traffic Intensity in an M/Er /1 Queueing Model, Research‬‬
‫‪& Reviews: Journal of Statistics, Special Issue on Recent Statistical Methodologies and Applications, 1, 99-106.‬‬

‫‪[7] Insua, D. R., Wiper, M. and Ruggeri, F. (1998). Bayesian analysis of M |Er|1and M |Hk |1 queues, Queueing and System,‬‬
‫‪30, 289-308.‬‬

‫‪[8] Jain, M. and Dhyani, I. (2011). Control Policy for M |Ek |1 Queueing System, Journal of Statistics and Management‬‬
‫‪Systems, 4, 73-82.‬‬
٣٩ ٣٩-٣٣ ‫ ص‬،۵۴ ‫ ﺷﻤﺎره ﭘﯿﺎﭘﯽ‬،١۴٠١ ‫ ﭘﺎﯾﯿﺰ و زﻣﺴﺘﺎن‬،‫ ﺷﻤﺎره ﺻﻔﺮ‬،‫ ﺳﺎل ﺻﻔﺮ‬،‫اﻧﺪﯾﺸﻪ آﻣﺎری‬

[9] Jose, J. K. and Manoharan, M. (2014). Bayesian Estimation of rate Parameters of Queueing Models, Journal of Prob-
ability and Statistical Science, 12, 69-76.

[10] Ruggeri, F., Wiper, M. P. and Rios Insua, D. (1996). Bayesian models for correlation in M/M/1 queues, Quaderno
IAMI 96.8. CNR-IAMI, Milano.

[11] Harishchandra, K. and Subba Rao, S. (1998). A note on Statistical Inference about the Traffic Intensity Parameter in
M/Ek/1 Queue, Sankhyā: The Indian Journal of Statistics, Series A, 50, 144-148.

[12] Srinivas, V., Subba Rao, S. and Kale, B. K. (2011). Estimation of measures in M |M |1 queue, Communication in
Statistics-Theory and Methods, 40(18), 3327-3336.

[13] Vaidyanathan, V. S. and Chandrasekhar, P. (2018). Parametric Estimation of an M |Er |1 Queue, Opsearch,
doi.org/10.1007/s12597-018-0342-0.

[14] Wiper, M. (1998). Bayesian analysis of Er/M/1 and Er/M/c queues, Journal of Statistical Planning and Inference,
69, 65-79.
١۴۵ Vol. 27, No. 2, Autumn and Winter 2022-2023

Determining the Optimal Model

in the Queuing System Er /M/2

Shahram Yaghoobzadeh Shahrastani1

Abstract:
In this article, the optimal model is determined for the family of models {Er /M/2, r = 1, 2, · · · } with interarrival times with
Erlang distribution and service times with exponential distribution. The method of choosing the optimal model is that first,
a cost function is introduced, and then a new index is introduced according to the cost function and the stationary probability
of the system called SER. A model with a larger SER index is optimal. Also, to describe the method used in this article to
determinine the optimal model, the Monte Carlo simulation method and numerical example are used.
Keywords: Cost function, Probability of system stationary, Erlang distribution, Index SER, The family of models {Er /M/2, r =
1, 2, · · · }.

1 Department of Statistics, Payame Noor University, Tehran, Iran