Professional Documents
Culture Documents
Amarriazi A 10 624 10 25815b9
Amarriazi A 10 624 10 25815b9
١
ﺷﻬﺮام ﯾﻌﻘﻮبزاده ﺷﻬﺮﺳﺘﺎﻧﯽ
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
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
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 ﻣﺪل ﺑﻬﯿﻨﻪ ٣۶
ﻫﺮ دو ﻣﻌﯿﺎر ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه ،ﺷﺎﺧﺺ اﺗﻼف آن ﻫﺰﯾﻨﻪ ﻣﺤﺴﻮب ﻣﯽﺷﻮد .ﺑﻪﻃﻮرﮐﻠﯽ در ﯾﮏ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی
ﺗﺼﻤﯿﻢﮔﯿﺮی ﺑﻪﻋﻨﻮان ﻧﺮخ ﮐﺎراﯾﯽ ﺳﯿﺴﺘﻢ ﺑﻪﺻﻮرت 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
SER = w١ CN SC + w٢ PN RSP , w١ + w٢ = ١ )(١٢
ﻫﺰﯾﻨﻪ ﺑﻪﺻﻮرت
ﭘﯿﺸﻨﻬﺎد ﻣﯽﺷﻮد ﮐﻪ w١و w٢ﺑﻪ ﺗﺮﺗﯿﺐ وزن ﻣﻌﯿﺎرﻫﺎی ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل
) C(r) = C١ Lq + C٢ (Ls − Lq )(١١
ﭘﺎﯾﺎﯾﯽ ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه ﻫﺴﺘﻨﺪ .ﺷﺎﺧﺺ ﺗﺼﻤﯿﻢﮔﯿﺮی SERﺑﺎ ﻫﺮدو
ﻣﻌﯿﺎر ﻧﺮﻣﺎلﺳﺎزی ﺷﺪه ذﮐﺮﺷﺪه ارﺗﺒﺎط ﻣﺴﺘﻘﯿﻢ دارد ،ﺑﺪﯾﻦﺻﻮرت ﮐﻪ ﭘﯿﺸﻨﻬﺎد ﻣﯽﺷﻮد ﮐﻪ در آن C١و C٢ﻣﻘﺎدﯾﺮ ﺛﺎﺑﺖ و
ﻫﺮﭼﻘﺪر ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ ﭘﺎﯾﯿﻦﺗﺮ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺑﺎﻻﺗﺮ ﺑﺎﺷﺪ SER ،ﻣﻘﺪار
،C١ Lq .١ﻫﺰﯾﻨﻪ اﺗﻼف وﻗﺖ ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد ﮐﻪ
ﺑﺎﻻﺗﺮی ﻣﯽﺷﻮد؛ ﺑﻨﺎﺑﺮاﯾﻦ ﻣﻘﺪاری از rﮐﻪ ﺑﻪ ازای آن ،ﺷﺎﺧﺺ SER
ﻣﯿﺎﻧﮕﯿﻦ ﮐﻞ اﯾﻦ ﻫﺰﯾﻨﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻫﺰﯾﻨﻪ اﺗﻼف وﻗﺖ ﻫﺮ ﻣﺘﻘﺎﺿﯽ در
ﺑﺎﻻﺗﺮﯾﻦ ﻣﻘﺪار ﺷﻮد ﺑﻪﻋﻨﻮان rOptدر ﻧﻈﺮ ﮔﺮﻓﺘﻪﺷﺪه و ﺳﯿﺴﺘﻢ ﻣﺮﺑﻮط ﺑﻪ
ﺻﻒ ) (C١در ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺻﻒ ﯾﻌﻨﯽ Lqاﺳﺖ.
آن ﺳﯿﺴﺘﻢ ﺑﻬﯿﻨﻪ ﻧﺎﻣﯿﺪه ﻣﯽﺷﻮد.
،C٢ (Ls − Lq ) .٢ﻫﺰﯾﻨﻪ اﺗﻼف وﻗﺖ ﻣﺘﻘﺎﺿﯿﺎن در ﻫﻨﮕﺎم درﯾﺎﻓﺖ
ﺧﺪﻣﺖ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد ﮐﻪ ﻣﯿﺎﻧﮕﯿﻦ ﮐﻞ اﯾﻦ ﻫﺰﯾﻨﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻫﺰﯾﻨﻪ
ﺗﺤﻠﯿﻞ ﻋﺪدی ۴ اﺗﻼف وﻗﺖ ﻫﺮ ﻣﺘﻘﺎﺿﯽ در ﺣﺎل درﯾﺎﻓﺖ ﺧﺪﻣﺖ ) (C٢در ﻣﺘﻮﺳﻂ
در اﯾﻦ ﺑﺨﺶ ﺑﺮای ﺧﺎﻧﻮاده ﻣﺪلﻫﺎی } {Er /M/٢, r ∈ Nﺑﺎ اﺳﺘﻔﺎده ﺗﻌﺪاد ﻣﺘﻘﺎﺿﯿﺎن در ﺣﺎل درﯾﺎﻓﺖ ﺧﺪﻣﺖ ﯾﻌﻨﯽ ) (L − Lqاﺳﺖ.
از روش ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ و ﯾﮏ ﻣﺜﺎل ﻋﺪدی ﻣﺪل ﺑﻬﯿﻨﻪ ﺗﻌﯿﯿﻦ ﻫﺴﺘﻨﺪ )] .([١ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ ) (١٠راﺑﻄﻪ ) (١١ﺑﻪﺻﻮرت
ﻣﯽﺷﻮد.
}] 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
ﻣﻄﺎﻟﻌﻪ ﺷﺒﯿﻪﺳﺎزی ١.۴ + C٢
](١ − ω)[١ − (١ + ٢rρ)ω
در اﯾﻦ ﺑﺨﺶ ﺑﺎ اﺳﺘﻔﺎده از روش ﺷﺒﯿﻪﺳﺎزی ﻣﻮﻧﺖﮐﺎرﻟﻮ ،ﻣﺪل ﺑﻬﯿﻨﻪ ﻧﻮﺷﺘﻪ ﻣﯽﺷﻮد.
ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮد .ﺑﺮای رﺳﯿﺪن ﺑﻪ اﯾﻦ ﻫﺪف
.١ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ ) (١ﻣﻘﺪار E(Θ|Θ < ١) = ٠٫٠١۴ﻣﺤﺎﺳﺒﻪﺷﺪه ﺑﻬﯿﻨﻪﺳﺎزی ﻣﺪل Er /M/٢ ١.٣
ﮐﻪ ﺑﻪﻋﻨﻮان ρ = ٠٫٠١۴در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮد.
در ﻫﺮ ﺳﯿﺴﺘﻢ ﺻﻒﺑﻨﺪی ،ﺣﺎﻟﺖ ﭘﺎﯾﺎﯾﯽ وﯾﮋﮔﯽ ﻣﻬﻤﯽ اﺳﺖ ﮐﻪ ﺗﻼش
.٢ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ρﯾﺎﻓﺘﻪ ﺷﺪه در ﮔﺎم اول و ﺑﻪ ازای rﻫﺎی ﻣﺘﻔﺎوت ،رﯾﺸﻪ
ﻣﯽﺷﻮد ﺷﺮاﯾﻄﯽ ﻓﺮاﻫﻢ ﮔﺮدد ﺗﺎ ﺳﯿﺴﺘﻢ در وﺿﻌﯿﺖ ﭘﺎﯾﺎ ﻗﺮار ﮔﯿﺮد .از
ﻣﺜﺒﺖ و ﮐﻮﭼﮏﺗﺮ از ﻋﺪد ١راﺑﻄﻪ xr+١ − (١ + rρ)x + rρ = ٠
ﻃﺮﻓﯽ در دﻧﯿﺎی اﻣﺮوز ﻫﺰﯾﻨﻪ ﺑﻪﻋﻨﻮان ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﻋﻮاﻣﻞ ﺗﺼﻤﯿﻢﮔﯿﺮی
ﻣﺤﺎﺳﺒﻪﺷﺪه و ﺳﭙﺲ ﺑﻪ ﮐﻤﮏ راﺑﻄﻪ ) (٢اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ و ﺑﺎ
ﺑﻪ ﺷﻤﺎر ﻣﯽآﯾﺪ ﮐﻪ ﺑﻬﯿﻨﻪ ﮐﺮدن آن ﻧﻘﺶ ﻣﻬﻤﯽ در ﻋﻤﻠﮑﺮد ﻣﻄﻠﻮب
اﺳﺘﻔﺎده از راﺑﻄﻪ ) (١١ﻫﺰﯾﻨﻪ ﺳﯿﺴﺘﻢ ﺑﺮ اﺳﺎس دادهﻫﺎی زﯾﺮ
ﺳﯿﺴﺘﻢﻫﺎی ﺻﻒﺑﻨﺪی دارد؛ ﺑﻨﺎﺑﺮاﯾﻦ ﺳﯿﺴﺘﻤﯽ ﻣﺪﻧﻈﺮ اﺳﺖ ﮐﻪ ﻫﺰﯾﻨﻪ
C١ = ٣٠٠, C٢ = ٢۵٠, v١ = ١١, v٢ = ١ آن ﮐﻤﺘﺮﯾﻦ ﻣﻘﺪار و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ آن ﺑﯿﺸﺘﺮﯾﻦ ﻣﻘﺪار را داﺷﺘﻪ ﺑﺎﺷﺪ.
a = ٣, b = ۶, θ = ۴ ﺑﻪ ازای ρﻣﻌﯿﻦ ،ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ و اﺣﺘﻤﺎل ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ ﺑﻪ ازای r
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
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.
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
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 .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
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, · · · }.