![](/user_photo/2706_HbeT2.jpg)
- •И математической статистике
- •Ч а с т ь III
- •2. Описание случайных процессов и полей
- •3. Представления и преобразования случайных функций
- •4. Стационарность и однородность случайных функций;
- •5. Непрерывность, дифференцируемость и интегрируемость
- •6. Спектральное представление случайных процессов и полей
- •§2. Марковские процессы
- •2.1. Последовательности зависимых испытаний. Цепи Маркова.
- •2.2. Марковские процессы.
- •§3. Элементы теории систем массового обслуживания (смо)
- •3.1. Основные понятия, определения и компоненты моделей смо
- •3.2. Потоки событий.
- •3.3. Классификация смо и их основные характеристики
- •Раздел 2. Вариаты практических заданий задачи для самостоятельного решения
- •Раздел 3. Решения вариатов типовых заданий задача 1.
- •Задача 2.
- •Задача 3.
- •Задача 4.
- •I. Свойства дельта- функции и некоторых других обобщённых функций
- •II. Использование таблиц распределения пуассона при решении задач смо
- •III. Статистические таблицы
- •Примечания:1) функция Лапласа и интеграл ошибоксвязаны соотношением;
- •Содержание
- •Часть III
Задача 3.
1.
Простая
однородная цепь Маркова с двумя
состояниями управляется матрицей
,P1
≠
0, P2
≠ 0. 1)
Составить характеристическое уравнение
и найти характеристические числа матрицы
перехода. 2) Найти финальные вероятности
P1ф
и P2ф.
3) Сравнить
стационарные (финальные) вероятности
этой цепи для случаев: а)
0 ≠
P1
≠
P2
≠ 1; б) 0 ≠ P1
=
P2
≠ 1; в) 0 ≠
P1
= 1 – P2
≠ 1. Частный случай
P1
или P2
= 0 или 1 во всех этих случаях рассмотреть
отдельно.
Р Е Ш Е Н И Е:
1). Прежде всего
составим характеристическую уравнениеданной цепи Маркова, приравняв нулю её
определитель: |λE -
π| =
= (λ– 1)(λ+P2–P1) = 0. Решая это уравнение, найдёмхарактеристические числаматрицы перехода:λ0= 1,λ1= (P1 –P2); т. к. – 1 ≤ (P1 –P2) ≤ 1, то и –1 ≤λ2≤ 1.
2). Так как все элементы матрицы переходов положительны, то цепь эргодична (положительно регулярна). Вычислим миноры определителя характеристической матрицы:P11(λ) =λ–P1;P22(λ) =λ+P2– 1. Тогда
, j= 1, 2;
=
.
3).
В случае а) 0 ≤≠
≤
1, причём
=
1/(1+P2) и
=P2/(1+P2)
приP1= 0,
=
1 и
=
0 приP2= 0,
=
0 и
=
1 приP1= 1 (P2при этом может иметь любые значения; в
случае б)
=
1 –P1,
=P2, что, в частности,
даёт
=
1 приP1= 0 и
=
0 приP1= 1, а также
=
0 или 1 приP2 = 0
или 1; в случае в)
=
1 и
=
0 приP1= 1–P2= 0 и наоборот
=
0 и
=
1 приP1= 1 –P2= 1, а во всех других случаях
=
=
½.
Замечание:
Финальные
вероятности можно найти и иначе. Найдём
сначала матрицу πn
= π1n
перехода
за n
шагов. Для этого рассмотрим матрицу π1
как матрицу линейного оператора А
в эвклидовом пространстве R2
с базисом f1=
и f2=
.
Найдём собственные векторы оператора
А:
если имеем собственный вектор e
=
,
то π1e
= λe,
мы имеем систему
Характеристический определитель
= 0 даёт два собственных числа: λ1
= 1 и λ2
= p1
– p2.
Собственные векторы имеют вид: e1=
и e2=
=
.
В базисе {e1,
e2}
матрица π1*
линейного оператора A
диагональна: π1*=
,
и поэтому πn*=
=
.
Остаётся вернуться к старому базису.
ЕслиB
– матрица
перехода от базиса {e1,
e2}
к базису {f1,
f2},
то πn=
B
–1πn*B.
Пусть B
=
,
тогда Bej
=fj,
j=
1, 2, т. е. α +
β =1, γ
+ δ = 0 и α
– βP2/(1
– P1)
=0, γ
– δP2/(1
– P1)
= 1. Отсюда
B
=.
Так как det
B
= – (1 – P1)/(1
– P1
+ P2),
то B
–1=
=
;
тогда πn=
.
Так как (P1
– P2)n
→ 0 при n
→ ∞, то
матрица стационарных переходных
вероятностей имеет вид: π∞
=
,
т. е. финальные вероятности
=
и
=
. ◊
2. На некотором острове погода бывает в течении дня или дождливой (Д) или сухой (С) т.е. представляет собой однородную цепь Маркова с двумя состояниями. Вероятности ежедневных изменений заданы матрицей
Д С
.
а) Если в среду погода дождливая, то
какова вероятность что она будет
дождливой в ближайшую пятницу? б) Как
изменится ответ на этот вопрос, если
дождливая погода в среду ожидается с
вероятностью 0,3?
Р Е Ш Е Н И Е:
а). Для того,чтобы
ответить на вопрос: буде ли погода
дождливой в ближайшую пятницу, если она
дождлива в среду, необходимо рассчитать
переходные вероятности заданной цепи
Маркова за два шага. Такие вероятности
задаются квадратом переходной матрицы:
π2= π·π =
=
=
,
т. е. вероятность дождя в пятницу равна0,61.
б). Вероятность
того, что система, описываемая цепью
Маркова, через n
шагов попадёт в состояниеj,
если в начальный момент она находилась
в состоянииk, находится
по формуле полной вероятностиpj(tn)=
.
В данном случае, вероятности начальных состояний: p1( 0) = 0,3 – дождливая погода в среду;p2( 0) = 0,7 – сухая погода в среду, а вероятности перехода за два шага задаёт матрица π2. Тогдаp1(t2) = 0,3·0,61 + 0,7·0,52 =0,547. ◊
3. Точка движется по плоскости и в течении секунды может сместиться или на единицу расстояния по горизонтали, или на единицу расстояния по вертикали, или пройти диагональ единичного квадрата (смещение на единицу расстояния по горизонтали и на единицу по вертикали) или остаться на месте. Вероятности горизонтального и вертикального смещений одинаковы и для любой секунды (кроме первой) равны: 1) α, если в предыдущую секунду произошли оба смещения; 2) β, если в предыдущую секунду произошло только одно смещение по горизонтали или по вертикали; 3) γ, если в предыдущую секунду точка оставалась на месте.
Составить уравнение цепи Маркова для определения вероятностей горизонтального (вертикального) смещения точки в течении (n + 1)-й секунды.
Р Е Ш Е Н И Е:
Пустьpjгиpjв – вероятности соответственно горизонтального и вертикального смещений на j –м шаге, тогдаpn+1, г = pn+1, в = pn, г· pn, в·α + pn, г·
·(1 – pn, в)·β + pn, в·(1 –pn, г)·β + (1 –pn, г)(1 –pn, в)·γ. Так какpn, г = pn, в = pn,1 – вероятность смещения по одному какому-либо направлению, то
pn+1, 1 = p2n,1α + 2 pn,1(1 –pn,1) β + (1 –pn,1)2γ. ◊
4.Найти стационарные вероятности состояния Pk для однородного по t марковского процесса с дискретными состояниями, если постоянные коэффициенты Ajk (j, k = 1, 2, …) дифференциальных уравнений для переходных вероятностей и/или вероятностей состояний процесса имеют значения: Aj, j +1 = α, Aj, j –1 = β > α, Aj j = – (α + β) при j > 1, A11 = – α, Aj k = 0 при остальных k.
Р Е Ш Е Н И Е:
Уравнение Колмогорова для такого марковского процесса имеет вид:
,
а с учётом заданных обозначений получаем
то есть
.
Следовательно
,
а с учётом условия нормировки вероятнстей
состояния Pk
следует, что
.
Окончательно
.
◊
5. Пусть {ξn} – последовательность независимых случайных величин, имеющих одинаковую плотность распределения p(x), p(x) > 0, – ∞ < x < ∞. Положим St = Sk(t – k) + Sk+1(k + 1 – t), k ≤ t ≤ k + 1, Sn = ξ1 + … + ξn. Будет ли процесс St марковским? Будет ли марковской последовательность {Sn}, n = 0,1,…
Р Е Ш Е Н И Е:
Нет,
т. к. величины Sk
и Sk+1,
k
=1, …, являются
последовательными состояниями марковского
процесса, при этом первое из них зависит
от k
– 1-го, а второе от k-го,
то есть суммарный процесс St
не
удовлетвоояет
марковскому
свойству.
Последовательность
{Sn}
в связи со сказанным выше является
марковской последовательностью с
непрерывным временем, то есть P(x,
A)
=
◊
6. Пусть ξt , t ≥ 0, – марковский случайный процесс со счётным множеством состояний {0, 1, …}. Предположим, что в момент времени t = 0 процесс находится в состоянии j. Найти функцию распределения времени до первого изменения состояния процесса.
Р Е Ш Е Н И Е:
Для
однородных марковских процессов с
конечным либо счётным числом состояний,
справедливы прямая и обратная системы
уравнений Колмогорова. Например
,
гдеAkj
. Находясь в конкретном состоянииj,
процесс может сохранить это состояние,
либо измиенить его, причём вероятности
возможных изменений данного состояния
определяются величинами Akj.
Обозначая λj
=
величину,
имеющую смысл суммарной вероятности
измененияj
–го состояния процесса, легко перейти
к уравнению для вероятности сохранения
состояния (что соответствует распределению
времени ожидания)
,
откудаPjj(t)
= 1– exp(–
λjt).
◊
7.
Цепь Маркова управляется матрицей
переходных вероятностей .
Классифицировать все состояния этой цепи. Будет ли цепь эргодична? Найти асимптотическое поведение pi j (n) при n → ∞.
Р Е Ш Е Н И Е:
Возводим
матрицу во вторую, третью и т. д. степени.
Очевидно π3
= π6
= … = π3n
=
т.
е. цепь вполне разложима и цепь
периодическая с периодом 3. Первое и
второе состояния образуют первый
изолированный цикл; 3-е и 4-е состояния
также представляют собой ещё два цикла.
Эргодичностью цепь не обладает, но при
n
= 3m
и m
→ ∞ p11(n)
= p12(n)
= p22(n)
= p21(n)
= ½, p33(n)
= p44(n)
= 1, все остальные
вероятности равны нулю.
При n
≠ 3m
и
n → ∞ pij(n) не имеют предела. ◊
8.Флуктуации почернения фотоэмульсии. Пусть область эмульсии, соответствующая наименьшему различимому точечному объекту(коротко – ячейка), содержит в момент начала эксперимента (t = 0) N «непроявленных» зёрен. Каждое из них может находиться только в двух состояниях – непроявленном и проявленном. Если к моменту t остались непроявленными m зёрен (m = 1, 2, …, N), то предполагается, что вероятность проявления какого либо одного из них в в интервале (t, t + dt) равна Am, m – 1(t)dt = mα(t)dt, а вероятности проявления двух или более зёрен имеют более высокий порядок относительно dt.
Р Е Ш Е Н И Е:
При m непроявленных зёрнах в момент t возможен за последующий интервал dt либо переход к m – 1 непроявленным зёрнам с вероятностью mα(t)dt, либо сохранение числа непроявленных зёрен с вероятностью
1
– Am,m(t)dt,
причём
Am,m
+ Am,m
– 1
=
0,
т.
е.
Am,m(t)
= – mα(t).
Следовательно,
при
m
< N
уравнение
для
pm(t)
будет
d(pm)/dt
= [pm(t)]'t
= Am,m
pm
+
Am,m
+1pm
+1
= –
mα(t)
pm
+ (m
+1)α(t)
pm
+1,
а
при
m
= N,
поскольку
pN
+1
= 0,
=
.
Решение этих
уравнений при начальном условии pm(0)
= δNm
даётся
биномиальным
законом pm(t)
=
,
гдеp(t)
=
=
e
– ρ(t)
, ρ(t)
=
.
Очевидно, p(t)
– вероятность того, что за время t
зер-
но
останется непроявленным. Таким образом,
среднее значение и дисперсия m
таковы:
Процесс нестационарен и
]
зависит от
:
,
где
=N– –
–среднее число
проявленных зёрен. С ростом N
биномиальное
распределение переходит (при фиксированном
)
в пуассоновское. ◊
9.
Показать для
одношаговых случайных блужданий, у
которых возможны смещения на один шаг
вправо и влево (с вероятностями p
и
q),
а также «шаг на месте» с вероятностью
p*,
что в предположении существования
вероятности
перехода за единицу времени Ajk
(k
≠ j),
причём Ajj(t)
=
,
уравнение Колмогорова для марковского
случайного процесса с дискретным числом
состояний выводится из уравнения
Маркова.
Р Е Ш Е Н И Е:
Уравнение Маркова для вероятности переходаpn,mв данном случае имеет вид:pn +1, m = p·pn, m – 1 + q· pn, m +1 + p*·pn, m , p +q+p* = 1. Полагая
nΔt = t, перепишем это уравнение в видеpm (t+Δt) = p·pm –1(t) + q· pm+1(t) + +p*·pm (t). Если положить p = Am –1, m Δt + o(Δt);q= Am +1, m Δt + o(Δt);p* =1+ +Am, m Δt + o(Δt), причёмAm, m = – (Am –1, m + Am +1, m), то, разделив последнее уравнение наΔt, получаем, в пределе приΔt → 0,уравнение Колмогорова:
=
Am
–1,
m
· pm
–1(t)
+
Am
+1,
m·
pm
+1(t)
– (Am
–1,
m
+ Am
+1,
m)
·pm
(t).
В частности, если блуждания
симметричны, тоAm
–1, m
= Am
+1, m
и выбирая такой масштаб дляt,
чтобы эти временные плотности вероятности
были равны единице, получаем
=pm
–1(t) +
pm
+1(t) – 2
pm(t). Подpm(t) можно понимать каквероятность перехода p(t,ma|0,0) так ивероятность
состояния
p(t, ma). ◊