- •Введение
- •Глава 1. Основные понятия и теоремы теории вероятностей
- •1.4 Элементы комбинаторики
- •1) Правило суммы.
- •2) Правило произведения.
- •3) Перестановки.
- •1.5 Применение комбинаторики для подсчета вероятностей
- •1.7 Формула Байеса. Вероятность оценки гипотез
- •1.8 Независимые повторные испытания. Формула Бернулли
- •1.9 Наивероятнейшее число наступления события
- •1.10 Формула Пуассона
- •1.11 Локальная и интегральная теоремы Муавра-Лапласа
- •Глава 2. Случайные величины
- •2.1.2 Дискретные случайные величины
- •2.1.3 Числовые характеристики дискретной случайной величины
- •Свойства математического ожидания:
- •2.2 Биномиальное распределение дсв
- •Закон распределения такой дсв имеет вид:
- •2.3 Геометрическое распределение дсв
- •2.4 Закон распределения Пуассона
- •2.5 Непрерывные случайные величины и их числовые характеристики
- •2.5.1 Плотность распределения вероятностей
- •2.5.2 Числовые характеристики непрерывной случайной величины
- •2.6 Нормальное распределение и его числовые характеристики
- •2.8 Показательное распределение
- •2.9 Числовые характеристики случайной величины (продолжение). Моменты
- •2.10 Случайные векторы. Закон распределения
- •2.10.1 Случайные векторы
- •2.10.2 Зависимые и независимые случайные величины
- •2.11 Распределения, связанные с нормальными
- •2.11.1 Распределение 2 (распределение к. Пирсона)
- •Функция распределения случайной величины
- •2.11.3 Распределение Фишера-Снедекора (или f-распределение)
- •2.12 Понятие о законе больших чисел
- •2.12.1 Неравенство Маркова
- •2.12.2 Неравенство Чебышева
- •2.12.3 Теорема Чебышева
- •Но т.К. Вероятность не превышает единицы, то справедливо
- •2.12.4 Теорема Бернулли
- •2.12.5 Центральная предельная теорема
- •2.13 Марковские цепи
- •2.13.2 Марковские цепи
- •2.13.3 Пуассоновский процесс
- •Приложения
2.13.3 Пуассоновский процесс
Из всех процессов, протекающих в системе с дискретными состояниями и непрерывным временем, рассмотрим те, у которых переходы системы из одного состояния в другое происходят под действием некоторых потоков событий: потока заявок, потока вызовов, потока неисправностей, потока посетителей и т.д.
Простейший дискретный поток можно описать формулой Пуассона для редких явлений , где – среднее число заявок в единицу времени. При переходе к непрерывному времени t для сохранения определения величины как числа заявок в единицу времени, ее нужно заменить на t.
Итак, пуассоновским процессом называют случайный марковский процесс с непрерывным временем и дискретными состояниями с вероятностью:
. (2.74)
Простейший поток обладает тремя основными свойствами: ординарностью, стационарностью и отсутствием последействия. Пуассоновский поток является стационарным, т.к. его интенсивность – постоянная величина, равная среднему числу событий, наступающих за единицу времени, т.е. =MX(t)|t=1.
Поток называют ординарным, если в отдельный малый промежуток времени наступает не более одной события.
Требование отсутствия последействия означает, что события, образующие поток, появляются в последующие моменты времени независимо от того, когда и в какой последовательности.
Можно доказать, что требования ординарности, стационарности и отсутствия последействия являются достаточными для того, чтобы процесс являлся пуассоновским.
Пуассоновский поток событий обладает важным свойством: промежуток времени между двумя соседними событиями T распределен по показательному закону
P(T<t)=,
а его среднее значение и среднеквадратическое отклонение(T) равны величине, обратной , т.е.
где – интенсивность потока.
Пуассоновский процесс можно описать с помощью дифференциальных уравнений Колмогорова для функций pj(t):
(2.75)
с начальными условиями p0(0)=1, pi(0)=0, для iN. Такая система дифференциальных уравнений с указанными начальными условиями имеет единственное решение (2.80).
Отсюда видно, что ординарность пуассоновского потока приводит к тому, что элементы матрицы плотности вероятности переходов ij отличны от нуля только для j=i+1 и j=i. Простое вычисление приводит к следующей матрице
(2.76)
т.е. из состояния i можно непосредственно перейти лишь в следующее состояние j=i+1 (i=0; 1; 2;…).
Размеченный граф состояний пуассоновского процесса имеет вид (Рис.28):
Рис.28
С практической точки зрения значительный интерес представляют управляемые случайные процессы, которые возникают, например, при экономическом планировании. Так, анализируя реальную экономическую ситуацию, можно выделить как детерминированные, так и случайные факторы. К случайным факторам мы отнесем различные экономические и демографические ситуации, новейшие научные открытия, колебания спроса, метеоусловия и т.д. Для учета таких факторов используют стохастические модели. Например, зная состояние системы на начальном этапе, а также задачи, сформулированные в виде некоторого плана, можно вычислить распределение вероятностей находиться системе в каждом из возможных состояний, в том числе, в конце периода, а значит, управлять случайным процессом. В таком случае появляется возможность рассматривать совокупность решений, принимаемых на отдельном шаге, и разрабатывать стратегию поведения для принятия оптимального управленческого решения. В частности, цепи Маркова используют в реальной жизни при моделировании и прогнозировании социально-экономических процессов.