- •Полумарковские процессы и специальные потоки однородных событий
- •Глава 1. Цепи Маркова с непрерывным временем
- •1.1. Определение и основные свойства цепи Маркова с непрерывным временем
- •1.2. Дифференциальные уравнения Колмогорова
- •1.2.1. Обратная система дифференциальных уравнений Колмогорова
- •1.2.2. Прямая система дифференциальных уравнений Колмогорова
- •1.3. Финальные вероятности
- •1.4. Время перехода из одного состояния в другое для цепей Маркова с непрерывным временем
- •1.5. Статистический смысл финальных (стационарных) вероятностей
- •1.6. Время пребывания цепи Маркова в j-ом состоянии
- •1.6. Процесс размножения и гибели
- •1.7. Метод Хинчина
- •1.8. Процесс чистого размножения
- •1.8. Пуассоновский процесс
- •1.9. Метод производящих функций
- •Глава 2. Теория потоков событий
- •2.1. Определения и терминология
- •А. Стационарность
- •Интенсивность и параметр потока
- •2.2. Пуассоновский поток событий
- •2.3. Варианты пуассоновского потока событий
- •2.4. Потоки восстановления
- •2.5. Распределение величины перескока и недоскока для потоков восстановления
- •2.6. Парадокс остаточного времени
- •2.7. Основное свойство рекуррентных потоков
- •Глава 3. Полумарковские процессы
- •3.1. Определение основных понятий теории полумарковских процессов
- •3.2. Методы исследования полумарковских процессов
- •3.2.1. Метод дополнительной переменно для исследования процесса марковского восстановления
- •3.2.2. Исследование полумарковского процесса методом дополнительной переменной y(t)
- •3.2.3. Метод дополнительных переменных z(t) и s(t) исследования полумарковского процесса
- •Глава 4. Специальные (коррелированные) потоки событий
- •4.1. Модулированные пуассоновские потоки (mmp-потоки)
- •4.3. Bmap-потоки
- •4.4. Полумарковские потоки
- •4.5. Уравнения Колмогорова в теории потоков событий
- •4.5.1. Потоки с дискретной компонентой
- •4.5.2. Потоки с непрерывной компонентой
- •4.6. Метод характеристических функций для анализа потоков
- •Для рекуррентного потока
- •Для потока марковского восстановления
- •Для полумарковского потока
- •4.7. Исследование моделей потоков
- •4.7.1. Исследование модели map-потока
- •4.7.2. Решение уравнения (12) методом матричной экспоненты
- •4.7.3. Исследование модели полумарковского потока
- •Нахождение распределения r(z)
- •4.7.4. Решение основного уравнения для полумарковского потока
- •Глава 5. Исследование специальных потоков событий методом асимптотического анализа
- •5.1. Метод асимптотического анализа map-потоков в условии растущего времени
- •5.1.1 Асимптотика первого порядка
- •5.1.2. Асимптотика второго порядка
- •5.2. Метод асимптотического анализа sm-потоков в условии растущего времени
- •5.2.1. Асимптотика первого порядка
- •5.2.2. Асимптотика второго порядка
- •5.3. Аппроксимация допредельного распределения
- •5.3.1. Аппроксимация второго порядка допредельного распределения
- •5.3.2. Гауссовская аппроксимация
- •5.4. Метод асимптотического анализа mmp-потоков в условии предельно редких изменений состояний потока
- •5.4.1. Асимптотика первого порядка
- •5.4.2. Асимптотика произвольного порядка
- •Литература
4.6. Метод характеристических функций для анализа потоков
Определим функции
где – мнимая единица.
Для таких функций, очевидно, можно записать
Из систем (4 – 8), можно получить системы уравнений для функций H(k, u, t).
Для MMP-потока
.
Для синхронного MAP-потока
.
Для общего MAP-потока
Аналогично MMP и MAP-потокам для рекуррентного и полумарковского потоков определим функции
,
тогда из уравнений (9) –(11) для функций H(k, z, u, t) получим уравнения.
Для рекуррентного потока
.
Для потока марковского восстановления
.
Для полумарковского потока
.
Системы уравнений для функций H(k, u, t), H(k, z, u, t) и H(s, z, u, t) запишем в матричном виде, обозначив векторы
H(u, t) = {H(1, u, t), H(2, u, t), …},
H(z, u, t) = {H(1, z, u, t), H(2, z, u, t), …},
и матрицы:
Q – матрица инфинитезимальных характеристик qνk,
I – единичная диагональная матрица,
Λ– диагональная матрица с элементами λk по главной диагонали,
B – матрица из элементов dνk qνk при ν ≠ k и λk при ν = k,
P – матрица переходных вероятностей вложенной цепи Маркова для потока марковского восстановления и полумарковского потока,
D(x) – диагональная матрица с элементами Ak(x) по главной диагонали для потока марковского восстановления,
A(x) – полумарковская матрица для полумарковского потока.
Для MMP-потока
.
Для MAP-потока
.
Для рекуррентного потока
(скалярное уравнение)
.
Для потока марковского восстановления
.
Для полумарковского потока
.
Отметим важную особенность этих уравнений. Уравнения для MMP и MAP-потоков отличаются лишь обозначением матриц Λ и B. Уравнения для потоков марковского восстановления и полумарковских потоков отличаются лишь обозначением матриц PD(z) и A(z). Более того, уравнения для рекуррентного и полумарковского потоков отличаются лишь размерностью, так как в первом случае это скалярное уравнение, решением которого является скалярная функция, а во втором случае это уравнение матричное, решением которого является вектор-функция.
Из этих уравнений нетрудно получить значения интенсивностей рассматриваемых потоков, а также средние значения числа событий, наступивших в этих потоках за время t.
Естественно, что найденных характеристик (интенсивностей и средних значений) недостаточно для полного анализа рассматриваемых потоков, поэтому обсудим метод нахождения распределений вероятностей P(m, t) = P(m(t) = m) – числа событий, наступивших за время t.
4.7. Исследование моделей потоков
4.7.1. Исследование модели map-потока
Основное уравнение для MAP-потока имеет вид
. (12)
Для нахождения его частного решения определим начальное условие в виде
H(u, 0) = R , (13)
где R – вектор стационарного распределения вероятностей значений цепи Маркова k(t), управляющей MAP-потоком.
Стационарное распределение R является решением системы уравнений
RQ = 0, RE = 1,
где E – единичный вектор-столбец.
Решение уравнения (12) методом преобразования Фурье по переменной t
Применяя преобразование Фурье по переменной t, найдём решение задачи (12-13), которое однозначно определяет распределение вероятностей
P(m, t) = P(m(t) = m)
числа событий, наступивших в MAP-потоке за время t.
Докажем следующее утверждение.
Теорема 1. Распределение вероятностей
P(m, t) = P(m(t) = m)
числа событий, наступивших в MAP-потоке за время t, определяется следующим равенством
. (14)
Доказательство.
Преобразование Фурье вектор функции H(u, t) по переменной t обозначим
, (15)
тогда
.
Выполнив преобразование Фурье по t левой и правой частей уравнения (12), получим равенство
,
из которого следует, что
. (16)
В силу определения
,
поэтому
, (17)
где
P(m, t) = P(m(t) = m).
Из (15) и (17) получим
(18)
Из (16) можно записать
.
Из этого равенства и равенства (18) следует, что для любых значений выполняются равенства
,
определяющие преобразования Фурье по t от функций P(m, t), поэтому, выполнив обратное преобразование Фурье по переменной α, получим для распределения вероятностей P(m, t) явные выражения в квадратурах
,
совпадающее с равенством (14).
Теорема доказана.