- •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
4.7.2. Решение уравнения (12) методом матричной экспоненты
Однородную систему линейных дифференциальных уравнений (12) с постоянными коэффициентами можно также решать методом матричной экспоненты, поэтому имеет место следующее утверждение.
Теорема 2. Распределение вероятностей
P(m, t) = P(m(t) = m).
числа событий, наступивших в MAP-потоке за время t, определяется следующим равенством
, (20)
где n(u) – собственные числа матрицы Q – (eju – 1)B.
Доказательство.
Решение системы (12), удовлетворяющее начальному условию (13), можно записать в виде произведения начального вектора R и матричной экспоненты
. (21)
Значения матричной экспоненты можно определять либо суммой матричного ряда, либо применяя формулу Сильвестра, которая в общем виде записывается следующим образом
,
где n – собственные числа матрицы A.
Применяя формулу Сильвестра к матричной экспоненте в равенстве (21), получим равенство
,
определяющее скалярную характеристическую функцию
h(u, t) = Mejum(t) = H(u, t)E
числа событий, наступивших в потоке за время t
.
Применяя к этой характеристической функции обратное преобразование Фурье по переменной u, получим равенство (20).
Теорема доказана.
4.7.3. Исследование модели полумарковского потока
Основное уравнение для полумарковского потока имеет вид
. (22)
Для нахождения его частного решения определим начальное условие в виде
H(z, u, 0) = R(z),
где R(z) – стационарное распределение вероятностей значений двумерного случайного процесса {s(t), z(t)}.
Нахождение распределения r(z)
Докажем следующее утверждение.
Лемма. Распределение вероятностей R(z) определяется равенством
, (23)
где производная в нуле имеет вид
, (24)
здесь распределение вероятностей r является решение системы уравнений
r = rP, rE = 1, (25)
а величина определяется равенством
. (26)
Доказательство.
Так как для R(z) выполняется также тождество
R(z) ≡ H(z, 0. t),
то вектор R(z) является решением, полученного из (22), уравнения
,
поэтому его можно записать в виде
,
совпадающем с (23). Здесь необходимо найти вектор .
Так как компоненты R(s, z) вектора R(z) по определению равны
R(s, z) = P{s(t) = s, z(t) < z},
то
R = R(∞) = {P[s(t) = s]},
поэтому из (23) получим
. (27)
В силу необходимого условия сходимости несобственного интеграла можно записать равенство нулю подынтегрального выражения при x →∞, получим систему уравнений
(28)
для компонент вектора , здесь P = A(∞).
Так как систему (28) совпадает с системой уравнений Колмогорова для стационарного распределения вероятностей r значений вложенной цепи Маркова, то выполняется равенство
,
совпадающее с (24), где λ – некоторая мультипликативная постоянная, значение которой найдём следующим образом.
Подставляя (24) в (27), получим
,
здесь использовано равенство r = rP.
Так как в силу условия нормировки RE = 1, то получаем равенство
,
совпадающее с (26).
Лемма доказана.
Отметим, что F(x) является функцией распределения длин интервалов SM-потока.