- •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
Глава 2. Теория потоков событий
2.1. Определения и терминология
Случайным потоком однородных событий, или точечным случайным процессом, будем называть последовательность t1, t2, t3, … моментов наступления рассматриваемых событий.
Описать такой процесс можно тремя способами:
-
Задать статистические свойства моментов наступления событий t1, t2, t3, …
-
Задать статистические свойства длин τi интервалов между моментами наступления событий.
-
Задать статистические свойства случайного процесса m(t), где m(t) – число событий наступивших в потоке за время t.
Очевидно, что от одного описания можно перейти к другому, так как
τ1 = t1, τ2 = t2 – t1, …, τi = ti – ti -1,
t1 = τ1, t1 = τ1 + τ2, .
Обычно предпочитают использовать описание потока через длины интервалов между моментами наступления событий в потоке, либо через случайный процесс m(t) – число событий, наступивших в потоке за время t. Говоря о случайных потоках, обычно интересуются наличием или отсутствием следующих свойств.
А. Стационарность
Возьмем на временной оси непересекающихся интервалов длиной Δi, i = и пусть ηi – число событий, происшедших на интервале Δi. Поток называется стационарным, если вероятности
P{ ηi = k}, k ≥ 1, ,
не зависят от местонахождения -го интервала на оси времени, а определяются лишь его длиной. Смысл этого определения состоит в том, что вероятностные свойства потока не зависят от начала отсчета времени.
Б. Последействие
Если η1, η2, …, ηn – независимые случайные величины, то говорят, что поток событий обладает свойством отсутствия последействия. Смысл этого определения заключается в том, что наступление (или не наступление) событий на каком-то интервале не зависит от того, сколько событий появилось на каких-то других интервалах.
В. Ординарность
Обозначим P>1(t0 , t) вероятность появления более одного события на интервале [t0; t]. Если
,
то поток называется ординарным. Смысл этого определения заключается в том, что наступление более одного события на бесконечно-малом интервале Δt есть бесконечно-малая величина более высокого порядка, чем Δt. Более образно – на бесконечно малом интервале времени не может наступить более одного события.
Интенсивность и параметр потока
Пусть P1(t0 , t) есть вероятность того, что на интервале [t0; t] наступит ровно одно событие.
Величина
называется параметром потока.
Обозначим через m(t0 , t) среднее число событий, наступивших на интервале [t0; t]. Величина
называется интенсивностью потока.
Легко сообразить, что для ординарного потока параметр потока и его интенсивность равны между собой. Не очень строго это может быть показано так:
.
В силу ординарности потока, вторая сумма есть бесконечно-малая величина по сравнению с t – t0 (здесь, конечно, главная нестрогость: ряд бесконечный, при k →∞, все может быть и не так). Тогда, деля на t – t0 и переходя к пределу t →t0, мы и получим, что λ(t0) = µ(t0).
В дальнейшем, для ординарных потоков мы не будем делать разницы между интенсивностью потока и его параметром. Заметим лишь, что для неординарных потоков всегда λ(t0) ≤ µ(t0), так как m(t0 ,t) ≥ P1(t0 , t).