Лекции по математике

Поток Пальма.

 Поток Пальма еще называют потоком с ограниченным последействием.

 Определение. Потоком Пальма называется ординарный поток однородных событий, если промежутки между событиями Т1, Т2, … представляют собой независимые случайные величины.

Если промежутки времени Т1, Т2, … распределены по показательному закону, то поток Пальма становится простейшим потоком.

Примером потока Пальма может служить движение колонны автомобилей. Пусть движется колонна автомобилей, каждый из которых, двигаясь с одинаковой скоростью, стремится держаться на некотором заданном расстоянии от впереди идущего автомобиля. Однако, вследствие воздействия множества случайных факторов, это расстояние выдерживается не точно. Тогда времена пересечения каждым автомобилем определенного рубежа Т1, Т2, … будут независимыми случайными величинами и образуют по ток Пальма.

Отметим, что если автомобили будут стремиться выдерживать заданное расстояние не от соседней машины, а от головной, то моменты пересечения этого рубежа уже не будут образовывать поток Пальма.

Поток Пальма часто получается в качестве выходного потока систем массового обслуживания.

 Теорема. (Теорема Пальма) Пусть на систему массового обслуживания поступает поток заявок типа Пальма, причем заявка, заставшая все каналы занятыми, получает отказ (не обслуживается). Если при этом время обслуживания имеет показательный закон распределения, то поток не обслуженных заявок является также потоком типа Пальма.

 Этот факт важен, так как на практике получившие отказ заявки обычно перенаправляются на другую систему массового обслуживания, т.е. образуют для этой системы входной поток.

 Так, если на систему массового обслуживания поступает простейший входной поток, то поток заявок, получивших отказ, уже не будет простейшим, однако, будет потоком с ограниченным последействием.

Потоки Эрланга.

 Потоки Эрланга также являются потоками с ограниченным последействием. Они образуются просеиванием простейшего потока.

 Суть этого просеивания состоит в следующем. Если изобразить на временной оси простейший поток, поставив в соответствие каждому событию некоторую точку, и выбросить из потока каждую вторую точку, то получим поток Эрланга первого порядка. Оставив каждую третью точку и выбросив две промежуточные, получаем поток Эрланга второго порядка и т.д.

  Определение. Потоком Эрланга k – порядка называется поток, получаемый из простейшего, если сохранить в простейшем потоке каждую (k + 1) – ю точку, а остальные выбросить.

  Очевидно, что простейший поток может рассматриваться как поток Эрланга нулевого порядка.

 Пусть имеется простейший поток с интервалами Т1, Т2, … между событиями. Величина Т – промежуток времени между двумя соседними событиями в потоке Эрланга k – го порядка.

 Очевидно, что . Так как первоначальный поток – простейший, то случайные величины Т1, Т2, … распределены по показательному закону:

  Обозначим fk(t) плотность распределения величины Т для потока Эрланга k – го порядка. Если умножить эту плотность на элементарный отрезок времени dt, мы получим вероятность того, что величина Т примет значение в некоторой сколь угодно малой окрестности точки t- (t, t + dt). На этот участок должна попасть конечная точка промежутка, а предыдущие k точек простейшего потока – на промежуток (0, t).

 Вероятность первого события равна , а второго - . Эти события должны осуществиться совместно, значит, их вероятности надо перемножить.

Полученный закон распределения называется законом распределением Эрланга k- го порядка.

При k = 0 получаем показательный закон распределения.

 Математическое ожидание, дисперсия и среднее квадратическое отклонение для распределения Эрланга находятся по формулам:

 

 Плотность потока Эрланга равна

  Для промежутка времени между двумя соседними событиями в потоке Т рассмотрим нормированную величину . Такой поток будет называться нормированным потоком Эрланга.

 Закон распределения для такого потока будет иметь вид:

 Математическое ожидание и дисперсия будут равны:

 Получается, что неограниченном увеличении k нормированный поток Эрланга приближается к регулярному потоку с постоянными интервалами, равными .

 Изменение порядка нормированного потока Эрланга позволяет получить различную степень последействия. Последействие возрастает с увеличением k.

 На практике это удобно для приближенного представления реального потока с каким – либо последействием потоком Эрланга. При этом порядок этого потока определяется из того соображения, чтобы характеристики потока Эрланга (математическое ожидание и дисперсия) совпадали с характеристиками исходного потока.

Цепи Маркова.

(Андрей Андреевич Марков (1856-1922) – русский математик, академик)

  Определение. Процесс, протекающий в физической системе, называется марковским, если в любой момент времени вероятность любого состояния системы в будущем зависит только от состояния системы в текущий момент и не зависит от того, каким образом система пришла в это состояние.

 Определение. Цепью Маркова называется последовательность испытаний, в каждом из которых появляется только одно из k несовместных событий Ai из полной группы. При этом условная вероятность pij(s) того, что в s –ом испытании наступит событие Aj при условии, что в (s – 1) – ом испытании наступило событие Ai, не зависит от результатов предшествующих испытаний.

  Независимые испытания являются частным случаем цепи Маркова. События называются состояниями системы, а испытания – изменениями состояний системы.

 По характеру изменений состояний цепи Маркова можно разделить на две группы.

 Определение. Цепью Маркова с дискретным временем называется цепь, изменение состояний которой происходит в определенные фиксированные моменты времени. Цепью Маркова с непрерывным временем называется цепь, изменение состояний которой возможно в любые случайные моменты времени.

 Определение. Однородной называется цепь Маркова, если условная вероятность pij перехода системы из состояния i в состояние j не зависит от номера испытания. Вероятность pij называется переходной вероятностью.

  Допустим, число состояний конечно и равно k.

Тогда матрица, составленная из условных вероятностей перехода будет иметь вид:

 Эта матрица называется матрицей перехода системы.

  Т.к. в каждой строке содержаться вероятности событий, которые образуют полную группу, то, очевидно, что сумма элементов каждой строки матрицы равна единице.

  На основе матрицы перехода системы можно построить так называемый граф состояний системы, его еще называют размеченный граф состояний. Это удобно для наглядного представления цепи. Порядок построения граф рассмотрим на примере.

 Пример. По заданной матрице перехода построить граф состояний.

Т.к. матрица четвертого порядка, то, соответственно, система имеет 4 возможных состояния.

 


 S1

 0,2 0,7

 

 S2  0,4 S4

 0,6 0,5

 0,1 0,5

 S3

 

На графе не отмечаются вероятности перехода системы из одного состояния в то же самое. При рассмотрении конкретных систем удобно сначала построить граф состояний, затем определить вероятность переходов системы из одного состояния в то же самое (исходя из требования равенства единице суммы элементов строк матрицы), а потом составить матрицу переходов системы.

 Пусть Pij(n) – вероятность того, что в результате n испытаний система перейдет из состояния i в состояние j, r – некоторое промежуточное состояние между состояниями i и j. Вероятности перехода из одного состояния в другое pij(1) = pij.

 Тогда вероятность Pij(n) может быть найдена по формуле, называемой равенством Маркова:

 

 Здесь т – число шагов (испытаний), за которое система перешла из состояния i в состояние r.

 В принципе, равенство Маркова есть ни что иное как несколько видоизменная формула полной вероятности.

 Зная переходные вероятности (т.е. зная матрицу перехода Р1), можно найти вероятности перехода из состояния в состояние за два шага Pij(2), т.е. матрицу Р2, зная ее – найти матрицу Р3, и т.д.

 Непосредственное применений полученной выше формулы не очень удобно, поэтому, можно воспользоваться приемами матричного исчисления (ведь эта формула по сути – не что иное как формула перемножения двух матриц).

 Тогда в общем виде можно записать:

 

 Вообще то этот факт обычно формулируется в виде теоремы, однако, ее доказательство достаточно простое, поэтому приводить его не буду.

 

Пример. Задана матрица переходов Р1. Найти матрицу Р3.

 Определение. Матрицы, суммы элементов всех строк которых равны единице, называются стохастическими. Если при некотором п все элементы матрицы Рп не равны нулю, то такая матрица переходов называется регулярной.

  Другими словами, регулярные матрицы переходов задают цепь Маркова, в которой каждое состояние может быть достигнуто через п шагов из любого состояния. Такие цепи Маркова также называются регулярными.

 Теорема. (теорема о предельных вероятностях) Пусть дана регулярная цепь Маркова с п состояниями и Р – ее матрица вероятностей перехода. Тогда существует предел  и матрица Р() имеет вид:

Т.е. матрица состоит из одинаковых строк.

Теперь о величинах ui. Числа u1, u2, …, un называются предельными вероятностями. Эти вероятности не зависят от исходного состояния системы и являются компонентами собственного вектора матрицы РТ (транспонированной к матрице Р).

 Этот вектор полностью определяется из условий:

 

 

 

 

 

Раздел 5. Практикум по решению задач (практических ситуаций) по темам лекций (одна из составляющих частей итоговой государственной аттестации)

 Задача 1. Найти неопределенные интегралы.



Задача 2. Вычислить определенные интегралы.

Задача 3. Найти неопределенные интегралы.

Задача 4. Вычислить определенные интегралы.

Задача 5. Доказать, что (указать ).

.

 

при  выполняется неравенство , следовательно

Задача 6. Вычислить пределы числовых последовательностей.

Задача 7. Вычислить пределы числовых последовательностей.


 Задача 8. Вероятность наступления события А в каждом испытании равна 0,3. Используя неравенство Чебышева, оценить вероятность того, что в 10000 испытаниях отклонение относительной частоты появления события А от его вероятности не превзойдет по абсолютной величине 0,01.

 В соответствии с неравенством Чебышева вероятность того, что отклонение случайной величины от ее математического ожидания будет меньше некоторого числа , ограничена в соответствии с неравенством .

 Надо определить математическое ожидание и дисперсию числа появления события А при одном опыте. Для события А случайная величина может принимать одно из двух значений: 1- событие появилось, 0- событие не появилось. При этом вероятность значения 1 равна вероятности р=0,3, а вероятность значения 0- равна вероятности ненаступления события А

q=1 – p =0,7.

 По определению математического ожидания имеем:

 Дисперсия:

В случае п независимых испытаний получаем  Эти формулы уже упоминались выше.

  В нашем случае получаем:  

Вероятность отклонения относительной частоты появления события А в п испытаниях от вероятности на величину, не превышающую =0,01 равна:

Выражение полученное в результате этих простых преобразований представляет собой не что иное, как вероятность отклонения числа т появления события А от математического ожидания на величину не большую, чем =100.

 В соответствии с неравенством Чебышева эта вероятность будет не меньше, чем вели

чина

На главную