- •Введение
- •Экспертная оценка факторов окружающей среды
- •Метод ранжирования
- •Метод парных сравнений
- •Задания для самостоятельного решения
- •Методика анализа Петерсена
- •Задания для самостоятельного решения
- •Анализ устойчивости экосистем
- •Матрица смежности
- •Импульсная процедура
- •Задания для самостоятельного решения
- •Стохастические явления в экологии
- •Задания для самостоятельного решения
- •Задания для самостоятельного решения
- •Литературно-аналитический обзор по экологии
- •Теми докладов к занятиям
- •Список литературы
4 СТОХАСТИЧЕСКИЕ ЯВЛЕНИЯ В ЭКОЛОГИИ |
. |
6 |
|
||
Многие явления в экологии не являются 100% достоверны- |
||
copy |
|
|
ми (детерминированными) событиями, происходящими с определённойv
скоростью. Это значит, что при заданных начальных условия, нельзя иметь представление об абсолютно точных значениях интересующих параметрах окружающей среды в любой момент времени. Одним из примеров таких процессов является изменение численности популяций организмов во времени.
Для наглядности рассмотрим динамику численности популяции
N, которая зависит от двух дискретных и случайных событий — рождаемости и гибели (смертности). В этом случае необходимо ограничиться утверждением, что в момент времени t существует вероятность
Pt(N) того, что численность популяции равна N8).
ческих процессов. |
Free |
Популяция (система) в своём развитии проходит ряд состояний. |
Таким образом, переменные выражаемые не в виде определённых значений, а в виде вероятностных функций являются стохастическими9) и численность популяции будет функцией времени случайных событий рождаемости и гибели, происходящих с некоторой вероятностью. Вначале рассмотрим общие характеристики стохасти-
Если в момент времени t численность. популяции равна I , это означает, что в этот момент времени система находится в состоянии I .
Если вероятность«D»перехода системы (I , J) из одного состояния в другое не зависит от способа, которым было достигнуто состояние I , а зависит только от характеристик состояний I и J, то такой про-
Обозначим через (I , J) — вероятность состояния системы J в
момент времени t + t при условии, что в момент времени t система
находилась в состоянии I .
8) Например, возможно, что за какой-то промежуток времени произойдет 10
случаев гибели и ни одного рождения, даже если их вероятности одинаковы. 9) Стохастический от греческого — «умеющий угадывать».
Class |
32 |
|
цесс является цепью Маркова10) |
v |
|
. Так как вероятность перехода из состояния6 |
||
I в состояние J не зависит от условий, в которых находилась система до дости. |
- |
жения состояния I , то марковская цепь не имеет памяти. Покажем, что процесс рождение–гибель является цепью Маркова. copy
Вероятность Pt+ t(N) нахождения системы в состоянии N в момент времени t+ t есть сумма произведений вероятности нахождения системы в состоянии I в момент времени t на вероятность перехода системы (I , N) из этого состояния I в состояние N для всех возмож-
ных начальных состояний I : |
|
Pt+ t(N) = Pt(0) (0, N) + Pt(1) (1, N) + . . . |
|
Free4 |
5 |
X
. . . + Pt(N) (N, N) + . . . = Pt(I ) (I , N) (4.1)
I
Выражение (4.1) можно представить в векторно-матричной фор-
ме. Так, Pt записывается в виде вектор-строки, а — в виде матрицы:
|
|
2 |
(0,0) |
(0,1) (0,2) |
|
3 |
|
! |
|
(1,0) |
(1,1) |
(1,2) |
|||
Pt = [Pt(0), Pt(1), Pt(2), . . .], |
= |
6 |
(2,0) |
(2,1) |
(2,2) |
|
7 |
|
|
6 . |
. |
. |
. |
7 |
|
|
|
6 .. |
.. |
.. |
.. |
7 |
|
|
|
6 |
|
|
|
|
7 |
В матричной форме уравнение (4.1) имеет вид: |
|
||||||
|
|
|
. |
Pt+ t = Pt |
|
(4.2) |
|
|
|
|
|
|
|||
где вектор Pt+ t = [Pt+ t(0), Pt+ t(1), Pt+ t(2) . . .]. |
|
||||||
Пусть t + t = m t, тогда: |
|
|
|||||
P |
= P |
|
|
= P |
2 = P m |
(4.3) |
|
m t |
|
(m 1) t |
(m 2) t |
0 |
|
||
«D» |
|
|
|
|
|
|
|
Уравнение (4.3) определяет вектор вероятностей после m шагов |
по времени как функцию начальной вероятности P0.
10) Цепь Маркова — последовательность случайных событий с конечным или счётным числом исходов. Названа в честь Андрея Андреевича Маркова (старшего).
Class |
33 |
|
X |
|
|
v |
. |
Сумма элементов любой строки s |
матрицы равна единице: 6 |
|||
(I , N) = 1, |
8s |
copy |
|
(4.4) |
N |
|
|
|
|
|
|
|
|
Из равенства (4.4) следует, что вероятность перехода системы из 1-го состояния в любое другое, включая пребывания в 1-м состоянии, равна единице. Матрица , у которой сумма строк равна единице, называется стохастической, а т. к. вероятность перехода системы из одного состояния в любое другое в момент времени m t равна единице, то и матрица m — стохастическая.
Для рассматриваемой задачи динамики популяции её числен-
|
Free |
|
ность будет зависеть от двух процессов: |
|
|
G = A N, |
L = B N |
(4.5) |
где G — увеличение через рождаемость, L — убыль из-за отмирания.
A = f1(N) — вероятность рождения одного представителя популяции в единицу времени, B = f2(N) — вероятность его гибели, которые зависят от N.
Если воспользоваться приближенными зависимостями для A и |
|
. |
|
B от N, рассматривая только первые два члена разложения в ряд: |
|
A = a0 a1N, |
B = b0 + b1N, |
то процессы увеличения и убыли (4.5) будут следующими: |
|
G = (a0 a1N) N, |
L = (b0 + b1N) N |
Здесь сделано предположение, что с ростом N рождаемость снижается, а смертность
— увеличивается. Поэтому a0, a1, b0 и b1 — положительные коэффициенты.
Class |
|
Выберем интервал«D» |
времени t настолько малым, чтобы вероят- |
ность осуществления более чем одного события в этот интервал была пренебрежимо малой. Тогда в течение t может произойти что-то одно
— рождение, гибель или ничего. Следовательно, необходимо рассмотреть три типа элементов в матрице :
34
|
v |
|
6 |
(N—1, N) = вероятность рождения в период времени t при условии, что в |
|||
момент времени t система находится в состоянии fN 1g = . |
|
||
= [a0 a1(N 1)](N 1) t |
|
(4.6) |
|
copy |
|
|
|
(N, N) = вероятность того, за t ничего не произойдет, при условии, что в |
|||
момент времени t система находилась в состоянии fNg = |
|
|
|
= 1 (вероятность рождения или гибели) = |
|
|
|
= 1 [(a0 a1N) + (b0 + b1N)]N t |
(4.7) |
(N + 1, N) = вероятность гибели в интервале времени t при условии, что в момент времени t система находилась в состоянии fN + 1g =
= [b0 + b1(N + 1)](N + 1) t |
(4.8) |
Цепь Маркова заданная ф-л. (4.6)–(4.8) является однородной, |
|
поскольку (I , J) явно не зависит от времени. |
|
Free |
= 0.4 с 1, |
Пример расчёта. Пусть a0 = 1 c 1, a1 = 9 10 3 c 1, b0 |
b1 = 3 10 3 c 1 и t = 0.05 c. Используя ф-л. (4.6)–(4.8) находим вероятности. Для первой строки матрицы :
(0,0) =1 [(1 9 10 3 0) + (0.4 + 3 10 3 0) 0 0.05 = 1(0,1) =[1 9 10 3 0] 0 0.05 = 0
Для 2-й строки матрицы : |
|
|
|
|
|
|
|
|
|
|
|
|
7 |
|
|
|||||||||
|
|
6 |
«D»0 0.04 0.86 |
0.10 |
0 |
|
0 |
|
|
0 |
|
|
|
|
||||||||||
(1,0) =(0.4 + 3 |
10 3 |
1) |
1 |
0.05 |
0.02 |
|
|
|
|
|
|
|
|
|
||||||||||
(1,1) =1 |
|
[(1 |
|
9 |
|
10 3 |
|
1) + (0.4 + 3 |
|
10 3 |
|
1) |
|
1 |
|
0.05 |
|
0.93 |
||||||
|
|
|
|
|
. |
|
|
|
|
|
|
|
|
|
||||||||||
(1,2) =[1 9 10 3 1] 1 0.05 = 0.05 |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
и т.д. Полученные результаты сводим в матрицу : |
|
|
|
|
3 |
|
|
|||||||||||||||||
|
|
2 0.02 0.93 0.05 |
0 |
0 |
|
0 |
|
|
0 |
|
|
|
|
|
||||||||||
|
|
6 |
1 |
|
|
0 |
|
0 |
0 |
0 |
|
0 |
|
|
0 |
|
|
|
7 |
|
|
|||
Class |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
6 |
0 |
|
|
0 |
0.06 |
0.79 |
0.15 |
0 |
|
|
0 |
|
|
|
7 |
|
(4.9) |
||||||
= |
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
6 |
0 |
|
|
0 |
|
0 0.08 0.73 0.19 0 |
|
|
7 |
|
|
|||||||||||
|
|
6 |
|
|
|
|
|
|
7 |
|
|
|||||||||||||
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
|
|
|
|
|
6 |
0 |
|
|
0 |
|
0 |
0 0.10 0.66 0.24 |
|
. |
7 |
|
|
||||||||||
|
|
6 . |
|
|
|
. |
|
|
. |
. |
. |
|
. |
|
|
. |
|
|
7 |
|
|
|||
|
|
6 .. |
|
|
|
.. |
|
|
.. |
.. |
.. |
|
.. |
|
|
.. |
|
|
.. |
7 |
|
|
||
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
35 |
|
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Теперь, если начать расчёт с |
|
v |
|
N = 2, то: P0 = [0, 0, 1, 0, 0, 0, . .6.] |
|||
и для t = 0.05 c вектор вероятностей перехода системы в другие. |
со- |
||
стояния будет: P0.05 = P0 = [0, 0.04, 0.86, 0.10, 0, 0, . . .], |
|
|
|
Для следующего t = 0.1 c: |
copy |
|
|
|
|
|
P0.1 = P0.05 = [0.0008, 0.072, 0.75, 0.16, 0.015, 0, . . .].
Следует заметить, что в этом случае t = 0.1 c существует отличная от нуля
вероятность того, что N = 0.
Точность расчётов будет зависеть от выбора шага t: чем он меньше, тем больше точность, но с другой стороны, больше потребуется шагов по времени, чтобы покрыть любой заданный временной интервал. Разумный предел для величины t
достигается, когда вклад в вероятность перехода от членов, содержащих коэффициент t, мал по сравнению с вкладом от остальных членов. В случае задачи динамики
популяции это означает, что диагональные элементы должны быть больше недиагональных.
С помощью таблицы случайных чисел (табл. 4.1) смоделируем стохастическое изменение численности популяции. Если начать вычисления со значения N = 2, то из матрицы получаем (2,1) = 0.04,
(2,2) = 0.86 и (2,3) = 0.10.
Free
ClassРисунок 4.1 – Численность популяции N от времени t
Теперь для t = 0.05 c: N = 1, если случайное число находится в интервале 0.01–0.04; N = 2 — для случайного числа из интервала 0.05–0.90 и N = 3 — в интервале 0.91–1.00.
36
Таким образом, вероятность перехода системы в новое |
v |
состо6 |
- |
яние определяется функцией (I , J). Для случайных чисел идущих. |
подряд в таблице 4.1, получаем зависимость численности популяции от времени, которая дана в табл. 4.2 и представлена на рис. 4.1.
|
|
|
Free |
copy |
|
«D» |
. |
|
|
|
|
|
||
Class |
|
|
|
|
|
|
37 |
|
Условия для самостоятельного решения задачи. Построить график численности популяции с параметрам модели для своего варианта, приведенными в табл. 4.3 и t = 0.05 c. Последовательность случайных чисел взять в табл. 4.1, где каждая строка соответствует определенному варианту задачи.
Class |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
Таблица 4.1 – Таблица случайных чисел |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
№ строки (варианта) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
0 |
|
03 |
47 |
43 |
73 |
86 |
36 |
96 |
|
47 |
36 |
|
61 |
46 |
98 |
63 |
71 |
62 |
33 |
26 |
16 |
80 |
45 |
60 |
11 |
14 |
10 |
05 |
|
|
|
|
1 |
|
97 |
74 |
24 |
67 |
62 |
42 |
81 |
|
14 |
57 |
|
20 |
42 |
53 |
32 |
37 |
32 |
27 |
07 |
36 |
07 |
51 |
24 |
51 |
79 |
89 |
73 |
|
|
|
|
2 |
|
16 |
76 |
62 |
27 |
66 |
56 |
50 |
|
26 |
71 |
|
07 |
32 |
90 |
79 |
78 |
53 |
13 |
55 |
38 |
58 |
59 |
88 |
97 |
54 |
14 |
10 |
|
|
|
|
3 |
|
12 |
56 |
85 |
99 |
26 |
96 |
96 |
|
68 |
27 |
|
31 |
05 |
03 |
72 |
93 |
15 |
57 |
12 |
10 |
14 |
21 |
88 |
26 |
49 |
81 |
76 |
|
|
|
|
4 |
|
55 |
59 |
26 |
«D» |
82 |
46 |
|
22 |
31 |
62 |
43 |
09 |
90 |
06 |
18 |
44 |
32 |
53 |
23 |
83 |
01 |
30 |
30 |
|
|
||||
|
|
|
35 |
64 |
38 |
54 |
|
|
|
|
||||||||||||||||||||||
|
|
5 |
|
16 |
22 |
77 |
94 |
39 |
49 |
54 |
|
43 |
54 |
|
82 |
17 |
37 |
93 |
23 |
78 |
87 |
35 |
20 |
96 |
43 |
84 |
26 |
34 |
91 |
64 |
|
|
|
|
6 |
|
84 |
42 |
17 |
53 |
31 |
57 |
24 |
|
55 |
06 |
|
88 |
77 |
04 |
74 |
47 |
67 |
21 |
76 |
33 |
50 |
25 |
83 |
92 |
12 |
06 |
76 |
|
|
|
|
7 |
|
63 |
01 |
63 |
78 |
59 |
16 |
95 |
|
. |
19 |
98 |
10 |
50 |
71 |
75 |
12 |
86 |
73 |
58 |
07 |
44 |
39 |
52 |
38 |
79 |
|
|
||
|
|
|
|
55 |
67 |
|
|
|
||||||||||||||||||||||||
|
|
8 |
|
33 |
21 |
12 |
34 |
29 |
78 |
64 |
|
56 |
07 |
|
82 |
52 |
42 |
07 |
44 |
38 |
15 |
51 |
00 |
13 |
42 |
99 |
66 |
02 |
79 |
54 |
|
|
|
|
9 |
|
57 |
60 |
86 |
32 |
44 |
09 |
47 |
|
27 |
96 |
|
54 |
49 |
17 |
46 |
09 |
62 |
90 |
52 |
84 |
77 |
27 |
08 |
02 |
73 |
43 |
28 |
|
|
38 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Free |
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
10 |
|
18 |
18 |
07 |
92 |
46 |
44 |
17 |
|
16 |
58 |
|
09 |
79 |
83 |
86 |
19 |
62 |
06 |
76 |
50 |
03 |
10 |
55 |
23 |
64 |
05 |
05 |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
11 |
|
26 |
62 |
38 |
97 |
75 |
84 |
16 |
|
07 |
44 |
|
99 |
83 |
11 |
46 |
32 |
24 |
20 |
14 |
85 |
88 |
45 |
10 |
93 |
72 |
88 |
71 |
|
|
|
|
12 |
|
23 |
42 |
40 |
64 |
74 |
82 |
97 |
|
77 |
77 |
|
81 |
07 |
45 |
32 |
14 |
08 |
32 |
98 |
94 |
07 |
72 |
93 |
85 |
79 |
10 |
75 |
|
|
|
|
13 |
|
52 |
36 |
28 |
19 |
95 |
50 |
92 |
|
26 |
11 |
|
97 |
00 |
56 |
76 |
31 |
38 |
80 |
22 |
02 |
53 |
53 |
86 |
60 |
42 |
04 |
53 |
|
|
|
|
14 |
|
37 |
85 |
94 |
35 |
12 |
83 |
39 |
|
50 |
08 |
|
30 |
42 |
34 |
07 |
96 |
88 |
54 |
42 |
06 |
87 |
98 |
35 |
85 |
29 |
48 |
39 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15 |
|
70 |
29 |
17 |
12 |
13 |
40 |
33 |
|
20 |
38 |
|
26 |
13 |
89 |
51 |
03 |
74 |
17 |
76 |
copy |
21 |
19 |
30 |
|
|
||||
|
|
|
|
|
37 |
13 |
04 |
07 |
74 |
|
|
|||||||||||||||||||||
|
|
16 |
|
56 |
62 |
18 |
37 |
35 |
96 |
83 |
|
50 |
87 |
|
75 |
97 |
12 |
25 |
93 |
47 |
70 |
33 |
24 |
03 |
54 |
97 |
77 |
46 |
44 |
80 |
|
|
|
|
17 |
|
99 |
49 |
57 |
22 |
77 |
88 |
42 |
|
95 |
45 |
|
72 |
16 |
64 |
36 |
16 |
00 |
04 |
43 |
18 |
66 |
79 |
94 |
77 |
24 |
21 |
90 |
|
|
|
|
18 |
|
16 |
08 |
15 |
04 |
72 |
33 |
27 |
|
14 |
34 |
|
09 |
45 |
59 |
34 |
68 |
49 |
12 |
72 |
07 |
34 |
45 |
99 |
27 |
72 |
95 |
14 |
|
|
|
|
19 |
|
31 |
16 |
93 |
32 |
43 |
50 |
27 |
|
89 |
87 |
|
19 |
20 |
15 |
37 |
00 |
49 |
52 |
85 |
66 |
60 |
44 |
36 |
68 |
88 |
11 |
80 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
20 |
|
68 |
34 |
30 |
13 |
70 |
55 |
74 |
|
30 |
77 |
|
40 |
44 |
22 |
78 |
84 |
26 |
04 |
33 |
46 |
09 |
52 |
68 |
07 |
97 |
v06 57 |
|||
|
|
21 |
|
74 |
57 |
25 |
65 |
76 |
59 |
29 |
|
97 |
68 |
|
60 |
71 |
91 |
38 |
67 |
54 |
13 |
58 |
18 |
24 |
76 |
15 |
54 |
55 |
95 |
52 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |
||
|
|
22 |
|
27 |
42 |
37 |
86 |
53 |
48 |
55 |
|
90 |
65 |
|
72 |
96 |
57 |
69 |
36 |
10 |
96 |
46 |
92 |
42 |
45 |
97 |
60 |
49 |
04 |
91 |
6 |
|
|
|
23 |
|
00 |
39 |
68 |
29 |
61 |
66 |
37 |
|
32 |
20 |
|
30 |
77 |
84 |
57 |
03 |
29 |
10 |
45 |
65 |
04 |
26 |
11 |
04 |
96 |
67 |
24 |
||
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
24 |
|
29 |
94 |
98 |
94 |
24 |
68 |
49 |
|
69 |
10 |
|
82 |
53 |
75 |
91 |
93 |
30 |
34 |
25 |
20 |
57 |
27 |
40 |
48 |
73 |
51 |
92 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|