Gorbachev_OsnoviTeoriiSluchajProtces[1]
.pdfУсловие 2.2. Отсутствие последействия: для любого конечного набора непересекающихся полуинтервалов времени [t1, t1 + τ1), ..., [tn , tn + τn ) число событий в них K1, …, Kn — независимые в совокупности случайные величины.
Условие 2.3. Ординарность: вероятность появления более одного события в интервале времени длиною t — величина, малая относительно t, т.е.
|
|
|
∞ |
|
|
|
P{Kt >1} |
= |
P{U{Kt = i}} |
→ 0 при t → 0, |
|
|
i=2 |
|
|||
|
t |
t |
|||
|
|
|
|||
(или P{Kt >1}= 0(t) ). |
|
|
|
|
Определение 2.1
Случайный процесс, отвечающий перечисленным условиям стационарности, отсутствия последействия и ординар-
ности, носит название простейшего потока событий или простого пуассоновского процесса.
Последнее название процесса объясняется тем, что распределение его сечений выражается известным из теории вероятностей распределением Пуассона. Чтобы убедиться в этом, покажем, что для его одномерного распределения (т.е. распределения каждого его сечения K(t)) справедлива формула
P{K(t) = k} = |
(λt)k e−λt |
, t [0, ∞), k = 0, 1, ... (2.2) |
|
k! |
|
где λ – параметр распределения, смысл которого раскроется ниже (сокращенно (2.2) будет далее обозначаться
K(t) Po(λt)).
Пусть на интервале времени [0,T) осуществляется поток событий, удовлетворяющий условиям 2.1, 2.2, 2.3. Разобьем этот интервал на n равных непересекающихся отрезков (приняв без умаления общности и для упрощения записи T=1):
31
|
|
n |
=[ti−1,ti ), ti = ti |
−ti−1 = 1 , |
t0 |
= 0, tn =1. |
|||
[0,1) = U i , i |
|||||||||
|
|
i=1 |
|
|
|
|
n |
|
|
|
Обозначим Ati −1 ,ti |
(k) = A ti |
(k) событие, состоящее в том, |
||||||
что |
|
на отрезке |
|
i |
произойдет |
ровно |
k |
событий, а |
|
Pt |
,t |
(k) = P t (k) = P1 (k) – вероятность этого события (здесь |
|||||||
i−1 |
i |
i |
|
|
|
|
|
|
|
n
учтено условие стационарности потока событий). В силу условия отсутствия последействия события { A ti (k) } независимы в совокупности, а ввиду ординарности потока имеем
P{K( t) >1) =∑P1 (k) = 0( t).
k>1 n
Зафиксируем момент времени t, 0 < t < 1, и обозначим Bt(k) появление ровно k событий в интервале времени [0,t) и Pt(k) – вероятность этого события.
Определим целое число m условием
|
|
|
|
|
|
|
|
|
m −1 |
≤ t ≤ |
m |
. |
(2.3) |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
Очевидны соотношения |
n |
|
|
|
|
|
|
|
n |
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
m−1 |
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
||
|
|
Bm−1 (0) = IA ti |
(0), |
|
|
Bm (0) = IA ti |
(0), |
||||||||||||||||
|
|
|
n |
|
i=1 |
|
|
|
|
|
|
n |
|
|
|
i=1 |
|
|
|
||||
Bm−1 (0) Bt (0) Bm (0), Pm (0) ≤ Pt (0) ≤ Pm−1 (0), |
|||||||||||||||||||||||
|
n |
|
|
n |
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
n |
|
|||
|
|
|
|
Pm (0) ≤ P (0) ≤ Pm−1 |
(0), |
|
|
|
|||||||||||||||
|
1 |
|
|
t |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
(последнее соотношение справедливо ввиду свойств отсутствия последействия и стационарности процесса).
Введем обозначение
p =P1 (0) = P1n (0) .
n
32
1 |
|
|
m |
|
m−1 |
|
||
Тогда P (0) = p |
n |
и |
p |
n |
(0) ≤ P (0) ≤ p |
n |
|
(0). |
1 |
|
|
|
|
t |
|
n
Далее, устремляя n и m к ∞ так, чтобы сохранялось соотношение (2.3), и используя свойство непрерывности вероятности, находим
Pt (0) = pt ,
или,вводя величину λ = −ln( p) ,
Pt (0) = e−λt =1 − λt + 0(t).
Используя теперь свойство ординарности процесса (Условие 2.3), получим Pt (1) = λt + 0(t). Заметим, что ввиду непрерывности вероятности существуют пределы
P (0) →1, |
P (1) →0. |
||
t |
t→0 |
t |
t→0 |
Наша задача состоит в выводе формулы для одномерного распределения рассматриваемого случайного процесса, т.е. для вероятности P{K(t) = k}, которая в наших обозначения равна Pt(k).
С этой целью для моментов времени 0 < t < t + t выпишем очевидные равенства
k |
|
|
|
|
|
||
Pt+ t (k) = ∑Pt (k −i)P t (i) = |
|
|
|
|
|||
i=0 |
|
|
|
|
|
||
= Pt (k)(1−λ t + 0( t)) + Pt (k −1)(λ |
t + 0( t)) + 0( (t)) |
|
|||||
и при t→0 получим уравнение |
|
|
|
||||
|
dPt (k) |
= −λ(Pt (k) |
− Pt (k −1)). |
|
|
||
|
dt |
|
|
||||
|
|
|
P (k) =W (k)e−λt |
|
|||
Представим теперь Pt(k) в виде |
(где |
||||||
Wt(0)=1). Тогда легко находим |
t |
t |
|
||||
|
|
|
|||||
|
|
dWt (k) |
= λ(Wt (k −1). |
|
|
||
|
|
|
dt |
начиная с k |
|||
|
|
|
|
|
|||
Решая последнее уравнение рекуррентно, |
|||||||
= 1, получаем |
|
|
|
|
|
33
Wt (k) = (λkt!)k и
P{K(t) = k} = P (k) = |
(λt)k e−λt |
, k = 0, 1,.. |
|
||
t |
k! |
|
|
|
что и требовалось показать.
Рассмотрим теперь, как определяется система конечномерных распределений процесса K(t). Каждое входящее в эту систему n – мерное распределение для n, 0 < t1 <t2 < … tn из-за отсутствия последействия приводится к виду
P {K (t1 ) = k1 , K (t2 ) = k 2 ,..., K (tn −1 ) = k n −1 , K (tn ) = tn }=
=P{K(t1) = k1, K(t2 −t1) = k2 −k1,...,K(tn−1 −tn−2 ) =
=kn−1 −kn−2 , K(tn −tn−1) = kn −kn−1 } =
=P{K(t1) =k1}P{K(t2 −t1) =k2 −k1}...P{K(tn−1 −tn−2 ) =
=kn−1 −kn−2}P{K(tn −tn−1) =kn −kn−1}=
= |
λkn e−λtt |
k1 (t |
2 |
−t )(k2 −k1)...(t |
n |
−t |
n−1 |
)(kn −kn−1) |
, 0 |
≤ k1 |
≤ k2 |
≤... ≤ kn. |
|
1 |
|
1 |
|
|
|||||||||
k1!(k2 −k1)!...(kn −kn−1)! |
|||||||||||||
|
|
|
|
|
(2.3)
Все такие распределения (и, следовательно, вся система конечномерных распределений простого пуассоновского процесса) полностью конкретизируются скалярным параметром λ.
Для моментных функций математического ожидания MK(t) = mK(t) и дисперсии DK(t) = σK2(t) простого пуассоновского процесса находим
mK (t) =
∞ |
∞ |
k |
e |
−λt |
∞ |
k−1 |
|
|
∑kP{K(t) = k} = ∑k |
(λt) |
|
= λte-λt .∑ |
(λt) |
|
= λt, |
||
k! |
|
(k −1)! |
||||||
k=1 |
k=1 |
|
k=1 |
(2.4) |
34
σ2K (t) = MK 2 (t) − mK2 (t) =
∞ |
|
|
2 |
|
2 |
2 |
∞ |
|
|
|
(λt)k e−λt |
2 |
2 |
= |
|||
∑k |
|
|
P{K(t) = k}- λ t |
|
= ∑(k(k −1) + k) |
k! |
−λ t |
|
|||||||||
k=1 |
|
|
|
|
|
∞ (λt)k−2 |
|
k=1 |
|
|
|
|
|
|
|||
2 |
2 |
|
|
-λt |
|
2 |
2 |
|
|
|
|
|
|
||||
λ t |
|
e |
|
|
.∑k=2 |
|
+ λt −λ t |
|
= λt, |
|
|
|
|
(2.5) |
|||
|
|
|
(k − 2)! |
|
|
|
|
|
|||||||||
(т.е. для пуассоновского процесса |
mK(t) = σ2K(t)) |
|
|
|
|||||||||||||
|
|
Из (2.4) следует, что параметр λ равен математическому |
ожиданию числа событий, происходящих за единицу време-
ни и потому носит название интенсивности потока событий.
Выражение для корреляционной функции простого пуассоновского процесса вытекает из следующих очевидных
равенств (при t1 < t2) |
|
|
|
|
||
RK (t1,t2 ) =M(K(t1)K(t2 ))−M(K(t1))M(K(t2 ))= |
или (для произ- |
|||||
=M(K(t )(K(t ) +K(t |
−t )))−λ2t t |
=λt |
|
|||
1 |
1 |
2 |
1 |
1 2 |
1 |
|
вольных t1 и t2)
RK(t1,t2) =λmin(t1,t2). (2.6)
На рис.2.1 показан вид этой функции.
35
RK(t1, t2)
0 |
t1 |
|
t2
Рис.2.1
Характер зависимости корреляционной функции RK (t1,t2 ) пуассоновского процесса от времени свидетельст-
вует о его нестационарности как в широком, так, следовательно, и в узком смысле; нестационарность процесса сохраняется и при его центрировании.
Внимательный читатель легко обнаружит противоречие между приведенными утверждениями: простой пуассоновский случайный процесс, удовлетворяющий условию стационарности в смысле Условия 2.1, оказывается нестационарным в обычном смысле, принятом в теории случайных процессов. Это недоразумение имеет, однако, чисто терминологический характер: в первом случае стационарность понимается как постоянство интенсивности потока λ, во втором случае нестационарность означает зависимость от времени распределений процесса. Для исключения двусмысленности,
36
вместо применяемого иногда неудачного термина нестацио-
нарный пуассоновский процесс ниже будет использоваться термин пуассоновский процесс с переменной интенсивно-
стью (§2.2) (иногда такой процесс называется также неодно-
родным [3]).
Ввиду непрерывности функций и mK(t) пуассо-
новский процесс оказывается непрерывным в среднем квадратичном (хотя все его реализации с вероятностью 1 разрыв-
ны). Вместе с тем, поскольку функция недифференцируема при t1 = t2 = t, пуассоновский процесс недифференцируем в среднем квадратичном при t (см. § 1.5).
Как известно, важным свойством распределения Пуассона является его устойчивость относительно суммирования независимых случайных величин, обладающих распределением этого типа. Это свойство распределения Пуассона выражается в следующих важных для практики свойствах простейшего потока событий.
Пусть во времени одновременно и независимо друг от
друга протекают n простейших |
потоков |
K1(t),..., Kn(t) |
(t [0,∞)) с интенсивностями λi, |
i =1, ..., n ; |
тогда общая |
сумма числа событий в этих потоках к моменту времени t,
|
n |
|
т.е. суммарный поток событий |
K(t) = ∑Ki (t) |
является пуас- |
|
i=1 |
|
n
соновским с интенсивностью λ = ∑λi .
i=1
Подобный результат имеет место и в том случае, когда n простейших независимых потоков событий с интенсивностя-
ми λi , j = 1, ..., n, последовательно реализуются на непересекающихся отрезках [ti−1 ,ti ), образующих интервал времени
n
[0,t): [0,t)= U[ti−1 , ti ). Суммарное число событий, реали-
i=1
зуемых к моменту t, имеет распределение Пуассона с зави-
37
сящим от t параметром
|
1 |
n |
λ = |
∑λi (ti − ti−1 ). |
|
|
t |
i=1 |
Если рассматривать здесь t как текущее значение аргумента случайного процесса, то такой процесс представляет собой пример упомянутого выше пуассоновского процесса с переменной интенсивностью. Подробнее процессы такого типа рассматриваются в следующем параграфе.
Устойчивость простейшего потока (в смысле сохранения типа распределения) проявляется также в том, что при его случайном “просеивании” поток событий остается пуассоновским. Читателю предлагается проверить, что простейший поток с интенсивностью λ после “просеивания”, состоящего в удалении (независимо от других) каждого события с вероятностью p, превращается в пуассоновский процесс с интенсивностью (1-p)λ.
Свойства простейшего потока событий можно равноценно описать как распределением числа событий K(t) в интервале времени [0,t) (которое, как мы убедились, является распределением Пуассона), так и распределением интервала времени T между соседними событиями, которое оказывается показательным.
Действительно, для функции распределения интервала времени T между событиями в простом пуассоновском процессе имеет место равенство
FT (t) = P{T < t} =1 − P{K(t) = 0} =1 − e−λt ,
что соответствует показательному закону распределения случайной величины T с функцией плотности распределения
fT (t) = λe−λt ; t ≥ 0 .
Параметр λ имеет здесь прежний смысл интенсивности потока событий; математическое ожидание и дисперсия слу-
чайной величины T соответственно равны MT = 1 |
λ |
и |
|
|
DT = 1λ2 .
38
Покажем теперь справедливость обратного утверждения: поток событий, у которого интервалы между событиями имеют одинаковое показательное распределение и независимы в совокупности, является пуассоновским процессом.
Пусть [0,t) – произвольный интервал времени, k – число событий в этом интервале и {Ti} – интервалы между соседними событиями, имеющие показательное распределение с
k
параметром λ. Обозначим τK = ∑Ti . Очевидны равенства
i=1
FK (t) (k) = P{K{t} < k} = P{τK ≥ t} =1 − FτK (t),
P{K(t) = k} = P{k ≤ K(t) < k +1} =
= FK (t) (k +1) − FK (t) (k) = FτK (t) − Fτk +1 (t).
Но случайная величина τK, равная сумме независимых случайных величин с одинаковым показательным распределением, имеет, как известно, распределение Эрланга с параметрами k и λ и с функцией распределения
|
t |
t |
λk xk−1e−λx |
|
||||
|
FτK (t) = ∫ fτK (x)dx = ∫ |
Γ(k) |
|
|
dx |
|||
|
0 |
0 |
|
|
|
|
|
|
( fτ |
(x) – функция плотности распределения Эрланга). В |
|||||||
|
K |
|
|
|
|
|
|
|
результате интегрирования по частям получаем |
||||||||
|
|
|
k−1 |
(λt) |
i |
|
||
|
FτK (t) =1 − e−λt ∑ |
|
|
|
||||
|
|
i! |
|
|
|
|||
и, следовательно, |
|
1 |
|
|
|
|
||
|
(λt)k |
|
|
|
|
|
||
|
P{K(t) = k} = |
|
e−λt , |
|
||||
|
k! |
|
|
|||||
|
|
|
|
|
|
|
|
т.е. K(t) – пуассоновский процесс.
39
§ 2.2. Пуассоновский процесс с переменной интенсивностью.
Простейший поток событий, представляя собой наиболее удобную (в смысле математической простоты) модель последовательности событий, далеко не всегда, однако, соответствует реальным свойствам таких последовательностей. Так, например, реальные потоки сделок в коммерческих операций редко обладают стационарностью в смысле постоянства интенсивности этих потоков ,т.е. в смысле Условия 2.1.
Отказ от этого условия приводит к моделям пуассонов-
ского процесса с переменной интенсивностью. Для такого точечного процесса λ = λ(t) — известная (неслучайная)
функция времени, t [0,∞).
Пусть эта функция кусочно-постоянна, т.е. принимает
постоянные |
значения { λi } на отрезках времени { ti}, |
( ti =[ti-1,ti), |
t0 = 0). Тогда из указанного выше свойства ус- |
тойчивости распределения Пуассона следует, что распределение числа событий на интервале времени [0,t), т.е. сечения процесса K(t), имеет вид
P{K(t) = k}= akk! e−a ,
n
где a = ∑λi ti , tn = t , т.е. снова представляет собой распре-
i=1
n
∑λi ti
деление Пуассона, с интенсивностью |
|
(t) = |
1 |
|
, кото- |
λ |
|
||||
|
t |
||||
|
|
|
|
|
рая остается постоянной на интервале [0,t) (но зависит от его длины).
Переходя ко общему случаю произвольной интегрируемой функции λ(t) , нетрудно в результате предельного перехода получить для сечения процесса K(t)
40