- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
3.3. Непрерывные цепи Маркова
Марковский случайный процесс с дискретными состояниями и непрерывным временем называется непрерывной цепью Маркова при условии, что переход системы из состояния в состояние происходит не в фиксированные, а в случайные моменты времени.
В экономике часто встречаются ситуации, которые указать заранее невозможно. Например, любая деталь или агрегат автомобиля могут выйти из строя в любой, непредсказуемый заранее момент времени. Для описания таких систем в отдельных случаях можно использовать математический аппарат непрерывной цепи Маркова.
Пусть система характеризуется п состояниями S0, S1, S2, ..., Sn , а переход из состояния в состояние может осуществляться в любой момент времени. Обозначим через Pi(t) вероятность того, что в момент времени t система S будет находиться в состоянии Si(i= 0,1, ..., n). Требуется определить для любого t вероятности состояний P0(t), P1(t),…, Pn(t). Очевидно, что
Для процесса с непрерывным временем вместо переходных вероятностей Pij рассматриваются плотности вероятностей перехода , представляющие собой предел отношения вероятности перехода системы за время из состояния Si в состояние Sj к длине промежутка :
(3.7)
где — вероятность того, что система, пребывавшая в момент t в состоянии Si за время перейдет из него в состояние Sj (при этом всегда ).
Если = const то процесс называется однородным, если плотность вероятности зависит от времени =(t), то процесс — неоднородный.
При рассмотрении непрерывных марковских процессов принято представлять переходы системы S из состояния в состояние как происходящие под влиянием некоторых потоков событий. Потоком событий называется последовательность однородных событий, следующих одно за другим через какие-то, вообще говоря, случайные интервалы времени. Плотность вероятности перехода интерпретируется как интенсивность соответствующих потоков событий. Если все эти потоки пуассоновские, то процесс, протекающий в системе S, будет марковским.
При изучении марковских случайных процессов с дискретными состояниями и непрерывным временем в графе состояний над стрелками, ведущими из состояния Si в Sj, проставляют соответствующие интенсивности . Такой граф состояний называют размеченным.
Пусть система S имеет конечное число состояний S0, S1, S2, ..., Sn. Случайный процесс, протекающий в этой системе, описывается вероятностями состояний P0(t), P1(t), … Pn(t), где Pi(t) - вероятность того, что система S в момент t находится в состоянии Si. Для любого t
Вероятности состояний находят путем решения системы дифференциальных уравнений (уравнений Колмогорова), имеющих вид
(3.8)
где i=0,1,…,n
Величина называется потоком вероятности перехода из состояния Si в Sj; причем интенсивность потоков может зависеть от времени или быть постоянной.
Уравнения (3.8) составляют по размеченному графу состояний системы, пользуясь следующим мнемоническим правилом: производная вероятности каждого состояния равна сумме всех потоков вероятности, идущих из других состояний в данное состояние, минус сумма всех потоков .вероятности, идущих из данного состояния в другие.
Чтобы решить систему дифференциальных уравнений (3.8), нужно задать начальное распределение вероятностей P0(0), P1(0), … Pn(0). Для решения применяют Численные методы.