ความน่าจะเป็นของกระบวนการปัวซองอิสระขบวนอื่น


9

ฉันเคยถามคำถามนี้มาก่อนในรูปแบบอื่นบนสแต็คแลกเปลี่ยนอื่น ๆ ดังนั้นขออภัยสำหรับ repost ที่ค่อนข้าง

ฉันถามอาจารย์และนักศึกษาปริญญาเอกสองคนถึงเรื่องนี้โดยไม่มีคำตอบที่ชัดเจน ฉันจะระบุปัญหาก่อนจากนั้นวิธีแก้ปัญหาที่เป็นไปได้ของฉันและปัญหาเกี่ยวกับวิธีแก้ปัญหาของฉันดังนั้นขอโทษสำหรับกำแพงข้อความ

ปัญหา:

สมมติสองอิสระ Poisson กระบวนการและกับและสำหรับช่วงเวลาเดียวกันอาจมีการ\ความน่าจะเป็นว่าที่จุดใด ๆ ในเวลาเป็นเวลาที่มีแนวโน้มที่จะอินฟินิตี้ที่การส่งออกรวมของกระบวนการคืออะไรมีขนาดใหญ่กว่าการส่งออกรวมของกระบวนการบวกคือD) หากต้องการแสดงตัวอย่างให้สมมติว่ามีสองสะพานและโดยเฉลี่ยแล้วรถและขับผ่านสะพานและMRλRλMλR>λMMRDP(M>R+D)RMλRλMRMตามลำดับต่อช่วงเวลาและ\รถยนต์ได้ขับแล้วข้ามสะพานเป็นสิ่งที่น่าจะเป็นที่ที่จุดใด ๆ ในเวลารถยนต์เพิ่มเติมทั้งหมดได้ขับข้ามสะพานกว่าRλR>λMDRMR

วิธีแก้ไขปัญหานี้ของฉัน:

ครั้งแรกที่เรากำหนดกระบวนการปัวซงสองกระบวนการ:

M(I)Poisson(μMI)R(I)Poisson(μRI)

ขั้นตอนต่อไปคือการค้นหาฟังก์ชั่นที่อธิบายหลังจากช่วงเวลากำหนด นี้จะเกิดขึ้นในกรณีเงื่อนไขในการส่งออกของสำหรับทุกค่าที่ไม่ใช่เชิงลบของkเพื่อแสดงให้เห็นว่าการส่งออกรวมของคือแล้วการส่งออกรวมของจะต้องมีขนาดใหญ่กว่า D ดังแสดงด้านล่างP(M>R+D)IM(I)>k+DR(I)=kkRXMX+D

P(M(I))>R(I)+D)=k=0n[P(M(I)>k+DR(I)=k)]

n

เนื่องจากความเป็นอิสระนี้สามารถเขียนใหม่เป็นผลิตภัณฑ์ของสององค์ประกอบที่องค์ประกอบแรกคือ 1-CDF ของการกระจาย Poisson และองค์ประกอบที่สองคือ Poisson PMF:

P(M(I)>R(I)+D)=k=0n[P(M(I)>k+D)1Poisson CDFP(R(I)=k)Poisson pmf]

n

ในการสร้างตัวอย่างสมมติว่า ,และด้านล่างเป็นกราฟของฟังก์ชันนั้นเหนือ :D=6λR=0.6λM=0.4I

ป้อนคำอธิบายรูปภาพที่นี่

ขั้นตอนต่อไปคือการหาน่าจะเป็นของที่เกิดขึ้นนี้ที่จุดใด ๆ ในเวลาช่วยให้โทรถามความคิดของฉันอยู่ที่นี้จะเทียบเท่ากับการค้นพบ 1 ลบความน่าจะเป็นของไม่เคยเป็นข้างต้น D คือปล่อยให้อินฟินิตี้วิธีการสิ่งที่เป็นเงื่อนไขเกี่ยวกับเรื่องนี้ยังเป็นจริงสำหรับค่าก่อนหน้านี้ทั้งหมดของNQMR+DNP(R(N)+DM(N))N

P(R(I)+DM(I))เหมือนกับให้กำหนดว่าเป็นฟังก์ชัน g (I):1P(M(I)>R(I)+D)

g(I)=1P(M(I)>R(I)+D)

ขณะที่แนวโน้มที่จะอินฟินิตี้นี้ยังสามารถเขียนเป็นหนึ่งเรขาคณิตมากกว่าฟังก์ชั่น(I)Ng(I)

Q=1exp(0Nln(g(I))dI)

Q=1exp(0Nln(1P(M(I)>R(I)+D))dI)

N

ที่ที่เรามีฟังก์ชั่นของจากด้านบนP(M(I)>R(I)+D)

Q=1exp(0Nln(1k=0n[P(M(I)>k+D)1Poisson CDFP(R(I)=k)Poisson pmf])dI)

N

n

ตอนนี้สำหรับฉันแล้วฉันควรให้ค่าสุดท้ายของสำหรับ ,และมา อย่างไรก็ตามมีปัญหาเราควรจะสามารถแกะลูกแกะได้ตามที่เราต้องการเพราะสิ่งเดียวที่ควรสำคัญคือสัดส่วนของพวกมันต่อกัน หากต้องการสร้างตัวอย่างจากก่อนหน้าด้วย ,และสิ่งนี้จะได้ผลเหมือนกับ ,และตราบเท่าที่ช่วงเวลาถูกหารด้วย 10. คือ 10 คันทุก ๆ 10 นาทีเหมือนกับ 1 คันทุก ๆ นาที อย่างไรก็ตามการทำเช่นนี้ให้ผลลัพธ์ที่แตกต่าง ,QDλRλMD=6λR=0.6λM=0.4D=6λR=0.06λM=0.04D=6λR=0.6และอัตราผลตอบแทนของและ ,และอัตราผลตอบแทนของ0.9998507การรับรู้ทันทีคือและเหตุผลนั้นค่อนข้างง่ายหากเราเปรียบเทียบกราฟของผลลัพธ์ทั้งสองกราฟด้านล่างแสดงฟังก์ชันสำหรับ ,และ\λM=0.4Q0.5856116D=6λR=0.06λM=0.04Q0.99985071(10.5856116)10=0.9998507D=6λR=0.06λM=0.04

ป้อนคำอธิบายรูปภาพที่นี่

ดังจะเห็นได้ว่าความน่าจะเป็นไม่เปลี่ยนแปลง แต่ตอนนี้ต้องใช้เวลาเป็นสิบเท่าเพื่อให้ได้ความน่าจะเป็นแบบเดียวกัน เนื่องจากขึ้นอยู่กับช่วงเวลาของฟังก์ชั่นนี้จึงมีความหมายตามธรรมชาติ เห็นได้ชัดว่านี่หมายความว่ามีบางสิ่งผิดปกติเนื่องจากผลลัพธ์ไม่ควรขึ้นอยู่กับแลมบ์ดาเริ่มต้นของฉันโดยเฉพาะอย่างยิ่งเนื่องจากไม่มีแลมบ์ดาเริ่มต้นที่ถูกต้องและนั้นถูกต้องเท่ากับและหรือหรือและเป็นต้น จะถูกปรับขนาดตาม ดังนั้นในขณะที่ฉันสามารถปรับความน่าจะเป็นได้ง่ายนั่นคือเริ่มจากและถึงและQ0.040.060.40.611.50.40.60.040.06นั้นเหมือนกับการขยายความน่าจะเป็นด้วยปัจจัย 10 ซึ่งเห็นได้ชัดว่าให้ผลลัพธ์ที่เหมือนกัน แต่เนื่องจาก lambdas เหล่านี้ทั้งหมดเป็นจุดเริ่มต้นที่ถูกต้องเท่าเทียมกันดังนั้นนี่จึงไม่ถูกต้อง

เพื่อแสดงให้เห็นผลกระทบนี้ฉันกราฟเป็นหน้าที่ของที่เป็นปัจจัยปรับของ lambdas กับการเริ่มต้นของ lambdasและ1.5 เอาต์พุตสามารถเห็นได้ในกราฟด้านล่าง:QttλM=0.4λR=λM1.5

ป้อนคำอธิบายรูปภาพที่นี่

นี่คือที่ฉันติดอยู่กับฉันวิธีการที่ดูดีและถูกต้อง แต่ผลที่ได้คือผิดอย่างเห็นได้ชัด ความคิดเริ่มต้นของฉันคือฉันขาดการปรับพื้นฐานบางแห่ง แต่ฉันทำไม่ได้สำหรับชีวิตของฉันที่จะหาว่า

ขอบคุณสำหรับการอ่านความช่วยเหลือใด ๆ และทั้งหมดได้รับการชื่นชมอย่างมาก

นอกจากนี้หากใครต้องการรหัส R โปรดแจ้งให้เราทราบและฉันจะอัปโหลด


ฉันทำการล้างข้อมูลโค้ด MathJax ของคุณแล้ว หากคุณดูคุณจะเห็นบางสิ่งเกี่ยวกับการใช้งานมาตรฐานและเหมาะสม (สามารถทำงานได้มากขึ้นอาจจะช้ากว่านี้)
Michael Hardy

! น่ากลัว ขอบคุณมากฉันไม่ทราบว่ามีคำแนะนำเฉพาะที่ฉันควรปฏิบัติตามหรือไม่
ไม่มี nein

ฉันแก้ไขสิ่งพิเศษบางอย่างให้สอดคล้องกับสิ่งที่คุณทำ
ไม่มี nein

@nonein มีบิตเล็กความช่วยเหลือในการแก้ไข แต่นอกเหนือจากนั้นมี math.SE ของMathJax กวดวิชาพื้นฐานและการอ้างอิงอย่างรวดเร็ว คำแนะนำเกี่ยวกับการเขียนคณิตศาสตร์ใน LaTeX (ซึ่งง่ายต่อการ google) มักจะช่วยถ้าคุณกำลังพยายามค้นหาสิ่งที่ไม่ครอบคลุมในการอ้างอิงอย่างรวดเร็วมี (แม้ว่าตอนนี้จะได้รับความคุ้มครองที่ครอบคลุมของเซตย่อยของ MathJax)
Glen_b -Reinstate Monica

คำตอบ:


3

ปล่อยให้เวลารวมของกระบวนการเป็น เนื่องจากสิ่งเหล่านี้เป็นกระบวนการปัวส์ซองที่เป็นอิสระเกือบจะแน่นอนว่าหนึ่งในนั้นถูกพบในแต่ละช่วงเวลาเหล่านี้ สำหรับ defineT=(0=t0<t1<t2<).i>0,

B(i)={+1if R(ti)=11if M(ti)=1

และสะสมเข้าสู่กระบวนการนั่นคือและสำหรับทุกการนับจำนวน จำนวนครั้งปรากฏมากกว่าหลังจากเวลาผ่านไปB(i)W:W(0)=0W(i+1)=W(i)+B(i)i>0. W(i)RMti.

รูปที่: การจำลอง

รูปนี้แสดงให้เห็นถึงการรับรู้ของ (เป็นสีแดง) และ (เป็นสีน้ำเงินกลาง) เป็น "แปลงผืนพรม" ที่ด้านบน พล็อตจุดค่าของ(i)) แต่ละจุดสีแดงแสดงถึงการเพิ่มขึ้นของในขณะที่จุดสีน้ำเงินแต่ละจุดแสดงให้เห็นว่าการลดลงของส่วนเกินRM(ti,W(i))R(ti)M(ti)

สำหรับให้เป็นโอกาสอย่างน้อยหนึ่งน้อยกว่าหรือเท่ากับและให้เป็นความน่าจะเป็นb=0,1,2,,EbWibf(b)

คำถามถามหาf(D+1).

ให้ นี่คืออัตราของกระบวนการรวมกัน คือการเดินสุ่มแบบทวินามเพราะλ=λR+λM.W

Pr(B(i)=1)=λRλ and Pr(B(i)=1)=λMλ.

ดังนั้น,

คำตอบนั้นเท่ากับโอกาสที่การเดินแบบสุ่มแบบทวินามนี้พบสิ่งกีดขวางการดูดซับที่WD1.

วิธีที่ง่ายที่สุดในการค้นหาโอกาสนี้ตั้งข้อสังเกตว่า

f(0)=1

เพราะและสำหรับทั้งหมดสองขั้นตอนถัดไปที่เป็นไปได้ของให้ผลตอบแทนซ้ำW(0)=0;b>0,±1

f(b)=λRλf(b+1)+λMλf(b1).

สมมติว่าโซลูชันเฉพาะสำหรับคือλRλM,b0

f(b)=(λMλR)b,

ในขณะที่คุณสามารถตรวจสอบได้โดยเสียบเข้ากับสมการการกำหนดข้างต้น ดังนั้น,

คำตอบคือ

Pr(ED+1)=f(D+1)=(λMλR)D+1.

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.