Milana Vujkov POASONOV PROCES - MASTER RAD - Novi Sad, 2010.

Transcript

1 Milana Vujkov POASONOV PROCES - MASTER RAD - Novi Sad, 21.

2 2

3 Sadržaj Predgovor 5 1 Uvodni pojmovi Stohastički procesi Lanci Markova Poasonovi procesi Definicija Poasonovog procesa Primer telegrafskog signala Nehomogeni Poasonov proces Složeni Poasonov proces Dvostruko-stohastički Poasonov proces Filtrirani Poasonovi procesi Procesi obnavljanja Granične teoreme Regenerativni procesi A Prilog 81 A.1 Neki pojmovi iz teorije verovatnoće A.2 Zakoni velikih brojeva Literatura 85 Biografija 87

4 4 SADRŽAJ

5 Predgovor U ovom radu proučavan je Poasonov proces kao jedan od važnijih stohastičkih procesa. Motivacija za izučavanje ove teme leži u značajnoj ulozi ovih procesa u modeliranju raznih pojava slučajnog karaktera. U radu je najpre detaljno proučavan homogeni Poasonov proces čija primena je ilustrovana na primeru telegrafskog signala. Pored homogenog Poasonovog procesa izučavani su i nehomogeni Poasonov proces, složeni Poasonov proces, dvostruko - stohastički Poasonov proces i filtrirani Poasonov proces. Posebno su proučavani i takozvani procesi obnavljanja. Zahvalila bih se svom mentoru, dr Danijeli Rajter - Ćirić, na nesebičnoj pomoći i podršci pruženoj onda kada mi je bila najpotrebnija. Takod e joj se zahvaljujem na korisnim savetima upućenim u toku izrade ovog rada. Zahvalila bih i svima onima koji su mi, na bilo koji način, pružili pomoć i podršku, prvenstveno svojoj porodici i prijateljima Sandri, Tamari, Senadi i Feliksu. Posebnu zahvalnost dugujem i Smuk Aleksandru.

6 6

7 Glava 1 Uvodni pojmovi 1.1 Stohastički procesi Definicija stohastičkog procesa Zamislimo da se u svakom vremenskom trenutku t T, gde je T R, posmatra neka karakteristika X sistema koja je slučajnog karaktera. Tada je X(t) neka slučajna promenljiva, za svako t. Zato na skup svih slučajnih promenljivih {X(t)} t T možemo gledati kao na slučajnu veličinu koja se menja u vremenu, odnosno dobijamo jednu slučajnu funkciju vremena. U tom slučaju familiju {X(t)} t I zovemo stohastički (slučajni) proces. Definicija Stohastički (slučajni) proces {X(t), t T } = {X(t)} t T je familija slučajnih promenljivih definisanih na istom prostoru verovatnoća (Ω, F, P ). Skup T zovemo parametarski skup, a realni prostor R d skup stanja procesa (X : Ω R d ). Ako je parametarski skup T prebrojiv govorimo o nizu, lancu slučajnih promenljivih. Specijalno, ako je T konačan, tada imamo konačno mnogo slučajnih promenljivih. Slučajni proces {X(t)} t T = {X(t, ω)} t T je, zapravo, funkcija dva parametra, t i ω. Koristićemo kraći zapis {X(t)} t T. Ukoliko fiksiramo ω Ω, dobijamo realnu funkciju definisanu na skupu T koja se zove trajektorija (realizacija) stohastičkog procesa X(t). Ukoliko fiksiramo t T dobijamo jednu slučajnu promenljivu koja se zove zasek ili sečenje u trenutku t. Ta slučajna promenljiva ima svoju funkciju raspodele F 1 (t, x) = P {X(t) < x},

8 8 Uvodni pojmovi za t fiksirano. Ovi jednodimenzionalni zakoni raspodele nisu dovoljni za kategorizaciju stohastičkog procesa, osim u odred enim specijalnim slučajevima. U opštem slučaju je neophodno poznavati višedimenzionalne zakone raspodela, odnosno konačno-dimenzionalne raspodele procesa. Definicija Konačno-dimenzionalne raspodele stohastičkog procesa {X(t), t T } su date sa: F t (x) = F 1 (t; x) = P {X(t) < x} F t1,t 2 (x 1, x 2 ) = F 2 (t 1, t 2 ; x 1, x 2 ) = P {X(t 1 ) < x 1, X(t 2 ) < x 2 }. F t1,...,t n (x 1,..., x n ) = F n (t 1,..., t n ; x 1,..., x n ) = P {X(t 1 ) < x 1,..., X(t n ) < x n }. gde su t, t 1,... t n T, i x 1, x 2,... R. Neka svojstva stohastičkih procesa Srednja vrednost ili očekivanje procesa X t je preslikavanje m X : T R definisano kao m X (t) = E(X t ). Autokorelaciona funkcija procesa X t je R x (t 1, t 2 ) = E(X t1, X t2 ). Autokovarijansna funkcija procesa X t je C X (t 1, t 2 ) = E[(X t1 m X (t 1 ))(X t2 m X (t 2 ))] = E(X t1, X t2 ) m X (t 1 )m X (t 2 ). Uzajamno korelaciona funkcija dva procesa X t i Y t je C XY (t, s) = E[(X t m X (t))(y s m Y (s))]. Disperzija stohastičkog procesa X t je D X (t) = C X (t, t) = E(Xt 2 ) m 2 X(t) = E(Xt 2 ) (E(X t )) 2. Koeficijent korelacije procesa X t je C X (t 1, t 2 ) ρ X (t 1, t 2 ) = ρ(t 1, t 2 ) = DX (t 1 )D X (t 2 ) = E(X t 1, X t2 ) m X (t 1 )m X (t 2 ). DX (t 1 )D X (t 2 )

9 1.1 Stohastički procesi 9 Neke klase stohastičkih procesa Definicija Za proces {X(t), t T } za koji važi da su slučajne promenljive (tzv. priraštaji) X(t ), X(t 1 ) X(t ), X(t 2 ) X(t 1 ),... X(t n ) X(t n 1 ),... nezavisni za bilo koji izbor t t 1... t n..., kažemo da je stohastički proces sa nezavisnim priraštajima. Definicija Ako slučajne promenljive X(t 2 + h) X(t 1 + h) i X(t 2 ) X(t 1 ) imaju istu funkciju raspodele, za svako h i t 1 < t 2, tada je stohastički proces {X(t), t T } proces sa stacionarnim priraštajima. Definicija Za stohastički proces {X(t), t T } kažemo da je stacionaran, odnosno strogo stacionaran, ako su njegove konačno - dimenzione raspodele invarijantne u odnosu na translaciju vremena, tj. ako važi F t1 +h,t 2 +h,...t n+h(x 1,..., x n ) = F t1,t 2,...,t n (x 1,..., x n ), za svako h, t 1,..., t n T. Napomena: Vrednost h mora se birati tako da je t k + h T, za k N. Za strogo stacionarne procese važe osobine: 1.) m X (t) = c = const, 2.) C X (t 1, t 2 ) = C X (t 1 t 2 ), koje su iskorišćene za definisanje slabo stacionarnih procesa. Definicija Za proces {X(t), t T } kažemo da je slabo stacionaran proces ako važe sledeće osobine: 1.) m X (t) = c = const, 2.) C X (t 1, t 2 ) = C X (t 1 t 2 ).

10 1 Uvodni pojmovi 1.2 Lanci Markova Definicija Za stohastički proces {X(t), t T } kažemo da je proces Markova ukoliko važi P {X(t n+1 ) A X(t) = x t, t t n } = P {X(t n+1 ) A X(t n ) = x tn }, za svaki dogad aj is skupa A i za svaki vremenski trenutak t n < t n+1. Dakle, verovatnoća da će proces preći iz nekog stanja x tn u kojem se nalazi u trenutku t n, u neko drugo stanje iz skupa A u trenutku t n+1 ne zavisi od načina na koji je proces dospeo u stanje x tn iz stanja x t u kojem se proces nalazio u početnom trenutku t. Drugim rečima, svojstvo Markova znači da evolucija sistema u budućnosti zavisi isključivo od stanja sistema u sadašnjosti, a ne od ponašanja sistema u prošlosti. Diskretni slučaj lanaca Markova Ukoliko je parametarski skup T stohastičkog procesa {X(t), t T } prebrojiv, govorimo o lancu. U ovom slučaju, stohastički proces je oblika {X n, n N } i ima prebrojiv skup mogućih vrednosti {x 1, x 2,...}, koji se zove još i skup stanja. Definicija Niz slučajnih promenljivih sa jednakim skupom stanja zove se lanac Markova ako za proizvoljne n > k 1 > k 2 >... > k r, r R važi P {X n = x n X k1 = x k1, X k2 = x k2,..., X kr = x kr } = P {X n = x n X k1 = x k1 }. Definicija Verovatnoća prelaza iz i-tog u j-to stanje (u jednom koraku) je P {X m+1 = x j X m = x i } = p m,m+1 i,j. Ukoliko verovatnoća p m,m+1 i,j ne zavisi od m (tj. p m,m+1 i,j homogen. Matrica P = [p i,j ] i,j se zove matrica prelaza za jedan korak. = p i,j ), onda je lanac Slično, možemo da govorimo o verovatnoći prelaza iz i-tog u j-to stanje, ali u n koraka.

11 1.2 Lanci Markova 11 Definicija Verovatnoća prelaza iz i-tog u j-to stanje u n koraka je Matrica prelaza za n koraka je p i,j (n) = P {X n+k = x j X k = x i }. P (n) = P n = [p i,j (n)] i,j. Metod za izračunavanje verovatnoće prelaza iz i-tog u j-to stanje u n koraka obezbed uje nam jednačina Čepmen - Kolmogorova. Tvrd enje Jednačina Čepmen - Kolmogorova p i,j (n + m) = p i,k (n)p k,j (m), za svako m, n i za svako i, j. k= Matrično zapisana jednačina Čepmen - Kolmogorova glasi: Ako uvrstimo n = m = 1, dobijamo Dalje, P n+m = P n P m. P 2 = P P = P 2. P 3 = P 2 P = P 2 P = P 3, P 4 = P 3 P = P 3 P = P 4,. P n = P n. Definicija Lanac Markova čiji je skup stanja i Z zove se slučajan hod ako za neko p (, 1) važi p i,i+n = p = 1 p i,i 1. Kod diskretnog slučaja lanaca Markova, vreme koje sistem provede u datom stanju je deterministički odred eno. Za razliku od diskretnog, kod neprekidnog slučaja lanaca Markova vreme koje sistem provede u datom stanju je slučajna promenljiva koja ima eksponencijalnu raspodelu.

12 12 Uvodni pojmovi

13 Glava 2 Poasonovi procesi 2.1 Definicija Poasonovog procesa Poasonov proces nosi naziv po francuskom matematičaru Simeo-Deni Poasonu 1, i predstavlja stohastički proces u kojem se dogad aji dešavaju neprekidno i nezavisno jedan od drugog. Poasonovi procesi jesu neprekidan slučaj lanaca Markova. Primeri koji se mogu opisati kao Poasonovi procesi su posete nekom web sajtu, radioaktivnost atoma, telefonski pozivi, itd... Definicija Neka je N(t) ukupan broj dogad aja koji se dese u intervalu [, t]. Stohastički proces {N(t), t } zove se proces brojanja dogad aja ili proces prebrajanja. Procesi prebrajanja imaju sledeće osobine: 1. Za fiksirano t, N(t) je slučajna promenljiva čije su vrednosti iz skupa N. 2. Funkcija N(t) je neopadajuća, tj. N(t 2 ) N(t 1 ), ako je t 2 > t 1, štaviše, N(t 2 ) N(t 1 ) jeste broj dogad aja koji se jave u intervalu (t 1, t 2 ]. 1 Simeon - Denis Poisson ( )

14 14 Poasonovi procesi Definicija (Homogeni) Poasonov proces sa stopom rasta λ, λ > je proces prebrajanja {N(t), t } za koji važi: 1. N() = ; 2. Proces N(t) ima nezavisne priraštaje; 3. Broj dogad aja u proizvoljnom intervalu dužine t ima Poasonovu raspodelu sa parametrom λt, tj. λt (λt)n P {N(t + s) N(s) = n} = e, za svako t i n N. n! Iz predhodne jednakosti možemo zaključiti da Poasonov proces ima stacionarne priraštaje jer raspodela dogad aja N(t + s) N(s) ne zavisi od s, odnosno, zavisi samo od dužine intervala, a ne zavisi od njegovog položaja na vremenskoj osi. Ako u definiciji Poasonovog procesa preciziramo da je {N(t), t } proces sa nezavisnim i stacionarnim priraštajima, tada umesto poslednjeg uslova iz definicije možemo pisati sledeće uslove: P {N(h) = 1} = λh + o(h) P {N(h) = } = 1 λh + o(h), (2.1) gde je h dužina intervala i pri čemu važi lim h o(h) h =. Dakle, verovatnoća da će se na intervalu dužine h desiti tačno jedan dogad aj mora biti proporcionalna dužini tog intervala uz uslov koji je zanemarljiv ukoliko je h dovoljno malo, odnosno ukoliko je interval dovoljno kratak. Štaviše, važi da je P {N(h) 2} = 1 (P {N(h) = } + P {N(h) = 1}) = o(h). Stoga ne postoji mogućnost da će se u proizvoljnom intervalu (t, t + h) pojaviti dva ili više dogad aja. Med utim, slučaj kada će h biti značajno malo realno je malo verovatan. Može se pokazati da ako N(h) : P(λh), onda su uslovi (2.1) zadovoljeni. Zaista, koristeći Tejlorov razvoj, imamo: i P {N(h) = } = e λh = 1 λh + (λh)2 2! +... = 1 λh + o(h), P {N(h) = 1} = λhe λh = λh(1 λh + o(h)) = λh + o(h).

15 2.1 Definicija Poasonovog procesa 15 Može se pokazati da su uslovi (2.1) zadovoljeni kada su priraštaji procesa {N(t), t } stacionarni i za opštiji slučaj, kada je stopa rasta λ = λ(t), o čemu će biti reči u narednom poglavlju. Pošto slučajna promenljiva N(t) ima Poasonovu raspodelu sa parametrom λt, t, možemo odrediti očekivanje i disperziju ovog procesa. E(N(t)) = λt, D(N(t)) = λt, (2.2) E(N 2 (t)) = D(N(t)) + (E(N(t)) 2 = λt + λ 2 t 2 Dalje, koristimo osobinu da su priraštaji Poasonovog procesa nezavisni i stacionarni kako bismo odredili autokorelacionu funkciju. Koristeći jednakosti (2.2), imamo da je autokorelaciona funkcija Poasonovog procesa N(t) R N (t, t + s) := E(N(t)N(t + s)) = E(N(t)[N(t + s) N(t)]) + E(N 2 (t)) nez. = E(N(t))E(N(t + s) N(t)) + E(N 2 (t)) = λtλs + (λt + λ 2 t 2 ) = λ 2 t(t + s) + λt. Sledi da je autokovarijansna funkcija Poasonovog procesa C N (t, t + s) = R N (t, t + s) E(N(t))E(N(t + s)) = λ 2 t(t + s) + λt λt(λ(t + s)) = λt. Za proizvoljne vrednosti t 1 i t 2 funkcija autokovarijanse Poasonovog procesa sa parametrom rasta λ > data je kao C N (t 1, t 2 ) = λ min{t 1, t 2 }. Obzirom da očekivanje Poasonovog procesa zavisi od promenljive t, možemo zaključiti da ovaj proces nije slabo stacionaran proces, iako su njegovi priraštaji stacionarni. Primer Pretpostavimo da se kvar neke mašine javlja nedeljno, u skladu sa Poasonovim procesom sa stopom rasta λ = 2, a da se na intervalu [, 1] jave tačno dva kvara. Neka je t > 3 proizvoljna vrednost za t. a) Koja je verovatnoća da će u trenutku t proći bar dve nedelje od:

16 16 Poasonovi procesi i) poslednjeg kvara? ii) pretposlednjeg kvara? b) Koja je verovatnoća da se, počev od t, neće pojaviti nijedan kvar u naredna dva dana, ako se zna da se u protekle dve nedelje pojavio tačno jedan kvar? Rešenje: Da bismo rešili problem, najpre moramo odrediti vrednost parametra Poasonove raspodele za svako pitanje posebno. Neka je N(t) broj kvarova koji se jave na intervalu [, t], gde se t meri nedeljama. Pošto je prosečna stopa pojavljivanja kvara 2 nedeljno, slučajna promenljiva N(t) imaće Poasonovu raspodelu sa parametrom 2t. a) i) Zanima nas broj kvarova tokom perioda od dve nedelje. Obzirom da Poasonov proces ima stacionarne priraštaje, možemo izračunati verovatnoću uzimajući u obzir slučajnu promenljivu N(2) : P(4). Računamo: P {N(2) = } = e 4 =.183. Dakle, odgovor je 1.83%. ii) Od pretposlednjeg kvara je prošlo dve nedelje ako i samo ako je broj kvarova na intervalu [t 2, t ] ili ili 1. Zato računamo: P {N(2) 1} = P {N(2) = } + P {N(2) = 1} = e 4 (1 + 4) =.916. Dakle, odgovor je 9.16%. b) Pošto Poasonov proces ima nezavisne priraštaje, podatak da se u poslednje dve nedelje desio jedan kvar nije bitan u ovom slučaju. Nas zanima N što je, kada izračunamo, ( t + 2 ) N(t ) = N 7 P { N Dakle, odgovor je 56.47%. ( ) 2 : P 7 ( ) } 2 = = e 4 7 = ( ) 4, 7

17 2.1 Definicija Poasonovog procesa 17 U pokazanom primeru pretpostavili smo da je stopa rasta Poasonovog procesa ista za svaki dan u nedelji. U praksi, ova pretpostavka nije realna, jer je stopa rasta po danima verovatno različita. Na primer, realno je pretpostaviti da je stopa kvara mašine različita radnim danima u odnosu na neradne dane, kada se mašina ni ne koristi. Takod e, realno je pretpostaviti da stopa rasta varira i u toku dana. Dakle, ukoliko želimo realnije da razmatramo ovaj problem, moramo koristiti parametar λ koji nije konstantan, nego je promenljiv u odnosu na vreme, odnosno, λ bi trebalo da bude funkcija od t, o čemu ćemo govoriti u narednom poglavlju. Tvrd enje Neka su {N 1 (t), t } i {N 2 (t), t } dva nezavisna Poasonova procesa sa stopama rasta λ 1 i λ 2, respektivno. Proces {N(t), t } definisan kao N(t) = N 1 (t) + N 2 (t) je takod e Poasonov proces sa stopom rasta λ := λ 1 + λ 2. Dokaz: Da bismo dokazali tvrd enje pokazaćemo da i za zbir Poasonovih procesa važe osobine Poasonovog procesa. Najpre pokazujemo prvu osobinu N() := N 1 () + N 2 () = + =, što važi. Dalje, pošto su priraštaji procesa {N 1 (t), t } i {N 2 (t), t } nezavisni, možemo pokazati da su nezavisi i prirštaji procesa {N(t), t }. Pišemo: N(t k ) N(t k 1 ) = (N 1 (t k ) N 1 (t k 1 )) + (N 2 (t k ) N 2 (t k 1 )) = (N 1 (t k ) + N 2 (t k )) (N 1 (t k 1 ) + N 2 (t k 1 )), što takod e važi. Suma nezavisnih Poasonovih slučajnih promenljivih sa stopama rasta λ 1 i λ 2 takod e ima Poasonovu raspodelu sa stopom rasta λ := λ 1 + λ 2. Zaista, ako X i : P(λ i ), tada je njegova funkcija generatrise momenata data sa M Xi (t) = e λi exp{e t λ i }. Dalje sledi da je M X1 +X 2 (t) nez. = M X1 (t) M X2 (t) = e (λ 1+λ 2 ) exp{e t (λ 1 + λ 2 )}.

18 18 Poasonovi procesi Dakle, možemo pokazati da je N(τ + t) N(τ) = (N 1 (τ + t) N 1 (τ)) + (N 2 (τ + t) N 2 (τ)) : P((λ 1 + λ 2 )t), za svako τ, t. Ovo tvrd enje možemo uopštiti i za više nezavisnih Poasonovih procesa. Obrnuto, možemo rastaviti Poasonov proces {N(t), t } sa stopom rasta λ u j nezavisnih Poasonovih procesa sa stopama rasta λ i, za i = 1, 2,..., j, gde važi da je λ = λ 1 + λ λ j, kao što sledi. Pretpostavimo da je svaki dogad aj koji se desi klasifikovan kao tip i sa verovatnoćom dogad aja p i, i = 1, 2... j, nezavisno od ostalih dogad aja, a gde važi da je p p j = 1. Neka je N i (t) broj dogad aja tipa i na intervalu [, t]. Pokazaćemo sledeće tvrd enje. Tvrd enje Stohastički procesi {N i (t), t }, i = 1,..., j koji predstavljaju broj dogad aja tipa i na intervalu [, t], svaki sa verovatnoćom dogad aja p i, gde je p p j = 1, jesu nezavisni Poasonovi procesi sa stopom rasta λ i := λp i za i = 1, 2,..., j. Pošto je N(t) = j N i (t), možemo koristiti sledeći zapis: i=1 P {N 1 = n 1,..., N j = n j } = P {N 1 = n 1,..., N j = n j N = k} P {N = k} k= = P {N 1 = n 1,..., N j = n j N = n n j } P {N = n n j }. Neka je n := n n j. Dalje raspisujemo uslovnu verovatnoću: P {N 1 = n 1,..., N j = n j N = n} = n! n 1!... n j! j i=1 p n i i. Ovo je primena multinomne raspodele koja uopštava binomnu raspodelu. Dalje sledi n! P {N 1 = n 1,..., N j = n j } = { n 1!... n j! = j i=1 j i=1 e λp it (λp it) n i, n i! p n i λt (λt)n i }e n!

19 2.1 Definicija Poasonovog procesa 19 iz čega sledi da je i P {N i = n i } = e λp it (λp it) n i, za i = 1,..., j, n i! P {N 1 = n 1,..., N j = n j } = j P {N i = n i }. Dakle, možemo zaključiti da slučajne promenljive N i (t) imaju Poasonovu raspodelu sa stopom rasta λp i t, za i = 1,..., j i da su one nezavisne. Dalje, pošto Poasonov proces {N(t), t } ima nezavisne i stacionarne priraštaje, važi da i procesi {N i (t), t } imaju nezavisne i stacionarne priraštaje, za svako i, takod e. Sada možemo zaključiti da N i (τ + t) N i (t) : P(λp i t), za i = 1, 2,..., j. Konačno, pošto je N() =, važi i da je N 1 () =... = N j () =. Stoga možemo zaključiti da procesi {N i (t), t } zadovoljavaju sve uslove iz definicije Poasonovog procesa i nezavisni su, čime je tvrd enje dokazano. i=1 Napomena: Pošto je proizvoljan dogad aj klasifikovan kao tip i, on ne sme zavisiti od vremena u kojem se dogad aj desio. Pred ašnje opisan Poasonov proces mogli smo objasniti na drugi način, računajući verovatnoću broja dogad aja na intervalu dužine δ. U tom smislu, imali bismo: P {N i (δ) = 1} = P {N i (δ) = 1 N(δ) = 1} P {N(δ) = 1} Štaviše, možemo zapisati da +P {N i (δ) = 1 N(δ) > 1} P {N(δ) > 1} = p i e λδ λδ + o(δ) = p i (λδ + o(δ)) + o(δ) = λp i δ + o(δ). P {N i (δ) = } = 1 λp i δ + o(δ), jer je N i (δ) N(δ), za svako i, što implicira da je P {N i (δ) 2} P {N(δ) 2} = o(δ). Izvod enjem dokaza na ovaj način, može se pokazati da su procesi {N i (t), t } zaista nezavisni Poasonovi procesi sa stopom rasta λp i, za i = 1, 2,..., j.

20 2 Poasonovi procesi Pošto je Poasonov proces neprekidan slučaj lanaca Markova, možemo tvrditi da vreme τ i koje proces provede u stanju i {, 1,...} ima eksponencijalnu raspodelu sa parametrom λ i >, i da su slučajne promenljive τ, τ 1,... nezavisne. Dalje, obzirom da Poasonov proces ima nezavisne i stacionarne priraštaje, sa tačke gledišta verovatnoće,proces može iznova da počne u bilo kom vremenskom trenutku. Sledi da svi τ i, za i =, 1,... imaju istu raspodelu. Ostalo nam je još da nad emo zajednički parametar slučajnih promenljivih τ i. Važi da je P {τ > t} = P {N t = } = e λt, odakle sledi da je funkcija gustine ove slučajne promenljive ϕ τ (t) = d dt (1 e λt ) = λe λt, za t. To znači da τ : E(λ), pa možemo definisati sledeće tvrd enje. Tvrd enje Neka je {N(t), t } Poasonov proces sa stopom rasta λ, a τ i vreme koje proces provede u stanju i, za i =, 1,.... Slučajne promenljive τ i, i =, 1,... su nezavisne slučajne promenljive sa eksponencijalnom raspodelom sa parametrom λ. Slika 2.1: Primer trajektorije Poasonovog procesa Lema Neka su X 1,..., X n nezavisne slučajne promenljive sa eksponencijalnom raspodelom sa parametrom λ, za svako i. Tada slučajna promenljiva n i=1 X i ima gama raspodelu sa parametrima n i λ.

21 2.1 Definicija Poasonovog procesa 21 Posledica U Poasonovom procesu sa stopom rasta λ, vreme potrebno da se desi svih n dogad aja, počev od bilo kog vremenskog trenutka, ima gama raspodelu sa parametrima n i λ. Dokaz: Vreme pojavljivanja n-tog dogad aja T n može se predstaviti kao n 1 T n = τ i, n = 1, 2,..., i= jer je {N(t), t } neprekidan stohastički proces. Pošto su τ i nezavisne slučajne promenljive, svaka sa eksponencijalnom raspodelom sa parametrom λ, zaista možemo tvrditi da T n : Γ(n, λ), na osnovu Leme Štaviše, iz činjenice da Poasonov proces ima nezavisne i stacionarne priraštaje zaključujemo da P {T n+k t + t k N(t k ) = k} = P {T n t}, za svako k N. To znači da, ukoliko znamo da se do trenutka t k desilo tačno k dogad aja (od nekog početnog trenutka), onda vreme potrebno da se desi n dodatnih dogad aja od trenutka t k ima istu raspodelu kao i T n. Predhodno tvrd enje i relacija N(t) = n T n < t, (2.3) omogućavaju da na još jedan način definišemo Poasonov proces. Ova alternativna definicija može biti jednostavnija za pokazivanje u nekim slučajevima. Tvrd enje Neka je X i : E(λ), i N, nezavisna slučajna promenljiva i neka je T := i n T n := X i, za n N. i=1 Ako definišemo N t = max{t n t, n }, onda je {N(t), t } Poasonov proces za parametrom λ.

22 22 Poasonovi procesi Napomena: i) Pošto je P {T 1 > } = 1, zaista važi N() = max{t n, n } =. ii) Takod e, N(t) = n {T n t} {T n+1 > t}, na osnovu čega sledi pokazana definicija Poasonovog procesa preko T n. iii) Da bismo izračunali verovatnoću dogad aja {N(t), t }, potrebno je zaključiti da P {N(t) = n} = P {N(t) n} P {N(t) n + 1} = P {T n t} P {T n+1 t} i upotrebiti uopštenje kada slučajna promenljiva Y ima gama Γ(n, λ) raspodelu: P {Y y} = 1 P {W n 1} = P {W = n}, gde je W : P(λy). Zaista, zaključujemo da P {N(t) = n} = P {T n t} P {T n+1 t} = P {N(t) n} P {N(t) n + 1} = P {N(t) = n}. Pretpostavimo sada da slučajne promenljive X i imaju uniformnu raspodelu na intervalu (, 1], tj. X i : U(, 1], a ne eksponencijalnu raspodelu kako je navedeno u predhodnom tvrd enju. Da bismo definisali proces koji će biti Poasonov, moramo definisati novu slučajnu promenljivu Y i, na sledeći način Y i = 1 λ ln X i, za i N. Za y = imamo: P {Y i y} = P {ln X λy} = P {X i e λy } = 1 e λy, pa je funkcija gustine, stoga ϕ Yi (y) = λe λy za y.

23 2.1 Definicija Poasonovog procesa 23 Dakle, stohastički proces {N(t), t }, definisan kao N(t) = kad je t < Y 1 i n N(t) = max{ Y i t, n 1} kad je t Y 1, i=1 jeste Poasonov proces sa stopom rasta λ. Ako definišemo Y =, tada možemo pisati N(t) = max{ n Y i t, n }, za svako t. i= Tvrd enje Neka je {N(t), t } Poasonov proces sa stopom rasta λ. Tada uslovna slučajna promenljiva T 1 N(t) = 1 ima uniformnu raspodelu na intervalu (, t], gde je T 1 vreme pojavljivanja prvog dogad aja ovog procesa. Dokaz: Za < s t, koristeći Bajesovu teoremu za uslovnu verovatnoću, važi P {T 1 s N(t) = 1} = P {T 1 s N(t) = 1} P {N(t) = 1} P {N(s) = 1 N(t) N(s) = } = P {N(t) = 1} nez. = (λse λs )e λ(t s) λte λt = s t. Napomena: Ovo tvrd enje sledi direktno iz osobine da su priraštaji Poasonovog procesa nezavisni i stacionarni. Zaista važi da verovatnoća da se dogad aj pojavi u proizvoljnom vremenskom intervalu mora zavisiti samo od dužine tog intervala. Opštije, ako T označava vreme pojavljivanja jedinog dogad aja na intervalu (t 1, t 2 ], gde je t 1 < t 2, tada je T uniformno raspored eno na datom intervalu. Primetimo sada da pojavljivanje dogad aja {N(t) = 1} implicira pojavljivanje dogad aja {T 1 t}. Med utim, važi i obrnuto, Sa druge strane, možemo zapisati {T 1 t} {N(t) = 1}. T 1 N(t) = 1 T 1 {T 1 t T 2 > t}.

24 24 Poasonovi procesi Želimo da uopštimo ovo tvrd enje tako što ćemo računati raspodelu verovatnoće za (T 1, T 2,..., T n ), kada se na intervalu (, t] pojavi tačno n dogad aja. Najpre razmatramo slučaj kada je n = 2. Neka je < t 1 < t 2 t. Da bismo odredili funkciju uslovne verovatnoće slučajnog vektora (T 1, T 2 ), gde je N(t) = 2, moramo izračunati P {T 1 t 1, T 2 t 2, N(t) = 2} = {N(t 1 ) = 1, N(t 2 ) N(t 1 ) = 1, N(t) N(t 2 ) = } +P {N(t 1 ) = 2, N(t) N(t 1 ) = } = (λt 1 e λt1 λ(t 2 t 1 )e λ(t 2 t 1) e λ(t 2 t 1 ) ) ( (λt 1) 2 e λt1 e λ(t t1) ) 2! = (λ 2 t 1 (t 2 t 1 ) + (λt 1) 2 ) e λt. 2! Korišćenjem osobine da su priraštaji Poasonovog procesa {N(t), t } nezavisni i stacionarni, sledi P {T 1 t 1, T 2 t 2 N(t) = 2} = P {T 1 t 1, T 2 t 2, N(t) = 2} P {N(t) = 2} pa je funkcija gustine ϕ (T1,T 2 ) N(t)(t 1, t 2 2) = 2 t 1 t 2 = (λ2 (λt1)2 t 1 (t 2 t 1 ) + ) e λt 2! 1 2 (λt)2 e λt = 2t 1(t 2 t 1 ) + t 2 1 t 2, za < t 1 < t 2 t. Na osnovu ove jednakosti, možemo da izračunamo ϕ T1 N(t)(t 1 2) = { } 2t1 (t 2 t 1 ) + t2 1 = 2 t 2 t 2 t + = 2 2 t, 2 t 1 2 t 2 dt 2 = 2(t t 1) t 2, za < t 1 t. Primetimo da raspodela slučajne promenljive T 1 N(t) = 2 nije uniformna na intervalu (, t], za razliku od slučajne promenljive T 1 N(t) = 1. Dalje, računamo ϕ T2 N(t)(t 2 2) = 2 2 t 2 dt 1 = 2t 2 t 2, za < t 2 t.

25 2.1 Definicija Poasonovog procesa 25 Konačno, možemo da odredimo funkciju gustine ϕ T2 (T 1,N(t))(t 2 t 1, 2) = ϕ (T 1,T 2 ) N(t)(t 1, t 2 2) ϕ T1 N(t)(t 1 2) = 2/t 2 2(t t 1 )/t 2 = 1 t t 1, za < t 1 < t 2 t, gde slučajna promenljiva T 2 T 1 = t 1 N(t) = 2 ima uniformnu raspodelu na intervalu (t 1, t], odakle možemo zaključiti da i slučajna promenljiva (T 2 T 1 ) T 1 = t 1 N(t) = 2 ima uniformnu raspodelu na intervalu (, t t 1 ]. Da bismo razmatrali ovu jednakost u opštem obliku, a ne samo za slučaj n = 2, moramo uzeti u obzir sve moguće vrednosti slučajnih promenljivih N(t 1 ), N(t 2 ) N(t 1 ),..., N(t n ) N(t n 1 ), gde je T 1 t 1, T 2 t 2,..., T n t n, N(t) = n. Ukupan broj slučajeva da se smesti n dogad aja u n intervala (, t 1 ], (t 1, t 2 ],..., (t n 1, t n ] dat je sa multinomijalnim koeficijentom (daje reči dužine k od n slova, bez ponavljanja). Štaviše, N t 1 mora biti veći ili jednak 1, N t2 mora biti veći ili jednak 2, itd. Med utim, moramo primetiti da će jedini uslov različit od nule, posle diferenciranja funkcije uslovne verovatnoće po svakoj promenljivoj t 1, t 2,..., t n biti onaj za koji se dogad aj desi. Neka je Tada je H = {N(t 1 ) = 1, N(t 2 ) N(t 1 ) = 1,..., N(t n ) N(t n 1 ) = 1} G = {N(t 1 ) > 1, N(t 2 ) 2,..., N(t n ) n}. P {T 1 t 1,..., T n t n, N(t) = n} = P {H, N(t) = n} + P {G, N(t) = n} = P {H, N(t) N(t n ) = } + P {G, N(t) = n} n = λt 1 e λt λ(t k t k 1 )e λ(t k t k 1) e λ(t tn) k=2 +P {G, N(t) = n} n = λ n t 1 e λt (t k t k 1 ) + P {G, N(t) = n}. k=2 Koristeći Bajesovu teoremu za uslovnu verovatnoću, sledi P {T 1 t 1,..., T n t n N(t) = n} = P {T 1 t 1,..., T n t n, N(t) = n} P {N(t) = n} = λn t 1 e λt n k=2 (t k t k 1 ) (λt) n + P {G N(t) = n}. e λt /n!

26 26 Poasonovi procesi Pošto bar jedno t i nije prisutno u uslovu P {G N(t) = n}, funkciju gustine možemo pisati na sledeći način n t n 1 k=2 ϕ (T1,...,T n) N(t)(t 1,..., t n n) = (t k t k 1 ) = n! t 1... t n t n /n! t, (2.4) n za < t 1 <... < t n t, čime smo dokazali sledeće tvrd enje. Tvrd enje Neka je {N(t), t } Poasonov proces sa stopom rasta λ i neka je N(t) = n. Tada (T 1,..., T n ) ima zajedničku funkciju gustine koja je oblika ϕ (T1,...,T n) N(t)(t 1,..., t n n) = za < t 1 <... < t n t. n t n 1 k=2 (t k t k 1 ) t 1... t n t n /n! = n! t n, Drugi, (intuitivni) način definisanja zajedničke funkcije gustine slučajnog vektora (T 1,..., T n ), gde je N(t) = n, je da koristimo činjenicu da vreme pojavljivanja slučajnog dogad aja koji se javlja na intervalu (, t], ima uniformnu raspodelu na tom intervalu. Moramo uzeti u obzir pojavljivanje n dogad aja kao vrednosti n nezavisnih slučajnih promenljivih U i, svaku sa U(, t] raspodelom, pored ane po rastućem poretku, jer je T 1 < T 2 <... < T n, za šta postoji n! načina. Zbog nezavisnosti, za < t 1 <... < t n t funkciju gustine možemo pisati kao ϕ (U1,...,U n)(t 1,... t n ) = n ϕ Ui (t i ) = i=1 n i=1 1 t = 1 t n. Dakle, na ovaj način ponovo bismo došli do jednakosti (2.4), ϕ (T1,...,T n) N(t)(t 1,..., t n n) = n!ϕ (U1,...,U n)(t 1,... t n ) = n! t n, za < t 1 <... < t n t. Napomena: Kada red amo slučajne promenljive X 1,..., X n u rastućem poretku, koristimo uopštenu notaciju X (1),..., X (n), gde je X (i) < X (j), ako je i < j. Za slučajne promenljive pored ane u rastućem poretku važi X (1) = min{x 1,..., X n }, a X (n) = max{x 1,..., X n }.

27 2.1 Definicija Poasonovog procesa 27 Tvrd enje Neka je {N(t), t } Poasonov proces sa stopom rasta λ koji se pojavljuje u trenutku s, nezavisno od drugih dogad aja, i tipa je i, sa verovatnoćom p i (s), gde je i = 1, 2,..., j i j i=1 p i(s) = 1. Neka je N i (t) broj dogad aja tipa i na intervalu [, t]. Tada su N i (t) nezavisne slučajne promenljive sa Poasonovom raspodelom sa parametrima λ i (t) := λ p i (s)ds, za i = 1, 2,..., j. Dokaz: Znamo da je vreme pojavljivanja dogad aja slučajan dogad aj koji se javlja na intervalu [, t), i na ovom intervalu ima uniformnu raspodelu. Zbog toga možemo pisati da je verovatnoća da je ovaj dogad aj tipa i upravo p i, data sa p i = p i (s) 1 t ds, i = 1, 2,..., j. Kao i u dokazu Tvrd enja 2.1.2, slučajna promenljiva N i (t) ima Poasonovu raspodelu sa parametrom λ i (t) = λp i t = λ a promenljive N 1 (t),..., N j (t) su nezavisne. p i (s)ds, i = 1, 2,..., j, Napomena: Iako slučajne promenljive N i (t) imaju Poasonovu raspodelu, za svako i, stohastički procesi {N i (t), t } nisu Poasonovi procesi ukoliko funkcije p i (s) ne zavise od s, za svako i. Primer Klijenti koji stižu kod autodistributera čije je radno vreme od 9 do 21h mogu se klasifikovati u dve kategorije: oni koji nameravaju da kupe automobil (tip I) i oni koji samo razgledaju (tip II). Pretpostavimo da je data sledeća funkcija raspodele P {klijent tipa I} = { , u periodu od 9 do 18h,, u periodu od 18 do 21h nezavisno od kupca do kupca, a dolasci obrazuju Poasonov proces sa stopom rasta λ po danu. a) Odrediti disperziju za broj klijenata tipa I ako se zna da je stopa rasta procesa λ = 5.

28 28 Poasonovi procesi b) Pretpostavimo da je prosečna zarada po prodatom automobilu 1$, a stopa rasta procesa λ = 1. Koji je prosečan profit tog distributera u periodu od 9 do 18h tog dana, ako se zna da je u ovom vremenskom periodu prodato najmanje dva automobila. Rešenje: a) Neka je N I (t) broj klijenata tipa I na intervalu [, t], gde je t izraženo u satima. Možemo pisati ( 5 21 ) N I (12) : P p I (s)ds. 12 Računajući integral, dobijamo 9 Sada je Nas zanima 12 9 p I (s)ds = P ds ds = ( ) = P(21.875). 4 D(N I (12)) = D(21.875) = b) Neka je N 1 (t) broj prodaja u toku t dana, u periodu od 9 do 18 h. Proces{N 1 (t), t } je Poasonov, sa stopom rasta λ = = Ako označimo X = E(N 1 (1) N 1 (1) 2), onda nas interesuje 1 X. Znamo da je E(N 1 (1)) = + E(N 1 (1) N 1 (1)) P {N 1 (1) = 1} + X P {N 1 (1) 2}. Dalje, imamo 3.75 = e X (1 e 3.75 ( )). Rešavajući ovu jednačinu po X, dobijamo da je x , pa je prosečan profit, približno, 1$ X = 1$ = $.

29 2.1 Definicija Poasonovog procesa 29 Tvrd enje Neka su {N 1 (t), t } i {N 2 (t), t } dva nezavisna Poasonova procesa sa stopama rasta λ 1 i λ 2, respektivno. Dogad aj D n1,n 2 je definisan na sledeći način: n 1 dogad aja procesa {N 1 (t), t } se desi pre nego što se pojavi n 2 dogad aja procesa {N 2 (t), t }. Tada je verovatnoća dogad aja D n1,n 2 oblika P {D n1,n 2 } = P {X n 1 }, gde je X : B(n, p), n = n 1 + n 2 1, a p := λ 1 λ 1 +λ 2. Odnosno, P {D n1 n 2 } = n 1 +n 2 1 i=n 1 ( ) i n1 + n 2 1 λ 1 λ 2 ( ) ( ) i λ 1 + λ 2 λ 1 + λ 2 n 1 +n 2 1 i. (2.5) Dokaz: Neka je N(t) = N 1 (t) + N 2 (t) i neka je E j neki slučajan eksperiment koji se sastoji u posmatranju da li je j-ti dogad aj procesa {N(t), t } ujedno i dogad aj procesa {N 1 (t), t }, ili nije. Pošto Poasonov proces ima nezavisne i stacionarne priraštaje, eksperimenti E j zapravo predstavljaju nezavisna ispitivanja za koje je verovatnoća da je j-to ispitivanje uspešno, jednaka za svako j. Tada slučajna promenljiva X koja broji uspehe u n ispitivanja, po definiciji, ima binomnu raspodelu sa parametrom n, i važi p := P {T 1,1 < T 2,1 } = λ 1 λ 1 + λ 2, gde su T 1,1 : E(λ 1 ) i T 2,1 : E(λ 2 ) nezavisne slučajne promenljive. Pošto se dogad aj D n1,n 2 desi ako i samo ako postoji najmanje n 1 dogad aja procesa {N 1 (t), t } u prvih n 1 + n 2 1 dogad aja procesa {N(t), t }, odakle sledi jednakost (2.5). Primer Neka je {X(t), t [, 1]} stohastički proces definisan kao Poasonov proces {N(t), t } sa stopom rasta λ, na sledeći način X(t) = N(t) t N 1, za t [, 1]. Primetimo da je ovo stohastički proces za koji važi X() = X(1) =. Računamo sad očekivanje ovakvog procesa E(X(t)) = E(N(t) t N(1)) = E(N(t)) t E(N(1)) = λt t (λ 1) =, za t [, 1].

30 3 Poasonovi procesi Možemo zaključiti da ako je t i [, 1] za i = 1, 2,..., onda je funkcija autokovarijanse oblika C X (t 1, t 2 ) = E(X(t 1 )X(t 2 )) 2 = E[(N(t 1 ) t 1 N(1)) (N(t 2 ) t 2 N(1))] = E(N(t 1 )N(t 2 )) t 1 E(N(1)N(t 2 )) t 2 E(N(t 1 )N(1)) + t 1 t 2 E(N 2 1 ) = λ 2 t 1 t 2 + λmin{t 1, t 2 } t 1 (λ 2 t 2 + λt 2 ) t 2 (λ 2 t 1 + λt 1 ) + t 1 t 2 ((λ 2 + λ) = λ min{t 1, t 2 } λt 1 t 2, gde je korišćena već pokazana jednakost R N (t 1, t 2 ) = C N (t 1, t 2 ) + E(N(t 1 ))E(N(t 2 )) = λmin{t 1, t 2 } + λ 2 t 1 t 2. Ovaj proces možemo uopštiti definišući stohastički proces {X(t), t [, c]}, kao X(t) = N(t) t N(c), za t [, c] c = const >. c Primer Znamo da Poasonov proces nije slabo stacionaran proces. Sa druge strane, njegovi priraštaji jesu stacionarni. Posmatramo proces {X(t), t }, definisan na sledeći način X(t) = N(t + c) N(t), za t, c = const >, gde je {N(t), t } Poasonov proces za stopom rasta λ. Primetimo da je X() = N(c) : P(λc). Dakle, početna vrednost procesa je slučajna. Dalje, imamo N(t + c) N(t) : P(λc) E(X(t)) = λc, za svako t. Koristeći jednakost za autokorelacionu funkciju iz predhodnog primera, za s, t možemo izračunati autokorelacionu i autokovarijansnu funkciju i za ovaj primer: R X (t 1, t 2 ) = E[(N(t + c) N(t)) (N(t + s + c) N(t + s))] = E(N(t + c)n(t + s + c) E(N(t + c)n(t + s)) E(N(t)N(t + s + c)) + E(N(t)N(t + s)) = λ((t + s) t min{c, s} t + t) + λ 2 ((t + c)(t + s + c) (t + c)(t + s) t(t + s + c) + t(t + s)) = λ (c min{c, s}) + λ 2 c 2.

31 2.1 Definicija Poasonovog procesa 31 Dalje, odred ujemo autokovarijansnu funkciju ovog procesa C X (t, t + s) = R X (t, t + s) E(X(t))E(X(t + s)) = λ(c min{c, s}) + λ 2 c 2 (λc) 2 = λ(c min{c, s}) { o, c s = λ(c s), c > s. Stoga možemo pisati da je C X (t, t + s) = C X (s). Dakle, stohastički proces {X(t), t } jeste slabo stacionaran proces (jer je E(X(t)) = λc), što sledi iz nezavisnosti priraštaja Poasonovog procesa. Štaviše, činjenica da je autokovarijansna funkcija C X (s) jednaka nuli za c s jeste posledica nezavisnosti priraštaja procesa {N(t), t }. Primer Neka je broj posetilaca nekog web sajta u intervalu [, t] Poasonov proces {N(t), t } sa stopom rasta λ, po satu. Izračunati verovatnoću da je bilo više posetilaca sajta u periodu od 8 do 9 h nego u periodu od 9 do 1h, ako se zna da je u periodu od 8 do 1h bilo 1 posetilaca. Rešenje: Neka su N(1) i N(2) brojevi posetilaca sajta u periodu od 8 do 9h i od 9 do 1h, respektivno. Možemo reći da su slučajne promenljive N(1) : P(5) i N(2) : P(5) nezavisne. Možemo još zaključiti da slučajna promenljiva ( (N(i) N(1) + N(2) = 1) : B 1, 1 ) za i = 1, 2. 2 Tražimo verovatnoću X := P {N(1) > N(2) N(1) + N(2) = 1}. Zbog simetričnosti procesa možemo pisati 1 = X + P {N(1) = N(2) N(1) + N(2) = 1} + X ( ) = 2 X X Rešavanjem ove jednakosti dobijamo da je X.377. Dakle, verovatnoća da u periodu od 8 do 9h bude više posetilaca nego u periodu od 9 do 1h je 37.7%.

32 32 Poasonovi procesi Primer Proces M(t) je dat sa M(t) = N(t) t2 2, t, gde je {N(t), t } Poasonov proces sa stopom rasta λ. Izračunati verovatnoću P {1 < S(1) 2}, gde je S(1) := min{m(t) 1, t, }. Rešenje: Priraštaji Poasonovog pocesa su nezavisni i stacionarni i možemo računati na sledeći način: P {1 < S(1) 2} = P {N(1) =, N( 2) N(1) 2} + P {N(1) = 1, N( 2) N(1) 1} = e λ (1 e ( 2 1)λ (1 + ( 2 1)λ) + λe λ (1 e ( 2 1)λ ) Primer telegrafskog signala Zanimljiva transformacija Poasonovog procesa je telegrafski signal. Slika 2.2: Primer trajektorije telegrafskog signala Telegrafski signal je proces {X(t), t }, koji se definiše na sledeći način: X(t) = ( 1) N(t) = { 1, za N(t) = 2k 1, za N(t) = 2k + 1.

33 2.1 Definicija Poasonovog procesa 33 Primetimo da je X() = 1 jer je N() =. Dakle, početna vrednost procesa je deterministički odred ena. Da bi početna vrednost procesa bila stohastička, jednostavno možemo pomnožiti X(t) sa slučajnom promenljivom Z koja je nezavisna od X(t), za svako t, i koja sa verovatnoćom,5 uzima vrednosti -1 ili 1. Proces {Y (t), t }, gde je Y (t) := Z X(t), za svako t, zove se stohastički telegrafski signal. Možemo zaključiti da važi Z + Y (). Da bismo bili precizniji, za proces {X(t), t } koristićemo izraz polustohastički telegrafski signal. Da bismo odredili raspodelu slučajne promenljive X(t), neophodno je izračunati jer je Sledi da je P {X(t) = 1} = P {N(t) = 2k} = k= = e λt eλt + e λt 2 cosh λt := eλt + e λt 2 k= e λt (λt)2 k (2k)! = 1 + e 2λt, za svako t, 2 = k= P {X(t) = 1} = e 2λt 2 (λt) 2 k (2k)!. = 1 e 2λt. 2 U slučaju procesa {Y (t), t }, raspodela verovatnoće je sledeća: P {Y (t) = 1} = P {Z X(t) = 1} = P {X(t) = 1 Z = 1} P {Z = 1} + P {X(t) = 1 Z = 1} P {Z = 1} nez. = 1 (P {X(t) = 1} + P {X(t) = 1}) 2 = 1 2. Dakle, P {Y (t) = 1} = P {Y (t) = 1} = 1, za svako t, tako da je 2 očekivanje E(Y (t)) =, budući da je E(X(t)) = e λt 2 + ( 1) 1 e λt 2 = e 2λt, za svako t.

34 34 Poasonovi procesi Da bismo definisali autokorelacionu funkciju polustohastičkog telegrafskog signala, koristićemo definiciju samog procesa, odnosno X(t) = ( 1) N(t). Ako je s >, imamo R X (t, t + s) = E(X(t)X(t + s)) = E(( 1) N(t) ( 1) N(t+s) ) = E(( 1) 2N(t) ( 1) N(t+s) N(t) ) = E(( 1) N(t+s N(t) ) = E(( 1) N(s) ) = E(X(s)) = e 2λs, gde smo koristili osobinu da su priraštaji Poasonovog procesa stacionarni. Dalje odred ujemo autokovarijansnu funkciju procesa. C X (t, t + s) = e 2λs e 2λt e 2λ(t+s) = e 2λs (1 e 4λt ), za svako s, t. Obzirom da je Y (t) Y (t + s) = (Z X(t)) (Z X(t + s)) = Z 2 X(t) X(t + s) = 1 X(t) X(t + s) = X(t)X(t + s), zaključujemo da je autokovarijansna funkcija oblika C Y (t, t + s) = R Y (t, t + s) = R X (t, t + s) = e 2λs, za svako s, t. Iz gore pokazanog, možemo zaključiti da je proces {Y (t), t } slabo stacionaran proces. Može se pokazati da je proces ujedno i strogo stacionaran. Sa druge strane, proces {X(t), t } nije slabo stacionaran jer njegovo očekivanje zavisi od promenljive t, i C X (t, t + s) = C X (t).

35 2.2 Nehomogeni Poasonov proces Nehomogeni Poasonov proces U mnogim primenama Poasonovog procesa nije realno pretpostaviti da je prosečna stopa pojavljivanja dogad aja tog procesa konstantna. U praksi, ova stopa zavisi od vremena, odnosno od promenljive t. Na primer, prosečna stopa ulaska klijenata u supermarket nije ista u toku dana. Slično, prosečan broj automobila na autoputu različit je u toku saobraćajnog špica u odnosu na saobraćajno zatišje. U skladu sa ovim zaključcima, uopštićemo definiciju Poasonovog procesa. Definicija Proces prebrajanja sa nezavisnim priraštajima {N(t), t } se zove nehomogen (nestacionaran) Poasonov proces sa funkcijom intenziteta λ(t), za t, ako važi: 1.) N() = ; 2.) P {N(t + h) N(t) = 1} = λ(t)h + o(h); 3.) P {N(t + h) N(t) 2} = o(h). Napomena: Uslov 2.) ove definicije implicira da proces {N(t), t } nema stacionarne priraštaje, osim ukoliko λ(t) λ >. U slučaju da proces {N(t), t } ima stacionarne priraštaje, možemo zaključiti da je u pitanju homogen Poasonov proces sa stopom rasta λ, o kojem je bilo reči u predhodnom poglavlju. Kao i u slučaju kada je prosečna stopa pojavljivanja dogad aja konstantna, važi da broj dogad aja koji se javljaju u datom intervalu ima Poasonovu raspodelu. Tvrd enje Neka je {N(t), t } nehomogeni Poasonov proces sa funkcijom intenziteta λ(t). Tada važi: N(s + t) N(s) : P(m(s + t) m(s)), za svako s, t, gde je m(s) funkcija srednje vrednosti nehomogenog Poasonovog procesa: m(s) := s λ(y) dy.

36 36 Poasonovi procesi Dokaz: Neka je p n (s, t) := P {N(s + t) N(s) = n}, za n =, 1, 2,.... Koristeći osobinu da su priraštaji procesa {N(t), t } nezavisni i uslove iz definicije, za n = 1, 2,... mošemo odrediti p n (s, t + h) = P {N(s + t) N(s) = n N(s + t + h) N(s + t) = } odakle sledi da je +P {N(s + t) N(s) = n 1 N(s + t + h) = 1} + o(h) = p n (s, t)(1 λ(s + t)h + o(h)) +p n 1 (s, t)(λ(s + t)h + o(h)) + o(h), p n (s, t + h) p n (s, t) = λ(s + t)h (p n 1 (s, t) p n (s, t)) + o(h). Kada obe strane ove jednakosti podelimo sa h, i pustimo da h, dobijemo t p n(s, t) = λ(s + t)(p n 1 (s, t) p n (s, t)). (2.6) Za n = predhodna jednakost postaje t p (s, t) = λ(s + t)p (s, t). Promenljivu s možemo posmatrati kao konstantu. Stoga, ova jednakost postaje obična diferencijalna jednačina prvog reda, homogenog tipa. Njeno opšte rešenje je oblika p (s, t) = c exp{ s+t s λ(y) dy}, gde je c konstanta. Koristeći granični uslov p (s, ) = 1, zaključujemo da je c = 1, pa je predhodna jednakost oblika p (s, t) = exp{ s+t s λ(y) dy} = e m(s) m(s+t), za s, t. Kada zamenimo ovo rešenje u jednakost (2.6), dobijamo t p 1(s, t) = λ(s + t)(e m(s) m(s+t) p 1 (s, t)). Ovu jednakost drugačije možemo zapisati na sledeći način t p 1(s, t) = e m(s) m(s+t) p 1 (s, t)) (m(s + t) m(s)). t

37 2.2 Nehomogeni Poasonov proces 37 Lako se može proveriti da je rešenje ove nehomogene diferencijalne jednačine koja zadovoljava granični uslov p 1 (s, ) = oblika p 1 (s, t) = (m(s + t) m(s))e m(s) m(s+t), za svako s, t. Konačno, matematičkom indukcijom se može pokazati da je p n (s, t) = čime je tvrd enje dokazano. (m(s + t) m(s))n e m(s) m(s+t), za svako s, t, n N, n! Pretpostavimo da je λ(t) dva puta diferencijabilna funkcija tako da je λ(t) λ, za svako t. Tada možemo posmatrati nehomogeni Poasonov proces sa funkcijom intenziteta λ(t) uz pomoć homogenog Poasonovog procesa {N 1 (t), t } sa stopom rasta λ, pretpostavljajući da je dogad aj koji se pojavljuje u trenutku t dogad aj sa verovatnoćom pojavljivanja λ(t) λ. Neka F označava dogad aj da je izbrojan tačno jedan od dogad aja koji se pojavljuju na intervalu (t, t+h], a neka N(t) predstavlja ukupan broj dogad aja izbrojanih na intervalu [, t]. Na osnovu Tvrd enja (2.1.7) imamo P {N(t + h) N(t) = 1} = P {(N 1 (t + h) N 1 (h) = k) F } k=1 +h λ(u) = (λh + o(h)) t λ 1 du + o(h) h λ(t + c h) = (λh + o(h)) + o(h), λ za neko c (, 1), po teoremi srednje vrednosti za integrale. Pošto je λ(t + c h) = λ(t) + c h λ (t) + o(h), možemo odrediti P {N(t + h) N(t) = 1} = (λh + o(h)) λ(t) + c h λ (t) + o(h) + o(h) λ = λ(t)h + o(h). Ukoliko pretpostavimo da je t λ(t) dt = za svako t [, ), (2.7)

38 38 Poasonovi procesi tada je verovatnoća da se bar jedan dogad aj desi posle trenutka t = 1 jednak lim P {N(t + s) N(t ) 1} = 1 lim P {N(t + s) N(t ) = } s s = 1 lim exp{ s = 1 = 1. Primetimo da jednakost (2.7) važi kada je λ(t) λ >. +s t λ(t) dt} Neka je T 1 slučajna promenliva koja označava vreme pojavljivanja prvog dogad aja procesa {N(t), t }. Sada ćemo odrediti raspodelu za slučajnu promenljivu T 1, ako je N(t) = 1, kao i u slučaju homogenog Poasonovog procesa. Tvrd enje Neka je {N(t), t } nehomogeni Poasonov proces sa funkcijom intenziteta λ(t). Funkcija gustine za slučajnu promenljivu je oblika S := T 1 N(t) = 1, ϕ S (s) = λ(s), za s (, t]. (2.8) m(t) Dokaz: Ako je s (, t] možemo odrediti funkciju raspodele na sledeći način Obzirom da je P {T 1 s N(t) = 1} = jednakost (2.8) je dokazana. d ds m(s) = d ds P {N(s) = 1 N(t) N(s) = } P {N(t) = 1} nez. = (m(s) e m(s) ) e m(t)+m(s) m(t)e m(t) = m(s) m(t). s λ(u)du = λ(s),

39 2.2 Nehomogeni Poasonov proces 39 Funkcija raspodele za proces S koji predstavlja vreme pojavljivanja jednog dogad aja koji se javlja na intervalu (τ, τ + t] je oblika F S (s) = pa je funkcija gustine oblika ϕ S (s) = m(s) m(τ), za τ < s τ + t, m(τ + t) m(τ) λ(s), za τ < s τ + t, m(τ + t) m(τ) gde je S := T {N(τ +t) N(τ) = 1}, a T vreme pojavljivanja prvog dogad aja nehomogenog Poasonovog procesa na intervalu (τ, τ + t].

40 4 Poasonovi procesi 2.3 Složeni Poasonov proces Definicija Neka su X 1, X 2,... nezavisne slučajne promenljive sa istom raspodelom, i neka je N slučajna promenljiva čije su moguće vrednosti svi pozitivni celi brojevi, i ona je nezavisna od X k -ova. Slučajna promenljiva S N := N X k (2.9) k=1 zove se složena slučajna promenljiva. Tvrd enje Očekivanje i disperzija slučajne promenljive S N koja je definisana kao jednakost (2.9) su oblika: E(S N ) = E(N) E(X 1 ) D(S N ) = E(N) D(X 1 ) + D(N) (E(X 1 )) 2. Umesto X 1 može se uzeti bilo koje X k jer su ove promenljive med usobno nezavisne i imaju jednaku raspodelu. Za ove osobine koristićemo oznaku NJR (Nezavisne i Jednako Raspored ene). Dokaz: Najpre pokazujemo prvu jednakost ( n ) n E X k = E(X k ) = n E(X 1 ). k=1 k=1 Pošto je N nezavisno od X k -ova, što zapisujemo na sledeći način ( N ) ( n ) E X k N = n = E X k = n E(X 1 ), k=1 k=1 dolazimo do jednakosti ( N ) E X k N = N E(X 1 ). k=1 Sledi da je ( N ) ( ( N )) E X k = E E X k N = E(N E(X 1 )) = E(N) E(X 1 ). k=1 k=1

41 2.3 Složeni Poasonov proces 41 Napomena: Da bi pokazana jednakost bila validna, nije neophodno da promenljive X k budu med usobno nezavisne. Jednakost za disperziju dokazujemo na sličan način, ali je tada neophodno da promenljive X k budu nezavisne. ) što implicira ( N D X k N = n k=1 NJR = n D(X 1 ), ( N ) D X k N = N D(X 1 ). k=1 Uz pomoć jednakosti za uslovno očekivanje D(X) = E(D(X Y )) + D(E(X Y )), dobijamo ( N ) ( ( N )) ( ( N )) D X k = E D X k N + D E X k N, k=1 pa onda možemo pisati ( N ) D X k k=1 k=1 k=1 = E(N D(X 1 )) + D(N E(X 1 )) = E(N) D(X 1 ) + D(N) (E(X 1 )) 2. Definicija Neka je {N(t), t } Poasonov proces sa stopom rasta λ, a X 1, X 2,... nezavisne i jednako raspored ene slučajne promenljive (NJR), koje su nezavisne od procesa {N(t), t }. Stohastički proces {Y (t), t } definisan je kao N(t) Y (t) = X k, za svako t, k=1 gde važi da je Y (t) = ako je N(t) =, zove se složen Poasonov proces. Ovo je još jedan od načina uopštavanja Poasonovog procesa. Ako bi važilo da su slučajne promenljive X k konstantne i jednake 1, tada bi procesi

42 42 Poasonovi procesi {Y (t), t } i {N(t), t } bili identični, tj. i Y (t) bi bio homogen Poasonov proces. Definišimo sada očekivanje i disperziju složenog Poasonovog procesa koristeći predhodno dokazano tvrd enje. Ako zamenimo oznake tako da je S N = Y (t) a N = N(t), dobijamo E(Y (t)) = E(N(t)) E(X 1 ) = λt E(X 1 ), i D(Y (t)) = E(N(t)) D(X 1 ) + D(N(t)) (E(X 1 )) 2 = λt (D(X 1 ) + (E(X 1 )) 2 ) = λt E(X 2 1). Lako se može odrediti funkcija generatrise momenta slučajne promenljive Y (t). Neka je M 1 (s) M X1 (s) = E(e sx 1 ). Računamo: M Y (t) (s) = E(e sy (t) ) = E(e s(x X N(t) ) ) = E(E(e s(x X N(t) ) N(t))) nez. = E(e s(x X n) λt (λt)n )e n! NJR = n= n= (M 1 (s)) n λt (λt)n e n! = e λt e M 1(s)λt = exp{λt (M 1 (s) 1)}. Ova jednakost nam omogućava da proverimo rezultate dobijene za očekivanje i disperziju složenog Poasonovog procesa. E(Y (t)) = d ds M Y (t)(s) s= = M Y (t) (s) M 1(s) s= = M Y (t) () λt M 1() = 1 λt E(X 1 ) = λt E(X 1 ).

43 2.3 Složeni Poasonov proces 43 U slučaju kada je X 1 diskretna slučajna promenljiva čije su moguće vrednosti 1, 2,..., j, proces možemo definisati na sledeći način: Y (t) = j i N i (t), i=1 gde je N i (t) broj slučajnih promenljivih X k (koje su povezane sa nekim slučajnim dogad ajem) koje uzimaju vrednosti i na intervalu [, t]. Na osnovu Tvrd enja 2.1.2, procesi {N i (t), t } su nezavisni Poasonovi procesi sa stopom rasta λp xi (i), za i = 1,..., j. Funkcija generatrise momenta slučajne promenljive Y (t) za ovakav slučaj biće j M Y (t) (s) = exp{λt (e si 1) p X1 (i)}. i=1 Pošto lim t N(t) =, na osnovu centralne granične teoreme zaključujemo da važi sledeće tvrd enje. Tvrd enje Za t dovoljno veliko, važi da Y (t) N (λt E(X 1 ), λt E(X 2 1)). Napomena: Da bi predhodno tvrd enje važilo, broj promenljivih u sumi mora biti najmanje 3 u zavisnosti od stepena asimetrije raspodele slučajne promenljive X 1. Neka su {Y 1 (t), t } i {Y 2 (t), t } nezavisni Poasonovi procesi, definisani na sledeći način Y i (t) = N i (t) k=1 X i,k, za svako t, i važi da je Y i (t) = ako je N i (t) =, gde je {N i (t), t } Poasonov proces sa stopom rasta λ i, za i = 1, 2. Znamo da je proces {N(t), t }, gde je N(t) = N 1 (t) + N 2 (t), za svako t takod e Poasonov proces sa parametrom λ = λ 1 + λ 2 (jer su ova dva procesa nezavisna). Neka je X k slučajna promenljiva povezana sa k-tim dogad ajem procesa {N(t), t }. Tada možemo pisati { X1,k, sa v-ćom p = λ 1 X k = λ 1 +λ 2 X 2,k, sa v-ćom q = 1 p.

44 44 Poasonovi procesi Drugim rečima, X k ima istu raspodelu kao i X 1,k, odnosno X 2,k sa verovatnoćom p, odnosno 1 p. Dakle, važi P {X k x} = P {X 1,k x} P {X 1,k } + P {X 2,k x} P {X 2,k } = P {X 1,k x} p + P {X 2,k x} (1 p). Pošto su slučajne promenljive X 1, X 2,... nezavisne, sa jednakom raspodelom i nezavisne od Poasonovog procesa {N(t), t }, možemo zaključiti da proces {Y (t), t } definisan kao proces jeste složen Poasonov proces, takod e. Y (t) = Y 1 (t) + Y 2 (t), za t, Primer Pretpostavimo da klijenti neke osiguravajuće kuće plaćaju premiju sa konstantnom stopom α (po jedinici vremena) i da ta kuća plaća obeštećenja svojim klijentima u skladu sa Poasonovim procesom sa parametrom λ. Želimo da odredimo kapital sa kojim ta osiguravajuća kuća raspolaže u trenutnku t. Rešenje: Ako je iznos isplaćen po zahtevu klijenta jedna slučajna promenljiva i ako su ti zahtevi zasebni, onda su te slučajne promenljive nezavisne i sa istom raspodelom, tada je kapital kojim osiguravajuća kuća raspolaže u trenutku t oblika C(t) = C() + αt Y (t), gde je {Y (t), t } složeni Poasonov proces (jer pretpostavljamo da iznosi odštete ne zavise od broja do tada isplaćenih odšteta). Važan zadatak je odrediti rizik da slučajna promenljiva C(t), odnosno rizik da će osiguravajuća kuća bankrotirati. Ako je količina isplaćenih obeštećenja veća nego količina uplaćenih premija, odnosno α < λµ, gde je µ := E(X 1 ) prosečna odšteta koju je osiguravajuća kuća isplatila, tada možemo zaključiti da će osiguravajuća kuća bankrotirati sa verovatnoćom 1, skoro sigurno, što bi bio i logičan, intuitivni zaključak.