WikiDer > Теория обновления

Renewal theory

Теория обновления это филиал теория вероятности это обобщает Пуассоновский процесс для произвольного времени выдержки. Вместо экспоненциально распределенный время ожидания, процесс продления может иметь любые независимые и одинаково распределенные (IID) времена выдержки с конечным средним значением. Процесс возобновления-вознаграждения дополнительно имеет случайную последовательность вознаграждений, полученных в каждый момент удержания, которые являются IID, но не обязательно должны быть независимыми от времени удержания.

Процесс восстановления обладает асимптотическими свойствами, аналогичными процессу восстановления. сильный закон больших чисел и Центральная предельная теорема. Функция обновления ${ Displaystyle м (т)}$ (ожидаемое количество прибывших) и функция вознаграждения ${ displaystyle g (t)}$ (ожидаемая величина вознаграждения) имеют ключевое значение в теории обновления. Функция восстановления удовлетворяет рекурсивному интегральному уравнению, уравнению восстановления. Ключевое уравнение восстановления дает предельное значение свертка из ${ Displaystyle m '(т)}$ с подходящей неотрицательной функцией. Суперпозицию процессов восстановления можно изучать как частный случай Марковские процессы обновления.

Приложения включают расчет наилучшей стратегии замены изношенного оборудования на заводе и сравнение долгосрочных преимуществ различных страховых полисов. Парадокс проверки связан с тем, что соблюдение интервала обновления во времени т дает интервал со средним значением, превышающим средний интервал обновления.

Процессы продления

Вступление

В процесс обновления является обобщением Пуассоновский процесс. По сути, процесс Пуассона - это марковский процесс с непрерывным временем на положительных целых числах (обычно начинающихся с нуля), которые имеют независимые экспоненциально распределенный время выдержки при каждом целом числе ${ displaystyle i}$ перед переходом к следующему целому числу, ${ displaystyle i + 1}$ . В процессе обновления время ожидания не обязательно должно иметь экспоненциальное распределение; скорее, времена удержания могут иметь любое распределение по положительным числам, при условии, что времена удержания независимы и одинаково распределены (IID) и имеют конечное среднее.

Формальное определение

Пример эволюции процесса обновления с время выдержки S_я и время прыжка J_п.

Позволять ${ Displaystyle S_ {1}, S_ {2}, S_ {3}, S_ {4}, S_ {5}, ldots}$ последовательность положительных независимые одинаково распределенные случайные переменные такой, что

{ displaystyle 0 < operatorname {E} [S_ {i}] < infty.}

Мы говорим о случайной величине ${ displaystyle S_ {i}}$ как " ${ displaystyle i}$ -я выдержка ».

${ displaystyle operatorname {E} [S_ {i}]}$ это ожидание из ${ displaystyle S_ {i}}$ .

Определите для каждого п > 0 :

{ Displaystyle J_ {п} = сумма _ {я = 1} ^ {п} S_ {я},}

каждый ${ displaystyle J_ {n}}$ называется " ${ displaystyle n}$ время прыжка »и интервалы ${ displaystyle [J_ {n}, J_ {n + 1}]}$ называются «интервалами обновления».

потом ${ Displaystyle (X_ {т}) _ {т geq 0}}$ задается случайной величиной

{ displaystyle X_ {t} = sum _ {n = 1} ^ { infty} operatorname { mathbb {I}} _ { {J_ {n} leq t }} = sup left {, ​​n: J_ {n} leq t , right }}

куда ${ displaystyle operatorname { mathbb {I}} _ { {J_ {n} leq t }}}$ это индикаторная функция

{ displaystyle operatorname { mathbb {I}} _ { {J_ {n} leq t }} = { begin {case} 1, & { text {if}} J_ {n} leq t 0, & { text {иначе}} end {case}}}

${ Displaystyle (X_ {т}) _ {т geq 0}}$ представляет количество прыжков, которые произошли за время т, и называется процессом обновления.

Интерпретация

Если рассматривать события, происходящие в случайное время, можно подумать о временах выдержки. ${ displaystyle {S_ {i}: я geq 1 }}$ как случайное время, прошедшее между двумя последовательными событиями. Например, если в процессе обновления моделируется количество поломок разных машин, то время выдержки представляет собой время между выходом из строя одной машины и выходом из строя другой.

Пуассоновский процесс - это уникальный процесс обновления с Марковская собственность,^[1] поскольку экспоненциальное распределение является уникальной непрерывной случайной величиной со свойством без памяти.

Процессы возобновления и вознаграждения

Пример эволюции процесса вознаграждения за продление с время выдержки S_я, время прыжка J_п и награды W_я

Позволять ${ Displaystyle W_ {1}, W_ {2}, ldots}$ быть последовательностью IID случайные переменные (награды) удовлетворение

{ Displaystyle OperatorName {E} | W_ {i} | < infty. ,}

Тогда случайная величина

{ displaystyle Y_ {t} = sum _ {i = 1} ^ {X_ {t}} W_ {i}}

называется процесс возобновления вознаграждения. Обратите внимание, что в отличие от ${ displaystyle S_ {i}}$ , каждый ${ displaystyle W_ {i}}$ может принимать как отрицательные, так и положительные значения.

Случайная величина ${ displaystyle Y_ {t}}$ зависит от двух последовательностей: времени выдержки ${ Displaystyle S_ {1}, S_ {2}, ldots}$ и награды ${ Displaystyle W_ {1}, W_ {2}, ldots}$ Эти две последовательности не обязательно должны быть независимыми. Особенно, ${ displaystyle W_ {i}}$ может быть функцией ${ displaystyle S_ {i}}$ .

Интерпретация

В контексте вышеупомянутой интерпретации времени ожидания как времени между последовательными сбоями в работе машины "вознаграждения" ${ Displaystyle W_ {1}, W_ {2}, ldots}$ (которые в данном случае оказываются отрицательными) можно рассматривать как последующие затраты на ремонт, понесенные в результате последовательных неисправностей.

Альтернативная аналогия заключается в том, что у нас есть волшебный гусь, который откладывает яйца с интервалами (временем выдержки), распределенными как ${ displaystyle S_ {i}}$ . Иногда он откладывает золотые яйца произвольного веса, а иногда - ядовитые яйца (также произвольного веса), которые требуют ответственной (и дорогостоящей) утилизации. "Награды" ${ displaystyle W_ {i}}$ - последовательные (случайные) финансовые потери / прибыли в результате последовательных яиц (я = 1,2,3, ...) и ${ displaystyle Y_ {t}}$ записывает общую финансовую "награду" т.

Функция продления

Мы определяем функция обновления как ожидаемое значение количества скачков, наблюдаемых до некоторого времени ${ displaystyle t}$ :

{ Displaystyle m (t) = OperatorName {E} [X_ {t}]. ,}

Элементарная теорема восстановления

Функция восстановления удовлетворяет

{ displaystyle lim _ {t to infty} { frac {1} {t}} m (t) = { frac {1} { operatorname {E} [S_ {1}]}}.}

Доказательство

В сильный закон больших чисел для процессов обновления подразумевает

{ displaystyle lim _ {t to infty} { frac {X_ {t}} {t}} = { frac {1} { operatorname {E} [S_ {1}]}}.}

Чтобы доказать элементарную теорему восстановления, достаточно показать, что ${ displaystyle left {{ frac {X_ {t}} {t}}; т geq 0 right }}$ равномерно интегрируемо.

Для этого рассмотрим некоторый усеченный процесс обновления, в котором время ожидания определяется как ${ displaystyle { overline {S_ {n}}} = a operatorname { mathbb {I}} {S_ {n}> a }}$ куда ${ displaystyle a}$ это точка такая, что ${ Displaystyle 0$ который существует для всех недетерминированных процессов обновления. Этот новый процесс обновления ${ displaystyle { overline {X}} _ {t}}$ это верхняя граница ${ displaystyle X_ {t}}$ и его обновления могут происходить только на решетке ${ Displaystyle {на; п в mathbb {N} }}$ . Кроме того, количество обновлений в каждый момент времени геометрическое с параметром ${ displaystyle p}$ . Итак, у нас есть

{ displaystyle { begin {align} { overline {X_ {t}}} & leq sum _ {i = 1} ^ {[at]} operatorname {Geometric} (p) operatorname {E } left [, { overline {X_ {t}}} ^ {2} , right] & leq C_ {1} t + C_ {2} t ^ {2} P left ({ frac {X_ {t}} {t}}> x right) & leq { frac { operatorname {E} left [X_ {t} ^ {2} right]} {t ^ {2} x ^ {2}}} leq { frac { operatorname {E} left [{ overline {X_ {t}}} ^ {2} right]} {t ^ {2} x ^ {2} }} leq { frac {C} {x ^ {2}}}. end {align}}}

Элементарная теорема восстановления для процессов вознаграждения за обновление

Мы определяем функция вознаграждения:

{ displaystyle g (t) = operatorname {E} [Y_ {t}]. ,}

Функция вознаграждения удовлетворяет

{ displaystyle lim _ {t to infty} { frac {1} {t}} g (t) = { frac { operatorname {E} [W_ {1}]} { operatorname {E} [S_ {1}]}}.}

Уравнение обновления

Функция восстановления удовлетворяет

{ Displaystyle m (t) = F_ {S} (t) + int _ {0} ^ {t} m (t-s) f_ {S} (s) , ds}

куда ${ displaystyle F_ {S}}$ - кумулятивная функция распределения ${ displaystyle S_ {1}}$ и ${ displaystyle f_ {S}}$ - соответствующая функция плотности вероятности.

Доказательство^[2]

Мы можем повторить ожидания относительно первого времени выдержки:

{ displaystyle m (t) = operatorname {E} [X_ {t}] = operatorname {E} [ operatorname {E} (X_ {t} mid S_ {1})]. ,}

Из определения процесса обновления, мы имеем

{ displaystyle operatorname {E} (X_ {t} mid S_ {1} = s) = operatorname { mathbb {I}} _ { {t geq s }} left (1+ operatorname {E} [X_ {ts}] right). ,}

Так

{ displaystyle { begin {align} m (t) & = operatorname {E} [X_ {t}] [12pt] & = operatorname {E} [ operatorname {E} (X_ {t} mid S_ {1})] [12pt] & = int _ {0} ^ { infty} operatorname {E} (X_ {t} mid S_ {1} = s) f_ {S} (s ) , ds [12pt] & = int _ {0} ^ { infty} operatorname { mathbb {I}} _ { {t geq s }} left (1+ operatorname { E} [X_ {ts}] right) f_ {S} (s) , ds [12pt] & = int _ {0} ^ {t} left (1 + m (ts) right) f_ {S} (s) , ds [12pt] & = F_ {S} (t) + int _ {0} ^ {t} m (ts) f_ {S} (s) , ds, конец {выровнено}}}

как требуется.

Ключевая теорема восстановления

Позволять Икс быть процессом обновления с функцией обновления ${ Displaystyle м (т)}$ и среднее обновление ${ displaystyle mu}$ . Позволять ${ displaystyle g: [0, infty) rightarrow [0, infty)}$ быть функцией, удовлетворяющей:

${ Displaystyle int _ {0} ^ { infty} г (т) , dt < infty}$
грамм монотонный и невозрастающий

Ключевая теорема восстановления утверждает, что, поскольку ${ Displaystyle т rightarrow infty}$ :^[3]

{ displaystyle int _ {0} ^ {t} g (tx) m '(x) , dx rightarrow { frac {1} { mu}} int _ {0} ^ { infty} g (х) , dx}

Теорема возобновления

Учитывая ${ Displaystyle г (х) = mathbb {I} _ {[0, ч]} (х)}$ для любого ${ displaystyle h> 0}$ дает как частный случай теорему восстановления:^[4]

{ Displaystyle м (т + ч) -м (т) rightarrow { гидроразрыва {ч} { му}}}

в качестве

{ Displaystyle т rightarrow infty}

Результат может быть доказан с помощью интегральных уравнений или связь аргумент.^[5] Хотя это частный случай ключевой теоремы о восстановлении, ее можно использовать для вывода полной теоремы, рассматривая ступенчатые функции и затем увеличивая последовательности ступенчатых функций.^[3]

Асимптотические свойства

Процессы обновления и процессы вознаграждения за обновление обладают свойствами, аналогичными свойствам сильный закон больших чисел, которое можно получить из той же теоремы. Если ${ Displaystyle (X_ {т}) _ {т geq 0}}$ это процесс обновления и ${ Displaystyle (Y_ {т}) _ {т geq 0}}$ это процесс вознаграждения за продление, то:

{ displaystyle lim _ {t to infty} { frac {1} {t}} X_ {t} = { frac {1} { operatorname {E} [S_ {1}]}}}

^[6]

{ displaystyle lim _ {t to infty} { frac {1} {t}} Y_ {t} = { frac {1} { operatorname {E} [S_ {1}]}} operatorname {E} [W_ {1}]}

почти наверняка.

Доказательство

Сначала рассмотрим

{ Displaystyle (X_ {т}) _ {т geq 0}}

. По определению мы имеем:

{ Displaystyle J_ {X_ {t}} leq t leq J_ {X_ {t} +1}}

для всех ${ Displaystyle т geq 0}$ и так

{ Displaystyle { frac {J_ {X_ {t}}} {X_ {t}}} leq { frac {t} {X_ {t}}} leq { frac {J_ {X_ {t} + 1}} {X_ {t}}}}

для всех т ≥ 0.

Теперь, когда ${ Displaystyle 0 < OperatorName {E} [S_ {i}] < infty}$ у нас есть:

{ displaystyle X_ {t} to infty}

в качестве ${ Displaystyle т к infty}$ почти наверняка (с вероятностью 1). Следовательно:

{ displaystyle { frac {J_ {X_ {t}}} {X_ {t}}} = { frac {J_ {n}} {n}} = { frac {1} {n}} sum _ {i = 1} ^ {n} S_ {i} to operatorname {E} [S_ {1}]}

почти наверняка (используя усиленный закон больших чисел); по аналогии:

{ displaystyle { frac {J_ {X_ {t} +1}} {X_ {t}}} = { frac {J_ {X_ {t} +1}} {X_ {t} +1}} { frac {X_ {t} +1} {X_ {t}}} = { frac {J_ {n + 1}} {n + 1}} { frac {n + 1} {n}} to operatorname {E} [S_ {1}] cdot 1}

почти наверняка.

Таким образом (поскольку ${ displaystyle t / X_ {t}}$ зажат между двумя терминами)

{ displaystyle { frac {1} {t}} X_ {t} to { frac {1} { operatorname {E} [S_ {1}]}}}

почти наверняка.^[3]

Далее рассмотрим ${ Displaystyle (Y_ {т}) _ {т geq 0}}$ . У нас есть

{ displaystyle { frac {1} {t}} Y_ {t} = { frac {X_ {t}} {t}} { frac {1} {X_ {t}}} Y_ {t} to { frac {1} { operatorname {E} [S_ {1}]}} cdot operatorname {E} [W_ {1}]}

почти наверняка (используя первый результат и закон больших чисел на ${ displaystyle Y_ {t}}$ ).

Процессы продления дополнительно обладают свойством, аналогичным Центральная предельная теорема:^[6]

{ displaystyle { frac {X_ {t} -t / mu} { sqrt {t sigma ^ {2} / mu ^ {3}}}}}

Парадокс осмотра

Интервал обновления определяется случайной точкой т (показан красным) стохастически больше, чем первый интервал обновления.

Любопытная особенность процессов обновления состоит в том, что если мы подождем некоторое заранее определенное время т а затем посмотрите, насколько велик интервал обновления, содержащий т есть, мы должны ожидать, что он обычно будет больше, чем интервал обновления среднего размера.

Математически парадокс проверки гласит: для любого t> 0 интервал обновления, содержащий t, равен стохастически больше чем первый интервал обновления. То есть для всех Икс > 0 и для всех т > 0:

{ Displaystyle OperatorName {P} (S_ {X_ {t} +1}> x) geq operatorname {P} (S_ {1}> x) = 1-F_ {S} (x)}

куда F_S - кумулятивная функция распределения времен удержания IID S_я.

Разрешение парадокса состоит в том, что наше выборочное распределение во времени т смещен по размеру, поскольку вероятность выбора интервала пропорциональна его размеру. Однако средний интервал обновления не зависит от размера.

Доказательство

Обратите внимание, что время последнего прыжка перед т является

{ displaystyle J_ {X_ {t}}}

; и что интервал обновления, содержащий т является

{ displaystyle S_ {X_ {t} +1}}

. потом

{ displaystyle { begin {align} operatorname {P} (S_ {X_ {t} +1}> x) & {} = int _ {0} ^ { infty} operatorname {P} (S_ { X_ {t} +1}> x mid J_ {X_ {t}} = s) f_ {J_ {X_ {t}}} (s) , ds [12pt] & {} = int _ { 0} ^ { infty} operatorname {P} (S_ {X_ {t} +1}> x | S_ {X_ {t} +1}> ts) f_ {J_ {X_ {t}}} (s) , ds [12pt] & {} = int _ {0} ^ { infty} { frac { operatorname {P} (S_ {X_ {t} +1}> x ,, , S_ {X_ {t} +1}> ts)} { operatorname {P} (S_ {X_ {t} +1}> ts)}} f_ {J_ {X_ {t}}} (s) , ds [12pt] & {} = int _ {0} ^ { infty} { frac {1-F ( max {x, ts })} {1-F (ts)}} f_ {J_ {X_ {t}}} (s) , ds [12pt] & {} = int _ {0} ^ { infty} min left {{ frac {1-F (x)} {1-F (ts)}}, { frac {1-F (ts)} {1-F (ts)}} right } f_ {J_ {X_ {t}}} (s) , ds [12pt] & {} = int _ {0} ^ { infty} min left {{ frac {1-F (x)} {1-F (ts)}}, 1 right } f_ {J_ {X_ {t}}} (s) , ds [12pt] & {} geq int _ {0} ^ { infty} (1-F (x)) f_ {J_ {X_ {t}}} (s) , ds = 1-F (x) = operatorname {P} (S_ {1}> x), [12pt] end {align}}}

поскольку оба ${ displaystyle { frac {1-F (x)} {1-F (t-s)}}}$ и ${ displaystyle 1}$ больше или равны ${ Displaystyle 1-F (х)}$ для всех значений s.

Суперпозиция

Если процесс обновления не является пуассоновским, суперпозиция (сумма) двух независимых процессов обновления не является процессом обновления.^[7] Однако такие процессы можно описать в рамках более широкого класса процессов, называемых Марковско-восстановительные процессы.^[8] Тем не менее кумулятивная функция распределения первого межсобытийного времени в процессе суперпозиции определяется выражением^[9]

{ Displaystyle R (T) = 1- sum _ {k = 1} ^ {K} { frac { alpha _ {k}} { sum _ {l = 1} ^ {K} alpha _ { l}}} (1-R_ {k} (t)) prod _ {j = 1, j neq k} ^ {K} alpha _ {j} int _ {t} ^ { infty} ( 1-R_ {j} (u)) , { text {d}} u}

куда р_k(т) и α_k > 0 - это функция распределения времени между событиями и скорость поступления процесса. k.^[10]

Пример приложения

Эрик предприниматель п машины, срок эксплуатации каждой из которых равномерно распределен от нуля до двух лет. Эрик может позволить каждой машине поработать до тех пор, пока она не выйдет из строя, при стоимости замены 2600 евро; в качестве альтернативы он может заменить машину в любое время, пока она еще функционирует, по цене 200 евро.

Какова его оптимальная политика замены?

Решение

Время жизни п машины можно смоделировать как п независимые параллельные процессы возобновления и вознаграждения, поэтому достаточно рассмотреть случай п = 1. Обозначим этот процесс

{ Displaystyle (Y_ {т}) _ {т geq 0}}

. Последовательные жизни S заменяющих машин независимы и одинаково распределены, поэтому оптимальная политика одинакова для всех заменяющих машин в процессе.

Если Эрик решит в начале жизни машины заменить ее вовремя 0 < т < 2 но машина выходит из строя до этого времени, тогда срок службы S машины равномерно распределена на [0,т] и, следовательно, имеет ожидание 0,5т. Таким образом, общий ожидаемый срок службы машины составляет:

{ displaystyle { begin {align} operatorname {E} [S] & = operatorname {E} [S mid { text {не выполняется до}} t] cdot operatorname {P} [{ text { не сработает до}} t] + operatorname {E} [S mid { text {не сработает до}} t] cdot operatorname {P} [{ text {не сработает до}} t] [6pt] & = 0,5t ({ frac {t} {2}}) + t ({ frac {2-t} {2}}) end {align}}}

и ожидаемая стоимость W на машину:

{ displaystyle { begin {align} operatorname {E} [W] & = operatorname {E} [W mid { text {не выполняется до}} t] cdot operatorname {P} ({ text { терпит неудачу до}} t) + operatorname {E} [W mid { text {не терпит неудачу раньше}} t] cdot operatorname {P} ({ text {не терпит неудачу раньше}} t) [6pt] & = 2600 ({ frac {t} {2}}) + 200 ({ frac {2-t} {2}}) = 1200t + 200. End {align}}}

Итак, согласно строгому закону больших чисел, его долгосрочная средняя стоимость единицы времени составляет:

{ displaystyle { frac {1} {t}} Y_ {t} simeq { frac { operatorname {E} [W]} { operatorname {E} [S]}} = { frac {4 ( 1200t + 200)} {t ^ {2} + 4t-2t ^ {2}}}}

затем дифференцируя по т:

{ displaystyle { frac { partial} { partial t}} { frac {4 (1200t + 200)} {t ^ {2} + 4t-2t ^ {2}}} = 4 { frac {( 4t-t ^ {2}) (1200) - (4-2t) (1200t + 200)} {(t ^ {2} + 4t-2t ^ {2}) ^ {2}}},}

это означает, что точки поворота удовлетворяют:

{ displaystyle { begin {align} 0 & = (4t-t ^ {2}) (1200) - (4-2t) (1200t + 200) = 4800t-1200t ^ {2} -4800t-800 + 2400t ^ { 2} + 400t [6pt] & = - 800 + 400t + 1200t ^ {2}, end {align}}}

и поэтому

{ Displaystyle 0 = 3t ^ {2} + t-2 = (3t-2) (t + 1).}

Мы принимаем единственное решение т в [0, 2]: т = 2/3. Это действительно минимум (а не максимум), поскольку стоимость единицы времени стремится к бесконечности как т стремится к нулю, что означает, что стоимость уменьшается по мере т увеличивается до точки 2/3, где она начинает увеличиваться.

Смотрите также

Примечания

^ Гриммет и Стирзакер (1992), п. 393.
^ Гриммет и Стирзакер (1992), п. 390.
^ ^а ^б ^c Гриммет и Стирзакер (1992), п. 395.
^ Феллер (1971), п. 347–351.
^ Гриммет и Стирзакер (1992), п. 394–5.
^ ^а ^б Гриммет и Стирзакер (1992), п. 394.
^ Гриммет и Стирзакер (1992), п. 405.
^ Чинлар, Эрхан (1969). «Теория марковского восстановления». Достижения в прикладной теории вероятностей. Доверие прикладной вероятности. 1 (2): 123–187. Дои:10.2307/1426216. JSTOR 1426216.
^ Лоуренс, А. Дж. (1973). «Зависимость интервалов между событиями в процессах суперпозиции». Журнал Королевского статистического общества. Серия B (Методологическая). 35 (2): 306–315. Дои:10.1111 / j.2517-6161.1973.tb00960.x. JSTOR 2984914. формула 4.1
^ Чунгмо Фофак, Никайз; Наин, Филипп; Неглия, Джованни; Таусли, Дон. «Анализ сетей кэширования на основе TTL». Труды 6-й Международной конференции по методологиям и инструментам оценки эффективности. Получено 15 ноя, 2012.

v т е Стохастические процессы
Дискретное время	Процесс Бернулли Ветвящийся процесс Китайский ресторанный процесс Процесс Гальтона – Ватсона Независимые и одинаково распределенные случайные величины Цепь Маркова Процесс Морана Случайная прогулка Со стиранием петли Избегать себя Пристрастный Максимальная энтропия
Непрерывное время	Аддитивный процесс Бесселевский процесс Процесс рождения – смерти чистое рождение Броуновское движение Мост Экскурсия Дробное Геометрический Меандр Процесс Коши Контактный процесс Случайное блуждание в непрерывном времени Процесс Кокса Процесс диффузии Эмпирический процесс Валочный процесс Процесс Флеминга – Виота Гамма-процесс Геометрический процесс Процесс охоты Системы взаимодействующих частиц Ито диффузия Процесс Ито Скачок диффузии Перейти процесс Леви процесс Местное время Марковский аддитивный процесс Процесс Маккина – Власова Процесс Орнштейна – Уленбека Пуассоновский процесс Сложный Неоднородный Эволюция Шрамма – Лёвнера Семимартингейл Сигма-мартингейл Стабильный процесс Суперпроцесс Телеграфный процесс Вариант гамма-процесса Винеровский процесс Венская колбаса
Обе	Ветвящийся процесс Модель Гальвеса – Лёхербаха Гауссовский процесс Скрытая марковская модель (HMM) Марковский процесс Мартингейл Отличия Местный Суб- Супер- Случайная динамическая система Регенеративный процесс Процесс продления Стохастические цепочки с памятью переменной длины белый шум
Поля и прочее	Процесс Дирихле Гауссовское случайное поле Мера Гиббса Модель Хопфилда Модель Изинга Модель Поттса Логическая сеть Марковское случайное поле Перколяция Процесс Питмана – Йорка Точечный процесс Кокс Пуассон Случайное поле Случайный график
Модели временных рядов	Модель авторегрессионной условной гетероскедастичности (ARCH) Модель авторегрессионного интегрированного скользящего среднего (ARIMA) Модель авторегрессии (AR) Модель авторегрессии – скользящего среднего (ARMA) Модель обобщенной авторегрессионной условной гетероскедастичности (GARCH) Модель скользящего среднего (MA)
Финансовые модели	Блэк – Дерман – Той Черный – Карасинский Блэк – Скоулз Чен Постоянная эластичность дисперсии (CEV) Кокс – Ингерсолл – Росс (CIR) Гарман – Кольхаген Хит – Джарроу – Мортон (HJM) Heston Хо – Ли Корпус – Белый Рынок LIBOR Рендлман – Барттер Волатильность SABR Вашичек Уилки
Актуарные модели	Бюльманн Крамер-Лундберг Рисковый процесс Спарре – Андерсон
Модели очередей	Масса Жидкость Обобщенная сеть массового обслуживания M / G / 1 M / M / 1 М / м / ц
Характеристики	Càdlàg тропы Непрерывный Непрерывные пути Эргодический Заменяемый Валочно-непрерывный Гаусс – Марков Марков Смешивание Кусочно-детерминированный Предсказуемый Постепенно измеримый Самоподобный Стационарный Обратимый во времени
Предельные теоремы	Центральная предельная теорема Теорема Донскера Теоремы Дуба о сходимости мартингалов Эргодическая теорема Теорема Фишера – Типпета – Гнеденко. Принцип большого отклонения Закон больших чисел (слабый / сильный) Закон повторного логарифма Максимальная эргодическая теорема Теорема Санова Законы нуля или единицы (Блюменталь, Борель – Кантелли, Энгельберт-Шмидт, Хьюитт-Сэвидж, Колмогоров, Леви)
Неравенства	Буркхолдер – Дэвис – Ганди Мартингейл Дуба Апкроссинг Дуба Кунита – Ватанабэ
Инструменты	Формула Камерона – Мартина Сходимость случайных величин Показательная величина Далеана-Даде Теорема Дуба о разложении Теорема Дуба – Мейера о разложении Теорема Дуба об необязательной остановке Формула Дынкина Формула Фейнмана – Каца Фильтрация Теорема Гирсанова Генератор бесконечно малых Ито интегральный Лемма Ито Карунен – Loève_theorem Колмогорова теорема непрерывности Колмогорова теорема о продолжении Метрика Леви – Прохорова Исчисление Маллявэна Теорема о мартингальном представлении Теорема о необязательной остановке Теорема Прохорова Квадратичная вариация Принцип отражения Скороход интеграл Теорема Скорохода о представлении Скороход космос Конверт Снелла Стохастическое дифференциальное уравнение Танака Время остановки Интеграл Стратоновича Равномерная интегрируемость Обычные гипотезы Винеровское пространство Классический Абстрактный
Дисциплины	Актуарная математика Теория управления Эконометрика Эргодическая теория Теория экстремальных ценностей (EVT) Теория больших отклонений Математические финансы Математическая статистика Теория вероятности Теория массового обслуживания Теория обновления Теория разорения Обработка сигналов Статистика Система на чипе дизайн Стохастический анализ Анализ временных рядов Машинное обучение
Список тем Категория

Navigation

Navigation

Themenportale

WikiDer > Теория обновления

Содержание

Процессы продления

Вступление

Формальное определение

Интерпретация

Процессы возобновления и вознаграждения

Интерпретация

Функция продления

Элементарная теорема восстановления

Элементарная теорема восстановления для процессов вознаграждения за обновление

Уравнение обновления

Ключевая теорема восстановления

Теорема возобновления

Асимптотические свойства

Парадокс осмотра

Суперпозиция

Пример приложения

Смотрите также

Примечания

Рекомендации