Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
лекции по ОПП (ускор.).doc
Скачиваний:
14
Добавлен:
01.05.2025
Размер:
3 Мб
Скачать
☆

4.6. Случайные изменения среды

Рассмотрим теперь модель, учитывающую случайные изменения среды.

где y (t) - случайная величина со средним значением, равным нулю. Решение задачи (уравнения (4.43) при условии (4.44)) имеет вид

Чтобы придать смысл интегралу от случайной величины y (t), сделаем некоторые упрощающие предположения. Будем считать, что y (t) - ступенчатая функция: y (t) = уi, при i – 1 t i, i = 1,2,..., при этом все случайные величины уi имеют нормальное распределение. Нормальный закон распределения (часто называемый законом Гаусса) наиболее часто встречается на практике. Большинство встречающихся на практике слу­чайных величин, таких, например, как ошибки измерений, мо­гут быть представлены как суммы большого числа сравни­тельно малых слагаемых - элементарных ошибок, каждая из которых вызвана действием отдельной причины, не зависящей от остальных. Каким бы законам распределения ни были под­чинены элементарные ошибки, особенности этих распределе­ний в сумме большого числа слагаемых нивелируются, а сум­ма оказывается подчиненной закону, близкому к нормальному. Например, проводя измерения длины листьев, упавших с де­ревьев в лесу, мы имеем случайную величину Х - длину листь­ев. Вероятность того, что X < х, т.е. Р = {X < х}, называется функцией распределения случайной величины и обозначается через F (x), а ее производная F' (x) = f (x) называется плотностью распределения и в случае нормального закона распределения имеет вид (рис. 7)

Численные параметры m и о - это математическое ожи­дание (среднее значение) и среднее квадратичное отклонение случайной величины X. Действительно,

Рис.7. График плотности распределения по нормальному

закону

Применяя замену переменной получаем

Нетрудно убедиться, что первый из двух интегралов в уравнении (4.47) равен нулю, а второй представляет собой из­вестный интеграл Эйлера – Пуассона

поэтому из уравнения (4.48) вытекает, что М [Х] = m.

Вычислим дисперсию величины X:

Применив снова замену переменной получим

Интегрируем это выражение по частям:

Следовательно, σ в выражении (4.51) равна корню из дисперсии, т.е. среднему квадратичному отклонению. Итак,

Покажем, что если то Eeyi = 1. Действительно,

П рименив снова замену получим

Вернемся к формуле (4.45), которая в наших предполо­жениях имеет вид

откуда для среднего значения N (t) получаем выражение

а для дисперсии D [N] = var (N) –

Теперь имеем

Следовательно,

и коэффициент вариации при равен

Из формул (4.58) и (4.59) следует, что хотя, как и в де­терминистском случае, среднее значение N (t) экспоненциально возрастает, экспоненциально возрастают и отклонения от среднего значения. Таким образом, с течением времени коле­бания численности популяции становятся все более резкими. В этом отражается то обстоятельство, что детерминистская сис­тема не имеет стационарного состояния, более того, при опре­деленных соотношениях между а и σ вероятность ее вымира­ния приближается к единице.

Найдем вероятность вымирания популяции за время t - функцию p0 (t):

Положим , тогда yt имеет нормальное распределение, причем

С ледовательно,

П олагая имеем

г де - так называемый интеграл ошибок.

Если при

следовательно,

Проведенный анализ показывает, что преимущественное использование детерминистских, а не стохастических моделей оправдано лишь тем, что в математическом плане они проще и удобнее. При этом если детерминистская модель свидетельст­вует об устойчивом равновесии, то соответствующая стохас­тическая модель предсказывает длительное выживание; если же детерминистская модель не выявляет равновесия или предсказывает неустойчивое равновесие, то стохастическая модель может предсказать вероятность вымирания.