- •1. Причины техногенных катастроф
- •1.1. Причины и стадии техногенных катастроф
- •1.2. Устойчивость работы народного хозяйства
- •1.3. Ликвидация последствий чрезвычайной ситуации
- •2. Опасные природные явления
- •2.1. Классификация опасных природных явлений
- •2.2. Виды геологических процессов
- •2.3. Экзогенные опасные явления
- •2.4. Геофизические опасные явления
- •2.5. Гидрологические опасные явления
- •2.5.1. Затопления
- •2.5.2. Морские гидрологические явления
- •2.6. Метеорологические опасные явления
- •2.6.1. Ветер
- •2.6.2. Вихри
- •2.6.3. Атмосферные осадки и их отсутствие
- •2.7. Развитие опасных природных явлений и чрезвычайные ситуации
- •2.8. Природные опасности территории России
- •3. Управление природным риском
- •3.1. Система управления природными рисками
- •3.2. Динамика природных чрезвычайных ситуаций
- •3.3. Астероидно-кометная угроза
- •3.3.1. Угроза для Земли из космоса
- •3.3.2. Ракетно-ядерный щит Земли
- •3.4. Человеческий фактор в управлении рисками
- •4. Динамические модели
- •4.1. Понятие моделирования
- •4.2. Динамика популяций
- •4.3. Простейшая модель эпидемии
- •4.4. Матричные модели
- •4.5. Стохастические модели
- •4.5.1. Случайные процессы при описании популяций
- •4.6. Случайные изменения среды
- •4.7. Общее представление о системном анализе
- •4.8. Комплексная схема системного анализа
- •4.8.1. Задача управления водохранилищем
- •4.8.2. Управление водной системой
- •5. Правовые и организационные основы
- •5.1. Основные законодательные документы
- •5.2. Правовые и организационные аспекты обеспечения
- •5.3. Организационные вопросы безопасности труда
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) –
Следовательно,
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.
