《待ち行列の極限モデル（流体近似と拡散近似）》 - 版の履歴

2007年8月9日 (木) 10:32にOrsjwikiによる

2007-08-09T10:32:21Z

Orsjwiki: "《待ち行列の極限モデル（流体近似と拡散近似）》" を保護しました。 [edit=sysop:move=sysop]

2007-08-09T10:31:57Z

"《待ち行列の極限モデル（流体近似と拡散近似）》" を保護しました。 [edit=sysop:move=sysop]

2007年8月9日 (木) 02:04にSakasegawaによる

2007-08-09T02:04:42Z

2007年8月8日 (水) 15:52にTetsuyatominagaによる

2007-08-08T15:52:41Z

2007年8月7日 (火) 14:49にTetsuyatominagaによる

2007-08-07T14:49:26Z

2007年8月7日 (火) 14:45にTetsuyatominagaによる

2007-08-07T14:45:13Z

2007年8月7日 (火) 07:16にTetsuyatominagaによる

2007-08-07T07:16:48Z

差分を表示

2007年8月7日 (火) 06:52にTetsuyatominagaによる

2007-08-07T06:52:11Z

2007年8月7日 (火) 06:17にTetsuyatominagaによる

2007-08-07T06:17:57Z

2007年8月7日 (火) 06:00にTetsuyatominagaによる

2007-08-07T06:00:29Z

← 古い版		2007年8月9日 (木) 10:32時点における版
107行目:		107行目:

	[3] W. Whitt, ''Stochastic-Process Limits An Introduction to Stochastic-Process Limits and Their Applications to Queues'', Springer, 2001.		[3] W. Whitt, ''Stochastic-Process Limits An Introduction to Stochastic-Process Limits and Their Applications to Queues'', Springer, 2001.
		+
		+
		+	[[category:待ち行列\|まちぎょうれつのきょくげんもでる]]

@@ 2行目: / 2行目: @@
 [[待ち行列]]モデルにおいては，窓口が１つの場合にポアソン到着やサービス時間が指数分布に従うことを仮定すると待ち時間や待ち人数の定常分布やそのモーメントを比較的簡単な式で表すことができる．しかし，このような解析的結果が得られるモデルは限られ，一般的なモデルについて，性能評価量を簡単な式で表すことは困難である．これに対して，数値的な評価は位相型モデルを使うことにより広い範囲で可能である．しかし，数値的結果は個別的であり，モデルの特性を大まかにつかむマクロ的な視点からは不十分である.
 '''極限モデル'''　モデルをマクロ的な視点から分類し特性を調べるために，時間と空間の[[確率過程の尺度変換|尺度変換]]（スケール変換）を行ったモデルの列の極限を使う方法がある．この極限モデルの特性が解明できるならば，広い範囲のモデルの特性について役立つ情報が得られる．例えば，実数値を取る確率過程の時間を<math>n</math>倍し，状態を<math>\tfrac{1}{n}</math>倍すると確定的な極限過程になり，状態を<math>\tfrac 1{\sqrt{n}}</math>倍するとブラウン運動となる場合が多い．より一般的に，<math>H > 0</math>に対して状態を<math>n^{-H}</math>倍することもある．この方法は，モデルの近似と考えることもできるが，数学的に精密に極限を求めるため直感的な近似モデルとは異なる．
@@ 24行目: / 25行目: @@
 このモデルは<math>\mathbf{Y}</math>により決まる．そこで，<math>n = 1,2, \ldots</math>に対して，<math>\mathbf{Y}^{(n)}</math>により，<math>n</math>番目のモデルを表す．<math>\psi</math>は関数空間<math>D</math>に適切に与えた距離の下で連続であり，<math>n \to \infty</math>のとき，<math>\mathbf{Y}^{(n)} \Rightarrow \mathbf{Y}^{(\infty)}</math>ならば，<math>\psi(\mathbf{Y}^{(n)}) \Rightarrow \psi(\mathbf{Y}^{(\infty)})</math>が成り立つ．ここに，<math>\Rightarrow</math>は[[分布の弱収束]]することを表す．これを連続写像定理と呼ぶ．例えば，各<math>t \ge 0</math>に対して，<math>n</math>番目のモデルの<math>W^{(n)}(t)</math>の分布は，<math>n \to \infty</math>のとき極限モデルの<math>W^{(\infty)}(t)</math>の分布に弱収束する．このようにして，<math>\mathbf{Y}^{(\infty)}</math>を累積入出力過程とする極限モデルが得られる．
 '''自己相似過程への収束'''　具体的に極限モデルを得るために，<math>\mathbf{Y}</math>の時間を<math>n</math>倍し，平均を<math>d_{n}</math>により調整し，大きさを<math>c_{n}</math>倍縮小した尺度変換
@@ 33行目: / 35行目: @@
 </table>
 により<math>\mathbf{Y}^{(n)}</math>の各要素<math>Y^{(n)}(t)</math>を定義する．ここに，<math>[a]</math>は実数<math>a</math>を超えない最大の整数とする．このとき，<math>\mathbf{Y}^{(n)}</math>の分布が<math>\mathbf{Y}^{(\infty)}</math>の分布へ弱収束するならば，<math>\mathbf{Y}^{(\infty)}</math>は[[自己相似過程]] (self similar process)となる．その[[ハースト定数]] (Hurst parameter)を<math>H > 0</math>とするならば，任意の定数<math>\lambda>0</math>に対して，<math>  \lim_{x \to \infty} {L(\lambda x)}/{L(x)} = 1</math>を満たす関数<math>L(x)</math>を使い，<math>c_{n} = n^{H} L(n)</math>と表すことができる（[3]の4.2節参照）．
 '''安定レヴィー過程'''　確率変数列<math>X_{1}, X_{2}, \ldots</math>は独立で同一の分布<math>F</math>に従うとする．このとき，(1)で定義した<math>Y^{(n)}(t)</math>に対して，<math>\{Y^{(n)}(t); t \ge 0\} \Rightarrow \{Y^{(\infty)}(t); t \ge 0 \}</math>となる確定的ではない極限過程<math>\mathbf{Y}^{(\infty)} \equiv \{Y^{(\infty)}(t)\}</math>が存在するならば，この極限過程は自己相似である．そのハースト定数<math>H</math>に対し，<math>\alpha = \frac 1H</math>とすると，<math>Y^{(\infty)}(1)</math>は<math>\alpha</math> - [[安定分布]] (stable distribution)をもつ．この極限過程<math>\mathbf{Y}^{(\infty)}</math>を<math>\alpha</math>-安定[[レヴィー過程]]（Levy過程）と呼ぶ．この極限過程は，<math>X_{n} </math>の平均が有限ならば，<math>1 < \alpha \le 2</math>であり，<math>X_{n}</math>の平均が存在しないならば，<math>0 < \alpha \le 1</math>となる．例えば，<math>\alpha = 2</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>はブラウン運動に等しく，<math>0 < \alpha < 2</math>ならば，確定的変化を除くと分散が無限大で離散的な時刻でのみ変化する標本関数をもつ（[3]の4.2節参照）．
 '''極限過程の分類'''　<math>X_{1}, X_{2}, \ldots</math>が独立で同一の分布に従い，各<math>X_{n}</math>は有限な平均<math>m_{X}</math>をもつと仮定する．このとき，(1)において<math>c_{n} = n^{H}, d_{n} = m_{X} n</math>とし，<math>\mathbf{Y}^{(n)}</math>を定義する．極限過程<math>\mathbf{Y}^{(\infty)}</math>が存在するならば，<math>\alpha = \frac 1H</math>とすると，自己相似過程と安定分布の結果から次のことが成り立つ．
@@ 41行目: / 45行目: @@
 (i)の場合を流体近似，(ii)で<math>H = \frac 12</math>の場合を拡散近似と呼ぶ．<math>\frac 12 < H < 1</math>の場合には，<math>\mathbf{Y}^{(\infty)}</math>は増分が無限大の分散をもち，標本関数は離散的に変化する．
 流体近似では極限過程が確定的であり，ランダムな要因の評価ができない．しかし，確率的な評価が難しい過渡的な現象を調べるために役立つ．これに対して，ブラウン運動は解析的に魅力あるモデルであり，拡散近似はランダムな要因を量る近似モデルとして広く使われている．また，<math>\frac 12 < H < 1</math>の場合は解析的に扱いにくいが，サービス時間分布の[[重い裾をもつ分布|裾が重い]]場合の近似モデルとして有効である．なお，<math>X_{1}, X_{2}, \ldots</math>が独立でない場合には，<math>0 < H < \frac 12</math>の場合も起こりえる．例えば，[[フラクタルブラウン運動]]では，<math>0 < H < 1</math>であり，<math>H</math>が大きいほど強い相関を表す．
 '''重負荷近似'''　 (ii)の極限過程は，<math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>の定義から<math>Y^{(n)}(t)</math>の平均が<math>0</math>のため，<math>\psi(\mathbf{Y}^{(\infty)})</math>は定常分布をもたず，近似モデルとして使えない．定常分布が存在するためには<math>\eta \equiv E(Y^{(\infty)}(1)) < 0</math>が必要である．そこで，(ii)のモデルの<math>X_{\ell}</math>を<math>n</math>ごとに変え，<math>X_{\ell}^{(n)}</math>と表す．ただし，<math>X^{(n)}_{1}, X^{(n)}_{2}, \ldots</math>は独立で同一の分布に従うとする．
@@ 73行目: / 78行目: @@
 </table>
 が成り立つ．したがって，<math>W^{(n)}(t)</math>を漸近的に<math>\Big( \frac{-\eta \mu_{n} \rho_{n}}{1-\rho_{n}} \Big)^{\frac {H}{1-H}} W^{(\infty)}(t)</math>により表すことができる．ここに，<math>\alpha = 1/H</math>とするとき，<math>W^{(\infty)}(t)</math>は<math>\alpha</math>-安定レヴィー過程である．特に，<math>H = \frac 12</math>のとき，<math>X^{(n)}_{1}</math>の分散を<math>\sigma_{n}^{2}</math>とし, <math>\sigma_{n} \to \sigma</math> <math>(n \to \infty)</math>とすれば，<math>\mathbf{Y}^{(\infty)}</math>はブラウン運動となり，拡散近似となる．このとき，<math>\eta = -1</math>とすると，<math>Y^{(\infty)}(t)</math>は平均が<math>-t</math>分散が<math>\sigma^{2} t</math>の正規分布に従う．
 '''定常分布の近似'''　<math>GI/G/1</math>モデルの拡散近似の場合に，<math>n</math>を固定し<math>t \to \infty</math>としたときの<math>W^{(n)}(t)</math>と<math>W^{(\infty)}(t)</math>の極限分布に従う確率変数を<math>W^{(n)}(\infty)</math>と<math>W^{(\infty)}(\infty)</math>により表す．<math>n \to \infty</math>に対して，<math>\rho_{n} \uparrow 1</math>，<math>\mu_{n} \to \mu</math>，<math>\sigma_{n}^{2} \to \sigma^{2}</math>のとき，
@@ 89行目: / 95行目: @@
 </table>
 という漸近的な式が成り立つ．特に，客の到着がポアッソン過程に従うならば，右辺は<math>M/G/1</math>待ち行列の平均待ち時間と漸近的に一致する．
 '''適用範囲'''　極限モデルの存在は<math>GI/G/1</math>モデルの待ち時間過程に限られるものではない．例えば，待ち時間については，有限待合室モデル，複数窓口モデル，優先権付きモデルのような複数の種類の客がいる場合などに対して，拡散近似モデルが極限モデルとして得られている．ただし，有限待合室の大きさや窓口数を漸近的に大きくする必要がある．待ち時間以外の量としては，連続時間確率過程である系内残余仕事量，待ち人数などについても同様なことが成り立つ．また，流入や流出の率がが確率的に変化する確率的流体モデルやネットワーク待ち行列モデルに対しても極限モデルの存在が確かめられている．最近では，極限モデルが簡単になることを生かして，待ち行列の最適制御への応用についても研究が進んでいる．

@@ 32行目: / 32行目: @@
 </tr>
 </table>
-により<math>\mathbf{Y}^{(n)}</math>の各要素<math>Y^{(n)}(t)</math>を定義する．ここに，<math>[a]</math>は実数<math>a</math>を超えない最大の整数とする．このとき，<math>\mathbf{Y}^{(n)}</math>の分布が<math>\mathbf{Y}^{(\infty)}</math>の分布へ弱収束するならば，<math>\mathbf{Y}^{(\infty)}</math>は[[自己相似過程} (self similar process)となる．その[[ハースト定数]] (Hurst parameter)を<math>H > 0</math>とするならば，任意の定数<math>\lambda>0</math>に対して，<math>  \lim_{x \to \infty} {L(\lambda x)}/{L(x)} = 1</math>を満たす関数<math>L(x)</math>を使い，<math>c_{n} = n^{H} L(n)</math>と表すことができる（[3]の4.2節参照）．
+により<math>\mathbf{Y}^{(n)}</math>の各要素<math>Y^{(n)}(t)</math>を定義する．ここに，<math>[a]</math>は実数<math>a</math>を超えない最大の整数とする．このとき，<math>\mathbf{Y}^{(n)}</math>の分布が<math>\mathbf{Y}^{(\infty)}</math>の分布へ弱収束するならば，<math>\mathbf{Y}^{(\infty)}</math>は[[自己相似過程]] (self similar process)となる．その[[ハースト定数]] (Hurst parameter)を<math>H > 0</math>とするならば，任意の定数<math>\lambda>0</math>に対して，<math>  \lim_{x \to \infty} {L(\lambda x)}/{L(x)} = 1</math>を満たす関数<math>L(x)</math>を使い，<math>c_{n} = n^{H} L(n)</math>と表すことができる（[3]の4.2節参照）．
 '''安定レヴィー過程'''　確率変数列<math>X_{1}, X_{2}, \ldots</math>は独立で同一の分布<math>F</math>に従うとする．このとき，(1)で定義した<math>Y^{(n)}(t)</math>に対して，<math>\{Y^{(n)}(t); t \ge 0\} \Rightarrow \{Y^{(\infty)}(t); t \ge 0 \}</math>となる確定的ではない極限過程<math>\mathbf{Y}^{(\infty)} \equiv \{Y^{(\infty)}(t)\}</math>が存在するならば，この極限過程は自己相似である．そのハースト定数<math>H</math>に対し，<math>\alpha = \frac 1H</math>とすると，<math>Y^{(\infty)}(1)</math>は<math>\alpha</math> - [[安定分布]] (stable distribution)をもつ．この極限過程<math>\mathbf{Y}^{(\infty)}</math>を<math>\alpha</math>-安定[[レヴィー過程]]（Levy過程）と呼ぶ．この極限過程は，<math>X_{n} </math>の平均が有限ならば，<math>1 < \alpha \le 2</math>であり，<math>X_{n}</math>の平均が存在しないならば，<math>0 < \alpha \le 1</math>となる．例えば，<math>\alpha = 2</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>はブラウン運動に等しく，<math>0 < \alpha < 2</math>ならば，確定的変化を除くと分散が無限大で離散的な時刻でのみ変化する標本関数をもつ（[3]の4.2節参照）．

@@ 29行目: / 29行目: @@
 <tr>
 <td><math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math></td>
-<td width="100" align="right"><math>(1) \,</math> </td>
+<td width="200" align="right"><math>(1) \,</math> </td>
 </tr>
 </table>

@@ 28行目: / 28行目: @@
 <table align="center">
 <tr>
-<td><math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>
+<td><math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math></td>
-</td>
+<td width="100" align="right"><math>(1) \,</math> </td>
 </tr>
 </table>
 により<math>\mathbf{Y}^{(n)}</math>の各要素<math>Y^{(n)}(t)</math>を定義する．ここに，<math>[a]</math>は実数<math>a</math>を超えない最大の整数とする．このとき，<math>\mathbf{Y}^{(n)}</math>の分布が<math>\mathbf{Y}^{(\infty)}</math>の分布へ弱収束するならば，<math>\mathbf{Y}^{(\infty)}</math>は[[自己相似過程} (self similar process)となる．その[[ハースト定数]] (Hurst parameter)を<math>H > 0</math>とするならば，任意の定数<math>\lambda>0</math>に対して，<math>  \lim_{x \to \infty} {L(\lambda x)}/{L(x)} = 1</math>を満たす関数<math>L(x)</math>を使い，<math>c_{n} = n^{H} L(n)</math>と表すことができる（[3]の4.2節参照）．
-'''安定レヴィー過程'''　確率変数列<math>X_{1}, X_{2}, \ldots</math>は独立で同一の分布<math>F</math>に従うとする．このとき，<math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>で定義した<math>Y^{(n)}(t)</math>に対して，<math>\{Y^{(n)}(t); t \ge 0\} \Rightarrow \{Y^{(\infty)}(t); t \ge 0 \}</math>となる確定的ではない極限過程<math>\mathbf{Y}^{(\infty)} \equiv \{Y^{(\infty)}(t)\}</math>が存在するならば，この極限過程は自己相似である．そのハースト定数<math>H</math>に対し，<math>\alpha = \frac 1H</math>とすると，<math>Y^{(\infty)}(1)</math>は<math>\alpha</math> - [[安定分布]] (stable distribution)をもつ．この極限過程<math>\mathbf{Y}^{(\infty)}</math>を<math>\alpha</math>-安定[[レヴィー過程]]（Levy過程）と呼ぶ．この極限過程は，<math>X_{n} </math>の平均が有限ならば，<math>1 < \alpha \le 2</math>であり，<math>X_{n}</math>の平均が存在しないならば，<math>0 < \alpha \le 1</math>となる．例えば，<math>\alpha = 2</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>はブラウン運動に等しく，<math>0 < \alpha < 2</math>ならば，確定的変化を除くと分散が無限大で離散的な時刻でのみ変化する標本関数をもつ（[3]の4.2節参照）．
+'''安定レヴィー過程'''　確率変数列<math>X_{1}, X_{2}, \ldots</math>は独立で同一の分布<math>F</math>に従うとする．このとき，(1)で定義した<math>Y^{(n)}(t)</math>に対して，<math>\{Y^{(n)}(t); t \ge 0\} \Rightarrow \{Y^{(\infty)}(t); t \ge 0 \}</math>となる確定的ではない極限過程<math>\mathbf{Y}^{(\infty)} \equiv \{Y^{(\infty)}(t)\}</math>が存在するならば，この極限過程は自己相似である．そのハースト定数<math>H</math>に対し，<math>\alpha = \frac 1H</math>とすると，<math>Y^{(\infty)}(1)</math>は<math>\alpha</math> - [[安定分布]] (stable distribution)をもつ．この極限過程<math>\mathbf{Y}^{(\infty)}</math>を<math>\alpha</math>-安定[[レヴィー過程]]（Levy過程）と呼ぶ．この極限過程は，<math>X_{n} </math>の平均が有限ならば，<math>1 < \alpha \le 2</math>であり，<math>X_{n}</math>の平均が存在しないならば，<math>0 < \alpha \le 1</math>となる．例えば，<math>\alpha = 2</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>はブラウン運動に等しく，<math>0 < \alpha < 2</math>ならば，確定的変化を除くと分散が無限大で離散的な時刻でのみ変化する標本関数をもつ（[3]の4.2節参照）．
-'''極限過程の分類'''　<math>X_{1}, X_{2}, \ldots</math>が独立で同一の分布に従い，各<math>X_{n}</math>は有限な平均<math>m_{X}</math>をもつと仮定する．このとき，<math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>において<math>c_{n} = n^{H}, d_{n} = m_{X} n</math>とし，<math>\mathbf{Y}^{(n)}</math>を定義する．極限過程<math>\mathbf{Y}^{(\infty)}</math>が存在するならば，<math>\alpha = \frac 1H</math>とすると，自己相似過程と安定分布の結果から次のことが成り立つ．
+'''極限過程の分類'''　<math>X_{1}, X_{2}, \ldots</math>が独立で同一の分布に従い，各<math>X_{n}</math>は有限な平均<math>m_{X}</math>をもつと仮定する．このとき，(1)において<math>c_{n} = n^{H}, d_{n} = m_{X} n</math>とし，<math>\mathbf{Y}^{(n)}</math>を定義する．極限過程<math>\mathbf{Y}^{(\infty)}</math>が存在するならば，<math>\alpha = \frac 1H</math>とすると，自己相似過程と安定分布の結果から次のことが成り立つ．
 :(i) <math>H=1</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>は確定的な過程である．
 :(ii) <math>H \ne 1</math>ならば，<math>\frac 12 \le H < 1</math>であり，<math>\mathbf{Y}^{(\infty)}</math>は<math>\alpha</math> - 安定レヴィー過程である．
@@ 68行目: / 68行目: @@
 <table align="center">
 <tr>
-<td><math>\Big( \frac{1-\rho_{n}}{-\eta \mu_{n} \rho_{n}} \Big)^{\frac {H}{1-H}} W^{(n)}(t) \Rightarrow W^{(\infty)}(t), \qquad n \to \infty</math>
+<td><math>\Big( \frac{1-\rho_{n}}{-\eta \mu_{n} \rho_{n}} \Big)^{\frac {H}{1-H}} W^{(n)}(t) \Rightarrow W^{(\infty)}(t), \qquad n \to \infty</math></td>
-</td>
+<td width="100" align="right"><math>(2) \,</math> </td>
 </tr>
 </table>
@@ 81行目: / 81行目: @@
 </tr>
 </table>
-が成り立つ．この結果は<math>\Big( \frac{1-\rho_{n}}{-\eta \mu_{n} \rho_{n}} \Big)^{\frac {H}{1-H}} W^{(n)}(t) \Rightarrow W^{(\infty)}(t), \qquad n \to \infty</math>から直接導かれるように見えるが，極限の交換が必要のため証明は容易ではない．<math>W^{(\infty)}(\infty)</math>は平均が<math>\frac {\sigma^{2}} 2</math>の指数分布に従う（[3]の5.7節参照）ので，平均について，
+が成り立つ．この結果は(2)から直接導かれるように見えるが，極限の交換が必要のため証明は容易ではない．<math>W^{(\infty)}(\infty)</math>は平均が<math>\frac {\sigma^{2}} 2</math>の指数分布に従う（[3]の5.7節参照）ので，平均について，
 <table align="center">
 <tr>

← 古い版	2007年8月9日 (木) 10:31時点における版
(相違点なし)

@@ 36行目: / 36行目: @@
 '''安定レヴィー過程'''　確率変数列<math>X_{1}, X_{2}, \ldots</math>は独立で同一の分布<math>F</math>に従うとする．このとき，<math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>で定義した<math>Y^{(n)}(t)</math>に対して，<math>\{Y^{(n)}(t); t \ge 0\} \Rightarrow \{Y^{(\infty)}(t); t \ge 0 \}</math>となる確定的ではない極限過程<math>\mathbf{Y}^{(\infty)} \equiv \{Y^{(\infty)}(t)\}</math>が存在するならば，この極限過程は自己相似である．そのハースト定数<math>H</math>に対し，<math>\alpha = \frac 1H</math>とすると，<math>Y^{(\infty)}(1)</math>は<math>\alpha</math> - [[安定分布]] (stable distribution)をもつ．この極限過程<math>\mathbf{Y}^{(\infty)}</math>を<math>\alpha</math>-安定[[レヴィー過程]]（Levy過程）と呼ぶ．この極限過程は，<math>X_{n} </math>の平均が有限ならば，<math>1 < \alpha \le 2</math>であり，<math>X_{n}</math>の平均が存在しないならば，<math>0 < \alpha \le 1</math>となる．例えば，<math>\alpha = 2</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>はブラウン運動に等しく，<math>0 < \alpha < 2</math>ならば，確定的変化を除くと分散が無限大で離散的な時刻でのみ変化する標本関数をもつ（[3]の4.2節参照）．
-'''極限過程の分類'''　$X_{1}, X_{2}, \ldots$が独立で同一の分布に従い，各$X_{n}$は有限な平均$m_{X}$をもつと仮定する．このとき，\eqn{K-B-A-11:Y}において$c_{n} = n^{H}, d_{n} = m_{X} n$とし，$\vc{Y}^{(n)}$を定義する．極限過程$\vc{Y}^{(\infty)}$が存在するならば，$\alpha = \frac 1H$とすると，自己相似過程と安定分布の結果から次のことが成り立つ．
+'''極限過程の分類'''　<math>X_{1}, X_{2}, \ldots</math>が独立で同一の分布に従い，各<math>X_{n}</math>は有限な平均<math>m_{X}</math>をもつと仮定する．このとき，<math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>において<math>c_{n} = n^{H}, d_{n} = m_{X} n</math>とし，<math>\mathbf{Y}^{(n)}</math>を定義する．極限過程<math>\mathbf{Y}^{(\infty)}</math>が存在するならば，<math>\alpha = \frac 1H</math>とすると，自己相似過程と安定分布の結果から次のことが成り立つ．
-\begin{itemize}
+:(i) <math>H=1</math>ならば，<math>\mathbf{Y}^{(\infty)}</math>は確定的な過程である．
-\item [(i)] $H=1$ならば，$\vc{Y}^{(\infty)}$は確定的な過程である．
+:(ii) <math>H \ne 1</math>ならば，<math>\frac 12 \le H < 1</math>であり，<math>\mathbf{Y}^{(\infty)}</math>は<math>\alpha</math> - 安定レヴィー過程である．
-\item [(ii)] $H \ne 1$ならば，$\frac 12 \le H < 1$であり，$\vc{Y}^{(\infty)}$は$\alpha$-安定レヴィー過程である．
+(i)の場合を流体近似，(ii)で<math>H = \frac 12</math>の場合を拡散近似と呼ぶ．<math>\frac 12 < H < 1</math>の場合には，<math>\mathbf{Y}^{(\infty)}</math>は増分が無限大の分散をもち，標本関数は離散的に変化する．
-\end{itemize}
+流体近似では極限過程が確定的であり，ランダムな要因の評価ができない．しかし，確率的な評価が難しい過渡的な現象を調べるために役立つ．これに対して，ブラウン運動は解析的に魅力あるモデルであり，拡散近似はランダムな要因を量る近似モデルとして広く使われている．また，<math>\frac 12 < H < 1</math>の場合は解析的に扱いにくいが，サービス時間分布の[[重い裾をもつ分布|裾が重い]]場合の近似モデルとして有効である．なお，<math>X_{1}, X_{2}, \ldots</math>が独立でない場合には，<math>0 < H < \frac 12</math>の場合も起こりえる．例えば，[[フラクタルブラウン運動]]では，<math>0 < H < 1</math>であり，<math>H</math>が大きいほど強い相関を表す．
 '''重負荷近似'''　 (ii)の極限過程は\eqn{K-B-A-11:Y}の定義から$Y^{(n)}(t)$の平均が$0$のため，$\psi(\vc{Y}^{(\infty)})$は定常分布をもたず，近似モデルとして使えない．定常分布が存在するためには$\eta \equiv E(Y^{(\infty)}(1)) < 0$が必要である．そこで，(ii)のモデルの$X_{\ell}$を$n$ごとに変え，$X_{\ell}^{(n)}$と表す．ただし，$X^{(n)}_{1}, X^{(n)}_{2}, \ldots$は独立で同一の分布に従うとする．

@@ 25行目: / 25行目: @@
 このモデルは<math>\mathbf{Y}</math>により決まる．そこで，<math>n = 1,2, \ldots</math>に対して，<math>\mathbf{Y}^{(n)}</math>により，<math>n</math>番目のモデルを表す．<math>\psi</math>は関数空間<math>D</math>に適切に与えた距離の下で連続であり，<math>n \to \infty</math>のとき，<math>\mathbf{Y}^{(n)} \Rightarrow \mathbf{Y}^{(\infty)}</math>ならば，<math>\psi(\mathbf{Y}^{(n)}) \Rightarrow \psi(\mathbf{Y}^{(\infty)})</math>が成り立つ．ここに，<math>\Rightarrow</math>は[[分布の弱収束]]することを表す．これを連続写像定理と呼ぶ．例えば，各<math>t \ge 0</math>に対して，<math>n</math>番目のモデルの<math>W^{(n)}(t)</math>の分布は，<math>n \to \infty</math>のとき極限モデルの<math>W^{(\infty)}(t)</math>の分布に弱収束する．このようにして，<math>\mathbf{Y}^{(\infty)}</math>を累積入出力過程とする極限モデルが得られる．
-'''自己相似過程への収束'''　具体的に極限モデルを得るために，$\vc{Y}$の時間を$n$倍し，平均を$d_{n}$により調整し，大きさを$c_{n}$倍縮小した尺度変換
+'''自己相似過程への収束'''　具体的に極限モデルを得るために，<math>\mathbf{Y}</math>の時間を<math>n</math>倍し，平均を<math>d_{n}</math>により調整し，大きさを<math>c_{n}</math>倍縮小した尺度変換
-\begin{eqnarray}
+<table align="center">
-\label{eqn:K-B-A-11:Y}
+<tr>
-  Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)
+<td><math>Y^{(n)}(t) = c_{n}^{-1} (Y_{[n t]} - d_{n} n t)</math>
-\end{eqnarray}
+</td>
-により$\vc{Y}^{(n)}$の各要素$Y^{(n)}(t)$を定義する．ここに，$[a]$は実数$a$を超えない最大の整数とする．このとき，$\vc{Y}^{(n)}$の分布が$\vc{Y}^{(\infty)}$の分布へ弱収束するならば，$\vc{Y}^{(\infty)}$は[[自己相似過程} (self similar process)となる．その[[ハースト定数]] (Hurst parameter)を$H > 0$とするならば，任意の定数$\lambda>0$に対して，$  \lim_{x \to \infty} {L(\lambda x)}/{L(x)} = 1$を満たす関数$L(x)$を使い，$c_{n} = n^{H} L(n)$と表すことができる（[3]の4.2節参照）．\medskip
+</tr>
 '''安定レヴィー過程'''　確率変数列$X_{1}, X_{2}, \ldots$は独立で同一の分布$F$に従うとする．このとき，\eqn{K-B-A-11:Y}で定義した$Y^{(n)}(t)$に対して，$\{Y^{(n)}(t); t \ge 0\} \Rightarrow \{Y^{(\infty)}(t); t \ge 0 \}$となる確定的ではない極限過程$\vc{Y}^{(\infty)} \equiv \{Y^{(\infty)}(t)\}$が存在するならば，この極限過程は自己相似である．そのハースト定数$H$に対し，$\alpha = \frac 1H$とすると，$Y^{(\infty)}(1)$は$\alpha$-[[安定分布]] (stable distribution)をもつ．この極限過程$\vc{Y}^{(\infty)}$を$\alpha$-安定[[レヴィー過程]]（Levy過程）と呼ぶ．この極限過程は，$X_{n} $の平均が有限ならば，$1 < \alpha \le 2$であり，$X_{n}$の平均が存在しないならば，$0 < \alpha \le 1$となる．例えば，$\alpha = 2$ならば，$\vc{Y}^{(\infty)}$はブラウン運動に等しく，$0 < \alpha < 2$ならば，確定的変化を除くと分散が無限大で離散的な時刻でのみ変化する標本関数をもつ（\cite{A11+Whitt}の4.2節参照）．\medskip