
- •Принятие решений в условиях неопределенности и в условиях риска
- •Принятие решений в условиях неопределенности
- •Принятие решений в условиях риска
- •Стохастическое программирование
- •Вероятностные модели управления запасами
- •2.1. Одноэтапная модель управления запасами
- •Одноэтапная модель с учетом затрат на оформление заказа
- •Многоэтапная модель управления запасами
- •Управление запасами с учетом издержек на производство
- •3. Марковские цепи
- •Марковские цепи. Уравнение Колмогорова-Чэпмена
- •3.2 Марковские цепи с дискретным временем. Теорема о предельных вероятностях
- •3.3. Марковские цепи с непрерывным временем. Уравнения Колмогорова
- •Пуассоновский процесс
- •Простейший поток
- •Пуассоновский поток как марковский процесс. Немарковские потоки
- •Сложный пуассоновский процесс и процессы риска в страховой математике
- •Системы массового обслуживания
- •Марковские системы массового обслуживания
- •Процессы рождения и гибели. Одноканальная марковская смо с бесконечной очередью
- •Многоканальная марковская смо с ожиданием. Дисциплины взаимопомощи
- •Задача о ремонте станков
- •Немарковские модели смо
- •6. Марковские процессы принятия решений
- •6.1. Модели с конечным горизонтом планирования. Задача о замене оборудования
- •6.2. Задача о наилучшем выборе
- •Модели с бесконечным горизонтом планирования
- •7. Статистическое моделирование
- •7.1. Моделирование случайных величин
- •7.2. Моделирование случайных процессов в страховой и финансовой математике
- •Моделирование систем массового обслуживания
- •Статистический анализ данных. Методы уменьшения дисперсии
- •7.5. Метод Монте Карло марковских цепей. Метод отжига в задачах комбинаторной оптимизации
- •Приложение Сводка определений и теорем теории вероятностей и математической статистики
- •Литература
- •Оглавление
- •Глава 1. Принятие решений в условиях неопределенности и в условиях риска
- •Глава 2. Вероятностные модели управления запасами
- •Глава 3. Марковские цепи
- •Глава 4. Пуассоновский процесс
- •Глава 5. Системы массового обслуживания
- •Глава 6. Марковские процессы принятия решений
- •Глава 7. Статистическое моделирование
Приложение Сводка определений и теорем теории вероятностей и математической статистики
1. Множество
всех возможных исходов случайного
эксперимента называют пространством
элементарных исходов, элемент
называется элементарным событием.
2. Класс A
подмножеств пространства
называется
-алгеброй
множеств, если
а)
Ø
A,
A
б)
если
A,
то
A
в) если
A,
,
то
A,
A.
3. Вероятностным
пространством называется тройка
A
,
где
–пространство
элементарных событий, A
–
-алгебра
подмножеств
,
называемых событиями,
– числовая функция на
-алгебре
A,
называемая вероятностью, если выполнены
аксиомы:
а)
для всех
A
б)
(условие нормировки вероятности)
в) Если события
–
попарно несовместны (т.е.
Ø
при
),
то
(аксиома -аддитивности).
4. Условной
вероятностью
события
при условии, что произошло событие
,
называется отношение:
.
5. События
образуют
полную группу событий, если они
удовлетворяют условиям:
Ø
при
,
.
6. Теорема (формула
полной вероятности). Пусть
образуют полную группу событий,
. Тогда для любого события
.
7. Теорема (формула
Байеса). Пусть
образуют полную группу событий,
.
Тогда
.
Два события и называются независимыми, если
.
События
независимы в совокупности, если
для любого набора
индексов
.
9. Отображение
называется случайной величиной, если
для любого числа
множество
A.
10. Функцией
распределения случайной величины
называется функция
.
11. Случайная
величина
имеет дискретное распределение, если
она принимает конечное или счетное
число значений
, причем
.
12. Случайная
величина
имеет абсолютно непрерывное распределение,
если существует такая функция
,
что для любых
.
Функция
называется плотностью распределения
случайной величины
.
13. Пусть на
вероятностном пространстве
A
задано несколько случайных величин
.
Многомерной функцией распределения
величин
называется функция
переменных
.
Многомерной
плотностью распределения
называется такая функция, что
,
где
–
произвольная область в
.
14. Случайные величины называются независимыми, если
или
для любых интервалов
в
.
15. Формула свертки.
Пусть
и
– независимые случайные величины,
и
– их плотности. Тогда плотность
распределения суммы
равна
.
16. Пусть
–
дискретная случайная величина, принимающая
значения
. Математическим ожиданием
случайной величины
называется число
при условии, что ряд абсолютно сходится.
Если – случайная величина с плотностью , то ее математическое ожидание определяется как
при условии, что интеграл абсолютно сходится.
17. Дисперсией случайной величины называется число
(при условии, что правая часть определена).
18. Коэффициентом ковариации случайных величин и называется число
.
Коэффициент корреляции определяется как
.
19. Случайная
величина
имеет биномиальное распределение с
параметрами
и
,
~
,
если
,
–
натуральное число.
.
20. Случайная
величина
имеет отрицательное биномиальное
распределение с параметрами
и
,
~
,
если
,
–
натуральное число
.
21. Случайная
величина
имеет геометрическое распределение с
параметром
,
~
,
если
,
.
.
22. Случайная
величина
имеет распределение Пуассона с параметром
,
~
,
если
,
.
.
23. Случайная
величина
имеет равномерное распределение на
отрезке
,
~
,
если ее плотность распределения
.
24. Случайная
величина
имеет нормальное (или гауссовское)
распределение с параметрами
~
,
если ее плотность распределения
,
.
.
25. Случайная
величина
имеет логнормальное распределение,
~
,
если
~
.
.
26. Случайная
величина
имеет гамма-распределение,
~
,
если ее плотность распределения
–
гамма-функция,
.
.
27. Случайная
величина
имеет показательное распределение,
~
,
если ее плотность распределения
.
.
Показательное
распределение
является частным случаем гамма-распределения,
~
.
Для распределения
мы используем также обозначение
.
28. Случайная
величина
имеет распределение Эрланга,
~
,
если
может быть представлена в виде суммы
независимых величин
~
:
.
Распределение
Эрланга является частным случаем
гамма-распределения,
~
.
29. Случайная
величина
имеет хи-квадрат с
степенями свободы,
~
,
если справедливо представление
,
где величины
независимы между собой и имеют
распределение
.
Хи-квадрат
распределение является частным случаем
гамма-распределения,
~
.
30. Случайная
величина
имеет распределение Стьюдента с
степенями свободы,
~
,
если справедливо представление
,
где
и
–
независимые случайные величины,
~
~
.
Распределение Стьюдента
имеет плотность
.
.
31. Случайная
величина
имеет бета-распределение с параметрами
и
,
~
,
если ее плотность распределения
,
.
.
32. Случайная
величина
имеет распределение Вейбулла с
параметрами
и
,
если ее плотность распределения
.
.
33. Случайная
величина
имеет распределение Парето с параметрами
и
,
если ее плотность распределения
,
.
(существует при
),
(существует при
).
34. Последовательность
сходится почти наверное (п.н.) к случайной
величине
,
если
.
35. Последовательность
сходится по вероятности к случайной
величине
,
если для любого
.
36. Последовательность
сходится по распределению к
,
если
в любой точке
,
в которой функция
непрерывна. Здесь
,
.
37. Теорема (закон
больших чисел). Если
независимы и существует такая константа
,
что
, то
.
Следствие. Если
независимы и одинаково распределены,
,
то
.
38. Центральная
предельная теорема. Пусть
–
независимые одинаково распределенные
случайные величины,
.
Если
,
то
,
где ~ .
39. Пусть функция
распределения
случайной величины
принадлежит семейству функций
распределения
,
–
множество значений параметра
.
Наблюдения
рассматриваются как реализация выборки
,
элементы которой независимы и имеют
функцию распределения
.
Функция
от выборки
называется статистикой или оценкой
параметра
.
Оценка
параметра
называется несмещенной, если
для всех
.
40. Статистика
является несмещенной статистикой
математического ожидания и называется
выборочным средним.
Статистика
является несмещенной статистикой
дисперсии
и называется выборочной дисперсией.
41. Пусть задана
выборка независимых наблюдений
над случайной величиной
.
Функция
,
где
называется эмпирической функцией распределения.
42. Теорема
Колмогорова. Пусть
.
Если функция распределения
непрерывна, то
.
На основе этой
теоремы строится критерий Колмогорова.
Пусть
– уровень значимости. По таблицам
находится значение
такое, что
.
Если
то мы принимаем гипотезу о том, что
имеет функцию распределения, равную
.
В противном случае мы отвергаем эту
гипотезу.
43. Критерий
Пирсона. Пусть наша гипотеза состоит в
том, что случайная величина
имеет функцию распределения
.
Выберем точки
и вычислим вероятности
.
Обозначим через
число элементов выборки
,
для которых
.
Тогда, если верна гипотеза, то распределение
статистики
при
сходится к
-распределению
с
степенью свободы. Выбирая уровень
значимости
по таблицам
-распределения,
находим значение
такое, что
.
Если
,
то гипотеза принимается, в противном
случае отвергается.