
- •Введение
- •Основные понятия теории вероятностей
- •1.1. События и действия над ними
- •1.2. Определение вероятности
- •1.3. Элементы комбинаторики
- •1.4. Условная вероятность события
- •1.5. Вероятность суммы двух событий
- •1.6. Формула полной вероятности. Формула Байеса
- •Упражнения
- •2. Повторные независимые испытания
- •2.1. Формула Бернулли
- •2.2. Формула Пуассона
- •2.3. Локальная и интегральная формулы Муавра-Лапласа
- •2.4. Полиномиальная схема
- •Упражнения
- •3. Случайные величины
- •3.1. Закон распределения случайной величины
- •Математические операции над случайными величинами
- •3.3. Математическое ожидание и дисперсия дискретной случайной величины
- •3.4. Функция распределения случайной величины
- •3.5. Непрерывные случайные величины
- •Упражнения
- •4. Основные законы распределения
- •4.1. Биномиальное распределение
- •4.2. Закон распределения Пуассона
- •4.3. Равномерный закон распределения
- •4.4. Показательный закон распределения
- •4.5. Нормальный закон распределения
- •Упражнения
- •5. Закон больших чисел и предельные теоремы
- •5.1. Неравенство Маркова
- •5.2. Неравенство Чебышева
- •5.3. Теорема Чебышева
- •5.4. Центральная предельная теорема
- •Упражнения
- •6. Однородные цепи Маркова
- •Упражнения
- •7. Занимательная теория вероятностей
- •7.1. Занимательные задачи
- •7.2. Парадоксы теории вероятностей
- •Упражнения
- •9. Статистическое распределение выборки
- •Упражнения
- •Упражнения
- •11. Статистические оценки параметров распределения
- •11.1. Точечные оценки
- •Упражнения
- •11.2. Интервальные оценки
- •Упражнения
- •Упражнения
- •13. Статистическая проверка гипотез о вероятностях,
- •средних, дисперсиях. Критерий согласия Пирсона
- •Упражнения
- •14. Регрессия и корреляция
- •14.1. Функциональная, статистическая и корреляционная зависимости
- •14.2. Линейная модель парной регрессии
- •14.3. Корреляционная таблица. Коэффициент корреляции
- •Упражнения
- •Домашняя контрольная работа
- •Библиографический список
- •Приложения. Математико-статистические таблицы

1)найти закон распределения случайной величины ;
2)вычислить вероятности;
3)сформулировать «правило трех сигм».
|
6. Однородные цепи Маркова |
Пусть |
– множество возможных состояний некоторой |
физической системы [1, 13]. В любой момент времени система может находиться только в одном состоянии. С течением времени система переходит случайным образом из одного состояния в другое.
Для описания эволюции этой системы рассмотрим последовательность дискретных случайных величин Индекс «
» соответствует моменту времени, т.е. если в момент времени
система нахо-
дилась в положении , то считают, что |
. Таким образом, последо- |
||
вательность |
состоит из номеров состояний системы. |
||
Определение. Последовательность |
образует цепь Маркова, если |
||
для любого |
и для любых |
|
|
Это означает, что вероятность попасть в момент времени в состояние
зависит только от того, в каком состоянии находился процесс в момент
Определение. Цепь Маркова называется однородной, если вероятность перехода не зависит от номера шага, а зависит только от того, из какого состояния и в какое осуществляется переход.
Вероятности перехода записывают в виде матрицы
Матрица называется матрицей вероятностей перехода однородной цепи Маркова за один шаг. Данная матрица обладает свойствами:
57

1) |
|
2) |
, т.е. сумма значений в каждой строке равна 1. |
Состояния цепи Маркова полностью определяются матрицей со- |
|
стояний |
и вектором начальных состояний |
Пример 6.1. Погода на некотором острове через длительные периоды времени становится или дождливой (Д), или сухой (С). Вероятности ежедневных изменений заданы матрицей
а) Если в среду погода дождливая, то какова вероятность, что она будет дождливой в ближайшую пятницу?
б) Если в среду ожидается дождливая погода с вероятностью 0,3, то какова вероятность, что она будет дождливой и в ближайшую пятницу?
Решение. Сначала вычислим матрицу перехода за 2 шага, так как между средой и пятницей как раз два перехода. Для этого необходимо исходную матрицу возвести в квадрат. Имеем
а) В качестве вектора начальных состояний рассмотрим. Здесь первая координата вектора означает, что в среду будет дождь. Для определения погоды в пятницу надо умножить вектор-строку
на
.
Таким образом, вероятность дождя в пятницу равна 0,61.
б) В данном случае рассмотрим |
. Умножая вектор |
|
начальных состояний на |
будем иметь |
|
Т.е. вероятность дождя в пятницу равна 0,547. ■
58

Упражнения
6.1.На окружности расположены шесть точек, равноотстоящих друг от друга. Частица движется из точки в точку следующим образом. Из данной точки она перемещается в одну из ближайших соседних точек с вероятностью 1/4 или в диаметрально противоположную точку с вероятностью 1/2. Выписать матрицу вероятностей перехода для этого процесса и построить граф, соответствующий этой матрице.
6.2.Вероятности перехода за один шаг в цепи Маркова задаются матрицей
Требуется: а) найти число состояний; 6) установить, сколько среди них существенных и несущественных; б) построить граф, соответствующий матрице.
6.3.В учениях участвуют два корабля, которые одновременно производят выстрелы друг в друга через равные промежутки времени. При каждом обмене выстрелами корабль А поражает корабль В с вероятностью 1/2, а корабль В поражает корабль А с вероятностью 3/8. Предполагается, что при любом попадании корабль выходит из строя. Рассматриваются результаты серии выстрелов. Найти матрицу вероятностей перехода, если состояниями цепи являются комбинации кораблей, оставшихся в строю: Е1 – оба корабля в строю, Е2 – в строю корабль А, Е3 –
встрою корабль В, Е4 – оба корабля поражены.
6.4.В любой данный день человек здоров или болен. Если человек здоров сегодня, то вероятность того, что он будет здоров и завтра оценивается в 98 %. Если человек сегодня болен, то завтра он будет здоров лишь в 30 % случаев. Описать последовательность состояний здоровья как Марковскую цепь. Определить: а) вероятность того, что человек выздоровеет завтра, послезавтра и на третий день, если сегодня он болен; б) ожидаемое число дней, в течение которых больной на сегодняшний день человек остается больным.
59