- •Лекция 1. Предмет теории вероятностей и математической статистики и их роль в экономике и менеджменте
- •Лекция 2. Аксиоматика теории вероятности Понятие случайного эксперимента.
- •Пространство элементарных событий.
- •Совместные и несовместные события.
- •Операции над событиями (сумма, разность, произведение).
- •Свойства операций над событиями.
- •Алгебра и сигма-алгебра событий.
- •Лекция 3. Методы определения вероятностей событий
- •Классическое определение вероятности события. Случаи равновероятных исходов.
- •Статистическое определение вероятности события. Случаи неравновероятных исходов.
- •Геометрические вероятности.
- •Аксиоматическое построение теории вероятностей.
- •Вероятностное пространство
- •Лекция 4. Основные теоремы теории вероятностей. Формула полной вероятности и формула Байеса Полная группа событий.
- •Условная вероятность.
- •Формула умножения вероятностей.
- •Формула сложения вероятностей.
- •Независимость событий.
- •Формула полной вероятности.
- •Формула Байеса
- •Основные понятия комбинаторики.
- •Правила суммы и произведения.
- •Лекция 5. Схема независимых испытаний Бернулли
- •Случай непостоянной вероятности появления события в опытах
- •Наивероятнейшее число наступления событий в схеме Бернулли.
- •Предельные теоремы для схемы Бернулли.
- •Теорема Пуассона.
- •Понятие потока событий.
- •Локальная теорема Муавра –Лапласа.
- •Интегральная (глобальная) теорема Муавра – Лапласа.
- •Лекция 6. Виды случайных величин и расчет вероятностей событий с использованием функций и плотностей распределения
- •Закон распределения дискретной случайной величины.
- •Функция распределения случайной величины и ее свойства.
- •Свойства функции распределения
- •Плотность распределения вероятностей.
- •Лекция 7. Основные параметры распределений одномерных случайных величин.
- •Математическое ожидание случайной величины
- •Свойства математического ожидания:
- •Дисперсия случайной величины и ее свойства.
- •Среднее квадратическое отклонение.
- •Лекция 8. Основные законы распределений случайных величин
- •Биномиальное распределение, его математическое ожидание и дисперсия.
- •Распределение Пуассона.
- •Геометрическое распределение
- •Гипергеометрическое распределение (урновая схема)
- •Равномерное распределение.
- •Показательное распределение.
- •Лекция 9. Нормальное распределение и его свойства
- •Свойства функции Гаусса.
- •Вероятность попадания нормальной случайной величины в заданный интервал.
- •Функция Лапласа и ее свойства.
- •О тклонение нормальной случайной величины от ее математического ожидания. Правило «трех сигм».
- •Лекция 10. Многомерные случайные величины
- •Закон распределения вероятностей двумерной случайной величины
- •Совместная функция распределения двух случайных величин
- •Свойства совместной функции распределения двух случайных величин
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Свойства двумерной плотности вероятности
- •Независимые случайные величины
- •Для независимых случайных величин справедливы соотношения
- •Числовые характеристики системы двух случайных величин
- •Корреляционный момент
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Лекция 11. Предельные теоремы теории вероятностей.
- •Неравенство Чебышева
- •Теорема Чебышева.
- •Центральная предельная теорема.
- •Лекция 12. Выборочный метод анализа свойств генеральной совокупности.
- •Выборочный метод и его основные понятия. Случайная выборка и ее объем
- •Способы отбора
- •Вариационный ряд для дискретных и непрерывных случайных величин.
- •Полигон и гистограмма
- •Лекция 13. Понятие о статистических оценках случайных величин Эмпирическая функция распределения
- •Важнейшие свойства статистических оценок
- •Надежность и доверительный интервал.
- •Лекция 14. Доверительные интервалы для математического ожидания и дисперсии Доверительный интервал для математического ожидания нормального распределения при известной дисперсии.
- •Доверительный интервал для математического ожидания нормального распределения при неизвестной дисперсии
- •. Доверительный интервал для оценки среднего квадратического отклонения нормального распределения
- •Лекция 15. Проверка статистических гипотез.
- •Статистический критерий
- •Критическая область. Область принятия гипотезы. Критические точки.
- •Критерий согласия Пирсона о виде распределения.
- •Лекция 16. (уир) Понятие о регрессионном анализе
- •Понятие о регрессионном анализе
- •Выборочные уравнения регрессии.
- •Линейная регрессия
- •Множественная линейная регрессия
- •Нелинейная регрессия
- •Логарифмическая модель.
- •Обратная модель.
- •Степенная модель.
- •Показательная модель.
- •Лекция 17 (уир). Понятие о корреляционном анализе.
- •А. Парная корреляция
- •Б. Множественная корреляция
- •Лекция 18 (уир). Цепи Маркова с дискретным временем
- •Однородные цепи Маркова
- •Переходные вероятности. Матрица перехода.
- •Равенство Маркова
- •Лекция 19 (уир). Цепи Маркова с непрерывным временем.
- •Уравнения Колмогорова
- •Финальные вероятности состояний системы
- •Лекция 20 (уир). Системы массового обслуживания.
- •Расчет характеристик систем массового обслуживания Одноканальные модели а. Одноканальная модель с отказами
- •Б. Одноканальная модель с ожиданием
- •Многоканальные модели
Переходные вероятности. Матрица перехода.
Переходной вероятностью называют условную вероятность того, что из состояния в итоге следующего испытания система перейдет в состояние . Таким образом, индекс относится к предшествующему, а - к последующему состоянию.
Будем считать, что число состояний конечно и равно k.
Матрицей перехода системы называют матрицу, которая содержит все переходные вероятности этой системы:
,
где представляют вероятности перехода за один шаг.
Отметим некоторые особенности матрицы перехода.
Элементы каждой строки матрицы представляют собой вероятности всех возможных переходов за один шаг из выбранного состояния, в том числе и вероятность отсутствия перехода (элемент строки с равными индексами)
Элементы столбцов задают вероятности всех переходов системы за один шаг в заданное состояние
Так как в каждой строке матрицы помещены вероятности событий (т.е. вероятности перехода из состояния в любое возможное состояние ), которые образуют полную группу, то сумма вероятностей этих событий равна единице:
По главной диагонали матрицы перехода стоят вероятности того, что система не выйдет из состояния, а останется в нем.
Равенство Маркова
Обозначим через вероятность того, что в результате n шагов (испытаний) система перейдет из состояния в состояние . Например, - вероятность перехода за 10 шагов из третьего состояния в шестое. Отметим, что при n = 1 эта вероятность сводится просто к переходной вероятности .
Возникает вопрос, как, зная переходные вероятности , найти вероятности перехода состояния в состояние за n шагов. С этой целью вводится в рассмотрение промежуточное (между и ) состояние r. Другими словами, полагают, что из первоначального состояния за m шагов система перейдет в промежуточное состояние r с вероятностью , после чего за оставшиеся n – m шагов из промежуточного состояния r она перейдет в конечное состояние с вероятностью . Используя формулу полной вероятности, можно показать, что справедлива формула
Эту формулу называют равенством Маркова.
Зная все переходные вероятности , т.е. зная матрицу перехода из состояния в состояние за один шаг, можно найти вероятности перехода из состояние в состояние за два шага, а значит, и саму матрицу перехода , далее – по известной матрице - найти и т.д.
Действительно, полагая в равенстве Маркова n = 2, m = 1 получим
или . В матричном виде это можно записать как .
Полагая n=3, m =2, получим . В общем случае справедливо соотношение
.
Пример. Пусть матрица перехода равна
Требуется найти матрицу перехода
.
Умножая матрицу саму на себя, получим
.
Для практических применений чрезвычайно важным является вопрос о расчете вероятности нахождения системы в том или ином состоянии в конкретный момент времени. Решение этого вопроса требует знания начальных условий, т.е. вероятностей нахождения системы в определенных состояниях в начальный момент времени. Начальным распределением вероятностей марковской цепи называется распределение вероятностей состояний в начале процесса
.
Здесь через обозначена вероятность нахождения системы в состоянии в начальный момент времени. В частном случае, если начальное состояние системы в точности известно (например ), то начальная вероятность , а все остальные равны нулю.
Если для однородной цепи Маркова заданы начальное распределение вероятностей и матрица перехода, то вероятности состояний системы на n-м шаге вычисляются по рекуррентной формуле
.
Для иллюстрации приведем простой пример. Рассмотрим процесс функционирования некоторой системы (например, прибора). Пусть прибор в течение одних суток может находиться в одном из двух состояний – исправном ( ) и неисправном ( ). В результате массовых наблюдений за работой прибора составлена следующая матрица перехода
,
где - вероятность того, что прибор останется в исправном состоянии;
- вероятность перехода прибора из исправного в неисправное состояние;
- вероятность перехода прибора из неисправного в исправное состояние;
- вероятность того, что прибор останется в состоянии "неисправен".
Пусть вектор начальных вероятностей состояний прибора задан соотношением
, т.е. (в начальный момент прибор был неисправен). Требуется определить вероятности состояния прибора через трое суток.
Решение: Используя матрицу перехода, определим вероятности состояний после первого шага (после первых суток):
.
Вероятности состояний после второго шага (вторых суток) равны
Наконец, вероятности состояний после третьего шага (третьих суток) равны
.
Таким образом, вероятность того, что прибор будет находиться в исправном состоянии равна 0,819, и того, что в неисправном – соответственно 0,181.