- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
2.3.5.1 Марковские процессы
Понятие марковкой цепи принадлежит русскому математику А.А. Маркову (в статьях 1906-1908 гг., где он использовал новое понятие для статистического анализа распределения букв в поэме А.С. Пушкина «Евгений Онегин»). Само понятие «Цепь Маркова» было предложено русским математиком А.Я. Хинчиным.
Пусть имеем некоторую систему S, которая может находиться в одном из конечного или счетного множества несовместных состоянийСi,i N. Переход системы от состояния к состоянию, вообще говоря, случаен и возможен только в фиксированные моменты времениtn,n= 0,1,2,… . Опишем функционирование системы в терминах случайных процессов.
Пусть в момент времени tn, системаSперешла из состоянияСjв состояниеСi. Для ее описания зададим дискретный случайный процесс функциейtn) = i,tn),i= 1, 2, …;n= 0, 1, … . Элементарное событиеiотражает пребывание системыSв состоянииCi. Кроме того, нам необходимо задать начальное распределение вероятностей для момента времениt=t0и, в общем случае, задать все сечения процесса и возможность его реализации.
Получить такую информацию о случайном процессе задача трудновыполнимая, да и в ряде случаев не нужная, если использовать понятие цепей Маркова.
В самом деле, пусть имеем последовательность (цепь) зависимых целочисленных случайных величин n=tn),n= 0,1,… . Если в моментtnсистема пришла в состояниеCi, то будем считать, чтоn=i.
Определение. Последовательность случайных величин {n},n= 0,1,… образуетцепь Маркова, если
,(66)
с начальными условиями
,. (67)
Вероятности - называются вероятностями перехода. Свойство (66), цепи Маркова, называетсясвойством отсутствия последействия, которое интерпретируется так:поведение процесса в будущем зависит только от фиксированного настоящего и не зависит от его прошлого.
Определение. Цепь Маркова {n},n= 0, 1, …, называетсяоднородной, если вероятности переходане зависят от времени, то есть
,. (68)
Определение. Цепь Маркова называетсянеприводимой, если каждое ее состояние может быть достигнуто из любого другого, то есть для любых двух состояний системыSСi,Cj, существует целое числок, такое, что.
Для однородной цепи имеем .
Пусть - вероятность того, что в момент времениtnсистема находится в состоянииСj. Интерес представляет существование предела
,. (69)
Нахождение распределения {j} является основной задачей цепей Маркова. Если предел существует, то говорят, что системаSимеетстационарныйрежим функционирования, если. Предельные вероятности {j} не зависят от начальных условий,,, означают долю времени, в течение которого система находится в состоянииСj,jN, и однозначно определяются равенствами:
, (70)
,. (71)
Формула (70) называется условием нормировки.
Система алгебраических уравнений (71) является однородной, и для ее однозначного решения необходимо использовать (70), при этом, любое одно уравнение из системы (71) можно исключить.
Матрица П, составленная из элементов, называется матрицей вероятностей перехода:
. (72)
Зададим вектор вероятностей состояний системы
.
тогда система (71) записывается в виде
. (73)
Часто представляют интерес переходы системы из состояния в состояние в произвольный момент времени (переходный режим).
Для этого нужно определить распределение вероятностей пребывания системы в состоянииСj в моментtn. Зададим вектор вероятностейв моментtnравенством
.
Используя (71) и определение вероятностей переходов (66), имеем
,
где - начальное состояние системы (67). Отсюда для любогоn, по рекуррентной формуле, получаем
,. (74)
Уравнение (74) дает общий метод вычисления вероятностей на n-м шаге процесса по заданной матрице переходовПи начальном распределении
Если стационарный режим существует, то
. (75)
Пример. Рассмотрим системуS, которая находится, в любой момент времениt, в одном из трех состоянийС1,С2,С3. Переход системы от состояния к состоянию происходит мгновенно в фиксированные моменты времениtк =к,кN, в соответствии с размеченным графом [3] состояний рисунка 28.
Рис. 28
Требуется оценить скорость сходимости к стационарному режиму и вычислить стационарное распределение вероятностей.
Решение. Вычислим стационарное распределение вероятностей, то есть найдем собственный вектор, где,i=1, 2, 3.
Имеем , где
.
С учетом условия нормировки имеем систему
(*)
Решая ее (например, без уравнения помеченного (*)), получаем стационарное распределение вероятностей:
.
Оценим скорость сходимости. Для этого вычислим вероятности перехода по формуле (74) при различных начальных условиях:
а) р(0)= (1,0,0),
результаты представлены в виде табл. 7.
Таблица 7
-
n
0
1
2
3
4
…
1
0
0,250
0,178
0,203
…
0,2
0
0,75
0,062
0,359
0,254
…
0,28
0
0,25
0,688
0,454
0,543
…
0,52
б)р(0)= (0,1,0),
соответствующие результаты отражены в табл. 8.
Таблица 8
-
n
0
1
2
3
4
…
0
0
0,187
0,203
0,199
…
0,2
1
0,75
0,375
0,250
0,289
…
0,28
0
0,25
0,438
0,547
0,512
…
0,52
в) р(0)= (0,0,1),
в итоге получаем табл. 9:
Таблица 9
-
n
0
1
2
3
4
…
0
0
0,187
0,203
0,199
…
0,2
0
0,75
0,313
0,266
0,285
…
0,28
1
0,25
0,500
0,531
0,516
…
0,52
Из таблиц видно, что вхождение системы в стационарный режим происходит достаточно быстро, так как, уже после четырех шагов, вероятности мало отличаются от предельных, независимо от начальных условий.
Замечание. Оценка скорости сходимости переходных вероятностей к стационарным зависит отсобственных значений матрицы П и иллюстрируетсябарицентрической системой координат[8].