- •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
2.3.5.2 Непрерывные цепи Маркова
Если система с конечным или счетным числом состояний может переходить из одного состояния в другое в любой момент времениt, то будем говорить, что заданацепь Марковаснепрерывнымвременем.
Определение. Случайный процессtобразуетнепрерывную цепьМаркова, если для произвольной последовательности,i= 1, 2, …,n, такой, чтоt0t1…tn, выполняется
. (76)
Это определение является непрерывным аналогом определения (66). Интерпретация та же самая: состояние системы Sв будущем зависит только от
текущего ее состояния (настоящего) и не зависит от того, как и когда система попала в это состояние.
Определение. Цепи Маркова, сформулированные в терминах случайных процессов, называются марковскими процессами.
Рассмотренные здесь цепи Маркова - суть марковские процессы.
Непрерывные марковские процессы отличаются от дискретных тем, что случайные изменения состояний системы зависят от непрерывно изменяющихся параметров.
Пусть задан процесс (t), определяющий состяние ситемы в момент времениtT. Зададим процесс ее развития: если, в данный момент времени(<t), система находится в состоянииi, то в последующий момент времениtона будет находится в состоянииjс вероятностью, независимо от поведения системы до момента. Для такой системы вероятности
,,
называются переходными вероятностямимарковского процесса.
Определение.Марковский процесс(t)называетсяоднородным, если переходные вероятностизависят только от разности (t-), то есть
.
В общем случае вместо переходных вероятностей можно рассматривать соответствующие плотности вероятностей. В качестве примера, можно привести броуновское движение, распространенное на непрерывный случай (Винеровский процесс 2).
2.3.5.3 Потоки событий
Потоком событийназывается появление однородных событий в случайные моменты времени.
Рис. 29
Рассмотрим временную ось (рис. 29). Поток событий представляет собой, вообще говоря, последовательность случайных точек 12…nна оси, разделенных временными интерваламиТi =i+1i),iN, длина которых случайна.
Потоки событий различаются по законам распределения длин интервалов Ti между событиями, по их зависимости или независимости, регулярности и др.
Наиболее изучены потоки, которые обладают следующими свойствами:
а) стационарность– все его вероятностные характеристики не меняются со временем;
б) отсутствие последействия– для любых непересекающихся временных интервалов на временной оси, число событий, находящихся на одном интервале,не зависитот того, сколько их и как они оказались на другом интервале;
в) ординарность – практическая невозможность на достаточно малом временном интервале появиться двум и более событиям.
Для формализации этих свойств, введем понятие интенсивности.
Пусть - вероятность того, что за времяt, примыкающего к моменту времениt, появилосьiсобытий,iN.
Рассмотрим полную группу несовместных событий, для которой, по определению, имеем
. (77)
Введем обозначение, пусть - вероятность того, что за времяtпоявилось более одного события.
Тогда формула (77) примет вид
. (78)
Из определения ординарности следует, что
, (79)
где 0(t) – бесконечно малая более высокого порядка, чем наименьшая из вероятностейи, то есть.
Обозначим через математическое ожидание числа событий появившихся за время, тогда, по определению,
.
С учетом ординарности и свойств бесконечно малой, имеем
или
Положим
Определение. Функцияпараметраtназываетсяинтенсивностью (плотностью) ординарного потока событий в моментt, если
. (80)
Стандартная трактовка -среднее число событий, приходящихся на единицу времени, для участка, примыкающего к моментуt.
Ясно, что , и имеет размерность обратную времени -.
Пример. Среднее число событий ординарного потока, на интервале длиной, примыкающего кt, равно
, (81)
в частности, для стационарного потока, имеем
Наконец, отсутствие последействияформулируется следующим образом.
Пусть вероятность того, что за время, примыкающего к моменту времениt, появилоськсобытий при условии, что в момент времениtбылоn-ксобытий. Тогда условие отсутствия последействия означает, что
,к= 0, 1, …,n. (82)
В частности, при tик= 1, имеем
. (83)
Замечание. Формула (82) в терминах биологии может интерпретироваться как вероятность роста популяции [6] накединиц за время. Аналогично, имеет смысл говорить о гибели популяции нак единиц за время, если в моментtпопуляция состояла из (n+k) единиц, то есть
.
Определение. Поток событий называетсяпростейшим,если он обладает свойствами:
а) стационарности: =const,
б) отсутствия последействия:
.
в) ординарности:
.
Замечание. Простейший поток событий является достаточно общим, в том смысле, что получаемые вероятностные характеристики функционирования систем в условиях простейшего потока, как правило, наиболее пессимистичны, то есть «хуже не будет».
Покажем что, если поток событий простейший, то распределение длин интервалов между поступлениями любой пары соседних событий показательное (экспоненциальное) с плотностью
,,(84)
Следующие постулаты сразу следуют из определения простейшего потока:
для всякого малого t0, существует ненулевая вероятность появления события;
если система начинает функционировать с момента t= 0, то первое появление события имеет место в моментt0.
Рассмотрим функцию
. (85)
если - плотность, то
.
Из свойства отсутствия последействия, имеем
,,. (86)
Вычитая из обеих частей (86) f(t), получим
.
Разделим обе части на t, и перейдем к пределу поt:
.
Если пределы существуют, то полагая
,
будем иметь
, где.
Решая это уравнение, получаем выражение
.
Подставляя его в (84), получим
или
. (88)
Дифференцируя (88), получаем требуемое
.▼(89)
Определим
.
Учитывая условие отсутствия последействия, можем воспользоваться сверткой
,k N. (90)
Используя (89), имеем
. (91)
Из смысла и (90), приk= 0, получаем
. (92)
Дифференцируя (91) по t, приходим к системе уравнений
,. (93)
Система рекуррентных линейных дифференциальных уравнений (93) легко решается, начиная с k = 1, если учесть (92) и начальные условия:Vк(0) = 0,kN. Решение системы (93) имеет вид:
,k= 0, 1, 2, ... . (94)
Формула (94) представляет пуассоновскийпроцесс (иличисто случайный процесс) с дискретным пространством состояний и непрерывным временем.
Система уравнений (93) называется системой уравнений чистого рождения[6].
Вывод. Если в некоторой системеSпереходы ее из одного состояния в любое другое удовлетворяют условиям простейшего потока, то говорят, что имеет место пуассоновский процесс с непрерывным временем. Обратное также справедливо.
Пуассоновский процесс обладает некоторыми замечательными свойствами, используя которые легко получать системы уравнений вида (93), часто применяемые в системах массового обслуживания.