- •Тема 1. Вероятностные пространства 30
- •Тема 2. Основные вероятностные схемы испытаний 60
- •Тема 3. Случайные величины 87
- •Тема 4. Математическая статистика 140
- •Введение Место теории вероятностей и математической статистики в современной математической науке и их роль в экономических исследованиях
- •Особенности изучения теории вероятностей и математической статистики менеджером
- •Краткие сведения
- •Тема 1. Вероятностные пространства Лекция 1. Пространство случайных событий
- •Основные понятия теории вероятностей
- •Случайные события
- •Понятие случайного эксперимента
- •Пространство элементарных событий
- •Наступление события, благоприятствующие исходы
- •Совместные (совместимые), несовместные (несовместимые) события
- •Достоверное и невозможное события
- •Алгебра событий Операции над событиями (сумма, разность, произведение)
- •Свойства операций над событиями
- •Алгебра и сигма-алгебра событий
- •Общее определение вероятности
- •Классическое определение вероятности события. Случаи равновероятных исходов
- •Статистическое определение вероятности события. Случаи неравновероятных исходов
- •Геометрические вероятности
- •Аксиоматическое построение теории вероятностей
- •, Т.Е. Вероятность достоверного события равна единице;
- •Вероятность события , заключающееся в том, что наступит одно из попарно несовместных событий ( ), составляет
- •Полная группа событий
- •Условная вероятность
- •Формула умножения вероятностей
- •Формула сложения вероятностей
- •Независимость событий
- •Простейшие свойства вероятностей
- •Свойства условных вероятностей
- •Формула полной вероятности. Формула Байеса
- •Контрольные вопросы к теме №1
- •Тема 2. Основные вероятностные схемы испытаний Лекция 2. Основные формулы вычисления вероятностей
- •Классическая вероятностная схема
- •Правила суммы и произведения
- •Схемы выбора. Основные понятия комбинаторики
- •Выбор без возвращения, с учетом порядка
- •Выбор без возвращения, без учета порядка
- •Выбор с возвращением и с учетом порядка
- •Выбор с возвращением и без учета порядка
- •Урновая схема
- •Наивероятнейшее число наступления событий в схеме Бернулли
- •Предельные теоремы для схемы Бернулли
- •Локальная теорема Муавра–Лапласа
- •Интегральная теорема Муавра – Лапласа
- •Теорема Пуассона
- •Понятие потока событий
- •Полиномиальная схема
- •Понятие цепи Маркова
- •Однородные цепи Маркова
- •Равенство Маркова
- •Предельные вероятности
- •Контрольные вопросы к теме №2
- •Тема 3. Случайные величины Лекция 3. Одномерные случайные величины
- •Непрерывные и дискретные случайные величины
- •Закон распределения случайной величины
- •Функция распределения случайной величины и ее свойства
- •Свойства функции распределения
- •Числовые характеристики непрерывных случайных величин Математическое ожидание случайной величины, его вероятностный смысл и свойства
- •Свойства математического ожидания
- •Дисперсия случайной величины и ее свойства
- •Среднеквадратическое отклонение
- •Начальные и центральные моменты
- •Основные примеры распределений дискретной случайной величины
- •Биномиальное распределение, его математическое ожидание, дисперсия
- •Распределение Пуассона
- •Геометрическое распределение
- •Непрерывные случайные величины Функция и плотность распределения вероятностей
- •Числовые характеристики непрерывных случайных величин
- •Основные примеры распределений непрерывной случайной величины Равномерное распределение
- •Показательное распределение
- •Нормальное распределение
- •Свойства функции Гаусса
- •Центральная предельная теорема
- •Вероятность попадания нормальной случайной величины в заданный интервал
- •Функция Лапласа и ее свойства
- •Вычисление вероятности заданного отклонения. Правило «трех сигм»
- •Лекция 4. Многомерные случайные величины
- •Закон распределения вероятностей двумерной случайной величины
- •Совместная функция распределения двумерной случайной величины
- •Свойства совместной функции распределения двумерной случайной величины
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Свойства двумерной плотности вероятности
- •Условное математическое ожидание
- •Независимые случайные величины
- •Числовые характеристики системы двух случайных величин
- •Корреляционный момент
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Линейная регрессия. Метод наименьших квадратов
- •Распределение 2
- •Распределение Стьюдента
- •Распределение Фишера
- •Предельные теоремы теории вероятностей Закон больших чисел. Неравенство Чебышева. Теорема Чебышева
- •Контрольные вопросы к теме №3
- •Тема 4. Математическая статистика Лекция 5. Основы математической статистики
- •Выборочный метод и его основные понятия
- •Способы отбора
- •Вариационный ряд для дискретных и непрерывных случайных величин
- •Полигон и гистограмма
- •Эмпирическая функция распределения и ее свойства
- •Свойства эмпирической функции распределения
- •Статистические оценки параметров распределения. Состоятельность и несмещенность статистических оценок
- •Выборочные среднее и дисперсия
- •Надежность и доверительный интервал
- •Определение доверительных интервалов 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
- •Проверка статистических гипотез
- •Статистический критерий
- •Критическая область. Область принятия гипотезы. Критические точки
- •Критерий согласия Пирсона о виде распределения
- •Элементы теории корреляции
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Множественная линейная регрессия
- •Нелинейная регрессия
- •Логарифмическая модель
- •Обратная модель
- •Степенная модель
- •Показательная модель
- •Цепи Маркова Цепи Маркова с дискретным временем
- •Однородные цепи Маркова
- •Переходные вероятности. Матрица перехода
- •Равенство Маркова
- •Цепи Маркова с непрерывным временем
- •Уравнения Колмогорова
- •Финальные вероятности состояний системы
- •Предельные вероятности
- •Контрольные вопросы к теме №4
- •Экзаменационные вопросы
- •Литература
- •Теория вероятностей и математическая статистика
- •Технический редактор т.В. Жибуль
- •220007, Г. Минск, ул. Московская, 17.
Однородные цепи Маркова
Однородной называют цепь Маркова, для которой условная вероятность перехода из состояния в состояние не зависит от номера испытания. Для однородных цепей вместо используют обозначение .
Примером однородной цепи Маркова могут служить случайные блуждания. Пусть на прямой Ox в точке с целочисленной координатой x=n находится материальная частица. В определенные моменты времени частица скачкообразно меняет свое положение (например, с вероятностью p может сместиться вправо и с вероятностью 1–p – влево). Очевидно, координата частицы после скачка зависит от того, где находилась частица после непосредственно предшествующего скачка, и не зависит от того, как она двигалась в предшествующие моменты времени.
В дальнейшем ограничимся рассмотрением конечных однородных цепей Маркова.
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 состояния 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.