- •С.Е.Игнатова теория вероятностей
- •Санкт-Петербург
- •Утверждено редакционно-издательским советом сПбГиэу
- •Игнатова с.Е.
- •Содержание:
- •Предисловие
- •Введение
- •1.1. Предмет теории вероятностей.
- •Краткая историческая справка.
- •1. Правила действия со случайными событиями и вероятностями их осуществления.
- •1.2. Основные формулы комбинаторики.
- •1.3. Испытания и события.
- •1.4. Виды случайных событий.
- •1.5. Классическое определение вероятности.
- •1.6. Статистическая вероятность.
- •1.7. Геометрическая вероятность.
- •1.8. Аксиоматика а.Н. Колмогорова.
- •1.9. Алгебра событий.
- •1.10. Теоремы сложения вероятностей.
- •1.11. Условные вероятности, независимость событий и экспериментов.
- •1.11.1. Теоремы умножения вероятностей.
- •1.11.2. Формула полной вероятности.
- •1.11.3. Вероятность гипотез. Формула Байеса.
- •1.11.4. Схема независимых испытаний (схема Бернулли).
- •2. Случайные величины и законы распределения вероятностей.
- •2.1. Виды случайных величин.
- •2.2. Закон распределения вероятностей дискретной случайной величины.
- •2.2.1. Функция распределения вероятностей случайной величины.
- •2.2.2. Плотность распределения вероятностей непрерывной случайной величины.
- •2.3. Основные числовые характеристики случайных величин.
- •2.3.1. Математическое ожидание.
- •2.3.2. Дисперсия.
- •2.3.3. Среднее квадратическое отклонение.
- •2.3.4. Мода и медиана.
- •2.4. Производящие функции моментов.
- •2.5. Законы распределения вероятностей, наиболее распространенные в практике статистических исследований.
- •Вероятностный смысл параметров:
- •2.5.1. Вероятность попадания в заданный интервал нормальной случайной величины.
- •2.5.2. Вычисление вероятности заданного отклонения.
- •2.5.3. Правило трёх сигм.
- •2.6. Последовательности случайных величин в дискретном вероятностном пространстве.
- •3. Закон больших чисел и центральная предельная теорема.
- •4. Совместное распределение случайных величин.
- •4.1. Закон распределения двумерной случайной величины.
- •4.2. Вычисление основных числовых характеристик случайных величин х и y.
- •4.3. Условные распределения.
- •4.4. Зависимые и независимые случайные величины.
- •4.5. Коэффициент корреляции двух случайных величин и его свойства.
- •4.6. Независимость и некоррелированность.
- •4.7. Нормальный закон распределения на плоскости.
- •Вероятностный смысл параметров:
- •4.8. Линейная регрессия. Прямые линии среднеквадратической регрессии.
- •5. Последовательности, образующие цепь Маркова.
- •5.1. Равенство Маркова.
- •5.2. Финальные вероятности.
- •Заключение
- •Список литературы:
- •Сведения об авторе.
5.1. Равенство Маркова.
Пусть pij(n) – вероятность того, что в результате n шагов (испытаний) система перейдет из состояния i в состояние j. Например, p25(10) – вероятность перехода за 10 шагов из второго состояния в пятое.
При n = 1 получаем переходные вероятности pij(1) = pij.
Поставим задачу: Зная переходные вероятности pij, найти вероятности pij(n) перехода системы из состояния i в состояние j за n шагов через промежуточное (между i и j) состояние r. То есть, будем считать, что из первоначального состояния i за m шагов система перейдет в промежуточное состояние r с вероятностью pir(m), после чего, за оставшиеся (n-m) шагов, она перейдет из состояния r в конечное состояние j с вероятностью prj(n-m).
По формуле полной вероятности имеем:
(1)
Эту формулу называют равенством Маркова.
Подставив в это равенство n = 2, m = 1, получаем:
(2)
По формуле (2) можно найти все вероятности pij(2), следовательно, и саму матрицу перехода P2 из состояния в состояние за два шага.
Из формулы (2) вытекает соотношение в матричной форме:
Подставив в равенство Маркова n = 2, m = 1, получаем:
Таким образом, можно получить общую формулу:
Пример: Задана
матрица перехода
.
Найти матрицу перехода
Решение:
.
5.2. Финальные вероятности.
Обратимся к важной для нас теореме, которая впервые была доказана Марковым.
Теорема:
Если цепь
характеризуется матрицей перехода
,
такой, что при некотором
все элементы матрицы
были отличны от нуля, тогда существует
предел матрицы
при
,
причем
для всех значений
и
(
называют финальными или стационарными
вероятностями).
В матричной форме это можно записать так:
Финальные вероятности
можно найти, решив однородную систему
линейных уравнений с
неизвестными
:
Ищем решение этой системы, отличное от тривиального:
,
которое
удовлетворяет условию нормировки
.
Пример: На рынке вычислительного оборудования преобладают компактные диски двух марок: A и B. Приблизительно, потребители приобретают новую упаковку дисков один раз в месяц. Статистические исследования показали:
Если в текущем месяце потребитель пользуется дисками марки A, то с вероятностью 0,6 он будет приобретать их и в следующем месяце, а с вероятностью 0,4, в следующем месяце он приобретёт диски марки B.
Если в текущем месяце потребитель пользуется дисками марки B, то с вероятностью 0,7 он будет приобретать их и в следующем месяце, а с вероятностью 0,3 в следующем месяце он приобретёт диски марки A.
Требуется составить прогноз состояния рынка компактных дисков в обозримом будущем.
Решение:
Построим математическую модель. Пусть
– потребители, приобретающие диски
марки A;
–
потребители, приобретающие диски марки
B.
Процесс приобретения дисков, описанный
в данном примере – это однородная цепь
Маркова с матрицей перехода:
.
Покажем динамику переходов системы из одного состояния в другое через 2 и через 3 месяца и вычислим финальные вероятности.
1) Через 2 месяца:
.
2) Через 3 месяца:
.
3) Финальные вероятности:
Ответ: Независимо
от нынешнего состояния рынка, если
матрица перехода останется равной
,
будет наблюдаться тенденция к тому,
чтобы марка компактных дисков A
контролировала
рынка, а марка B
контролировала
.
