А. С. Гринберг О. Б. Плющ Б. В. Новыш Теория вероятностей и математическая статистика Курс лекций
Вид материала | Курс лекций |
- Рабочая программа дисциплины "теория вероятностей и математическая статистика", 112.61kb.
- Конспект лекций по курсу "Теория вероятностей и математическая статистика", 1417.24kb.
- Рабочая учебная программа дисциплины (модуля) Теория вероятностей и математическая, 217.23kb.
- Примерная программа наименование дисциплины «теория вероятностей и математическая статистика», 165.37kb.
- Рабочая программа учебной дисциплины теория вероятностей и математическая статистика, 830.1kb.
- Рабочая программа учебной дисциплины «Теория вероятностей и математическая статистика», 165.42kb.
- Программа курса лекций "Теория вероятностей и математическая статистика", 18.69kb.
- Примерная рабочая программа по дисциплине: «теория вероятностей, математическая статистика, 83.07kb.
- Программа по дисциплине «Теория вероятностей и математическая статистика» для студентов, 206.05kb.
- Программа дисциплины «теория вероятностей и математическая статистика» Для направления, 198.58kb.
Цепи Маркова
Цепи Маркова с дискретным временем
Цепи Маркова широко используются в экономических исследованиях – в частности, при изучении систем массового обслуживания. Примерами процессов массового обслуживания могут служить, в частности: обслуживание покупателей в сфере розничной торговли, транспортное обслуживание, ремонт аппаратуры, машин и механизмов, находящихся в эксплуатации, обработка документов в системе управления и т.п. Главной особенностью процессов массового обслуживания является случайность (момент возникновения заявки на обслуживание и окончание обслуживания заявки часто непредсказуемы).
В теоретическом плане цепи Маркова рассматриваются как частный вид случайных процессов. Функция

Цепью Маркова называют последовательность испытаний, в каждом из которых появляется только одно из k несовместных событий




Например, если последовательность испытаний образует цепь Маркова, и полная группа состоит из четырех несовместных событий



Пусть некоторая система в каждый момент времени находится в одном из k состояний. В отдельные моменты времени в результате испытания состояние системы изменяется, т.е. система переходит из одного состояния, например i, в другое, например j. После испытания система может остаться в том же состоянии (перейти из состояния


Для цепей Маркова часто используется следующая терминология: события называют состояниями системы, а испытания – изменениями ее состояний.
В связи с этим цепью Маркова можно назвать последовательность испытаний, в каждом из которых система принимает только одно из k состояний полной группы, причем, условная вероятность

Цепью Маркова с дискретным временем называют цепь, изменение состояний которой происходит в определенные фиксированные моменты времени.
Цепью Маркова с непрерывным временем называют цепь, изменение состояний которой происходит в любые случайные возможные моменты времени.
Однородные цепи Маркова
Однородной называют цепь Маркова, для которой условная вероятность





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

В дальнейшем ограничимся рассмотрением конечных однородных цепей Маркова.
Переходные вероятности. Матрица перехода
Переходной вероятностью





Будем считать, что число состояний конечно и равно k.
Матрицей перехода системы называют матрицу, которая содержит все переходные вероятности этой системы:

где

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



По главной диагонали матрицы перехода стоят вероятности

Равенство Маркова
Обозначим через





Возникает вопрос, как, зная переходные вероятности










Эту формулу называют равенством Маркова.
Зная все переходные вероятности






Действительно, полагая в равенстве Маркова n=2, m=1 получим:

или


Полагая n=3, m=2, получим


Пример. Пусть матрица перехода


Требуется найти матрицу перехода:

Умножая матрицу


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




Если для однородной цепи Маркова заданы начальное распределение вероятностей и матрица перехода, то вероятности состояний системы на n-м шаге


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 (



где




Пусть вектор начальных вероятностей состояний прибора задан соотношением


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.
Цепи Маркова с непрерывным временем
Марковский случайный процесс называется цепью Маркова с непрерывным временем, если переходы системы из состояния в состояние происходят не в фиксированные, а в случайные моменты времени.
Время наступления событий часто предсказать заранее невозможно. Например, любая деталь устройства или агрегат могут выйти из строя в любой, непредсказуемый момент времени. Описание таких, и гораздо более сложных ситуаций возможно при использовании формализма непрерывных цепей Маркова.
Пусть система характеризуется







Для процесса с непрерывным временем вместо переходных вероятностей







где






Если


При рассмотрении непрерывных марковских процессов принято считать, что переходы системы происходят под влиянием некоторых потоков событий.
Потоком событий называется последовательность событий, следующих одно за другим через какие-то случайные интервалы времени. Плотность вероятности перехода интерпретируется, как интенсивность

Марковские процессы удобно иллюстрировать с помощью графа состояний (Рис. 1), где кружками обозначены состояния системы, а стрелками – возможные ее переходы. Задержки в прежнем состоянии изображают «петлей», т.е. стрелкой, направленной из данного состояния в него же. Число состояний системы может быть как конечным, так и бесконечным.


Как правило, в графе состояний над стрелками проставляют соответствующие переходам интенсивности

Уравнения Колмогорова
Пусть система имеет конечное число состояний и случайный процесс, протекающий в ней, характеризуется некоторыми вероятностями нахождения системы в каждом из состояний.
В случае марковской системы с непрерывным временем и конечным числом состояний их вероятности могут быть найдены с помощью решения системы дифференциальных уравнений Колмогорова:

где

Величина



Уравнения Колмогорова составляют по размеченному графу состояний системы, пользуясь следующим правилом: производная вероятности каждого состояния равна сумме всех потоков вероятности, идущих из других состояний в данное состояние, минус сумма всех потоков вероятности, идущих из данного состояния в другие.
Решение системы уравнений Колмогорова необходимо задать начальное распределение вероятностей

Финальные вероятности состояний системы
Если процесс, протекающий в системе, длится достаточно долго, то имеет смысл говорить о предельном поведении вероятностей




не зависящие от того, в каком состоянии система находилась в начальный момент. Говорят, что в системе устанавливается предельный стационарный режим, при котором она переходит из состояния в состояние, но вероятности состояний

Финальные вероятности системы могут быть получены путем решения системы линейных алгебраических уравнений, которые получаются из дифференциальных уравнений Колмогорова, если приравнять производные к нулю, а вероятностные функции состояний


Таким образом, для системы с





Р




Решение. Согласно приведенному выше мнемоническому правилу, система дифференциальных уравнений Колмогорова имеет вид:

Начальные условия при


При



Решая ее с учетом условия

Финальные состояния марковской системы с непрерывным временем существуют при следующих условиях:
- плотности вероятности всех переходов не должны зависеть от времени
;
- из любого состояния системы возможен переход в любое другое состояние за конечное число шагов.
Например, для системы, изображенной на рис. 3, финальные вероятности не существуют.
В заключение рассмотрим одну из наиболее простых и часто встречающихся на практике разновидностей дискретных марковских цепей с непрерывным временем – так называемую схему гибели и размножения.

Схема гибели и размножения
Марковский процесс с дискретными состояниями






Название схемы взято из биологических задач, где состояние популяции


На рис.4 переход вправо соответствует увеличению популяции, влево – ее уменьшению. Таким образом, можно определить




Марковским процессом гибели и размножения с непрерывным временем называется такой случайный процесс, исследуемый параметр которого может принимать только целые неотрицательные значения. Изменения рассматриваемого параметра могут происходить в любой момент времени, т.е. в любой момент времени он может либо увеличиться, либо уменьшиться на единицу.
Процессом чистого размножения называется такой процесс, у которого интенсивности всех потоков гибели равны нулю; аналогично процессом чистой «гибели» называется процесс, у которого равны нулю интенсивности всех потоков размножения.
Предельные (финальные) вероятности состояний для простейшего эргодического процесса гибели и размножения, находящегося в стационарном режиме, определяются по следующим формулам:

В качестве примера решения системы уравнений схемы гибели и размножения рассмотрим эксплуатацию автомобилей в крупной транспортной фирме.
Интенсивность поступления автомобилей на предприятие равна






Рассмотрим два случая: 1) нет ограничений на число эксплуатируемых автомобилей, 2) на предприятии может эксплуатироваться не более

Если в начальный момент


Аналогично, если при



Решение системы дифференциальных уравнений Колмогорова при произвольном виде функции

Если интенсивности потока поступления и списания автомобилей постоянны, то оказываются справедливы формулы:
1. Максимальное число автомобилей не ограничено:

2. Математическое ожидание (среднее значение) числа эксплуатируемых автомобилей:

При ограниченном


В этом случае математическое ожидание равно:

Предельные вероятности
Следующей важной задачей является исследование вероятностей


Теорема Маркова. Пусть существует такое число






Смысл содержащегося в теореме утверждения интуитивно понятен: вероятность того, что система окажется в состоянии








Контрольные вопросы к теме №4
- Понятие корреляционной зависимости.
- Корреляционный анализ, критерий Пирсона.
- Выборочный линейный коэффициент корреляции.
- Понятие генерального коэффициента корреляции.
- Понятие доверительного интервала и методы его определения.
- Проверка статистических гипотез.
- Проверка гипотезы о нормальном распределении генеральной совокупности.
- Проверка гипотезы о равенстве дисперсий.
- Проверка статистической значимости выборочного коэффициента корреляции.
- Понятие регрессионного анализа.