33.1. Цепи Маркова.
Цепью Маркова называют последовательность испытаний, в каждом из которых появляется только одно из k несовместных событий и полной группы, причем условная вероятность того, что в s-м испытании наступит событие при условии, что в (s—1)-м испытании наступило событие , не зависит от результатов предшествующих испытаний.
Например, если последовательность испытаний образует цепь Маркова и полная группа состоит из четырех несовместных событий , причем известно, что в шестом испытании появилось событие , то условная вероятность того, что в седьмом испытании наступит событие не зависит от того, какие события появились в первом, втором, ..., пятом испытаниях.
Заметим, что независимые испытания являются частным случаем цепи Маркова. Действительно, если испытания независимы, от появление некоторого определенного события в любом испытании не зависит от результатов ранее произведенных испытаний. Отсюда следует, что понятие цепи Маркова является обобщением понятия независимых испытаний.
Далее используется терминология, которая принята при изложении цепей Маркова. Пусть некоторая система в каждый момент времени находится в одном из kсостояний: первом, втором, ....k-м. В отдельные моменты времени в результате испытания состояние системы изменяется, т. е. система переходит из одного состояния, напримерi, в другое, напримерj. В частности, после испытания система может остаться в том же состоянии
(«перейти» из состояния iв состояниеj=i).
Таким образом, события называют состояниями системы, а испытания — изменениями ее состояний.
Цепью Маркова называют последовательность испытаний, в каждом из которых система принимает только одно из kсостояний полной группы, причем условная вероятность того, что вs-м испытании система будет находиться в состоянииj, при условии, что после (s—1)-го испытания она находилась в состоянииi, не зависит от результатов остальных, ранее произведенных испытаний.
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.
Однородной называют цепь Маркова, если условная вероятность (перехода из состояния i в состояние j) не зависит от номера испытания. Поэтому вместо пишут просто .
Пример. Случайное блуждание. Пусть на прямой Ох в точке с целочисленной координатой х = nнаходится материальная частица. В определенные моменты времени частица испытывает толчки. Под действием толчка частица с вероятностью р смещается на единицу вправо и с вероятностью 1 — р— на единицу влево. Ясно, что положение (координата) частицы после толчка зависит от того, где находилась частица после непосредственно предшествующего толчка, и не зависит от того, как она двигалась под действием остальных предшествующих толчков.
Таким образом, случайное блуждание — пример однородной цепи Маркова с дискретным временем.
- 1. Дискретное пространство элементарных событий. Операции над событиями.
- 2.1. Классическое определение вероятности.
- 2.2. Свойства вероятности.
- 3.1. Произвольное пространство элементарных событий.
- 3.2. Алгебра и σ - алгебра множеств.
- 3.3. Борелевские множества.
- 3.4. Вероятность.
- 4.1. Геометрическая вероятность.
- 5.1. Условные вероятности.
- 5.2. Независимые события и их свойства.
- 6.1. Формула полной вероятности.
- 6.2. Формула Бейеса.
- 7.1. Повторяющиеся испытания.
- 7.2. Формула Бернулли.
- 8.1. Случайные величины и функции распределения.
- 8.2. Свойства функции распределения.
- 9.1. Дискретные случайные величины.
- 9.2. Биномиальное, геометрическое, гипергеометрическое распределения, распределения Пуассона.
- 10.1. Абсолютно-непрерывные случайные величины.
- 10.2. Равномерное распределение, нормальное распределение, показательное распределение.
- 11.1. Математическое ожидание случайной величины и его свойства.
- 12.1. Дисперсия случайной величины и ее свойства.
- 13.1. Нормированные случайные величины.
- 13.2. Коэффициент корреляции.
- 14.1. Неравенства Чебышева.
- 15.1. Закон больших чисел.
- 16.1. Локальная и интегральная теоремы Муавра-Лапласа.
- 17.1. Теорема Пуассона.
- 18.1. Характеристические функции и их свойства.
- 19.1. Сходимость случайных величин и функций распределения.
- 20.1. Центральная предельная теорема.
- 21.1. Основные задачи математической статистики.
- 21.2. Выборка и вариационный ряд, полигон и гистограмма частот.
- 22.1. Эмпирическая функция распределения.
- 22.2. Эмпирические моменты.
- 22.3. Метод условных вариант.
- 23.1. Точечные оценки параметров распределения.
- 24.1. Метод моментов определения параметров распределения.
- 25.1. Метод максимального правдоподобия нахождения параметров распределения.
- 26.1. Некоторые распределения связанные с нормальным распределением: Пирсона, Стьюдента.
- 27.1. Интервальные оценки параметров распределения.
- 27.2. Нахождение доверительных интервалов для распределений Пуассона, биномиального, нормального.
- 28.1. Статистическая проверка статистических гипотез.
- 28.2. Ошибки первого и второго рода.
- 29.1. Оптимальный критерий.
- 29.2. Теорема Неймана-Пирсона.
- 30.1. Непараметрические критерии.
- 30.2. Критерий Колмогорова.
- 31.1. Критерий Пирсона.
- 31.2. Вычисление теоретических частот для различных видов распределений.
- 32.1. Элементы теории корреляции.
- 32.2. Понятие корреляционной зависимости.
- 32.3. Точечные оценки для условных математических ожиданий и коэффициента корреляции.
- 33.1. Цепи Маркова.
- 33.2. Матрица перехода.
- 34.1. Классификация состояний цепи Маркова.
- 34.2. Теорема солидарности.
- 35.1. Теорема о предельных вероятностях.
- 36.1. Случайные процессы.
- 36.2. Марковские процессы со счетным множеством состояний.
- 37.1. Локально-регулярные марковские процессы.
- 37.2. Система уравнений Колмогорова.
- 38.1. Применение теории марковских процессов к задачам теории массового обслуживания.
- 39.1. Процесс Пуассона.