Построить граф состояний следующего случайного процесса: система состоит из двух аппаратов по продаже билетов, каждый из которых в случайный момент времени может быть либо занятым, либо свободным.

Решение:

Система может находиться в четырех состояниях, так как у каждого аппарата по продаже билетов есть два состояния (быть занятым или свободным). Пусть S 0 - оба аппарата заняты; S 1 - 1-ый занят, 2-ой свободен; S 2 - 1-ый свободен, 2-ой занят; S 3 - оба аппарата свободны. Построим граф состояний, отметив на нем все возможные состояния кругами, а возможные переходы из состояния в состояние обозначим стрелками. Получаем, что переход из S 0 в S 3 возможен либо через S 1 , либо через S 2 , либо напрямик, как показано на рисунке 4.

Рисунок 4 - Граф состояний аппаратов по продаже билетов

Найти предельные вероятности для системы S, граф которой изображен на рисунке.

Решение:

В теории случайных процессов доказывается, что если число состояний системы конечно и из каждого из них можно (за конечное число шагов) перейти в любое другое состояние, то предельные вероятности существуют. Их можно найти из уравнений Колмогорова, составив систему по данному размеченному графу состояний, по следующему правилу:

Слева в уравнении стоит предельная вероятность данного состояния p i , умноженная на суммарную интенсивность всех потоков, ведущих из данного состояния, а справа - сумма произведений интенсивностей всех потоков, входящих в данное состояние, на вероятности тех состояний, из которых эти состояния выходят.

Кроме этого надо учитывать, что сумма всех вероятностей данной конечной системы равна единице. Составим уравнения для состояний S 1 и S 2 (уравнение для состояния S 0 - «лишнее»):

Ответ: Система примерно 66,67% времени пребывает в состоянии S 0 , 25% - в состоянии S 1 и 8,33% времени находится в состоянии S 2 .

Найти валовой выпуск для сбалансированной многоотраслевой экономики в модели Леонтьева, если дана матрица прямых затрат А и вектор конечного потребления У:

Решение:

Для сбалансированной многоотраслевой экономики выполняется следующее соотношение:

Выразим валовой выпуск через конечное потребление и матрицу затрат:

Находим матрицу, обратную к (Е - А):

Найдем валовой выпуск:

Ответ: Валовой выпуск равен (811,3; 660,4).

*При решении задач использовался

"Случайности не случайны"... Звучит так, словно сказал философ, но на деле изучать случайности удел великой науки математики. В математике случайностями занимается теория вероятности. Формулы и примеры заданий, а также основные определения этой науки будут представлены в статье.

Что такое теория вероятности?

Теория вероятности - это одна из математических дисциплин, которая изучает случайные события.

Чтобы было немного понятнее, приведем небольшой пример: если подкинуть вверх монету, она может упасть «орлом» или «решкой». Пока монета находится в воздухе, обе эти вероятности возможны. То есть вероятность возможных последствий соотносится 1:1. Если из колоды с 36-ю картами вытащить одну, тогда вероятность будет обозначаться как 1:36. Казалось бы, что здесь нечего исследовать и предугадывать, тем более при помощи математических формул. Тем не менее, если повторять определенное действие много раз, то можно выявить некую закономерность и на ее основе спрогнозировать исход событий в других условиях.

Если обобщить все вышесказанное, теория вероятности в классическом понимании изучает возможность возникновения одного из возможных событий в числовом значении.

Со страниц истории

Теория вероятности, формулы и примеры первых заданий появились еще в далеком Средневековье, когда впервые возникли попытки спрогнозировать исход карточных игр.

Изначально теория вероятности не имела ничего общего с математикой. Она обосновывалась эмпирическими фактами или свойствами события, которое можно было воспроизвести на практике. Первые работы в этой сфере как в математической дисциплине появились в XVII веке. Родоначальниками стали Блез Паскаль и Пьер Ферма. Длительное время они изучали азартные игры и увидели определенные закономерности, о которых и решили рассказать обществу.

Такую же методику изобрел Христиан Гюйгенс, хотя он не был знаком с результатами исследований Паскаля и Ферма. Понятие «теория вероятности», формулы и примеры, что считаются первыми в истории дисциплины, были введены именно им.

Немаловажное значение имеют и работы Якоба Бернулли, теоремы Лапласа и Пуассона. Они сделали теорию вероятности больше похожей на математическую дисциплину. Свой теперешний вид теория вероятностей, формулы и примеры основных заданий получили благодаря аксиомам Колмогорова. В результате всех изменений теория вероятности стала одним из математических разделов.

Базовые понятия теории вероятностей. События

Главным понятием этой дисциплины является "событие". События бывают трех видов:

• Достоверные. Те, которые произойдут в любом случае (монета упадет).
• Невозможные. События, что не произойдут ни при каком раскладе (монета останется висеть в воздухе).
• Случайные. Те, что произойдут или не произойдут. На них могут повлиять разные факторы, которые предугадать очень трудно. Если говорить о монете, то случайные факторы, что могут повлиять на результат: физические характеристики монеты, ее форма, исходное положение, сила броска и т. д.

Все события в примерах обозначаются заглавными латинскими буквами, за исключением Р, которой отведена другая роль. Например:

• А = «студенты пришли на лекцию».
• Ā = «студенты не пришли на лекцию».

В практических заданиях события принято записывать словами.

Одна из важнейших характеристик событий - их равновозможность. То есть, если подбросить монету, все варианты исходного падения возможны, пока она не упала. Но также события бывают и не равновозможными. Это происходит, когда кто-то специально воздействует на исход. Например, «меченые» игральные карты или игральные кости, в которых смещен центр тяжести.

Еще события бывают совместимыми и несовместимыми. Совместимые события не исключают появления друг друга. Например:

• А = «студентка пришла на лекцию».
• В = «студент пришел на лекцию».

Эти события независимы друг от друга, и появление одного из них не влияет на появление другого. Несовместимые события определяются тем, что появление одного исключает появление другого. Если говорить о той же монете, то выпадение «решки» делает невозможным появление «орла» в этом же эксперименте.

Действия над событиями

События можно умножать и складывать, соответственно, в дисциплине вводятся логические связки «И» и «ИЛИ».

Сумма определяется тем, что может появиться или событие А, или В, или два одновременно. В случае когда они несовместимы, последний вариант невозможен, выпадет или А, или В.

Умножение событий заключается в появлении А и В одновременно.

Теперь можно привести несколько примеров, чтобы лучше запомнились основы, теория вероятности и формулы. Примеры решения задач далее.

Задание 1 : Фирма принимает участие в конкурсе на получение контрактов на три разновидности работы. Возможные события, которые могут произойти:

• А = «фирма получит первый контракт».
• А 1 = «фирма не получит первый контракт».
• В = «фирма получит второй контракт».
• В 1 = «фирма не получит второй контракт»
• С = «фирма получит третий контракт».
• С 1 = «фирма не получит третий контракт».

С помощью действий над событиями попробуем выразить следующие ситуации:

• К = «фирма получит все контракты».

В математическом виде уравнение будет иметь следующий вид: К = АВС.

• М = «фирма не получит ни одного контракта».

М = А 1 В 1 С 1 .

Усложняем задание: H = «фирма получит один контракт». Поскольку не известно, какой именно контракт получит фирма (первый, второй или третий), необходимо записать весь ряд возможных событий:

Н = А 1 ВС 1 υ АВ 1 С 1 υ А 1 В 1 С.

А 1 ВС 1 - это ряд событий, где фирма не получает первый и третий контракт, но получает второй. Соответственным методом записаны и другие возможные события. Символ υ в дисциплине обозначает связку «ИЛИ». Если перевести приведенный пример на человеческий язык, то фирма получит или третий контракт, или второй, или первый. Подобным образом можно записывать и другие условия в дисциплине «Теория вероятности». Формулы и примеры решения задач, представленные выше, помогут сделать это самостоятельно.

Собственно, вероятность

Пожалуй, в этой математической дисциплине вероятность события - это центральное понятие. Существует 3 определения вероятности:

• классическое;
• статистическое;
• геометрическое.

Каждое имеет свое место в изучении вероятностей. Теория вероятности, формулы и примеры (9 класс) в основном используют классическое определение, которое звучит так:

• Вероятность ситуации А равняется отношению числа исходов, что благоприятствуют ее появлению, к числу всех возможных исходов.

Формула выглядит так: Р(А)=m/n.

А - собственно, событие. Если появляется случай, противоположный А, его можно записывать как Ā или А 1 .

m - количество возможных благоприятных случаев.

n - все события, которые могут произойти.

Например, А = «вытащить карту червовой масти». В стандартной колоде 36 карт, 9 из них червовой масти. Соответственно, формула решения задания будет иметь вид:

Р(А)=9/36=0,25.

В итоге вероятность того, что из колоды вытянут карту червовой масти, составит 0,25.

К высшей математике

Теперь стало немного известно, что такое теория вероятности, формулы и примеры решения заданий, которые попадаются в школьной программе. Однако теория вероятностей встречается и в высшей математике, которая преподается в вузах. Чаще всего там оперируют геометрическими и статистическими определениями теории и сложными формулами.

Очень интересна теория вероятности. Формулы и примеры (высшая математика) лучше начинать изучать с малого - со статистического (или частотного) определения вероятности.

Статистический подход не противоречит классическому, а немного расширяет его. Если в первом случае нужно было определить, с какой долей вероятности произойдет событие, то в этом методе необходимо указать, как часто оно будет происходить. Здесь вводится новое понятие «относительная частота», которую можно обозначить W n (A). Формула ничем не отличается от классической:

Если классическая формула вычисляется для прогнозирования, то статистическая - согласно результатам эксперимента. Возьмем, к примеру, небольшое задание.

Отдел технологического контроля проверяет изделия на качество. Среди 100 изделий нашли 3 некачественных. Как найти вероятность частоты качественного товара?

А = «появление качественного товара».

W n (A)=97/100=0,97

Таким образом, частота качественного товара составляет 0,97. Откуда взяли 97? Из 100 товаров, которые проверили, 3 оказались некачественными. От 100 отнимаем 3, получаем 97, это количество качественного товара.

Немного о комбинаторике

Еще один метод теории вероятности называют комбинаторикой. Его основной принцип состоит в том, что если определенный выбор А можно осуществить m разными способами, а выбор В - n разными способами, то выбор А и В можно осуществить путем умножения.

Например, из города А в город В ведет 5 дорог. Из города В в город С ведет 4 пути. Сколькими способами можно доехать из города А в город С?

Все просто: 5х4=20, то есть двадцатью разными способами можно добраться из точки А в точку С.

Усложним задание. Сколько существует способов раскладывания карт в пасьянсе? В колоде 36 карт - это исходная точка. Чтобы узнать количество способов, нужно от исходной точки «отнимать» по одной карте и умножать.

То есть 36х35х34х33х32…х2х1= результат не вмещается на экран калькулятора, поэтому его можно просто обозначить 36!. Знак «!» возле числа указывает на то, что весь ряд чисел перемножается между собой.

В комбинаторике присутствуют такие понятия, как перестановка, размещение и сочетание. Каждое из них имеет свою формулу.

Упорядоченный набор элементов множества называют размещением. Размещения могут быть с повторениями, то есть один элемент можно использовать несколько раз. И без повторений, когда элементы не повторяются. n - это все элементы, m - элементы, которые участвуют в размещении. Формула для размещения без повторений будет иметь вид:

A n m =n!/(n-m)!

Соединения из n элементов, которые отличаются только порядком размещения, называют перестановкой. В математике это имеет вид: Р n = n!

Сочетаниями из n элементов по m называют такие соединения, в которых важно, какие это были элементы и каково их общее количество. Формула будет иметь вид:

A n m =n!/m!(n-m)!

Формула Бернулли

В теории вероятности, так же как и в каждой дисциплине, имеются труды выдающихся в своей области исследователей, которые вывели ее на новый уровень. Один из таких трудов - формула Бернулли, что позволяет определять вероятность появления определенного события при независимых условиях. Это говорит о том, что появление А в эксперименте не зависит от появления или не появления того же события в ранее проведенных или последующих испытаниях.

Уравнение Бернулли:

P n (m) = C n m ×p m ×q n-m .

Вероятность (р) появления события (А) неизменна для каждого испытания. Вероятность того, что ситуация произойдет ровно m раз в n количестве экспериментов, будет вычисляться формулой, что представлена выше. Соответственно, возникает вопрос о том, как узнать число q.

Если событие А наступает р количество раз, соответственно, оно может и не наступить. Единица - это число, которым принято обозначать все исходы ситуации в дисциплине. Поэтому q - число, которое обозначает возможность ненаступления события.

Теперь вам известна формула Бернулли (теория вероятности). Примеры решения задач (первый уровень) рассмотрим далее.

Задание 2: Посетитель магазина сделает покупку с вероятностью 0,2. В магазин зашли независимым образом 6 посетителей. Какова вероятность того, что посетитель сделает покупку?

Решение: Поскольку неизвестно, сколько посетителей должны сделать покупку, один или все шесть, необходимо просчитать все возможные вероятности, пользуясь формулой Бернулли.

А = «посетитель совершит покупку».

В этом случае: р = 0,2 (как указано в задании). Соответственно, q=1-0,2 = 0,8.

n = 6 (поскольку в магазине 6 посетителей). Число m будет меняться от 0 (ни один покупатель не совершит покупку) до 6 (все посетители магазина что-то приобретут). В итоге получим решение:

P 6 (0) = C 0 6 ×p 0 ×q 6 =q 6 = (0,8) 6 = 0,2621.

Ни один из покупателей не совершит покупку с вероятностью 0,2621.

Как еще используется формула Бернулли (теория вероятности)? Примеры решения задач (второй уровень) далее.

После вышеприведенного примера возникают вопросы о том, куда делись С и р. Относительно р число в степени 0 будет равно единице. Что касается С, то его можно найти формулой:

C n m = n! / m!(n-m)!

Поскольку в первом примере m = 0, соответственно, С=1, что в принципе не влияет на результат. Используя новую формулу, попробуем узнать, какова вероятность покупки товаров двумя посетителями.

P 6 (2) = C 6 2 ×p 2 ×q 4 = (6×5×4×3×2×1) / (2×1×4×3×2×1) × (0,2) 2 × (0,8) 4 = 15 × 0,04 × 0,4096 = 0,246.

Не так уж и сложна теория вероятности. Формула Бернулли, примеры которой представлены выше, прямое тому доказательство.

Формула Пуассона

Уравнение Пуассона используется для вычисления маловероятных случайных ситуаций.

Основная формула:

P n (m)=λ m /m! × e (-λ) .

При этом λ = n х p. Вот такая несложная формула Пуассона (теория вероятности). Примеры решения задач рассмотрим далее.

Задание 3 : На заводе изготовили детали в количестве 100000 штук. Появление бракованной детали = 0,0001. Какова вероятность, что в партии будет 5 бракованных деталей?

Как видим, брак - это маловероятное событие, в связи с чем для вычисления используется формула Пуассона (теория вероятности). Примеры решения задач подобного рода ничем не отличаются от других заданий дисциплины, в приведенную формулу подставляем необходимые данные:

А = «случайно выбранная деталь будет бракованной».

р = 0,0001 (согласно условию задания).

n = 100000 (количество деталей).

m = 5 (бракованные детали). Подставляем данные в формулу и получаем:

Р 100000 (5) = 10 5 /5! Х е -10 = 0,0375.

Так же как и формула Бернулли (теория вероятности), примеры решений с помощью которой написаны выше, уравнение Пуассона имеет неизвестное е. По сути его можно найти формулой:

е -λ = lim n ->∞ (1-λ/n) n .

Однако есть специальные таблицы, в которых находятся практически все значения е.

Теорема Муавра-Лапласа

Если в схеме Бернулли количество испытаний достаточно велико, а вероятность появления события А во всех схемах одинакова, то вероятность появления события А определенное количество раз в серии испытаний можно найти формулой Лапласа:

Р n (m)= 1/√npq x ϕ(X m).

X m = m-np/√npq.

Чтобы лучше запомнилась формула Лапласа (теория вероятности), примеры задач в помощь ниже.

Сначала найдем X m , подставляем данные (они все указаны выше) в формулу и получим 0,025. При помощи таблиц находим число ϕ(0,025), значение которого 0,3988. Теперь можно подставлять все данные в формулу:

Р 800 (267) = 1/√(800 х 1/3 х 2/3) х 0,3988 = 3/40 х 0,3988 = 0,03.

Таким образом, вероятность того, что рекламная листовка сработает ровно 267 раз, составляет 0,03.

Формула Байеса

Формула Байеса (теория вероятности), примеры решения заданий с помощью которой будут приведены ниже, представляет собой уравнение, которое описывает вероятность события, опираясь на обстоятельства, которые могли быть связаны с ним. Основная формула имеет следующий вид:

Р (А|B) = Р (В|А) х Р (А) / Р (В).

А и В являются определенными событиями.

Р(А|B) - условная вероятность, то есть может произойти событие А при условии, что событие В истинно.

Р (В|А) - условная вероятность события В.

Итак, заключительная часть небольшого курса «Теория вероятности» - формула Байеса, примеры решений задач с которой ниже.

Задание 5 : На склад привезли телефоны от трех компаний. При этом часть телефонов, которые изготавливаются на первом заводе, составляет 25%, на втором - 60%, на третьем - 15%. Известно также, что средний процент бракованных изделий у первой фабрики составляет 2%, у второй - 4%, и у третьей - 1%. Необходимо найти вероятность того, что случайно выбранный телефон окажется бракованным.

А = «случайно взятый телефон».

В 1 - телефон, который изготовила первая фабрика. Соответственно, появятся вводные В 2 и В 3 (для второй и третьей фабрик).

В итоге получим:

Р (В 1) = 25%/100% = 0,25; Р(В 2) = 0,6; Р (В 3) = 0,15 - таким образом мы нашли вероятность каждого варианта.

Теперь нужно найти условные вероятности искомого события, то есть вероятность бракованной продукции в фирмах:

Р (А/В 1) = 2%/100% = 0,02;

Р(А/В 2) = 0,04;

Р (А/В 3) = 0,01.

Теперь подставим данные в формулу Байеса и получим:

Р (А) = 0,25 х 0,2 + 0,6 х 0,4 + 0,15 х 0,01= 0,0305.

В статье представлена теория вероятности, формулы и примеры решения задач, но это только вершина айсберга обширной дисциплины. И после всего написанного логично будет задаться вопросом о том, нужна ли теория вероятности в жизни. Простому человеку сложно ответить, лучше спросить об этом у того, кто с ее помощью не единожды срывал джек-пот.

Асимптотические оценки в соответствии с известной теоремой А.А. Маркова могут быть получены для марковских цепей, обладающих эргодическим свойством.

Определение 1. Если число состояний системы конечно и из каждого состояния можно перейти в любое другое за произвольное число шагов, то говорят, что такая система обладает эргодическим свойством.

Определение 2. Пусть марковский процесс характеризуется ве­роятностями перехода из состоянияiв состояниеjза времяt

p ij (t) (0?i?n; 0?j?n).

Процесс называется транзитивным, если существует такое t>0, что p ij (t)>0 (0?i?n; 0?j?n). Из определений 1 и 2 следует, что процессы в марковских цепях с эргодическим свойством являются транзитивными.

Теорема Маркова . Для любого транзитивного марковского процесса пределсуществует и не зависит от начального состоянияi.

Это означает, что при t?? в системе устанавливается неко­торый предельный стационарный режим, характеризующийся постоян­ной, не зависящей от времени, вероятностью каждого из состояний системы. При этом данная вероятность представляет собой среднее относительное время пребывания системы в данном состоянии. Это значит, что если время работы всей системы 100 ч, а вероятность состояния S 1 равна p 1 =0,15, то система будет находиться в состоянии S 1 в среднем 15 ч.

Пределы, к которым стремятся вероятности каждого из состоя­ний марковской цепи с эргодическим свойством при t??, называ­ются предельными вероятностями. При рассмотрении СМО мы будем иметь дело только с эргодическими марковскими цепями. Пусть V - некоторое подмножество множества состояний системы S , а V’ - его дополнение до S . Если множество V обладает эргодическим свойс­твом и ни из одного состояния множества V нельзя перейти ни в од­но из состояний множества V’, то множество называется замкнутым или эргодическим множеством. Эргодические системы состоят из од­ного единственного эргодического множества (S=V, V’=?) и называются поэтому неразложимыми. Если в системе S множество V"?? или в этой системе можно выделить несколько эргодических множеств S = V 1 ?V 2 ?…?V n , то такая система называется разложимой. Примеры таких систем приведены на рис.1.3.

На рис.1.3,а представлена сис­тема с двумя эргодическими множест­вами V 1 =(S 2 ,S 3 ,S 4) иV 2 (S 5 ,S 6). На рис.1.3,б эргодическое множество состоит лишь из одного состояния (S 4). Если эргодическое множест­во состоит лишь из одного состоя­ния, то это состояние называется поглощающим, так как попав в не­го однажды, процесс остается нав­сегда в поглощающем состоянии. Ха­рактерная особенность графа состо­яний неразложимой эргодической мар­ковской системы заключается в том, что каждой вершине этого графа ин­цидентны дуги как с положительной, так и с отрицательной инцидент­ностью (т.е. у каждой вершины име­ются дуги, направленные как к вер­шине, так и от нее, см., например, рис. 1.1 и 1.2).

Вычисление предельных вероят­ностей состояний для таких систем упрощается в связи с тем, что, поскольку все эти вероятности яв­ляются постоянными величинами, то их производные по времени рав­ны 0 (dp i /dt=0 для всехi). Поэтому левые части системы уравнений Колмогорова (1.7) приравниваются нулю и она превращается в систе­му линейных алгебраических уравнений

Нетривиальное решение системы (1.8) может быть получено только в случае вырожденности матрицы?. Выше было доказано, что матрица плотностей вероятностей? является вырожденной. Система (1.8) без одного из своих уравнений дополняется условием нормировки

Соотношения (1.8) и (1.9) позволяют определить предельные вероят­ности состояний. Поскольку часть слагаемых, соответствующая дугам с отрицательной инцидентностью, положительна, а другая часть, со­ответствующая дугам с положительной инцидентностью, отрицательна, то каждое уравнение системы (1.8) может быть составлено с учетом мнемонического правила: для каждого состояния сумма членов, соот­ветствующих входящим дугам, равна сумме членов, соответствующих выходящим дугам.

Пример . Для системы, изображенной на рис.1.2, из уравнений Колмогорова (1.7) следует

• (? 12 +? 13)p 1 =? 41 p 4 (? 41 +? 45)p 4 =? 34 p 3
• ? 25 p 1 =? 12 p 1 +? 32 p 3 ? 53 p 3 =? 52 p 2 +? 45 p 4
• (? 3 2 +? 3 4)p 4 =? 13 p 1 +? 5 3 p 5 (1.10)

Для решения (1.10) нужно исключить любое из первых пяти уравнений (например, пятое, как содержащее наибольшее число членов).

Предельные вероятности состояний используются в ТМО значи­тельно чаще, чем решения уравнений Колмогорова, причем, зная ре­шение системы уравнений Колмогорова, можно определить момент окончания переходного процесса изменения вероятностей состояний во времени. Это дает возможность рассчитать, промежуток времени начиная от включения системы в работу, по истечении которого ве­роятности состояний достигнут своих предельных значений и будут справедливы оценки, использующие эти значения. В заключение этого параграфа рассмотрим один частный, но практически очень важный класс марковских процессов, широко применяемых при исследовании СМО. Это - процессы "размножения и гибели". К ним относятся мар­ковские цепи, представимые размеченным графом, который состоит из вытянутой цепочки состояний, изображенной на рис.1.4.

Матрица плотностей вероятностей переходов такой системы яв­ляется якобиевой (тридиагональной):

Рассматривая начальное состояние S 0 , получим в соответствии с (1.8)

01 p 0 =? 10 p 1 (1.11)

Для состояния S 1 имеем

01 p 0 +? 21 p 2 =? 10 p 1 +? 12 p 1 (1.12)

Вычитая из (1.12) равенство (1.11), получим

21 p 2 = ? 12 p 1 (1.13)

Продолжая этот процесс до n-гoсостояния включительно, получим

N , n -1 p n =? n -1, n p n -1

Из (1.11) теперь можно выразить p 1 через р 0:

p 1 =p 0 (? 01 /? 10) (1.14)

Подставляя (1.14) в (1.13), получим

p 2 =p 0 (? 01 ? 12 /? 10 ? 21)

Очевидно, что для произвольного k (1?k?n) будет справедливо вы­ражение

В соответствии с (1.15) и размеченным графом состояний, представленным на рис.1.4, можно сформулировать правило, с по­мощью которого можно выразить предельные вероятности состояний процесса "размножения и гибели" через вероятность начального сос­тояния р 0 . Это правило гласит: вероятность произвольного состоя­ния p k (l?k?n) равна вероятности начального состояния р 0 , умно­женной на дробь, числитель которой равен произведению плотностей вероятностей перехода для дуг, переводящих состояние системы сле­ва направо, а знаменатель - произведение плотностей вероятностей перехода справа налево от начального до k-гo состояний включи­тельно.

Вероятность р 0 находится из условия нормировки и выражений (1.15) следующим образом:

Выражения (1.15) и (1.16) полностью определяют предельные вероят­ности процесса "размножения и гибели".

Рассматривая марковские процессы с дискретными состояниями и непрерывным временем, нам удобно будет представлять себе, что все переходы системы состояния в состояние происходят под действием каких-то потоков событий (поток вызовов, поток отказов, поток восстановлений и т. д.). Если все потоки событий, переводящие систему S из состояния в состояние, - простейшие, то процесс протекающий в системе, будет марковским. Это и естественно, так как простейший поток не обладает последействием: в нем «будущее» не зависит от «прошлого».

Если система S находится в каком-то состоянии из которого есть непосредственный переход в другое состояние (стрелка, ведущая из на графе состояний), то мы себе это будем представлять так, как будто на систему, пока она находится в состоянии действует простейший поток событий, переводящий ее по стрелке . Как только появится первое событие этого потока, происходит «перескок» системы из

Для наглядности очень удобно на графе состояний у каждой стрелки проставлять интенсивность того потока событий, который переводит систему по данной стрелке. Обозначим интенсивность потока событий, переводящего систему из состояния

На рис. 17.1 дан граф состояний с проставленными у стрелок интенсивностями (мы будем называть такой граф размеченны .

Построим размеченный граф состояний для примера, данного в § 15 (техническое устройство из двух узлов). Напомним состояния системы:

Оба узла исправны,

Первый узел ремонтируется, второй исправен,

Второй узел ремонтируется, первый исправен,

Оба узла ремонтируются.

Интенсивности потоков событий, переводящих систему из состояния в состояние, будем вычислять, предполагая, что среднее время ремонта узла не зависит от того, ремонтируется ли один узел или оба сразу.

Это будет именно так, если ремонтом каждого узла занят отдельный специалист. Найдем все интенсивности потоков событий, переводящих систему из состояния в состояние. Пусть система находится в состоянии . Какой поток событий переводит ее в состояние ? Очевидно, поток отказов первого узла. Его интенсивность равна единице, деленной на среднее время безотказной работы первого узла. Какой поток событий переводит систему обратно из ? Очевидно, поток «окончаний ремонтов» первого узла. Его интенсивность равна единице, деленной на среднее время ремонта первого узла. Аналогично вычисляются интенсивности потоков событий, переводящих систему по всем стрелкам графа рис. 17.2.

Имея в своем распоряжении размеченный граф состояний системы, легко построить математическую модель данного процесса.

В самом деле, пусть рассматривается система S, имеющая возможных состояний . Назовем вероятностью состояния вероятность того, что в момент t система будет находиться в состоянии . Очевидно, что для любого момента сумма всех вероятностей состояний равна единице:

Имея в своем распоряжении размеченный граф состояний, можно найти все вероятности состояний как функции времени. Для этого составляются и решаются так называемые уравнения Колмогорова - особого вида дифференциальные уравнения, в которых неизвестными функциями являются вероятности состояний.

Покажем на конкретном примере, как эти уравнения составляются. Пусть система S имеет четыре состояния: размеченный граф которых показан на рис. 17.3. Рассмотрим одну из вероятностен состояний, например Это - вероятность того, что в момент t система будет в состоянии S. Придадим t малое приращение и найдем - вероятность того, что в момент система будет в состоянии . Как это может произойти? Очевидно, двумя способами: либо 1) в момент t система уже была в состоянии а за время не вышла из него; либо 2) в момент t система была в состоянии а за время перешла из него в

Найдем вероятность первого варианта. Вероятность того, что в момент t система была в состоянии равна . Эту вероятность нужно умножить на вероятность того, что, находившись в момент t в состоянии система за время не перейдет из него ни в ни в . Суммарный поток событий, выводящий систему из состояния тоже будет простейшим, с интенсивностью (при наложении - суперпозиции - двух простейших потоков получается опять простейший поток, так как свойства стационарности, ординарности и отсутствия последействия сохраняются).

Значит, вероятность того, что за время система выйдет из состояния равна вероятность того, что не выйдет: Отсюда вероятность первого варианта равна .

Найдем вероятность второго варианта. Она равна вероятности того, что в момент t система будет в состоянии а за время перейдет из него в состояние т. е. она равна

Складывая вероятности обоих вариантов (по правилу сложения вероятностей), получим:

Раскроем квадратные скобки, перенесем в левую часть и разделим обе части на

Устремим, как и полагается в подобных случаях, к нулю; слева получим в пределе производную функции Таким образом, запишем дифференциальное уравнение для

или, короче, отбрасывая аргумент t у функций (теперь он нам больше уже не нужен):

Рассуждая аналогично для всех остальных состояний, напишем еще три дифференциальных уравнения. Присоединяя к ним уравнение (17.2), получим систему дифференциальных уравнений для вероятностей состояний:

Это - система четырех линейных дифференциальных уравнений с четырьмя неизвестными функциями Заметим, что одно из них (любое) можно отбросить, пользуясь тем, что выразить любую из вероятностей через другие, это выражение подставить в (17.3), а соответствующее уравнение с производной отбросить.

Сформулируем теперь общее правило составления уравнений Колмогорова. В левой части каждого из них стоит производная вероятности какого-то состояния. В правой части - сумма произведений вероятностей всех состояний, из которых идут стрелки в данное состояние, на интенсивности соответствующих потоков событий, минус суммарная интенсивность всех потоков, выводящих систему из данного состояния, умноженная на вероятность данного состояния.

Пользуясь этим правилом, запишем уравнения Колмогорова для системы S, размеченный граф состояний которой дан на рис. 17.2:

Чтобы решить уравнения Колмогорова и найти вероятности состояний, прежде всего надо задать начальные условия. Если мы точно знаем начальное состояние системы , то в начальный момент (при ) , а все остальные начальные вероятности равны нулю. Так, например, уравнения (17.4) естественно решать при начальных условиях (в начальный момент оба узла исправны).

Как решать подобные уравнения? Вообще говоря, линейные дифференциальные уравнения с постоянными коэффициентами можно решать аналитически, но это удобно только когда число уравнений не превосходит двух (иногда - трех).

Если уравнений больше, обычно их решают численно - вручную или на ЭВМ.

Таким образом, уравнения Колмогорова дают возможность найти все вероятности состояний как функции времени.

Поставим теперь вопрос: что будет происходить с вероятностями состояний при ? Будут ли стремиться к каким-то пределам? Если эти пределы существуют и не зависят от начального состояния системы, то они называются финальными вероятностями состояний. В теории случайных процессов доказывается, что если число состояний системы конечно и из каждого из них можно (за конечное число шагов) перейти в любое другое, то финальные вероятности существуют

Предположим, что это условие выполнено и финальные вероятности существуют:

Финальные вероятности мы будем обозначать теми же буквами что и сами вероятности состояний, но разумея под ними уже не переменные величины (функции времени), а постоянные числа. Очевидно, они тоже образуют в сумме единицу:

Как понимать эти финальные вероятности? При в системе S устанавливается предельный стационарный режим, в ходе которого система случайным образом меняет свои состояния, но их вероятности уже не зависят от времени. Финальную вероятность состояния можно истолковать как среднее относительное время пребывания системы в этом состоянии. Например, если система S имеет три состояния и их финальные вероятности равны 0,2, 0,3 и 0,5, это значит, что в предельном, стационарном режиме система в среднем две десятых времени проводит в состоянии три десятых - в состоянии и половину времени - в состоянии

Как же вычислить финальные вероятности? Очень просто. Если вероятности постоянны, то их производные равны нулю. Значит, чтобы найти финальные вероятности, нужно все левые части в уравнениях Колмогорова положить равными нулю и решить полученную систему уже не дифференциальных, а линейных алгебраических уравнений. Можно и не писать уравнений Колмогорова, а прямо по графу состояний написать систему линейных алгебраических уравнений. Если перенести отрицательный член каждого уравнения из правой части в левую, то получим сразу систему уравнений, где слева стоит финальная вероятность данного состояния умноженная на суммарную интенсивность всех потоков, ведущих из данного состояния, а справа - сумма произведений интенсивностей всех потоков, входящих в состояние, на вероятности тех состояний, из которых эти потоки исходят.

Рассматривая марковские процессы с дискретными состояниями и непрерывным временем, удобно будет представлять себе, что все переходы системы S из состояния в состояние происходят под действием каких-то потоков событий (поток вызовов, поток отказов, поток восстановлений и т.д.). Если все потоки событий, переводящие систему S из состояния в состояние – простейшие, то процесс протекающий в системе, будет марковским (простейший характер потоков – достаточное, но не необходимое условие для марковского процесса, т.к. простейший поток не обладает последействием: в нем "будущее" не зависит от "прошлого").

Если система S находится в каком-то состоянии S i , из которого есть непосредственный переход в другое состояние S j , то это представим так, что на систему, пока она находится в состоянии S i , действует простейший поток событий, переводящий ее по стрелке . Как только появится первое событие этого потока, происходит переход системы изS i в S j . Для наглядности на графе состояний у каждой стрелки проставим интенсивность того потока событий, который переводит систему по данной стрелке. Обозначим λ ij интенсивность потока событий, переводящего систему из состояния S i в S j . Такой граф будем называть размеченным (рис. 4.8). (вернемся к примеру технического устройства из двух узлов).

Напомним состояния системы:

S 0 – оба узла исправны;

S 1 – первый узел в ремонте, второй исправен;

S 2 – второй узел в ремонте, первый исправен;

S 3 – оба узла в ремонте.

Интенсивности потоков событий, переводящих систему из состояния в состояние, будем вычислять, предполагая, что среднее время ремонта узла не зависит от того, ремонтируется один узел или оба сразу. Это будет так, если ремонтом каждого узла занят отдельный специалист.

Найдем все интенсивности потоков событий, переводящих систему из состояния в состояние. Пусть система находится в состоянии S 0 . Какой поток событий переводит ее в состояние S 1 ? Очевидно, поток отказов первого узла. Его интенсивность  1 равна единице, деленной на среднее время безотказной работы первого узла. Поток событий, переводящий систему обратно из S 1 в S 0 – поток окончаний ремонтов первого узла. Его интенсивность  1 равна единице, деленной на среднее время ремонтов первого узла. Аналогично вычисляются интенсивности потоков событий, переводящих систему по всем стрелкам графа рис. 4.9.

Имея размеченный граф состояний системы, можно построить математическую модель данного процесса.

Пусть рассматривается система S, имеющая n возможных состояний S 1 , S 2 , …, S n . Назовем вероятностью i – го состояния вероятность P i (t) того, что в момент t система будет находится в состоянии S i . Очевидно, что для любого момента сумма всех вероятностей состояний равна единице.

(4.5)

Имея в своем распоряжении размеченный граф состояний, можно найти все вероятности состояний P i (t) как функции времени. Для этого составляются и решаются уравнения Колмогорова – особого вида дифференциальные уравнения, в которых неизвестными функциями являются вероятности состояний.

Посмотрим на примере, как эти уравнения составляются. Пусть система S имеет 4 состояния: S 1 , S 2 , S 3 , S 4 , размеченный граф которых показан на рис. 4.10. Рассмотрим одну из вероятностей состояний, например P 1 (t). Это – вероятность того, что в момент t система будет в состоянии S 1 . Придадим t малое приращение t и найдем P 1 (t+t) – вероятность того, что в момент t+t система будет находится в состоянии S 1 . Как это может произойти? Очевидно, двумя способами:

в момент t система уже была в состоянии S 1 , а за время t не вышла из него; либо

в момент t система была в состоянии S 2 , а время t перешла из него в S 1 .

Найдем вероятность первого варианта. Вероятность того, что в момент t система была в состоянии S 1 , равна P 1 (t). Эту вероятность нужно умножить на вероятность того, что находившись в момент t в состоянии S 1 , система за время t не перейдет из него ни в S 2 , ни в S 3 . Суммарный поток событий, выводящий систему из состояния S 1 тоже будет простейшим, с интенсивностью  12 + 13 (при наложении – суперпозиции – двух простейших потоков получается опять простейший поток, т.к. свойства стационарности, ординарности и отсутствия последействия сохраняются), значит, вероятность того, что за время t система выйдет из состояния S 1 , равна ( 12 + 13) t, вероятность того, что не выйдет: 1-( 12 + 13) t. Отсюда вероятность первого варианта равна P 1 (t).

Найдем вероятность второго варианта. Она равна вероятности того, что в момент t система будет в состоянии S 2 , а за время t перейдет из него в состояние S 1 , т.е. она равна P 2 (t) 21 t.

Складывая вероятности обоих вариантов (по правилу сложения вероятностей), получим: P 1 (t+t)=P 1 (t)+P 2 (t) 21 t.

Раскроем квадратные скобки, перенесем P 1 (t) в левую часть и разделим обе части на t:

Устремим t к нулю; слева получим в пределе производную функции P 1 (t). Т.о., запишем дифференциальное уравнение для P 1 (t):

, или, отбрасывая аргумент t у функций P 1 , P 2:

(4.6)

Рассуждая аналогично для всех остальных состояний, напишем еще три дифференциальных уравнения. В результате получим систему дифференциальных уравнений для вероятностей состояний:

(4.7)

Это – система из 4-х линейных дифференциальных уравнений с четырьмя неизвестными функциями P 1 , P 2 , P 3 , P 4 . Одно из них (любое) можно отбросить, пользуясь тем, что
; выразить любую из вероятностейP i через другие, это выражение подставить в (4.7), а соответствующее уравнение с производной отбросить.

Сформулируем теперь общее правило составления уравнений Колмогорова. В левой части каждого из них стоит производная вероятности какого-то (i -го) состояния. В правой части – сумма произведений вероятностей всех состояний, из которых идут стрелки в данное состояние, на интенсивности соответствующих потоков событий, минус суммарная интенсивность всех потоков, выводящих систему из данного состояния, умноженная на вероятность данного (i -го) состояния.

Пользуясь этим правилом, напишем уравнения Колмогорова для системы S (рис. 4.9):

(4.8)

Чтобы решить уравнения Колмогорова и найти вероятности состояний, необходимо задать начальные условия. Если мы точно знаем начальное состояние системы S i (при t=0) P i (0)=1, а все остальные начальные вероятности равны 0. Так уравнения (4.8) естественно решать при начальных условиях P 0 (0)=1, P 1 (0)=P 2 (0)=P 3 (0)=0 (в начальный момент оба узла исправны). Обычно, когда число уравнений больше двух (трех) их решают численно на ЭВМ.

Т.о., уравнения Колмогорова дают возможность найти все вероятности состояний как функции времени.