Теория вероятности

1. 0 £  Р (А) £ 1,

2. P (U) = 1,

3. Если  события A1,..., An попарно несовместны  и А - их сумма, то

Р (А) = Р (A1) + P (A2) + … + Р (An).

Для создания полноценной математической теории требуют, чтобы условие 3 выполнялось  и для бесконечных последовательностей  попарно несовместных событий. Свойства неотрицательности и аддитивности есть основные свойства меры множества. Теория вероятностей может, таким образом, с формальной точки зрения рассматриваться  как часть меры теории. Основные понятия теории вероятностей получают при таком подходе новое освещение. Случайные величины превращаются в  измеримые функции, их математические ожидания - в абстрактные интегралы  Лебега и т.п. Однако основные проблемы теории вероятностей и теории меры различны. Основным, специфическим  для теории вероятностей является понятие  независимости событий, испытаний, случайных величин. Наряду с этим теория вероятностей тщательно изучает  и такие объекты, как условные распределения, условные математические ожидания и т.п.

Предельные теоремы.

При формальном изложении теории вероятностей предельные теоремы появляются в  виде своего рода надстройки над ее элементарными разделами, в которых  все задачи имеют конечный, чисто  арифметический характер. Однако познавательная ценность В. т. раскрывается только предельными  теоремами. Так, Теорема Бернулли показывает, что при независимых испытаниях частота появления какого-либо события, как правило, мало отклоняется от его вероятности, а Теорема Лапласа  указывает вероятности тех или  иных отклонений. Аналогично смысл  таких характеристик случайной  величины, как её математическое ожидание и дисперсия, разъясняется законом  больших чисел и центральной  предельной теоремой

Пусть

X1, Х2,..., Xn,... (7)

- независимые  случайные величины, имеющие одно  и то же распределение вероятностей  с EXk = а, DXk = s2 и Yn - среднее арифметическое  первых n величин из последовательности (7):

Yn = (X1 + X2 + … +Xn)/n.

В соответствии с законом больших чисел, каково бы ни было e > 0, вероятность неравенства |Yn - a| £ e имеет при n ®¥ пределом 1, и, таким образом, Yn как правило, мало отличается от а. Центральная предельная теорема уточняет этот результат, показывая, что отклонения Yn от а приближённо  подчинены нормальному распределению  со средним 0 и дисперсией s2 / n. Таким  образом, для определения вероятностей тех или иных отклонений Yn от а при больших n нет надобности знать во всех деталях распределение величин Xn, достаточно знать лишь их дисперсию.

В 20-х  гг. 20 в. было обнаружено, что даже в  схеме последовательности одинаково  распределённых и независимых случайных  величин могут вполне естественным образом возникать предельные распределения, отличные от нормального. Так, например, если X1 время до первого возвращения  некоторой случайно меняющейся системы  в исходное положение, Х2 - время между  первым и вторым возвращениями и  т.д., то при очень общих условиях распределение суммы X1 +... + Xn (то есть времени до n-говозвращения) после  умножения на n 1/a (а - постоянная, меньшая 1) сходится к некоторому предельному  распределению. Таким образом, время  до n-го возвращения растет, грубо  говоря, как n 1/a, то есть быстрее n (в  случае приложимости закона больших  чисел оно было бы порядка n).

Механизм  возникновения большинства предельных закономерностей может быть до конца  понят лишь в связи с теорией  случайных процессов.

Случайные процессы.

В ряде физических и химических исследований последних десятилетий возникла потребность, наряду с одномерными  и многомерными случайными величинами, рассматривать случайные процессы, то есть процессы, для которых определена вероятность того или иного их течения. Примером случайного процесса может служить координата частицы, совершающей броуновское движение. В В. т. случайный процесс рассматривают  обычно как однопараметрическое  семейство случайных величин  Х (t). В подавляющем числе приложений параметр t является временем, но этим параметром может быть, например, точка  пространства, и тогда обычно говорят  о случайной функции. В том  случае, когда параметр t пробегает  целочисленные значения, случайная  функция называется случайной последовательностью. Подобно тому, как случайная величина характеризуется законом распределения, случайный процесс может быть охарактеризован совокупностью  совместных законов распределения  для X (t1), X (t2),..., X (tn)для всевозможных моментов времени t1, t2,..., tn при любом n > 0. В настоящее время наиболее интересные конкретные результаты теории случайных процессов получены в  двух специальных направлениях.

Исторически первыми изучались марковские процессы. Случайный процесс Х (t) называется марковским, если для любых двух моментов времени t0 и t1 (t0 < t1) условное распределение вероятностей X (t1) при  условии, что заданы все значения Х (t) при t £ t0, зависит только от X (t0) (в силу этого марковские случайные  процессы иногда называют процессами без последействия). Марковские процессы являются естественным обобщением детерминированных  процессов, рассматриваемых в классической физике. В детерминированных процессах  состояние системы в момент времени t0 однозначно определяет ход процесса в будущем; в марковских процессах  состояние системы в момент времени t0 однозначно определяет распределение  вероятностей хода процесса при t > t0, причём никакие сведения о ходе процесса до момента времени t0 не изменяют это  распределение.

Вторым  крупным направлением теории случайных  процессов является теория стационарных случайных процессов. Стационарность процесса, то есть неизменность во времени  его вероятностных закономерностей, налагает сильное ограничение на процесс и позволяет из одного этого допущения извлечь ряд  важных следствий (например, возможность  так называемого спектрального  разложения

где z (l) случайная функция с независимыми приращениями). В то же время схема  стационарных процессов с хорошим  приближением описывает многие физические явления.

Теория  случайных процессов тесно связана  с классической проблематикой предельных теорем для сумм случайных величин. Те законы распределения, которые выступают  при изучении сумм случайных величин  как предельные, в теории случайных  процессов являются точными законами распределения соответствующих  характеристик. Этот факт позволяет  доказывать многие предельные теоремы  с помощью соответствующих случайных  процессов.

Историческая справка.

Теория  вероятностей возникла в середине 17 в. Первые работы по теории вероятностей, принадлежащие французским учёным Б. Паскалю и П. Ферма и голландскому учёному X. Гюйгенсу, появились в  связи с подсчётом различных  вероятностей в азартных играх. Крупный  успех теории вероятностей связан с  именем швейцарского математика Я. Бернулли, установившего закон больших  чисел для схемы независимых  испытаний с двумя исходами (опубликовано в 1713).

Следующий (второй) период истории теории вероятностей (18 в. и начало 19 в.) связан с именами  А. Муавра (Англия), П. Лапласа (Франция), К. Гаусса (Германия) и С. Пуассона (Франция). Это - период, когда теория вероятностей уже находит ряд весьма актуальных применений в естествознании и технике (главным образом в теории ошибок наблюдений, развившейся в связи  с потребностями геодезии и астрономии, и в теории стрельбы). К этому  периоду относится доказательство первых предельных теорем, носящих  теперь названия теорем Лапласа (1812) и  Пуассона (1837); А. Лежандром (Франция, 1806) и Гауссом (1808) в это же время  был разработан способ наименьших квадратов.

Третий  период истории теории вероятностей. (2-я половина 19 в.) связан в основном с именами русских математиков  П. Л. Чебышева, А. М. Ляпунова и А. А. Маркова (старшего). Теория вероятностей развивалась  в России и раньше (в 18 в. ряд трудов по В. т. был написан работавшими  в России Л. Эйлером, Н. Бернулли и  Д. Бернулли; во второй период развития теории вероятностей следует отметить работы М. В. Остроградского по вопросам теории вероятностей, связанным с  математической статистикой, и В. Я. Буняковского по применениям теории вероятностей к страховому делу, статистике и демографии). Со 2-й половины 19 в. исследования по теории вероятностей в России занимают ведущее место  в мире. Чебышев и его ученики  Ляпунов н Марков поставили и  решили ряд общих задач в теории вероятностей, обобщающих теоремы Бернулли и Лапласа. Чебышев чрезвычайно  просто доказал (1867) закон больших  чисел при весьма общих предположениях. Он же впервые сформулировал (1887) центральную  предельную теорему для сумм независимых  случайных величин и указал один из методов её доказательства. Другим методом Ляпунов получил (1901) близкое  к окончательному решение этого  вопроса. Марков впервые рассмотрел (1907) один случай зависимых испытаний, который впоследствии получил название цепей Маркова.

В Западной Европе во 2-й половине 19 в. получили большое развитие работы по математической статистике (в Бельгии - А. Кетле, в  Англии - Ф. Гальтон) и статистической физике (в Австрии - Л. Больцман), которые  наряду с основными теоретическими работами Чебышева, Ляпунова и Маркова  создали основу для существенного расширения проблематики теории вероятностей в четвёртом (современном) периоде её развития. Этот период истории теории вероятностей характеризуется чрезвычайным расширением круга её применений, созданием нескольких систем безукоризненно строгого математического обоснования теории вероятностей, новых мощных методов, требующих иногда применения (помимо классического анализа) средств теории множеств, теории функций действительного переменного и функционального анализа. В этот период при очень большом усилении работы по теории вероятностей за рубежом (во Франции - Э. Борель, П. Леви, М. Фреше, в Германии - Р. Мизес, в США - Н. Винер, В. Феллер, Дж. Дуб, в Швеции - Г. Крамер) советская наука продолжает занимать значительное, а в ряде направлений и ведущее положение. В нашей стране новый период развития теории вероятностей открывается деятельностью С. Н. Бернштейна, значительно обобщившего классические предельные теоремы Чебышева, Ляпунова и Маркова и впервые в России широко поставившего работу по применениям теории вероятностей к естествознанию. В Москве А. Я. Хинчин и А. Н. Колмогоров начали с применения к вопросам теории вероятностей методов теории функций действительного переменного. Позднее (в 30-х гг.) они (и Е. Е. Слуцкий) заложили основы теории случайных процессов. В. И. Романовский (Ташкент) и Н. В. Смирнов (Москва) поставили на большую высоту работу по применениям теории вероятностей к математической статистике. Кроме обширной московской группы специалистов по теории вероятностей, в настоящее время в России разработкой проблем В. т. занимаются в Ст-Петербурге и в Киеве.

Список литературы

Гнеденко  Б. В. и Хинчин А. Я., Элементарное введение в теорию вероятностей, 3 изд., М. - Л., 1952;

Гнеденко  Б. В., Курс теории вероятностей, 4 изд., М., 1965

Феллер  В., Введение в теорию вероятностей и её приложение (Дискретные распределения), пер. с англ., 2 изд., т. 1-2, М., 1967.

Бернштейн С. Н., Теория вероятностей, 4 изд., М. - Л., 1946

Для подготовки данной работы были использованы материалы с сайта http://med-lib.ru/