Механики
 Скачать 4.29 Mb.
|
|
Раздел 2. ЭЛЕМЕНТЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ «Число разумных гипотез, объясняющих любое данное явление, бесконечно» (Постулат Персига) Математическое моделирование дискретных систем со стохастическим характером функционирования предполагает использова- ние моделей массового обслуживания, описываемых в терминах аппарата теории вероятностей. В данном разделе, не претендуя на полноту, рассма- триваются некоторые элементы теории вероятностей, знание которых необходимо для понимания и усвоения материала следующих разделов, связанного с грамотным описаниием и расчётом вероятностных моделей, а также осмысленным анализом полученных результатов. 2.1. Основные понятия и определения Базовыми понятиями в теории вероятностей являются «событие», «вероятность», случайная величина». 2.1.1. Событие , вероятность «Если какая-нибудь неприятность может произойти, она случается...» (Закон Мэрфи) Событие – всякий факт, который в результате опыта может произойти или не произойти. Вероятность события есть численная мера степени объективной возможности этого события. Предположим, что рассматривается некоторый опыт или явление, в котором в зависимости от случая происходит или не происходит некоторое событие A. Если условия опыта могут быть воспроизведены многократно, так что в принципе осуществима целая серия одинаковых и независимых друг от друга испытаний, то вероятность события A может быть вычислена по следующей формуле: n m A / ) ( P = , где n – общее число взаимно исключающих друг друга исходов ; m – число исходов , которые приводят к наступлению события A. Вероятность может принимать значения от 0 до 1. Событие , вероятность которого равна 0, называется невозможным , а событие , вероятность которого равна 1, называется достоверным Несколько событий образуют полную группу событий , если в результате опыта должно непременно появиться хотя бы одно из них Несколько событий называются несовместными в данном опыте , если никакие два из них не могут появиться вместе Несколько событий называются равновозможными в данном опыте , если ни одно из этих событий не является объективно более возможным , Раздел 2. Элементы теории вероятностей 35 чем другое События называются независимыми , если появление одного из них не зависит от того , произошли ли другие события 2.1.2. Случайная величина Случайной величиной называется величина , которая может принимать то или иное значение , неизвестное заранее Случайные величины могут быть двух типов : • дискретные (прерывные) , принимающие только отделённые друг от друга значения , которые можно пронумеровать ; • непрерывные (аналоговые) , которые могут принимать любое значение из некоторого промежутка Примерами дискретных случайных величин могут служить : • количество задач , выполняемых вычислительной системой ( ВС ) за день ; • количество обращений к внешней памяти в процессе решения задачи ; • количество сообщений , переданных в компьютерной сети за единицу времени , и т д Примерами непрерывных случайных величин являются : • интервалы времени между моментами поступления в ВС запросов на решение задач или между моментами формирования сообщений , передаваемых в телекоммуникационную сеть ; • время выполнения задач в ВС и т д Иногда случайные величины , имеющие дискретную природу , рассматриваются как непрерывные Такая замена оправдана в тех ситуациях , когда случайная величина принимает большое множество значений , которые незначительно отличаются друг от друга , так что замена дискретной случайной величины непрерывной практически не влияет на результаты расчетов Например , время передачи пакета по каналу связи в вычислительной сети , определяемое как отношение длины передаваемого пакета ( в битах ) к пропускной способности канала связи ( бит / с ), которое является дискретной случайной величиной , обычно рассматривается как непрерывная случайная величина , изменяющаяся , в общем случае , в интервале от нуля до некоторого предельного значения , определяемого максимально возможной длиной пакета Случайные величины часто обозначают большими буквами , а их возможные значения – соответствующими малыми буквами Например , случайная величина X – число обращений к накопителю на магнитном диске в процессе решения задачи в вычислительной системе – может принимать значения 0 1 = x , 1 2 = x , 2 3 = x , 3 4 = x , ... . 36 Раздел 2. Элементы теории вероятностей 2.2. Законы распределений случайных величин «Всякая работа требует больше времени, чем вы думаете» (Следствие закона Мэрфи ) Математическое описание случайных величин предполагает задание закона распределения , устанавливающего соответствие между значениями случайной величины и вероятностью их появления Рассмотрим дискретную случайную величину X, принимающую значения n x x x ,..., , 2 1 Величина X может принять каждое из этих значений с некоторой вероятностью Обозначим через ) , 1 ( n i p i = вероятность того , что случайная величина X примет значение i x : ) ( P i i x X p = = Если в результате опыта величина X принимает только одно из этих значений , то имеем полную группу несовместных событий и сумма вероятностей всех возможных значений случайной величины равна единице : 1 1 = ∑ = n i i p Эта суммарная вероятность каким-то образом распределена между отдельными значениями. Случайная величина будет полностью описана с вероятностной точки зрения, если мы зададим это распределение, т.е. установим так называемый закон распределения. Законом распределения случайной величины называется всякое соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующими им вероятностями. Про случай- ную величину говорят, что она подчинена данному закону распределения. 2.2.1. Закон распределения дискретной случайной величины Закон распределения дискретной случайной величины X (дискрет- ный закон распределения), принимающей значения n x x x ,..., , 2 1 , может быть задан одним из следующих способов: • аналитически в виде математического выражения, отражающего зависимость вероятности от значения случайной величины: ) , 1 ( ) ( n i x f p i i = = ; • таблично в виде ряда распределения случайной величины, в котором перечислены возможные значения случайной величины и соответствующие им вероятности: Значения случайной величины X 1 x 2 x … n x Вероятности P 1 p 2 p … n p • графически в виде многоугольника распределения, где по оси абсцисс откладываются возможные значения случайной величины, а по оси ординат – вероятности этих значений (рис.2.1). Графическое представление закона распределения дискретной Раздел 2. Элементы теории вероятностей 37 случайной величины обладает наглядностью и позволяет судить о близости к тому или иному типовому закону. В качестве примеров дискретных законов распределения ниже рассматриваются широко используемые в теории массового обслуживания законы распределения Пуассона и геометрический. 2.2.2. Закон распределения непрерывной случайной величины Для непрерывной случайной величины невозможно задать закон распределения в том виде, в каком он задается для дискретной величины, поскольку непрерывная случайная величина имеет бесконечное множест- во возможных значений, сплошь заполняющих некоторый промежуток, и вероятность появления любого конкретного значения равна нулю. В связи с этим, для описания непрерывных случайных величин используется другой способ установления соответствия между значениями случайной величины и вероятностями их появления в виде функции распределения вероятностей. Функция распределения вероятностей (или просто функция распределения) F(x) случайной величины X представляет собой вероятность того, что случайная величина X примет значение меньшее, чем некоторое заданное значение x: ) P( ) ( x X x F < = . (2.1) Функция распределения непрерывной случайной величины X, принимающей любые значения из некоторого интервала, может быть представлена: • аналитически в виде математического выражения (2.1), отражающего зависимость вероятности от значения случайной величины; • графически в виде непрерывной функции (рис.2.2,а), отображаю- щей зависимость (2.1), или в виде гистограммы функции распределения (рис.2.2,б), полученной экспериментально, например в процессе имитаци- онного моделирования, и представляющей собой дискретный график, в котором по оси абсцисс откладываются частотные интервалы, охватываю- 1 x 2 x 3 x n x X 1 p 2 p n p 3 p P Рис.2.1. Многоугольник распределения … 38 Раздел 2. Элементы теории вероятностей щие все возможные значения случайной величины, а по оси ординат – накопленная частота попадания случайной величины в эти частотные интервалы. Накопленная частота попадания в i-й частотный интервал определяется отношением количества случайных величин, значения которых находятся в интервале ( ∞ − ; i x ), к общему количеству случайных величин, полученных в процессе экспериментов. Свойства функции распределения: • функция распределения F(x) есть неубывающая функция своего аргумента, то есть если x j > x i , то ); ( ) ( i j x F x F ≥ • ; 0 ) ( = −∞ F • 1 ) ( = +∞ F Если случайная величина определена только в области положительных значений, ее функция распределения равна нулю на всем промежутке от минус бесконечности до нуля. Вероятность того, что случайная величина примет значение из некоторого интервала (a, b), определяется через функцию распределения как ). ( ) ( ) P( a F b F b x a − = < < Функция распределения F(x) является универсальной характеристи- кой случайной величины и существует как для непрерывных, так и для дискретных величин. Функция распределения дискретной случайной величины X, принимающей значения x 1 , x 2 , ..., x i , ..., определяется как , ) P( ) ( 1 1 ∑ − = = < = m i i m m p x X x F где p i - вероятность того, что случайная величина X примет значение x i На практике вместо функции распределения чаще используют другой способ представления закона распределения непрерывной случайной величины в виде плотности распределения вероятностей, X 1 ) (x F Рис.2.2. График (а) и гистограмма (б) функции распределения 1 x 2 x 3 x 4 x X 1 … 0 0 ) (x F Раздел 2. Элементы теории вероятностей 39 которая в отличие от функции распределения обладает большей наглядностью и позволяет получить представление о близости того или иного распределения к одному из известных теоретических распределений, имеющих аналитическое выражение. Плотность распределения вероятностей f(x) определяется как производная от функции распределения F(x) по x: dx x dF x F x f ) ( ) ( ) ( = ′ = Размерность плотности распределения f(x) обратна размерности случайной величины, в то время как функция распределения F(x), как всякая вероятность, есть величина безразмерная. Плотность распределения непрерывной случайной величины X, как и функция распределения, может быть представлена: • аналитически в виде математического выражения ) (x f y = ; • графически в виде непрерывной функции (графика), отображающей зависимость ) (x f y = (рис.2.3,а), или в виде гистограммы плотности распределения, в которой в отличие от гистограммы функции распределения по оси ординат откладывается частота (или число) попаданий случайной величины в каждый из частотных интервалов (рис.2.3,б). Свойства плотности распределения: • плотность распределения есть функция неотрицательная: ; 0 ) ( ≥ x f • интеграл в бесконечных пределах от плотности распределения равен единице: 1 ) ( = ∫ +∞ ∞ − dx x f Функция и плотность распределения случайной величины однознач- но связаны между собой. В частности, функция распределения определяет- ся через плотность распределения следующим образом: X ) (x f Рис.2.3. График (а) и гистограмма (б) плотности распределения 1 x 2 x 3 x 4 x X … 0 0 ) (x f N x 40 Раздел 2. Элементы теории вероятностей ∫ ∞ − = x dx x f x F ) ( ) ( (2.2) Тогда вероятность того, что случайная величина примет значение из некоторого интервала (a, b), может быть определена через плотность распределения как ∫ ∫ ∞ − ∞ − − = < < a b dx x f dx x f b x a ) ( ) ( ) P( Таким образом, закон распределения непрерывной случайной величины (непрерывный закон распределения) может быть задан в виде: • функции распределения F(x) случайной величины X, называемой также интегральным законом распределения; • плотности распределения f(x)случайной величины X, называемой также дифференциальным законом распределения. 2.3. Числовые характеристики случайных величин «Даже маленькая практика стоит большой теории» (Закон Букера) Числовые характеристики позволяют выразить в сжатой форме наиболее существенные особенности распределения случайной величины, например: • среднее значение, около которого группируются возможные значения случайной величины; • степень разбросанности этих значений относительно среднего; • асимметрию (или «скошенность») плотности распределения; • «крутость», то есть островершинность или плосковершинность плотности распределения и так далее. В теории вероятностей используются различные числовые характеристики, имеющие разное назначение и разные области примене- ния. Из них на практике наиболее часто применяются начальные и центральные моменты различных порядков, каждый из которых описывает то или иное свойство распределения. Начальные моменты рассматриваются относительно начала координат, а центральные моменты – относительно среднего значения (математического ожидания), то есть центра распределения. В общем случае для описания случайной величины используется бесконечное множество начальных и центральных моментов. Между числовыми моментами и законом распределения случайной величины существует взаимное соответствие, которое означает, что, зная закон распределения, можно вычислить любые моменты, число которых бесконечно. В то же время, зная конечное число начальных или центральных моментов, можно путем аппроксимации подобрать закон распределения случайной величины в виде функции или плотности распределения, причем, чем больше известно моментов, тем точнее |