БСЭ БСЭ - Большая Советская Энциклопедия (ВЕ)

• Название: Большая Советская Энциклопедия (ВЕ)
• Автор: БСЭ БСЭ
• Жанр: Энциклопедии

---

  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. В. т. может, таким образом, с формальной точки зрения рассматриваться как часть меры теории . Основные понятия В. т. 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 В. т. и теории меры различны. Основным, специфическим для В. т. является понятие независимости событий, испытаний, случайных величин. Наряду с этим В. т. тщательно изучает и такие объекты, как условные распределения, условные математические ожидания и т.п.

  Предельные теоремы. При формальном изложении В. т. 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, Бернулли теорема показывает, что при независимых испытаниях частота появления какого-либо события, как правило, мало отклоняется от его вероятности, а Лапласа теорема 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 (см. Больших чисел закон . Предельные теоремы теории вероятностей).

  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 X 1 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- го возвращения) 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 . В. т. возникла в середине 17 в. Первые работы по В. т., 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 В. т. 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 В. т. (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 В. т. 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.