Андрей Андреевич Марков (старший)
Даты жизни: 1856 — 1922
Сфера интересов: Теория вероятностей, Теория чисел, Случайные процессы
Страна: Российская империя, СССР
Главный вклад: Создание теории марковских цепей (случайных процессов без последействия), доказательство обобщенного закона больших чисел, строгое математическое обоснование предельных теорем, неравенство Маркова.
2. Биографическая справка
Образование: Окончил физико-математический факультет Санкт-Петербургского университета. Был одним из самых блестящих учеников П. Л. Чебышёва, наряду с А. М. Ляпуновым. В детстве страдал тяжелой болезнью суставов и ходил на костылях до 10 лет, но позже перенес успешную операцию.
Академическая карьера: Профессор Санкт-Петербургского университета и академик Императорской академии наук. Марков отличался чрезвычайно резким, прямым и бескомпромиссным характером, за что получил прозвище "Андрей Неистовый". Он яростно спорил с Павлом Некрасовым, доказывая, что независимость величин не является обязательным условием для выполнения закона больших чисел, что и привело его к созданию теории зависимых величин (марковских цепей). Из принципа он потребовал отлучить себя от православной церкви в 1912 году в знак солидарности с Львом Толстым.
Интересный факт: Чтобы доказать работоспособность своей теории связанных цепей на практике, Марков провел колоссальный статистический анализ текста романа А. С. Пушкина «Евгений Онегин». Вручную, без компьютеров, он проанализировал 20 000 букв текста, вычисляя вероятности появления гласных и согласных после других гласных и согласных. Это было первое в истории применение марковских цепей к лингвистике и предвосхищение теории информации.
3. Основные достижения и труды
Ключевые работы:
- «Распространение закона больших чисел на величины, зависящие друг от друга» (1906).
- «Исчисление вероятностей» (1900) — классический учебник, переиздававшийся много раз.
Главные теоремы/формулы:
- Цепи Маркова: Последовательность случайных событий с конечным числом состояний, где вероятность каждого следующего состояния зависит только от текущего состояния и не зависит от предыдущей истории (отсутствие последействия): $$P(X_{n+1} = x \mid X_1 = x_1, \dots, X_n = x_n) = P(X_{n+1} = x \mid X_n = x_n)$$
- Неравенство Маркова: Оценка вероятности того, что неотрицательная случайная величина $X$ превысит заданное положительное значение $a$, через её математическое ожидание: $$P(X \ge a) \le \frac{\mathbb{E}[X]}{a}$$
- Марковские процессы: Обобщение цепей на непрерывное время и непрерывные состояния.
4. Наследие и влияние
«Математика — наука точная и не терпит неясностей.»
Влияние на современность: Открытие Маркова стало фундаментом для стохастического моделирования в XX и XXI веках. Марковские цепи лежат в основе алгоритма PageRank (с помощью которого Google ранжирует веб-страницы), скрытые марковские модели (HMM) используются в системах распознавания речи (Siri, Alexa) и биоинформатике (анализ ДНК). Его методы также повсеместно применяются в финансовой математике, теории очередей и генеративных нейросетях (LLM).
Награды: Заслуженный ординарный профессор Санкт-Петербургского университета, Орден Святого Станислава.