- •1. Классическое и геометрическое определение вероятности, элементы комбинаторики
- •2. Аксематическое определение вероятности. Свойства вероятности.
- •3. Формула полной вероятности. Формула Байеса.
- •4. Схема независимых испытаний Бернулли. Предельная теорема Пуассона.
- •5. Классификация случайных величин.
- •2) Непрерывные случайные величины.
- •6. Математическое ожидание и его свойства.
- •7. Дисперсия и ее свойства.
- •Свойства дисперсии:
- •8. Характеристические функции и их свойства.
- •Свойства характеристической функции :
- •Способы описания св:
- •9.Теорема об обращении характеристической функции.
- •1 1. Виды сходимости случайных последовательностей.
- •13.Критерий сходимости в среднем квадратичном.
- •15. Усиленный закон больших чисел.
- •16. Центральная предельная теорема.
- •10.Производящие функции и их свойства.
- •17. Определение случайного процесса.
- •19. Статистические средние характеристики случайных процессов.
- •20. Сходимость в среднем квадратичном для случайных процессов.
- •21. Непрерывность случайных процессов.
- •22. Дифференцируемость случайных процессов.
- •23. Интегрирование случайных процессов.
- •24. Стохастические обыкновенные дифференциальные уравнения.
- •25. Процессы с независимыми приращениями.
- •26. Гауссовский случайный процесс.
- •27. Винеровский случайный процесс.
- •28. Марковские случайные процессы и цепи маркова определения.
- •29. Однородные цепи Маркова.
- •32. Уравнения Чепмена-Колмогорова.
- •33. Нахождение вероятностей переходов с помощью производящих функций.
- •34. Классификация состояний цепи Маркова по арифметическим свойствам вероятностей перехода
- •35. Свойство периода состояния.
- •36. Классификация состояний по асимптотическим свойствам переходных вероятностей
- •37. Критерий возвратности состояний.
- •38.Эргодические цепи Маркова
- •40. О средних временах переходов между состояниями
- •41. Стационарные цепи Маркова
- •42. Оптимальные стратегии в марковских цепях
- •43. Система диф.Ур-ий Колмогорова для однородной цепи Маркова с конеч.Числом состояний.
- •44. Процесс гибели и размножения
- •49. Обобщенное уравнение Маркова
- •50.Диффузионные процессы
- •51. Обратное уравнение Колмогорова
- •45. Марковские системы массового обслуживания.
- •Рассмотрим систему с простейшим потоком и экспоненциальным обслуживанием
- •46. Система обслуживания м / м / 1
- •47.Система м / м / n / 0
- •48. Система обслуживания м / м / n
- •52.Прямое уравнение Колмогорова для диффузных процессов
- •53. Стохастический интеграл Ито
- •54. Стохастический интеграл в форме Стратоновича
- •55. Стохастические дифференциальные уравнения
- •39. Закон больших чисел для цепей Маркова с конечным числом состояний.
- •57. Стационарность гауссовского случ.Процесса.
- •58. Теорема Бохнера., спектральная плотность случ.Процесса.
- •60. Мартингалы.
- •18. Пуассоновский случ.Процесс
- •Классическое и геометрическое определение вероятности, элементы комбинаторики
39. Закон больших чисел для цепей Маркова с конечным числом состояний.
Для цепи Маркова с конечным числом состояний
И произвольного начального распределения
56. Стационарные в узком и широком смысле случ.процессы.
Опр. Случ.процесс называется стационарным в узком смысле, если для конечномерных ф.р. выполняется равенство:
(14.1)
и т.е.его конечномерное распределение инвариантно относительно сдвига всех моментов времени , i=1,n на одну и ту же вел-ну .
Опр. Случ.процесс называется стационарным в широком смысле, если его среднее значение не зависит от времени
(14.3)
а корреляционная ф-ия зависит лишь от разности аргументов, (14.4)
Очевидно, что из стационарности в узком смысле следует стационарность в широком смысле. Наоборот верно не всегда.
57. Стационарность гауссовского случ.Процесса.
Теорема 14.1
Гаусовский процесс стационарный в широком смысле является стационарным и в узком смысле.
Док-во:
(14.5)
Где K=||K( )||=| n*n ,
i,j=1,n, -алгебраическое дополнение элемента K( ) матрицы ковариаций K. Для стационарного в широком смысле процесса
, поэтому многомерная ф.р. (14.5) зависит только от n и : , i,j=1,n
Отсюда видно, что при переходе к моментам времени , i=1,n, ф.р. не изменится, т.е. соотношение (14.1) выполнено.
58. Теорема Бохнера., спектральная плотность случ.Процесса.
Теорема 14.4 (Бохнера).
Для ф-ции R(t), обладающей св-ми 14.6-14.8, существует ф-ция F( )-неубыв.-ая, ограниченной вариации, такая, что
(14.11)
Следствие:
Если R(t)-корреляционная ф-ция стац.случ.процесса , то справедливо выражение (14.11). При этом называется спектральной ф-ией процесса . Если ф-ия дифференцируема, то = называется спектральной плотностью процесса ,
(14.15)
60. Мартингалы.
Мартингалы являются классом случайных процессов с очень полезными сво-ми, которые в последнее время всё шире находят применение, например, в финансовой экономике.
Опр.Случ.процесс называется мартингалом, если существует условное мат.ожидание
, которое не зависит от предшествующих значений процесса , , k=1, i-2
Мартингалы можно рассматривать как модели безобидных игр. Если описывает состояние капитала игрока в момент времени , тогда по определению мартингала средняя вел-на его капитала в момент времени при условии, что в момент времени он располагал капиталом , равна независимо от того, каков был его капитал дл момента
Опр. Случ.процесс назыв. Субмартингалом, если , и суперматрингалом, если
. Очевидно, что если , то ( )- супермартингал.
Теорема 14.8
Пусть g(x)-выпуклая вниз ф-ия, -мартингал. Тогда, если существует мат.ожидание Mg( ), то g( )-субмартингал.