- •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
28. Марковские случайные процессы и цепи маркова определения.
Пусть задано n+1 сечение процесса ξ(t1), ξ(t2),…, ξ(tn+1) в моменты t1<t2<…<tn+1. Рассмотрим условную плотность вероятностей
Случайный процесс ξ(t) называется марковским, если его условная плотность распределения (1) не зависит от значений процесса в моменты t1 ,t2,…,tn+1, а определяется лишь значением ξ(tn)= xn, т.е.
Эту условную условную плотность вероятностей называют вероятностью перехода системы из состояния xn в котором она находилась в момент времени tn, в состояние xn+1 в момент времени tn+1>tn и обозначают
Опр. Случайный процесс ξ(t) , со значениями в Х называется марковским, если и любых борелевских множеств В1,В2,…,Вn-1, Bn+1 из R при фиксированном борелевском множестве Bn и фиксированном событии выполняется следующее соотношение
При этом очевидно, что
Опр. Если множество счетно или конечно, то Марковский процесс называется цепью Маркова. Множество значений цепи Маркова Х называют фазовым пространством или пространством состояний цепи Маркова.
Опр. Цепь Маркова у которой множество Т дискретно, называется цепью с дискретным временем, а цепь Маркова у которой Т - некоторый интервал положительной длины, называется цепью с непрерывным временем. Для цепи Маркова с дискретным временем можно записать
где состояние цепи Маркова в некоторый дискретный момент времени tn.
Опр. Если множество событий Х непрерывно и система переходит из состояния в произвольные моменты времени из множества Т, то соответствующий процесс называется непрерывным марковским процессом.
29. Однородные цепи Маркова.
Рассмотрим цепь маркова с дискретным временем с конечным числом состояний X={1,2,…,N}. Вероятности
называются вероятностями перехода цепи Маркова за n шагов, а просто матрицей перехода. Матрица вида
называется матрицей вероятностей перехода цепи Маркова. Сумма элементов в каждой строке этой матрицы равна 1, т.е. т.к. за один шаг цепь Маркова остается в своем состоянии, либо переходит в какое-то иное состояние . Пусть вероятность состояния i на нулевом шаге; набор называется начальным распределением цепи Маркова.
Опр. Если вероятности перехода (1) не зависят от m, то цепь Маркова называется однородной.
Свойства однородных Марковских цепей полностью определяются начальными распределениями и вероятностями перехода pij. Для описания эволюции цепи вместо явного выписывания матрицы P=|| pij|| используют ориентированный граф,
вершинами которого являются состояния из множества Х, а стрелка означает, что из состояния i возможен переход в состояние j с вероятностью pij; в том случае, когда pij=0, соответствующая стрелка не проводится.
Опр. Если вероятности перехода
Не зависят от s, то цепь Маркова с непрерывным временем называется однородной.
32. Уравнения Чепмена-Колмогорова.
Т. Переходные вероятности однородной цепи Маркова удовлетворяют уравнению Чепмена-Колмогорова:
Док-во. Используя опр. условной вероятности проверим, что для любых случайных событий А, В, С справедливо равенство
Где Случайные события (ξn=k), k=1,2,…, образуют полную группу, поэтому Для вероятностей переходов за n+1 шагов можно записать
Пусть А= (ξn = k), В= (ξn+l = j), C= (ξ0 = i). Используя марковское свойство равенство (2), получаем
Частные случаи уравнения (1):
а) обратное уравнение (когда n=1):
б) прямое уравнение (когда l=1):
Из обратного уравнения (3) следует
где Р - матрица вероятностей переходов за один шаг, матрица вероятностей переходов за l шагов.