- •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
10.Производящие функции и их свойства.
Когда СВ ξ является целочисленной, т.е. множество ее значений- числа натурального ряда, то характеристическая функция является функцией z=eit и, согласно свойству 8 для математического ожидания , имеет вид
где рк=Р(ξ=к)б к=0,1,2,....
Опред. Функция ψξ(z)=р0+р1z+p2z2...+ркzk+... |z|<1
наз-ся производящей функцией СВ ξ.
Свойства производящей функции:
1.Функция ψξ(z)=φξ(z), рассматриваемая как функция аргумента t, явл. периодичной с периодом 2п, поэтому достаточно знать поведение ψξ(z) на окружности |z|<1, чтобы полностью описать все свойства φξ(z).
2.Из опред. следует, что ψξ(0)=р0, ψξ(1)=р0+р1+...+рк+...=1.
3.По значетим, что ψξ(z) однозначно определяются вероятности р0,р1,...,рк,... .
4 . Если M|ξ|<+∞, то
5.Пусть ξ1,ξ2,...,ξn - целочисленные независимые одинаково распределенные СВ, η- независимая от них целочисленная СВ, M|ξ|<+∞, M|η|<+∞, τ=ξ1+ξ2+...+ξn, Тогда ψт(z)=ψη[ψξ1(z)],
6. Пусть ξ и η - независимые СВ. Тогда
17. Определение случайного процесса.
При изучении различных реальных явлений рассматривают всевозможные величины, зависящие от времени: x=x(t). Такие величины принято называть процессами. Говоря о случайных процессах, как правило, имеют в виду некоторую СВ ξ(t) меняющуюся с течением времени t. Будем называть случайным процессом ξ(t) функцию от действительного параметра t T (времени), значения которой при каждом t являются СВ. Строгое определение случайного процесса состоит в следующем.
Опр. Набор ξ(t)={ξ(t,w), t T, ω Ω} СВ, определенных на одном и том же вероятностном пространстве (Ω,F, Р), называется случайной функцией.
Опр. Пусть (Ω,F, Р) - вероятностное прост-во, Т - некоторое множество моментов времени. И пусть каждому ω Ω поставлена в соответствие функция ξl=ξ(t)=ξ(t,w), t T, со значениями в п -мерном пространстве (n > 1) такая, что при каждом фиксированном t T, функция ξ(t,w) является СВ. Эта функция называется случайным процессом.
Следовательно, случайный процесс - это совокупность СИ, зависящих от времени. Естественно, его можно рассматривать кик функцию двух переменных: t и ω . Как следует из определения, ξ(t,w) является n-мерной СВ при любом фиксированном t.
Опр. При фиксированном ω Ω функция ξ(t,w) называется реализацией (траекторией или выборочной функцией) случайного процесса. Совокупность всех реализаций случайного процесса называется ансамблем (семейством) реализаций.
Опр. Случайный процесс ξ(t), t T у которого мн-во Т не более чем счетно, наз-я процессом с дискретным временем или случайной последовательностью. Если множество Т совпадает с промежутком прямой, например, Т-[0;+∞) , то ξ(t) наз-ся процессом с непрерывным временем.
Опр. При фиксированном t для случайного процесса ξ(t,w) получаем СВ, которую назовем сечением случайного процесса в момент времени t.
Опр. Пусть t1 <t2 < …<tn - некоторые фиксированные моменты времени. Рассмотрим n-мерную СВ (ξ(t1), ξ(t2),..., ξ(tn)). Распределение вероятностей этой СВ называется п-мерным распределением вероятностей случайного процесса, а ф.р. этой СВ
соответственно п -мерной ф.р. случайного процесса
Опр. Случайным процессом ξ(t), заданным на множестве Т, t T наз-ся семейство распределений (6.7), удовлетворяющее условиям согласованности. Набор функций для n=1,2,... называют конечномерными распределениями случайного процесса.
Опр. Если существует неотрицательная функция , такая, что
То она наз-ся n-мерной плотностью распределения случайного процесса.
Характеристическая функция конечномерного распределения: