Prepumo 2

СЛУЧАЙНЫЕ ПРОЦЕССЫ
для математиков
Екатерина Вадимовна БУЛИНСКАЯ

профессор кафедры теории вероятностей
Московский государственный университет имени
М.В.Ломоносова
18 мая 2012 года
Е.В.Булинская Случайные процессы

План доклада
1 История случайных процессов

2 Цели курса лекций
3 Семинарские занятия и индивидуальная
работа со студентами
4 Преподавание теории случайных процессов
в ведущих научных центрах

1. История случайных процессов
Понятие случайного процесса является одним

из важнейших не только в современной теории
вероятностей, но и в естествознании,
инженерном деле, экономике, теории связи и
других областях.
Оно позволяет описывать динамику развития
изучаемого случайного явления во времени.

Создание и развитие математической теории

случайных процессов началось в XX веке1 2 и
было связано с трудами А.Н.Колмогорова
(1903-1987), А.Я.Хинчина (1894-1959),
Е.Е.Слуцкого (1880-1948), Н.Винера (1894-1965),
Дж. Дуба (1910-2004), П.Леви (1886-1971),
В.Феллера (1906-1970) и многих других ученых.
1
А.Н.Ширяев "Вероятность -2" . МЦНМО, 2004, Очерк истории
становления математической теории вероятностей, с. 875-898.
2
А.В.Булинский "История случайных процессов" , сайт
кафедры теории вероятностей механико-математического
факультета МГУ.
Случайный процесс – это семейство случайных

величин {X (t), t ∈ T }, заданных на некотором
вероятностном пространстве (Ω, F, P) и
некотором промежутке T ⊂ R.
Точнее говоря, случайный процесс - это
действительная функция X = X (ω, t) двух
переменных ω ∈ Ω и t ∈ T такая, что X (·, t)
является случайной величиной при каждом
t ∈ T.
Параметр t интерпретируется как время. Таким
образом, X (t) представляет собой состояние
(исследуемой) "системы" в момент t.
При фиксированном ω функция X (ω, ·)

называется траекторией (или реализацией)
процесса. Обычно аргумент ω опускают и
пишут X (t).
Разумеется, можно рассматривать случайный
процесс, заданный на каком-либо вероятностном
пространстве (Ω, F, P) и произвольном
параметрическом множестве T .
Если T ⊂ Rd и d > 1, то говорят о случайном
поле.

Возможны и дальнейшие обобщения, например,

исследуются процессы, у которых величины
X (t) принимают значения в абстрактном
пространстве S, снабженном σ-алгеброй B (при
каждом t ∈ T величина X (t) является
F|B-измеримой).
Наряду с термином случайный процесс
(определенный на некотором множестве T ) как
синоним используется термин случайная
функция.

Заметим, что динамика случайных явлений

фактически присутствовала и в ряде
классических задач, вовлекавших рассмотрение
последовательности случайных величин
X1 , X2 , . . ..
Достаточно упомянуть первую предельную
теорему теории вероятностей – закон больших
чисел, установленный Бернулли3 . Трехсотлетие
этого закона будет отмечаться в 2013 году.
3
Я.Бернулли (1654-1705), его закон больших чисел опубликован
посмертно в 1713 году.
Эта теорема в современном

Pn изложении
1
утверждает, что n k =1 Xk → p по вероятности
при n → ∞ для последовательности
независимых случайных величин {Xk },
принимающих значения 1 и 0 соответственно с
вероятностями p и 1 − p (0 < p < 1).
Другими словами, при каждом ε > 0 выполнено
соотношение
n
!
1 X
P Xk − p > ε → 0, n → ∞.
n
k =1

Тем самым "частота" появления "успехов" (т.е.

единиц) сходится в указанном смысле с ростом n
к вероятности "успеха" в отдельном испытании.
Развитие этого направления в теории случайных
процессов привело к рождению эргодической
теории. В этой связи достаточно упомянуть
эргодическую теорему Биркгофа – Хинчина и
субэргодическую теорему Кингмана – Лиггетта.

Например, с помощью последней теоремы

устанавливается теорема Фюрстенберга –
Кестена, утверждающая следующее. Пусть
X 1 , X 2 , . . . – стационарная последовательность
d × d-матриц с положительными элементами,
логарифм которых интегрируем по мере P.
Тогда найдется случайная величина Y такая,
что для матричных элементов X 1 . . . X n при всех
i, j ∈ {1, . . . , d} имеем n−1 log(X 1 . . . X n )i,j →
Y п.н. и в L1 (Ω, F, P), n → ∞.

Стационарность4 означает инвариантность

конечномерных распределений указанной
последовательности относительно сдвигов в
пространстве индексов N.
Выдающийся вклад в эргодическую теорию
внесен Я.Г.Синаем и его школой.
4
Имеется также понятие стационарности в широком смысле,
играющее важную роль в нахождении канонических
представлений случайных процессов.
Здесь же упомянем интенсивно развивающуюся

область изучения случайных операторов и их
спектров.
Более того, оказалось, что изучение спектров
бесконечных случайных матриц имеет
непосредственное отношение к знаменитой
гипотезе Римана о нулях ζ-функции.

Имелся ряд импульсов к возникновению нового

раздела теории вероятностей.
Считается, что основной из них дала физика.
Напомним, что в 1827 году шотландский
ботаник Р.Броун (1773-1858) обнаружил под
микроскопом хаотическое движение частиц
цветочной пыльцы в воде.

Рис. 1. Броуновское движение.

Однако природа этого движения, получившего

название броуновского, долго оставалась
невыясненной.
Только в конце XIX – начале XX века было
осознано, что оно представляет собой одно из
проявлений теплового движения атомов и
молекул вещества.
Оказалось, что для описания процессов такого
рода требуются вероятностно-статистические
подходы.

Математические и физические модели

броуновского движения и более общих
процессов диффузии были построены
А.Эйнштейном (1879-1955), М.Смолуховским
(1872-1917), М.Планком (1858-1847),
А.Фоккером (1887-1972), П.Ланжевеном
(1872-1946), Н.Винером (1894-1964) и другими
учеными.

Интересно отметить, что в диссертации

Л.Башелье (1870-1946), написанной в 1900 году
под руководством А.Пуанкаре (1854-1912), "La
Théorie de la Spéculation"(1900) впервые, на 5
лет раньше физиков, предложена модель для
описания флуктуаций на бирже курсов ценных
бумаг, которая содержала математическую
теорию броуновского движения.
Эта работа долго оставалась без должного
внимания.

Среди важных предпосылок создания теории

случайных процессов следует назвать "цепную
зависимость" , введенную А.А.Марковым
(1856-1922) в 1906 году.
Удивительно, что построенная модель
случайных величин, получившая название цепи
Маркова, возникла при изучении им
расположения комбинаций гласных и согласных
букв в тексте романа "Евгений Онегин" и лишь
позднее была использована и обобщена в ряде
физических исследований.

На сегодняшний день создана мощная теория

марковских процессов, имеющая разнообразные
применения, в частности, в биологии. Интерес
представляет и теория марковских случайных
полей, возникшая на основе теории марковских
процессов.
Марковские цепи и поля находят приложения и
при распознавании образов. Упомянем также
широко известный метод Монте-Карло
марковских цепей (английская аббревиатура
MCMC).
Укажем на книги Е.Б.Дынкина, Ю.А.Розанова,
Р.Киндермана, Н.Бремо, Г.Винклера.
Ф.Лундбергом (1876-1965) в его диссертации

(1903) была введена модель, описывающая
деятельность страховой компании.
В этой работе впервые возник так называемый
пуассоновский процесс, который позднее стал
использоваться при изучении радиоактивного
распада и в ТМО.
В теории страхования ныне широко известны
модели Крамера – Лундберга и Спарре –
Андерсена. В первой используется процесс
Пуассона, во второй – процесс восстановления
для описания поступления исков.
Процессы с "дискретным вмешательством

случая" и идеи, восходящие к классическим
задачам геометрических вероятностей
(например, о "случайном бросании" на
плоскость точки или иглы) привели позднее к
созданию теории точечных случайных
процессов (см., например, монографию
Д.Штояна и Г.Штояна).
В настоящее время маркированные точечные
процессы широко используются в моделях
страхования.

Отметим также модель Гальтона – Ватсона,

относящуюся к анализу вымирания
аристократических фамилий в Великобритании.
Эта модель сформировалась в 1873 году в ходе
переписки Ф.Гальтона (1822-1911) и Г.Ватсона
(1827-1903), приведшей к "теореме
вырождения".

Она послужила основой для развития во второй

половине XX века теории ветвящихся процессов,
изучающей эволюцию семейств рождающихся и
гибнущих частиц, а также взаимодействия
частиц различных типов.
Отметим труды А.Н.Колмогорова,
Н.А.Дмитриева (1924-2000), Б.А.Севастьянова,
Р.Беллмана (1920-1984), Т.Харриса (1919-2005),
П.Ягерса и их последователей.

Выдающуюся роль в создании общей теории

случайных процессов сыграли статьи
А.Н.Колмогорова "Об аналитических методах в
теории вероятностей"(1931) и А.Я.Хинчина
"Теория корреляции стационарных
стохастических процессов"(1934).
Однако прочный фундамент для теории
случайных процессов (как и всей теории
вероятностей) был заложен в 1933 году
благодаря аксиоматике Колмогорова.

Классическая теорема Колмогорова дает

условия, при которых на некотором
пространстве (Ω, F, P) существует случайный
процесс {X (t), t ∈ T } c заданными
конечномерными распределениями, т.е. мерами,
представляющими собой законы распределения
векторов (X (t1 ), . . . , X (tn )), где t1 , . . . , tn ∈ T и
n ∈ N.

Случайный процесс {X (t), t ∈ T }, где T ⊂ R,

называется цепью Маркова, если величины X (t)
при всех t ∈ T принимают значения в конечном
или счетном множестве S (точки которого
удобно отождествить с их номерами) и
выполнено следующее соотношение. Для всех
i1 , . . . , in , i, j ∈ S, s1 < . . . < sn < s < t,
s1 , . . . , sn , s, t ∈ T и n ∈ N
P(X (t) = j|X (s1 ) = i1 , . . . , X (sn ) = in , X (s) = i)
= P(X (t) = j|X (s) = i),
когда
P(X (s1 ) = i1 , . . . , X (sn ) = in , X (s) = i) 6= 0.
Смысл данного определения состоит в том, что

поведение "системы" в момент времени t при
заданных состояниях в предшествующие
моменты времени s1 , . . . , sn , s зависит только от
ее состояния в последний момент s,
предшествующий t.
Обычно рассматриваются цепи Маркова с
дискретным или непрерывным временем, т.е.
когда соответственно T = Z+ или T = [0, ∞).

Конечномерные распределения марковской цепи

задаются двумя объектами - переходными
вероятностями
pi,j (s, t) = P(X (t) = j|X (s) = i),
где s ≤ t (s, t ∈ T ), и начальным

распределением P(X (0) = i), i, j ∈ S.

Теория случайных процессов бурно развивалась

в XX-м веке. Возникли обширные новые
направления этой теории. Например,
исследования А.К. Эрланга (1878-1929),
связанные с изучением загрузки телефонных
сетей, привели к формированию теории
массового обслуживания ("теории очередей").
В этой области выделяются работы
Б.В.Гнеденко (1912-1995), И.Н.Коваленко,
Ю.К.Беляева и А.Д.Соловьева (1927-2001).
Ныне эта теория охватывает новые области
исследований, например, транспортные сети.
Введение К.Ито (1915-2008) стохастического

интеграла, называемого ныне интегралом Ито,
привело к созданию стохастического исчисления
и мощной теории стохастических
дифференциальных уравнений.
Например, уравнение Ланжевена для скорости
V = V (t) движения частицы в жидкости может
быть записано в виде
dV (t) = a V (t)dt + b dW (t), t ≥ 0,

где a и b - числовые коэффициенты,

характеризующие массу частицы и вязкость
среды, а W = W (t) – винеровский процесс
(броуновское движение).
Поразительный факт заключается в том, что
почти все (по мере P) траектории винеровского
процесса не дифференцируемы ни в одной точке
t ∈ [0, ∞)!
Поэтому приведенное уравнение следует
понимать как формальную запись некоторого
интегрального соотношения, вовлекающего
интеграл Ито.
Для привлечения внимания слушателей к этой

области исследований отметим, что методы
стохастического анализа позволили решить
сложные и важные задачи выделения
("фильтрации") сигнала на фоне шума. В этой
связи упомянем известный фильтр
Кальмана-Бьюси.
Более того, отметим, что ныне на передний
край выходят исследования стохастических
дифференциальных уравнений в частных
производных.

Отдельного упоминания заслуживают

разнообразные задачи оптимального
управления случайными процессами. Например,
задачи нахождения (в определенном смысле)
оптимальных режимов функционирования
сложных систем.
Теория гиббсовских случайных полей,
заложенная в 60-е годы прошлого века в
работах Р.Л.Добрушина (1929-1995),
О.Лэнфорда и Д.Рюэля, позволила, например,
интерпретировать фазовые переходы состояний
вещества.
Теория автомодельных процессов,

инициированная А.Н.Колмогоровым в 40-е годы
XX-го столетия, обеспечила прогресс в изучении
турбулентности. Оказалось, что
автомодельность свойственна многим
физическим процессам.
Дальнейшее развитие этой теории
"фрактальности" связано с работами
Б.Мандельброта и его последователей.

Отдельно отметим, что возникли новые разделы

математической статистики, относящиеся к
изучению случайных процессов (в частности,
прогноз и интерполяция). В этой связи укажем
на исследования У.Гренандера, И.А.Ибрагимова
и Р.З.Хасьминского.
Важную роль в современных условиях играет и
моделирование (на компьютере) случайных
процессов и полей.
Можно сказать, что сейчас существует целый
ряд самостоятельных направлений
исследований в теории случайных процессов,
некоторые из них были упомянуты выше.
Как правило, выделяются достаточно широкие

классы случайных процессов и для их изучения
используется соответствующий набор методов.
По семействам независимых случайных величин
(более общим образом, случайных элементов),
которые существуют в силу теоремы
Ломницкого - Улама5 , возможно строить новые
случайные функции. Так, например,
определяются процессы восстановления".
5
А.Ломницкий (1881-1941), С.Улам (1909-1984).
Напомним, что если X1 , X2 , . . . – независимые

одинаково распределенные положительные
величины, то простой процесс восстановления
задается формулой
( n
)
X
Y (t) = sup n ∈ N : Xk ≤ t ,
k=1
где t ∈ [0, ∞) и сумма по пустому множеству

индексов (т.е. когда X1 > t) считается равной
нулю.

Если "поломки" некоторого устройства

происходят в случайные моменты
X1 , X1 + X2 , X1 + X2 + X3 , . . ., и мгновенно
производится устранение этих поломок, то Y (t)
дает общее число восстановлений за время от 0
до t.
Заметим, что анализ траекторий сумм
независимых случайных величин (иначе говоря,
случайных блужданий) нашел применения в
теории полимеров.
Большой интерес представляют также
случайные блуждания в случайной среде.
Важный класс образуют процессы с

независимыми приращениями. В этот класс
входят броуновское движение (называемое
также винеровским процессом) и пуассоновский
процесс.
В связи с задачами стохастической финансовой
математики большое значение приобрели также
процессы Леви.
Обширный и хорошо изученный класс
составляют гауссовские процессы.

Действительный гауссовский процесс

{X (t), t ∈ T } - это процесс, у которого все
конечномерные распределения являются
гауссовскими, т.е. при любом n ∈ N и
произвольных t1 , . . . , tn вектор (X (t1 ), . . . , X (tn ))
гауссовский.
Другими словами, характеристическая функция
этого вектора имеет вид
E exp{i(λ1 X (t1 ) + . . . + λn X (tn ))}

1
= exp i(λ, a) − (Cλ, λ) ,
2
где (·, ·) - скалярное произведение в Rn , i 2 = −1,

λ = (λ1 , . . . , λn ) ∈ Rn ,
вектор a = (a1 , . . . , an ) ∈ Rn
и n × n-матрица C = (ck ,r ) симметрична и
обладает свойством неотрицательной
определенности
(ak = EX (tk ) и ck ,r = cov(X (tk ), X (tr ))).

Заметим, что компоненты гауссовского вектора

X (t1 ), . . . , X (tn ) независимы в том и только том
случае, когда cov(X (tk ), X (tr )) = 0 при всех
k 6= r (k, r ∈ {1, . . . , n}). Броуновское движение
является гауссовским процессом. Множество
глубоких результатов относится к изучению
траекторий гауссовских процессов (и полей).
Например, найдены необходимые и достаточные
условия непрерывности траекторий.
Исследованы такие важные задачи, как
нахождение асимптотики вероятности выброса
процесса за высокий уровень u (когда u → ∞).
Рис. 2. Реализация гауссовского случайного поля.

В XX-м веке наряду с марковской зависимостью

появились и другие важные определения,
приводящие к новым классам процессов.
Достаточно напомнить определение процессов,
представляющих собой мартингалы (имеются
также субмартингалы и супермартингалы).
Этот класс задается с помощью фильтрации,
т.е. семейства σ-алгебр Ft , где t ∈ T ⊂ R,
обладающих свойством "возрастания":
Fs ⊂ Ft ⊂ F
при всех s, t ∈ T , для которых s ≤ t.

Действительный случайный процесс

{X (t), t ∈ T } называется мартингалом
относительно фильтрации (Ft )t∈T , если
величина X (t) является Ft |B(R)-измеримой при
любом t ∈ T и E(X (t)|Fs ) = X (s) для всех
s, t ∈ T таких, что s ≤ t. Здесь E(·|Fs )
обозначает условное математическое ожидание
относительно σ-алгебры Fs . Оказалось, что
класс мартингалов (и более общий класс
семимартингалов) играет важнейшую роль в
теории стохастических дифференциальных
уравнений.
Во второй половине XX-го века стали исследоваться

процессы и поля с перемешиванием, а начиная с 70-х
годов - процессы и поля, обладающие различными
формами положительной или отрицательной
зависимости. Часто положительную зависимость
называют ассоциированностью. В физической
литературе используются близкие условия, носящие
название ФКЖ-неравенств (по имени К.Фортуина,
П.Кастелейна (1924-1996) и Ж.Жинибра, которые в
1971 году ввели эти условия)6 .
6
См. монографию А.В.Булинский, А.П.Шашкин "Предельные
теоремы для ассоциированных случайных полей и родственных
систем" Физматлит, 2008.
Такие неравенства и их аналоги оказались

полезными в задачах теории перколяции (или
просачивания).
Простейший вариант такой задачи был
сформулирован в 1957 году С.Бродбентом и
Дж.Хаммерсли (1920-2004). Поместим пористый
камень в емкость с водой. С какой вероятностью
вода попадет в заданную точку этого камня?
Формализуется задача следующим образом.
Представим себе камень как множество
"широких"и "узких"каналов.

Удобно рассматривать камень как решетку Zd

(при d = 3) и считать каналами ребра,
соединяющие соседние вершины (для которых
kx − y k = 1, где x; y ∈ Zd и
kuk = dk =1 |uk |, u ∈ Zd ).
P
Пусть каждое ребро Zd является открытым

("широким") с вероятностью p и закрытым
("узким") с вероятностью 1 − p, причем все
ребра открываются или закрываются
независимо друг от друга (0 < p < 1).

Спрашивается, при каких p на решетке Zd

возникает бесконечный путь из открытых
каналов (имеются и другие формулировки).
Доказывается, что ответ на поставленный
вопрос зависит от того, больше или меньше p
некоторой критической вероятности pc (d).
Дальнейшему развитию этой проблематики
посвящены, например, книги Г.Кестена и
Дж.Гримметта.

Во второй половине прошлого века были

установлены глубокие взаимосвязи между
изучением процессов (полей), заданных на
дискретных и непрерывных параметрических
множествах, а также исследованы
распределения процессов в различных
функциональных пространствах.
Огромный вклад в эту область
функциональных предельных теорем внесли
А.Н.Колмогоров, Ю.В.Прохоров, А.В.Скороход,
В.Штрассен, А.А.Боровков, А.Н.Ширяев,
Ж.Жакод и другие ученые.
Новые проблемы, требующие развития теории

случайных процессов и полей, возникают в
биологии и медицине.
Усилия многих математиков направлены также
на развитие актуарной и стохастической
финансовой математики.
Интересно, что вероятностные идеи
используются в различных математических
областях. Например, в комплексном анализе
хорошо известно уравнение Левнера.

А именно, рассмотрим односвязную область

D ⊂ C2 и простую непрерывную кривую γ в D,
начинающуюся на ∂D. По теореме Римана
Dt := D \ γ([0, t]) конформно изоморфно D.
Пусть D – единичный диск, ft : D → Dt –
должным образом нормированный изоморфизм.
Для z ∈ D уравнение Левнера имеет вид
∂ft (z) ζ(t) + z
= −zft0 (z) , f0 (z) = z,
∂t ζ(t) − z
где ζ(t) – некоторая функция. Эволюция
Шрамма – Левнера означает выбор
ζ(t) = W (κt).
Здесь W – винеровский процесс и κ – некоторая

константа. Удобно вместо ft использовать
обратное отображение gt , а также переход от
диска к верхней полуплоскости, тогда возникает
уравнение
∂gt (z) 2
= , g0 (z) = z.
∂t gt (x) − ζ(t)
Выяснилось, что с помощью этого уравнения
можно находить критические показатели
перколяции на определенных решетках.

Известно, что крупные достижения в науке

возникают на стыке нескольких областей.
Отметим, что в 2006 году А.Ю.Окунькову была
присуждена премия Филдса "за достижения,
соединяющие теорию вероятностей, теорию
представлений и алгебраическую геометрию".
В 2010 году С.К.Смирнов был удостоен премии
Филдса за работы в области теории перколяции
и исследование скейлинговых пределов в
моделях статистической физики.

Рис. 3. Филдсовская медаль.

Даже на простых примерах, рассмотренных выше, мы

видим, что часто новое рождается в недрах старого и со
временем вырастает в отдельную область исследований.
К сожалению, нет возможности отметить даже все
основные направления исследований современной
теории случайных процессов, а тем более остановиться
на замечательных результатах целого ряда выдающихся
ученых.
Мы не останавливаемся и на достижениях сотрудников
кафедры теории вероятностей
механико-математического факультета МГУ, поскольку
они отражены на их индивидуальных страницах.

2. Цели курса лекций
1755 г. – основан Московский университет,

1933 г. – создан механико-математический
факультет (разделением
физико-математического факультета на два
факультета),
1935 г. – организована кафедра теории
вероятностей.

Кафедра теории вероятностей является одним

из основных центров по подготовке
специалистов и научным исследованиям в
области теории вероятностей и математической
статистики в нашей стране.
Многие поколения советских и российских
ученых в этой области науки считают себя
непосредственными питомцами этой кафедры.

Цели курса лекций
Первый заведующий кафедрой в 1935-1966 гг.
Академик АН СССР Андрей Николаевич Колмогоров

(1903-1987)
1966 – 1995 гг. заведует кафедрой
Академик АН УССР Борис Владимирович Гнеденко

(1912-1995)
С 1996г. по настоящее время заведующий
Академик РАН Альберт Николаевич Ширяев

На мех-мате 2 потока математиков, для одного из них (6

групп) кафедра теории вероятностей читает лекции и
ведет упражнения по
Теории вероятностей (4 семестр),
Математическая статистика (5 семестр),
Теория случайных процессов (6 семестр),
лекторы:
Проф. А.В.Булинский (2012г., 2009г., 2007г., . . .),
Проф. Е.В.Булинская (2011г., 2010г., 2008г., . . .).
Для другого потока аналогичные курсы читаются
кафедрой математической статистики и случайных
процессов, созданной А.Н.Колмогоровым в 1966 г.

В настоящее время кафедрой математической

статистики и случайных процессов заведует
Академик академии криптографии

Андрей Михайлович Зубков

Такая система сложилась постепенно.

В 50-60-е годы для потока математиков читался
только полугодовой курс теории вероятностей (в
5 семестре). Таким образом, специализация
теория вероятностей выбиралась до того, как
был прослушан соответствующий курс. Более
того, курсовые работы начинались не с 3 курса,
как сейчас, а со 2 курса.
Математическая статистика (6 семестр) и
случайные процессы (7 и 8 семестры) читалась
только для группы теории вероятностей.

Случайные процессы (годовой курс для

специализации теория вероятностей) читали
А.Н.Колмогоров, Р.Л.Добрушин,
Ю.В.Прохоров, А.М.Яглом, позднее
А.Д.Вентцель, М.И.Фрейдлин, А.Н.Ширяев,
Е.В.Булинская.
В 1972г. в МГУ был издан учебник
А.Н.Ширяева "Случайные процессы"по
материалам его лекций.

В 70-е годы ввели годовой курс теории

вероятностей и математической статистики (4 и
5 семестры) для потока математиков.
А затем, на основании многочисленных анкет
выпускников мех-мата, которые отмечали, что
для работы им нехватает знаний по случайным
процессам, в 6 семестре был введен такой курс.
Но даже после этого для специализации теория
вероятностей годовой курс случайных процессов
читался отдельно от общего курса до середины
90-х годов.
В настоящее время группа "теории

вероятностей" слушает общий курс "Теория
случайных процессов" , но есть
"Дополнительные главы случайных процессов" .
1993 г. – создание "экономического
потока"(случайные процессы читаются
отдельно).
1996 г.– специализация "актуарно-финансовый
аналитик"(слушают общий курс случайных
процессов, но есть обязательные спецкурсы,
касающиеся стохастического исчисления).

Лектор в 2012 г. профессор А.В.Булинский

Автор: профессор кафедры теории вероятностей

А.В.Булинский
РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ

СЛУЧАЙНЫЕ ПРОЦЕССЫ
Направление подготовки – МАТЕМАТИКА

Квалификация (степень) выпускника – бакалавр
(дипломированный специалист, магистр)
Форма обучения – очная

1. Цели освоения дисциплины

Целями освоения дисциплины (модуля) "Теория
случайных процессов" являются
фундаментальная подготовка в области
построения и анализа сложных стохастических
моделей, овладение современным
математическим аппаратом для дальнейшего
использования в разнообразных приложениях.

2. Место дисциплины в структуре ООП

ВПО
Семестровый курс "Теория случайных
процессов" входит в цикл вероятностных
дисциплин в базовой части обучения.
Этот цикл состоит их трех взаимосвязанных
частей (два предшествующих семестровых
курса – "Теория вероятностей" ,
"Математическая статистика").

Для его успешного освоения необходимы знания

и умения, приобретенные в результате обучения
предшествующим (а также параллельно
изучаемым) дисциплинам:
математический анализ, комплексный анализ,
алгебра, дифференциальные уравнения,
функциональный анализ.

Знание теории случайных процессов может

существенно помочь при построении и анализе
сложных стохастических моделей, возникающих
в физике, химии, биологии, медицине,
экономике, финансовой и актуарной областях, а
также в технике.
Кроме того, методы теории случайных
процессов широко применяются в целом ряде
направлений современной математики.

3. Компетенции обучающегося,
формируемые в результате освоения
дисциплины
В РЕЗУЛЬТАТЕ ОСВОЕНИЯ ДИСЦИПЛИНЫ
ОБУЧАЮЩИЙСЯ ДОЛЖЕН
1) ЗНАТЬ определения и свойства основных
объектов изучения теории случайных процессов,
а также формулировки наиболее важных
утверждений, методы их доказательства,
возможные сферы приложений.

2) УМЕТЬ решать задачи вычислительного и

теоретического характера в области случайных
процессов, устанавливать взаимосвязи между
вводимыми понятиям, доказывать как
излагавшиеся утверждения, так и родственные
им новые.
3) ВЛАДЕТЬ разнообразным математическим
аппаратом, подбирая сочетания различных
методов, для описания и анализа сложных
стохастических моделей.

4.Структура и содержание дисциплины

Общая трудоемкость дисциплины составляет 4
зачетных единицы, 120 часов.
6 семестр (Формы контроля – 2 контрольные
работы, зачет, экзамен).
1 лекция в неделю (2 часа),
1 семинар в неделю (2 часа),
самостоятельная работа 3-4 часа в неделю.
5. Образовательные технологии: активные и
интерактивные формы

Лекция 1.
Примеры случайных процессов, основанные на
семействах независимых случайных элементов
(случайные блуждания, процесс восстановления,
модель Крамера – Лундберга, эмпирические
меры, пуассоновский точечный поток).
Построение последовательности независимых
действительных случайных величин, имеющих
заданные распределения. Ветвящиеся процессы
Гальтона – Ватсона. Вероятность вырождения.

Лекция 2.
Случайные элементы и их распределения.
Случайный процесc как семейство случайных
элементов и как одно измеримое отображение в
пространство траекторий. Структура
цилиндрической сигма-алгебры. Конечномерные
распределения процесса. Формулировка
теоремы Колмогорова о согласованных
распределениях (доказательство необходимости
условий). Условия согласованности мер на
пространствах (R n , B(R n )) в терминах
характеристических функций.
Лекция 3.
Критерий существования процесса с
независимыми приращениями в терминах
характеристических функций приращений.
Пуассоновский и винеровский процессы как
процессы с независимыми приращениями.
Гауссовские процессы. Построение
действительного гауссовского процесса,
имеющего заданные функцию среднего и
ковариационную функцию.

Лекция 4.
Конструкция броуновского движения по
функциям Шаудера и последовательности
независимых гауссовских величин:
а) построение на [0, 1];
б) построение на [0, ∞).

Лекция 5.
Теоремa Пэли - Винера - Зигмунда
(недифференцируемость с вероятностью 1
траекторий броуновского движения в каждой
точке t ≥ 0).
Модификация процесса.
Теорема Колмогорова - Ченцова (построение
модификации, имеющей гельдеровские
траектории).

Лекция 6.
Фильтрация.
Марковские моменты, момент остановки.
Примеры.
Первое тождество Вальда.
Марковское и строго марковское свойства
броуновского движения.

Лекция 7.
Принцип отражения.
Теорема Башелье (нахождение распределения
supt∈[0,T ] W (t), где W (·) - винеровский процесс).
Набросок доказательства закона повторного
логарифма (теорема Хинчина).

Лекция 8.
Слабая сходимость вероятностных мер на
метрических пространствах. Теорема
А.Д.Александрова (без доказательства).
Сходимость по распределению случайных
элементов, ее сохранение при непрерывных
отображениях.
Принцип инвариантности (формулировка
теорем Донскера и Прохорова). Вывод
центральной предельной теоремы (ЦПТ) из
функциональной ЦПТ.

Лекция 9.
Условное математическое ожидание, его
свойства. Мартингалы, субмартингалы,
супермартингалы. Примеры. Разложение Дуба.
Дискретный вариант формулы Танака.
Равномерная интегрируемость семейства
случайных величин.
Доказательство соотношения ELn (0) ∼ (2n/π)
(Ln (0) - локальное время в нуле).
Теорема Дуба об остановке.

Лекция 10.
Задача о разорении игрока.
Нервенство Крамера-Лундберга.

Лекция 11.
Марковские процессы с дискретным и
непрерывным временем. Различные
определения. Примеры.
Доказательство того, что действительный
процесс с независимыми приращениями
является марковским.

Лекция 12.
Построение марковской цепи по начальному
распределению и переходным вероятностям.
Пуассоновский процесс как цепь Маркова.
Однородные марковские процессы.
Эргодическая теорема для цепей Маркова с
непрерывным временем.

Лекция 13.
Стационарное распределение.
Формулы Эрланга (описание модели).
Инфинитезимальная матрица.
Дифференциальные уравнения Колмогорова .

Лекция 14.
Интеграл по ортогональной случайной мере
(cлучаи конечной и σ-конечной структурной
меры).
Теорема Карунена.

Лекция 15.
Формулировки теорем Герглотца,
Бохнера-Хинчина.
Стационарные в широком смысле процессы, их
спектральное представление.
Спектральная плотность.
Эргодичность в L2 (Ω).

Лекция 16.
Уравнение Ланжевена.
Процесс Орнштейна-Уленбека.
Интеграл Ито и его свойства.
Формула Ито (без доказательства).
Понятие о стохастических дифференциальных
уравнениях и сильных решениях.

6. Учебно-методическое и информационное
обеспечение дисциплины
Основная литература
Классический университетский учебник
А.В.Булинский, А.Н.Ширяев "Теория
случайных процессов" М.: Физматлит,
2005.
(1 издание: Булинский А.В., Ширяев А.Н.
Теория случайных процессов. М.: Физматлит,
2003.)

[1] А.Н. Ширяев. Вероятность. Т. 1,2. М.:

МЦНМО, 2005 (третье издание).
[2] Афанасьева Л.Г., Булинская Е.В. Случайные
процессы в теориии массового обслуживания и
управления запасами. Изд-во МГУ, 1980.
[3] Биллингсли П. Сходимость вероятностных
мер. М.: Наука, 1972.
[4]* Бриллинджер Д. Анализ временных рядов.
М.: Мир, 1979.
[5] Вентцель А.Д. Курс лекций по случайным
процессам. М.: Наука, 1982.
[6]* Вентцель Е.С., Овчаров А.В. Прикладные

задачи теории случайных процессов. М.: Наука,
1992.
[7] Гихман И.И., Скороход А.В. Введение в
теорию случайных процессов. М.: Наука, 1972.
[8] Гнеденко Б.В., Коваленко И.Н. Введение в
теорию массового обслуживания. М.: Наука,
1989.
[9]* Дынкин Е.Б. Марковские процессы. М.:
Наука, 1965.
[10]* Дынкин Е.Б., Юшкевич А.П. Теоремы и
задачи о процессах Маркова. М.: Наука, 1968.
[11]* Дуб Дж. Вероятностные процессы.

Физматгиз, 1953.
[12]* Ито К. Вероятностные процессы. М.:
Наука, 1962.
[13]* Козлов М.В. Элементы теории
вероятностей в задачах и примерах. Изд-во
МГУ, 1991.
[14] Крамер Г., Лидбеттер Дж. Стационарные
случайные процессы. М.: Мир, 1970.
[15] Крылов Н.В. Лекции по случайным
процессам (части 1 и 2). Изд-во МГУ, 1987.

[16]* Ламперти Дж. Случайные процессы.

Киев.: Вища школа, 1983.
[17]* Прохоров А.В., Ушаков А.Ф., Ушаков В.А.
Задачи по теории вероятностей. М.: Наука, 1989.
[18] Розанов Ю.А. Теория вероятностей,
математическая статистика и случайные
процессы. М.: Наука, 1987.
[19]* Розанов Ю.А. Стационарные случайные
процессы. М.: Наука, 1989 (второе издание).
[20] Тутубалин В.Н. Теория вероятностей и
случайные процессы. Изд-во МГУ, 1992.
[21] Ширяев А.Н. Случайные процессы (лекции

для студентов 3 курса). Изд-во МГУ, 1972.
[22] Хида Т. Броуновское движение. М.: Наука,
1988.
Примечание: знаком * отмечена дополнительная
литература.

Стандартная программа ОПД Ф 15

Теория случайных процессов
Определение случайного процесса,
конечномерные распределения, траектории;
теорема Колмогорова о существовании процесса
с заданным семейством конечномерных
распределений (без доказательства). Классы
случайных процессов: гауссовские, марковские,
стационарные, точечные с независимыми
приращениями; примеры; соотношения между
классами. Свойства многомерных гауссовских
процессов; существование гауссовского процесса
с заданным средним и корреляционной

матрицей; свойства симметрии и
согласованности. Винеровский процесс.
Критерий Колмогорова непрерывности
траекторий; следствие для гауссовских
процессов. Пуассоновский процесс; построение
пуассоновского процесса по последовательности
независимых показательных распределений;
определение Хинчина пуассоновского процесса.
Среднеквадратическая теория: необходимые и
достаточные условия непрерывности,
дифференцируемости, стохастический интеграл,
процессы с ортогональными приращениями.

Пример стационарного, гауссовского,
марковского процесса, примеры стационарных в
широком смысле процессов. Цепи Маркова с
непрерывным временем, уравнение
Колмогорова-Чепмэна, прямые и обратные
дифференциальные уравнения Колмогорова,
время пребывания процесса в данном состоянии.
Процессы гибели и размножения, связь с
теорией массового обслуживания, применения к
расчету пропускной способности технических
систем.
Программа курса Теория случайных процессов

2010-2011 гг. Лектор проф. Е.В.Булинская
1. Случайный элемент со значениями в
измеримом пространстве, определение и
примеры.
2. Пространство (R T , B T ).
3. Эквивалентность двух определений
случайного процесса.
4. Конечномерные распределения, условия
симметрии и согласованности.
5. Конечномерные распределения однозначно
определяют меру на B T .
6. Теорема Колмогорова о существовании

процесса с заданным семейством
конечномерных распределений.
7. Классы случайных процессов (с
независимыми значениями, процессы
восстановления, с независимыми приращениями,
стационарные в узком и широком смысле,
гауссовские, марковские, мартингалы).
8. Теорема о существовании гауссовского
процесса с заданными средним и
ковариационной функцией.

9. Виды непрерывности случайных процессов и

их связь.
10. Эквивалентность случайных процессов.
11. Необходимые и достаточные условия
существования эквивалентного процесса с
непрерывными траекториями.
12. Теорема Колмогорова о существовании
эквивалентного процесса с непрерывными
траекториями.

13. Условия существования эквивалентного

гауссовского процесса с непрерывными
траекториями.
14. Два определения винеровского процесса и их
эквивалентность.
15. Конструкция винеровского процесса на [0,1].
16. Задание винеровского процесса на
полупрямой.
17. Определение пуассоновского процесса,
пуассоновский процесс как процесс
восстановления.
18. Сепарабельность случайного процесса.
19. Измеримость случайного процесса,

существование измеримой модификации.
20. Интегрируемость траекторий процесса.
21. Недифференцируемость траекторий
винеровского процесса.
22. Условное математическое ожидание и его
свойства.
23. Мартингал, субмартингал, супермартингал
(определения и результат применения выпуклой
функции).
24. Лемме Дуба-Мейера.
25. Мартингальные неравенства.

26. Лемма Дуба о числе пересечений.
27. Теорема об отсутствии разрывов второго
рода у субмартингалов.
28. Марковское свойство винеровского процесса.
29. Строго марковское свойство винеровского
процесса.
30. Неравенство Леви.
31. Принцип отражения.

32. Закон повторного логарифма для

винеровского процесса.
33. Локальный закон повторного логарифма.
34. Неограниченность вариации винеровских
траекторий.
35. Интеграл Ито для ступенчатых функций и
его свойства.
36. Интеграл Ито для функций из M2 .
37. Формула Ито замены переменных.
38. Стохастический дифференциал.

39. Теорема существования сильного решения

стохастического дифференциального уравнения.
40. Теорема единственности.
41. Корреляционная функция и ее свойства.
42. Необходимое и достаточное условие
существования предела в среднем
квадратичном.
43. Непрерывность процесса в среднем
44. Дифференцируемость процесса в среднем
45. Интегрируемость процесса в среднем

46. Связь дифференцируемости процесса в
среднем квадратичном и дифференцируемости
траекторий.
47. Ортогональные случайные меры,
структурные меры.
48. Соответствие между ортогональными
случайными мерами и процессами с
ортогональными приращениями.
49. Стохастический интеграл (от неслучайной
функции) и его свойства.
50. Пример стационарного гауссовского

марковского процесса.
51. Спектральное представление стационарного
в широком смысле процесса (на основе теорем
функционального анализа).
52. Теорема Бохнера-Хинчина.
53. Спектральное представление стационарного
в широком смысле процесса.
54. Линейные преобразования неслучайных
функций.
55. Допустимый фильтр.
56. Примеры фильтров.

57. Решение дифференциального уравнения как
допустимый фильтр.
58. Сигулярные и регулярные процессы.
59. Разложение Вольда.
60. Прогноз стационарного процесса

3. Работа со студентами
Кроме лекций имеются семинарские занятия,

следующие прочитанному материалу.
Лектор каждый раз сообщает преподавателям,
ведущим семинары, что было прочитано, а
также, какой материал желательно разобрать
(иногда дается набор задач, необходимых для
усвоения следующих лекций).
В свою очередь, преподаватели информируют
лектора (часто по электронной почте) о
решенных задачах и заданных на дом.
Ведется контроль за выполнением домашних
заданий.
7. Оценочные средства для текущего контроля

успеваемости, промежуточной аттестации по итогам
освоения дисциплины и учебно-методическое
обеспечение самостоятельной работы студентов
Задачи составили доценты А.Д.Манита,
А.П.Шашкин.
Контрольная работа 1
1. Пусть случайная величина Y - стандартная
нормальная, а случайный процесс X = {Xt , t ≥ 0} задан
равенством Xt = tI{t < |Y |}. Проверить, непрерывен ли
X по вероятности. Найти конечномерные распределения
1 и 2 порядка.
2. Найти ковариационную функцию случайного

процесса exp{Wt } , где Wt - винеровский
процесс.
3. Частица находится в одной из вершин
единичного куба в трехмерном пространстве. В
каждую единицу времени она выбирает одну из
вершин, соседних с той, где она находится
(каждую из таких - с одинаковой
вероятностью), и переходит в нее. Сколько в
среднем времени пройдет, прежде чем частица в
первый раз придет в вершину,
противоположную стартовой?
Контрольная работа 2
1. Найти cov(Y0 , Y2 ), если Yt = dXt /dt, а
процесс X = {Xt , t ≥ 0} стационарен и имеет
спектральную плотность f (λ) = exp{−λ2 /2}.
2. Пусть S0 = 0, Sn = X1 + . . . + Xn , где
случайные величины (Xn , n ∈ N) независимы и
принимают значения 1 и -1 с одинаковыми
вероятностями. При каких вещественных α
случайный процесс Mn = exp{Sn − αn}
является: а) мартингалом; б) субмартингалом?

3. Пусть {Wt , t ≥ 0} - винеровский процесс.

R2
Найти D 0 exp{2Ws } dWs .
(1) (2)
4. Пусть {Wt = (Wt , Wt ), t ≥ 0} - 2-мерный
винеровский процесс. Найти стохастический
дифференциал процесса
(1) (2)
Xt = ln((Wt )2 + (Wt )2 ) (считать доказанным,
что процесс никогда не попадает в начало
координат).

Задачи к зачету
1. Найти все такие a, b ∈ R, что
Xt = exp{aWt + bt} - мартингал (Wt -
винеровский процесс).
Xt = exp{aNt + bt} - мартингал (Nt -
пуассоновский процесс с параметром λ > 0).
Wt4 + atWt2 + bt 2 - мартингал (Wt - винеровский
процесс).

4. Найти все такие a, b, c ∈ R, что

Nt2 + atNt + bt 2 + ct - мартингал (Nt -
пуассоновский процесс с параметром λ > 0).
5. Отрезок единичной длины ломается в
равномерно выбранной случайной точке.
Берется больший из получившихся двух
отрезков и снова ломается в случайной точке,
равномерно распределенной на этом отрезке, и
т.д. Все разломы делаются независимо. Пусть Xn
- длина отрезка, полученного после n разломов.
Найти такое c > 0, что c n Xn - мартингал.

6. Пусть Wt - винеровский процесс и

τ = inf{t > 0 : Wt = a}, где a > 0. Найти Ee−λτ
для любого λ > 0.
7. Пусть стационарный случайный процесс
X = (Xn )n∈Z таков, что Xn = Xn−2 /16 + εn .
Здесь εn независимы, Eεn = 0, Dεn = 1. Найти
спектральную меру процесса X .
8. Найти ковариационную функцию процесса
Xt = cos Wt (Wt - винеровский процесс).
Xt = cos Nt (Nt - пуассоновский процесс с
параметром λ > 0).

Xt = I{Nt = 0} (Nt - пуассоновский процесс с
параметром λ > 0).
11. Случайный процесс Y = (Yt )t∈R стационарен
и имеет спектральную плотность 1/(1 + λ2 ).
Найти DX0 , где процесс X есть решение
уравнения Xt00 − Xt = Yt .
12. Случайный процесс Y = (Yt )t∈R стационарен
и имеет спектральную плотность
|λ3 | exp{−λ2 /2}. Найти DX0 , где процесс X есть
решение уравнения Xt0 = Yt .

13. Пусть стационарный случайный процесс

X = (Xn )n∈Z таков, что
Xn = Xn−2 /4 + Xn−1 /4 + εn . Здесь εn
независимы, Eεn = 0, Dεn = 1. Найти
cov(X1 , X3 ).
R1
14. Найти D 0 I{Ws > 0} dWs (Wt -
винеровский процесс).
15. Случайный процесс X = (Xt )t∈R стационарен
и имеет ковариационную функцию
R(t) = 1/(1 + t 2 ), найти его спектральную
плотность.
16. Случайный процесс X = (Xt )t∈R стационарен

и имеет ковариационную функцию
R(t) = exp{−|t|} cos t, найти его спектральную
плотность.
17. Стационарный случайный процесс
X = (Xn )n∈Z задан равенством Xn = (εn + εn−1 )2 ,
где величины εn независимые и стандартные
нормальные. Найти спектральную плотность X .
18. Найти дифференциал случайного процесса
Rt
Yt = Wt 0 e−sWs dWs .

19. Доказать, что винеровский процесс не

дифференцируем в среднем квадратическом.
20. Процесс Xn (n - целое неотрицательное)
описывает движение частицы, выходящей из
точки 0. Если частица в момент n была в одной
из точек множества {−1, 0, 1, 2}, то она делает
скачок вправо на единицу, скачок влево на
единицу либо остается на месте с вероятностями
соответственно 1/2, 1/6 и 1/3.

Достигнув точек −2 либо 3, она на следующем

шаге обязательно переходит в точку −1 и 2
соответственно (происходит отражение от
экрана). Все скачки друг от друга независимы.
Найти:
а) математическое ожидание числа возвращений
в нуль, которые произошли до первого
отражения;
б) предел вероятности limn→∞ P(Xn = 0).

Успешному овладению теорией случайных процессов и

другими разделами теории вероятностей помогает
наличие на кафедре разнообразных спецкурсов и
спецсеминаров.
Спецкурсы кафедры теории вероятностей в
весеннем семестре 2011-2012гг. (обязательные)
1. Дополнительные главы теории вероятностей проф.
Сенатов В.В.
2. Дополнительные главы математической статистики
доц. Болдин М.В.
3. Многомерный статистический анализ асс.
Ряднова Е.М.

4. Актуарная математика - 3 (Теория разорения) проф.

Виноградов О.П.
5. Финансовая математика -1 доц. Жуленев С.В.
6. Финансовая математика - 3 преп. Алиев А.Ф.
7. Статистика случайных процессов доц. Лебедев А.В.
Курсы EНС
1. Приложения вероятностных методов проф.
Тутубалин В.Н.
2. Быстрое динамо в случайном потоке проф.
Соколов Д.Д.

Спецкурсы по выбору студента (3-5 курс)

1. Введение в теорию массового обслуживания
проф.Афанасьева Л.Г.
2. Стохастические модели в теории запасов и
страховании проф. Булинская Е.В.
3. Вероятностно-статистические методы анализа
генетических данных проф. Булинский А.В.
4. Теория эргодическиx марковских диффузионных
процессов проф. Веретенников А.Ю.
5. Гиббсовские случайные поля проф. Малышев В.А.
6. Стохастические модели проф.Фалин Г.И.
7. Статистический анализ данных типа времени жизни
Чистякова Н.В.

Спецсеминары
1. Большой семинар кафедры ТВ проф. Ширяев А.Н.
2. Случайные процессы и стохастический анализ проф.
Ширяев А.Н.
3. Математические методы в теории массового
обслуживания проф. Афанасьева Л.Г.
4. Исследование асимптотического поведения и
устойчивости стохастических моделей проф.
Афанасьева Л.Г., проф. Булинская Е.В., доц.
Яровая Е.Б., асс. Баштова Е.Е.
5. Проблемы теории запасов и страхования проф.
Булинская Е.В.

6. Асимптотический анализ случайных процессов и

полей проф. Булинский А.В., доц. Шашкин А.П.
7. Проблемы теории марковских процессов проф.
Веретенников А.Ю.
8. Непараметрическая статистика и временные ряды
проф. Тутубалин В.Н., проф. Тюрин Ю.Н., доц.
Болдин М.В., асс. Ряднова Е.М.
9. Компьютерные методы статистики доц. Чепурин Е.В.

4. Ведущие научные центры
Далее приводятся некоторые названия и

программы вводных и специальных курсов по
случайным процессам (без перевода с
французского и английского языка, а также с
сохранением написания оригинала) в
следующих ведущих научных центрах:
Университет имени Пьера и Мари Кюри
(Париж -6), Франция
Университет Оксфорда, Великобритания
Университет Кембриджа, Великобритания
Массачусетский технологический институт,
США
4. Ведущие научные центры – Париж-6
Université Pierre et Marie Curie - UPMC

Paris University
Laboratoire de Probabilités et Modèles Aléatoires
Вводные курсы
1. Processus stationnaires et prévision – J. Lacroix
et P. Baldi
2. Processus de sauts et files d’attente –
Ph. Bougerol

Спецкурсы для специализации

3. Mouvement brownien et calcul stochastique –
J. Jacod
4. Chaines de Markov et processus de Poisson –
J. Lacroix
5. Chaines de Markov, processus de Poisson et
Applications – J. Jacod
6. Processus de Markov, application á la
dynamique des populations – J. Jacod
7. Introduction aux processus de diffusion –
P. Prioure
4. Ведущие научные центры – Оксфорд

В Оксфордском университете 5 направлений

обучения, среди них
Mathematical, Physical & Life Sciences
Ответственный за математику
Математический институт
для него строится новое здание

4. Ведущие научные центры – Институт математики
Mathematical Institute, Oxford


Объединение 5 университетов для преподавания

– спецкурсы:
Brownian Motion – Prof P Mörters University of
Bath
Applied Stochastic Processes – Dr G Pavliotis
Imperial College, London
Levy processes, the Wiener-Hopf factorisation and
applications – Prof A Kyprianou University of
Bath
Stochastic Partial Differential Equations – Prof M
Hairer University of Warwick
Levy Processes and Continuous State

Branching Processes
October - December 2008. Dr. A. Kyprianou.
This course will be split into two parts. Firstly we
shall consider the path structure of a general Levy
process, in particular we shall look at the classical
Levy-Ito decomposition. From this we shall
consider the special cases of subordinators and
spectrally one-sided Levy processes. We will
discuss some additional properties of these
processes in particular the latter.

In the second part of the course we will look at a

particular application of spectrally one-sided Levy
processes to the theory of continuous state
branching processes. In particular we shall see how
certain path properties of spectrally negative
processes allow us to understand the behaviour of
continuous state branching processes. Some key
topics are given below.

Levy-Ito decomposition
Subordinators and spectrally one-sided Levy processes
Passage problems for spectrally negative Levy processes
Continuous-state branching processes
The Lamperti transformation
Some important martingales
Path decompositions of continuous state branching
processes.
I will provide electronic notes for the course which will be

based on the following book. Introductory lectures on
fluctuation theory of Levy processes with applications by
A.E. Kyprianou, Universitext, Springer. 2006.

4. Ведущие научные центры – Кембридж

University of Cambridge
Mathematics
Cambridge is renowned for the excellence of its
Mathematics course. Equally challenging and
rewarding, it offers the opportunity to study a
wide range of subjects: everything from black holes
to the most abstruse logic problems.

Система обучения математике в Кембридже

UCAS code – G100 BA/Math
Duration – Three or four years
Colleges – Available at all Colleges (Wolfson only
offer Part III)
Most Colleges don’t encourage deferred entry

Course outline
In Year 1, you typically have 12 lectures and two
supervisions each week. In the following years, the
greater choice and flexibility means that the
pattern of lectures and supervisions is more
irregular, but the average workload is roughly the
same. You sit four written examination papers
each year. In addition, there are optional computer
projects in Years 2 and 3. In the fourth year, each
course is examined individually.

Year 1 (Part IA)

In the first year, you choose one of two pathways:
option (a) Pure and Applied Mathematics, for
students intending to continue with Mathematics
option (b) Mathematics with Physics, for students
who may want to study Physics after the first year
You can still continue with Mathematics in the
second year, if you take option (b).

Part IA introduces you to the fundamentals of

higher mathematics, including:
the study of algebraic systems (such as groups)
analysis of calculus
probability (Prof. G.R. Grimmett)
mathematical methods (such as vector calculus)
Newtonian dynamics and Special Relativity

Year 2 (Part IB)

In Part IB, you choose from 17 options available. In most of
these, the topics of the first year are studied in much
greater depth. Several new topics are also offered, for
example: geometry,
electromagnetism, quantum mechanics and fluid dynamics,
applicable mathematics, which includes statistics
and optimisation (a rigorous treatment of topics from
decision mathematics),
numerical analysis.
There are also optional computational projects (assessed by
means of notebooks and programmes submitted before the
summer examinations), using computers to solve
mathematical problems.
Year 3 (Part II)

Year 3 gives you the opportunity to explore your
mathematical interests in detail. There’s a very wide choice
including papers such as:
Coding and Cryptography
Algebraic Topology
Number Theory
Cosmology
General Relativity
Stochastic Financial Models
Waves
There’s also the option of studying computational projects.

Year 4 (Part III)

Part III has a world-wide reputation for training
the very best research mathematicians. Progression
to Part III, in which over 80 options are offered,
normally requires a first in Part II or a very good
performance in Parts IB and II, and successful
completion leads to a BA/M Math
Master of Mathematics / Master of Advanced
Study (Part III of the Mathematical Tripos)

Massachusetts Institute of Technology


Syllabus (Advanced Stochastic Processes)

Massachussets Institute of Technology
Course Meeting Times
Lectures: 2 sessions / week, 1.5 hours / session
Recitations: 1 session / week, 1 hour / session

Description
The class covers the analysis and modeling of
stochastic processes. Topics include measure
theoretic probability, martingales, filtration, and
stopping theorems, elements of large deviations
theory, Brownian motion and reflected Brownian
motion, stochastic integration and Ito calculus and
functional limit theorems. In addition, the class
will go over some applications to finance theory,
insurance, queueing and inventory models.

Grading
Grading for this class will be based on the
bi-weekly homework assignments, a mid-term and
a final exam.
Calendar
1 Probability Basics: Probability Space,
σ-algebras, Probability Measure
2 Random Variables and Measurable Functions;
Strong Law of Large Numbers (SLLN)
3 Large Deviations for i.i.d. Random Variables

Ведущие научные центры
4 Large Deviations Theory (cont.) (Part 1)

Properties of the Distribution Function G (Part 2)
5 Brownian Motion; Introduction
6 The Reflection Principle; The Distribution of the
Maximum; Brownian Motion with Drift
7 Quadratic Variation Property of Brownian
Motion
8 Modes of Convergence and Convergence
Theorems
9 Conditional Expectations, Filtration and
Martingales
10 Martingales and Stopping Times
11 Martingales and Stopping Times (cont.);

Applications
12 Introduction to Ito Calculus
13 Ito Integral; Properties
14 Ito Process; Ito Formula
15 Martingale Property of Ito Integral and
Girsanov Theorem
16 Applications of Ito Calculus to Finance
17 Equivalent Martingale Measures
18 Probability on Metric Spaces

19 σ-fields on Measure Spaces and Weak

Convergence
20 Functional Strong Law of Large Numbers and
Functional Central Limit Theorem
21 G/G/1 Queueing Systems and Reflected
Brownian Motion (RBM)
22 Fluid Model of a G/G/1 Queueing System
23 Fluid Model of a G/G/1 Queueing System
(cont.)
24 G/G/1 in Heavy-traffic; Introduction to
Queueing Networks
25 Final Notes and Ongoing Research Questions
and Resources

MATH6128 Stochastic processes (CRN 25168)

———————————————————————————–
Our Graduate School in Mathematical Studies has
approximately 150 students following
Certificate/Diploma/MSc courses in Statistics,
Operational Research and Actuarial Science or
pursuing research leading to MPhil or PhD degrees
in a wide range of mathematical fields.
It offers an excellent environment for postgraduate
study and personal development to help you
succeed in your chosen area of specialization or
research and in your longer term career or
academic goals.
Aims and objectives

This module aims to introduce the basic ideas in
modelling, solving and simulating stochastic
processes. Stochastic processes are systems which
change in accordance with probabilistic laws.
Examples of such processes are the behaviour of
the size of a population, queues, random walks,
breakdown of machines. These are all situations
which evolve with time according to certain
probabilities.

However, some are concerned with discrete time,

such as the position of a random walk after each
step, others with continuous time, like the length
of a queue at a supermarket checkout at any time
instant. All these are modelled and solved in the
module. The mathematical tools used are chiefly
difference equations, differential equations,
matrices and generating functions. These will be
briefly revised at appropriate places in the module.

Syllabus
Markov Chain
Definition and basic properties
Classification of states and decomposition of state
space
The long term probability distribution of a Markov
chain
Modelling using Markov chains
Time-homogeneous Markov Jump Process

Poisson process and its basic properties

Birth and death processes
Kolmogorov differential equations
Structure of a Markov jump process
Time-inhomogeneous Markov Jump Process
Introduction to Brownian Motion
Definition and basics

A survival model
A sickness and death model
A marriage model
Sickness and death with duration dependence
Basic Principles of Stochastic Modelling
Classification of stochastic modelling
Markov property in terms of filtration
Postulating, estimating and validating a model
Simulation of a stochastic model and its
applications

Teaching and learning methods

Lectures
Resources and reading list
1. Brzezniak Z & Zastawniak T - Basic Stochastic
Processes : A Module Through Exercises (Springer,
1998)
2. Grimmett G & Stirzaker D - Probability and
Random Processes (3rd Edition) (Oxford
University Press, 2001)
3. Grimmett G - Probability and Random
Processes : Problems and Solutions (Oxford
University Press, 1992)
4. Hickman JC - Introduction to Actuarial

Modelling (North American Actuarial Journal,
1997, 1(3), 1-5) (URL:
http://library.soa.org/library/naaj/1997-
09/naaj97071 .pdf )
5. Karlin S & Taylor A - A First Module in
Stochastic Process (Academic Press, 1975)
6. Kulkarni VG - Modelling, Analysis, Design and
Control of Stochastic Systems (Springer, 1999)
Assessment methods
80% Written Examination; 20% for 2 Class Tests
(10% each) Referral Assessment:: 100% written
examination

Prepumo 2

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Prepumo 2

Загружено:

Авторское право:

Доступные форматы

СЛУЧАЙНЫЕ ПРОЦЕССЫ

Екатерина Вадимовна БУЛИНСКАЯ

18 мая 2012 года

Е.В.Булинская Случайные процессы

1 История случайных процессов

Е.В.Булинская Случайные процессы

Понятие случайного процесса является одним

Е.В.Булинская Случайные процессы

Создание и развитие математической теории

Случайный процесс – это семейство случайных

При фиксированном ω функция X (ω, ·)

Е.В.Булинская Случайные процессы

Возможны и дальнейшие обобщения, например,

Е.В.Булинская Случайные процессы

Заметим, что динамика случайных явлений

Эта теорема в современном

Е.В.Булинская Случайные процессы

Тем самым "частота" появления "успехов" (т.е.

Е.В.Булинская Случайные процессы

Например, с помощью последней теоремы

Е.В.Булинская Случайные процессы

Стационарность4 означает инвариантность

Здесь же упомянем интенсивно развивающуюся

Е.В.Булинская Случайные процессы

Имелся ряд импульсов к возникновению нового

Е.В.Булинская Случайные процессы

Е.В.Булинская Случайные процессы

Однако природа этого движения, получившего

Е.В.Булинская Случайные процессы

Математические и физические модели

Е.В.Булинская Случайные процессы

Интересно отметить, что в диссертации

Е.В.Булинская Случайные процессы

Среди важных предпосылок создания теории

Е.В.Булинская Случайные процессы

На сегодняшний день создана мощная теория

Ф.Лундбергом (1876-1965) в его диссертации

Процессы с "дискретным вмешательством

Е.В.Булинская Случайные процессы

Отметим также модель Гальтона – Ватсона,

Е.В.Булинская Случайные процессы

Она послужила основой для развития во второй

Е.В.Булинская Случайные процессы

Выдающуюся роль в создании общей теории

Е.В.Булинская Случайные процессы

Классическая теорема Колмогорова дает

Е.В.Булинская Случайные процессы

Случайный процесс {X (t), t ∈ T }, где T ⊂ R,

Смысл данного определения состоит в том, что

Е.В.Булинская Случайные процессы

Конечномерные распределения марковской цепи

pi,j (s, t) = P(X (t) = j|X (s) = i),

где s ≤ t (s, t ∈ T ), и начальным

Е.В.Булинская Случайные процессы

Теория случайных процессов бурно развивалась

Введение К.Ито (1915-2008) стохастического

dV (t) = a V (t)dt + b dW (t), t ≥ 0,

Е.В.Булинская Случайные процессы

где a и b - числовые коэффициенты,

Для привлечения внимания слушателей к этой

Е.В.Булинская Случайные процессы

Отдельного упоминания заслуживают

Теория автомодельных процессов,