Академический Документы
Профессиональный Документы
Культура Документы
Prepumo 2
Prepumo 2
для математиков
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.
Е.В.Булинская Случайные процессы
1. История случайных процессов
3
Я.Бернулли (1654-1705), его закон больших чисел опубликован
посмертно в 1713 году.
Е.В.Булинская Случайные процессы
1. История случайных процессов
4
Имеется также понятие стационарности в широком смысле,
играющее важную роль в нахождении канонических
представлений случайных процессов.
Е.В.Булинская Случайные процессы
1. История случайных процессов
5
А.Ломницкий (1881-1941), С.Улам (1909-1984).
Е.В.Булинская Случайные процессы
1. История случайных процессов
Fs ⊂ Ft ⊂ F
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.
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.
Е.В.Булинская Случайные процессы
2. Цели курса лекций
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.)
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?
Задачи к зачету
1. Найти все такие a, b ∈ R, что
Xt = exp{aWt + bt} - мартингал (Wt -
винеровский процесс).
2. Найти все такие a, b ∈ R, что
Xt = exp{aNt + bt} - мартингал (Nt -
пуассоновский процесс с параметром λ > 0).
3. Найти все такие a, b ∈ R, что
Wt4 + atWt2 + bt 2 - мартингал (Wt - винеровский
процесс).
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.
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.
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.
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.
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
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
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