- •Вопрос 1: Классические задачи, иллюстрирующие необходимость построения теории случайных процессов. Понятие случайного процесса.
- •Вопрос 2. Классификация случайных процессов. Процесс с независимыми приращениями. Мартингалы.
- •Вопрос 3. Классификация случайных процессов. Марковские процессы. Стационарные случайные процессы.
- •Вопрос 4. Классификация марковских случайных процессов.
- •Вопрос 5. Понятие дискретной цепи Маркова и ее вероятностных характеристик.
- •Вопрос 6. Вероятностная структура однородной цепи маркова (вывод формулы ).
- •Вопрос 7. Определение вероятности перехода цепи Маркова за m шагов.
- •Вопрос 8. Примеры цепей Маркова.
- •Вопрос 9. Классификация состояний цепи Маркова
- •Вопрос 10. Критерий возвратности. Применение критерия возвратности к одномерному случайному блужданию по целочисленной решетке.
- •Вопрос 11. Предельная теорема для конечных цепей Маркова
- •Вопрос 12. Понятие марковского процесса и основных его вероятностных характеристик.
- •Вопрос 13. Вывод дифференциальных уравнений Колмогорова. Составление уравнений Колмогорова с использованием графа состояний.
- •Вопрос 14. Эргодические свойства однородных марковских случайных процессов.
- •Вопрос 15. Определение предельных вероятностей состояний Марковского процесса для двух состояний.
- •Вопрос 16. Понятие пуассоновского процесса. Примеры.
- •Вопрос 17. Утверждение о распределении промежутков времени и моментов времени для пуассоновского распределения.
- •Вопрос 18. Понятие процесса чистого рождения. Теорема Феллера.
- •Вопрос 19. Процесс рождения и гибели.
- •Вопрос 20. Процессы массового обслуживания. Основные понятия и классификация смо.
- •Вопрос 21. Характеристики простейшого потока. Основные свойства простейшего потока. Время ожидания и время обслуживания.
- •Вопрос 22. Принципы построения моделей массового обслуживания.
- •Вопрос 23. Основные характеристики систем массового обслуживания с отказами. Уравнения Эрланга.
- •Вопрос 24. Основные характеристики смо с ожиданием.
- •Вопрос 25. Понятие мартингала, субмартингала, супермартингала. Свойства мартингала, субмартингала, супермартингала.
- •Вопрос 26. Разложение Дуба.
- •Вопрос 27. Тождество Вальда. Доказательство тождества Вальда по Колмогорову-Прохорову.
- •Вопрос 28. Применение тождества Вальда для случайного блуждания.
- •Вопрос 29. Теорема Дуба о преобразовании свободного выбора.
- •Вопрос 30. Неравенство Дуба для максимального значения мартингала.
Вопрос 5. Понятие дискретной цепи Маркова и ее вероятностных характеристик.
Ответ:
Марковским случайным процессом с дискретным временем называется такой процесс, у которого переходы из одного состояния в другое возможны в строго определённые заранее заданные моменты времени называемые шагами процесса.
Такой процесс называется цепью Маркова или процессом с дискретным параметром Т, который может быть процессом с конечным или бесконечным множеством состояний.
Пусть – некоторое конечное или счетное множество. Последовательность случайных величин , принимающие значения из заданного множества с вероятностями Таким образом, – случайная величина с дискретным (конечным или счетным) множеством состояний . Случайную последовательность указанного типа называют дискретной цепью.
Случайная последовательность называется дискретной цепью Маркова, если она является дискретной цепью и обладает марковским свойством, т.е. для любых и любых элементов множества выполнено .
Определение. Вероятность случайной величины попасть в состояние , если известно, что находится в состоянии , называется одношаговой переходной вероятностью и обозначается .
Определение. Матрица , элементами которой являются вероятности перехода , называется переходной матрицей цепи маркова за один шаг.
Определение. Цепь маркова называется однородной, если для всех переходные вероятности не зависят от номера испытания (шага), т.е. остаются постоянными в ходе процесса .
Определение. Вероятность называется вероятностью состояния в момент времени . Вектор называется распределением вероятностей состояний цепи Маркова в момент .
удовлетворяет при каждом условию нормировки: . Компоненты векторы показывают, какие из возможных состояний цепи Маркова в момент являются наиболее вероятными, а какие – нет.
Пара полностью описывает вероятностную структуру однородной цепи Маркова.
Вопрос 6. Вероятностная структура однородной цепи маркова (вывод формулы ).
Ответ:
Цепь Маркова называется однородной, если для всех n ≥1 переходные вероятности не зависят от номера испытаний, т.е. остаются постоянными в ходе процесса: pij(n) = pij.
Вероятность pk(n) = P {Xn = ek}, ek ∈ E называется вероятностью состояния ek в момент времени n ≥0. Вектор p(n) = (p0(n), p1(n), …) называется распределением вероятностей состояний цепи Маркова Xn в момент n ≥0.
Компоненты вектора p(n) показывают, какие из возможных состояний цепи Маркова в момент n являются наиболее вероятными, а какие нет. Процесс полностью определен, если задана матрица переходных вероятностей и вероятности начальных состояний.
Теорема. Пара (P, p(0)) полностью описывает вероятностную структуру однородной цепи Маркова.
Доказательство. По определению условной вероятности имеем:
P{X0 = e0, X1 = e1, … , Xn = en} = P{Xn = en/ X0 = e0, X1 = e1, … Xn-1 = en-1} × P{X0 = e0, X1 = e1, … , Xn-1 = en-1}.
Но по определению марковского процесса:
P{Xn = en/ X0 = e0, X1 = e1, … Xn-1 = en-1} = P{Xn = en/ Xn-1 = en-1} = .
Используя последние два неравенства, получим:
P{X0 = e0, X1 = e1, … , Xn = en} = P{Xn = en/ X0 = e0, X1 = e1, … Xn-1 = en-1}• .
Используя индукцию, окончательно имеем:
P{X0 = e0, X1 = e1, … , Xn = en} = pi0
Или в векторной форме: p(n) = p(0)Pn.