中科院随机过程第5-6讲

合集下载

107518-概率统计随机过程课件-第五章(第三,四节 )

107518-概率统计随机过程课件-第五章(第三,四节 )

第三节 常用随机变量的数学期望和方差数学期望和方差的定义及计算公式 (一)离散型随机变量的数学期望和方差}{iiix X P x EX ==∑,}{)()]([iiix X P x g X g E ==∑,}{)(2iiix X P EX x DX =-=∑,222)()(EX EX EX X E DX -=-=,},{),()],([jiijjiy Y x X P y x g Y X g E ===∑∑,(二) 连续型随机变量的数学期望和方差⎰+∞∞-=dx x xf EX )(,⎰+∞∞-=dx x f x g X g E )()()]([,⎰⎰+∞∞-+∞∞-=dxdy y x f y x g Y X g E ),(),()],([, ⎰+∞∞-=dx x xf EX X)(⎰⎰+∞∞-+∞∞-=dxdy y x xf ),(, ⎰+∞∞-=dy y yf EY Y)(⎰⎰+∞∞-+∞∞-=dxdy y x yf ),(222)()(EX EX EX X E DX -=-=,⎰+∞∞--=dx x f EX x DX )()(2,nnnR ndxdx dx x x x f x x x g X X X g E n⋅⋅⋅⋅⋅⋅⋅⋅⋅=⋅⋅⋅⎰21212121),,,(),,,()],,,([ .(三) 数学期望和方差的性质 b EX k b X k E ini iini i+=+∑∑==11)(,若X 与Y 相互独立,则EY EX XY E ⋅=)(,DY b DX a c bY aX D 22)(+=++,若nX X X ,,,21⋅⋅⋅相互独立,则nnEX EX EX X X X E ⋅⋅⋅⋅=⋅⋅⋅2121)(,ini iin i iDX k b X k D ∑∑===+121)( ,例1 设X 服从(0—1)分布:求EX ,DX .解 p p p EX =-⨯+⨯=)1(01,p p p EX =-⨯+⨯=)1(01222, )1()(222p p p p EX EX DX -=-=-=.例2 设X 服从二项分布),(p n B , 即 kn kknp p C k X P --==)1(}{ ,n k ,,1,0⋅⋅⋅= 求EX ,DX .解 (由于直接比较繁杂,采用分解的方法)若nX X X ,,,21⋅⋅⋅相互独立, 同服从(0—1)分布,p X P p X P ii-====1}0{,}1{, n i ,,1⋅⋅⋅=,则 ),(~1p n B X X ni i∑==,p EX i=, )1(p p DX i -=.np p X E X E EX ni in i n i i====∑∑∑===111)(,∑∑====ni in i i DX X D DX 11)()1()1(1p np p p ni -=-=∑= .例 3 设X 服从泊分布)(λ∏,即!}{k e k X P kλλ-== ,⋅⋅⋅=,2,1,0k求EX ,DX .解 ∑∑∞+=∞+=----=⋅=011)!1(!k k k kk ek e k EX λλλλλλλλλ=⋅=-e e ,∑∑∞+=∞+=---=⋅=0122)!1(!k k kkk ke k e k EX λλλλ∑+∞=--+-=1)!1(]1)1[(k kk k e λλ222)!2(λλλ∑∞+=---=k k k e λλλ∑∞+=---+11)!1(k k k eλλλλλλλλ+=⋅+⋅=--22e e e e , 于是λλλλ=-+=-=2222)()(EX EX DX 。

随机过程第六章

随机过程第六章


T
T
X (t )dt
<x(t)>是随机过程的样本函数按不同时刻取平均,它随样本不同而不同, 是个随机变量。 对于一个确定的样本
X (t ) lim 1 T 2T

T
T
X (t )dt 常数
时间平均
集合平均
20
定义6.10 设{X(t),-∞<t<∞}是均方连续的平稳过程,若
n
lim E[| X n X |2 ] 0
成立,则称{Xn}均方收敛于X,记作
Xn X
m. s
l.i.m X
n
n
X
称二阶矩随机序列{Xn}依分布收敛于二阶矩随机变量X,若{Xn}相应的分 布函数列{Fn(x)},在X的分布函数F(x)的每一个连续点处,有
n
lim Fn ( x) F ( x)

t
a
X ( ) d
在均方意义下存在,且随机过程{Y(t), t∈T}在区间[a,b]上均方可微,且有 Y’(t)=X(t)。
18
推论:设X (t )均方可微,且X (t )均方连续,则 X (t ) X (a) X (t )dt.
a t

X (b) X (a) X (t )dt.
第六章:平稳随机过程

严平稳过程的定义 宽平稳过程的定义 平稳过程的数字特征 平稳过程自相关函数的性质 时间平均和集合平均的概念 平稳过程遍历性定义 遍历性判定定理 遍历性应用举例
1
严平稳过程的定义
设{X(t),t∈T}是随机过程,如果对任意常数τ和正整数n, t1,t2, …,tn∈T,t1+τ,t2+τ, …,tn+τ ∈T, (X(t1),X(t2), …,X(tn))与(X(t1+τ),X(t2+τ), …,X(tn+τ))有 相同的联合分布,则称{X(t),t∈T}为严平稳过程或侠义 平稳过程。

刘次华 随机过程 第五章

刘次华 随机过程 第五章
i∈ I
1 1 2
i∈I
i
ij
(t )
i∈I
n−1i n
(t n − t n −1 )
5.1 连续时间马尔可夫链
例5.1 证明泊松过程{X(t), t≥0}为连续时间 齐次马尔可夫链。 证明:先证泊松过程的马尔可夫性。 证明: 泊松过程是独立增量过程,且X(0)=0,对 任意0<t1< t2<…< tn< tn+1有
j ≠i
1 − pii (∆t ) qii = lim = lim ∆t →0 ∆t →0 ∆t 注:一般而言qii
∑p
j ≠i
ij
(∆t )
∆t
= ∑ qij
j ≠i
∑q
j ≠i
ij
5.2 柯尔莫哥洛夫微分方程
若连续时间齐次马尔可夫链具有有限状态 空间I={0,1,2,…,n}, 则
⎛ − q00 ⎜ ⎜ q10 Q= ⎜ ⎜ ⎜ q ⎝ n0 q01 − q11 qn1 q0 n ⎞ ⎛ Q1 ⎞ ⎟ ⎜ ⎟ q1n ⎟ ⎜ Q2 ⎟ = ⎟ ⎜ ⎟ ⎟ ⎜ ⎟ ⎟ ⎜ ⎟ − qnn ⎠ ⎝ Qn ⎠
5.1 连续时间马尔可夫链
定义5.2 齐次转移概率 pij(s,t)=pij(t) (与起始时刻s无关,只与时间间隔t有关) 转移概率矩阵P(t)=(pij(t)) ,i,j∈I,t ≥0 命题:若τi为过程在状态转移之前停留在 命题: 状态i的时间,则对s, t≥0有 (1) P{τ i > s + t | τ i > s} = P{τ i > t} (2) τi 服从指数分布 证(1) 事实上
5.1 连续时间马尔可夫链
过程在状态转移之前处于状态i的时间τi服 从指数分布 Fτ i ( x ) = 1 − e − λi x F (1)当λi=+∞时, τ ( x ) = 1, P{τ i > x} = 1 − Fτ ( x ) = 0, 状态i的停留时间τi 超过x的概率为0, 则称状态i为瞬时状态; F (2)当λi=0时,τ ( x ) = 0, P{τ i > x} = 1 − Fτ ( x ) = 1, 状态i的停留时间τi 超过x的概率为1,则 称状态i为吸收状态。

第3-4讲随机过程 孙应飞

第3-4讲随机过程 孙应飞

j

(i
,
1)


,
i 1 i0
其中 为该周期内到达的顾客数。
记 第 n 个 周 期 开 始 的 顾 客 数 为 X n , 则 X n1 ( X n 1) n , 其 中
a ˆ max{a,0},根据马氏链的定义,可知{X n , n 0}是一马氏链。
由此推出:
P(m) P P (m1) (1) (P)m Pm
其中: P(1) P 由此可知:对于齐次马氏链,如果知道了它的初始分布 (0) 和一步转移矩
阵 P ,就可以求得 X (n) 的所有有限维概率分布。即有:
P{X (n1) i1, X (n2 ) i2 ,, X (nk ) ik }

m1

n

j 2

i
,
m2

n
j 2

i
中国科学院大学 2019~2020 第一学期 随机过程讲稿 孙应飞
n ji n ji n ji
C p q , (n)
2
2
2
n
p ij
0 ,
(n j i 是偶数) (n j i 是奇数)
p(n) ii


n
即上面式子的右边与时刻 n 无关,则称此马氏链为齐次(或时齐的)马氏链。 对于齐次马氏链,我们记 P ( pi j ) ,称矩阵 P 为齐次马氏链的一步转移概
中国科学院大学 2019~2020 第一学期 随机过程讲稿 孙应飞
率矩阵,简称为转移矩阵。
注 3:对于马氏链{X (n); n 0} ,我们有: P{X (0) i0 , X (1) i1,, X (n) in} P{X (n) in X (0) i0 , X (1) i1,, X (n 1) in1}

随机过程_课件---第五章

随机过程_课件---第五章

随机过程_课件---第五章第五章离散参数Markov 链5.1 Markov 链的基本概念1、Markov 链和转移概率矩阵定义5-1考虑只取有限个或可数个值的随机过程{},0,1,2,n X n = 。

把过程所取可能值得全体称为它的状态空间,记之为E ,通常假设{}0,1,2,E= 。

若n X i =就说“过程在时刻n 处于状态i ”,假设每当过程处于状态i ,则在下一个时刻将处于状态j 的概率是固定的ij p ,即对任意时刻n1(|)n n ij P X j X i p +===若对任意状态011,,,(,n 0)n i i i i j -≥ 及任意的有11111001(|,,,,)(|)n n n n n n n P X j X i X i X i X i P X j X i +--+======== 这样的随机过程称为Markov 链。

称矩阵00010201011121012j j i i i ij p p p p p p p p P p p p p ??=是一步转移概率矩阵,简称为转移矩阵。

由ij p 的定义可知,这是一种带有平稳转移概率的Markov 链,也称作时间齐次Markov 链或简称时齐次Markov 链。

且具有,0ij p ≥ , 01ij j p ∞==∑2、例题例5-1(直线上的随机游动)考虑在直线上整数点上运动的粒子,当它处于位置j 时,向右转移到j+1的概率为p ,而向左移动到j-1的概率为q=p-1,又设时刻0时粒子处在原点,即00X =。

于是粒子在时刻n 所处的位置{}n X 就是一个Markov 链,且具有转移概率,1,10,jk p k j p q k j =+??==-其他当12p q ==时,称为简单对称随机游动。

例5-6(排队模型)考虑顾客到服务台排队等候服务,在每个服务周期中只要服务台前有顾客在等待,就要对排队在队前的一位顾客提供服务,若服务台前无顾客时就不实施服务。

随机过程讲义

随机过程讲义
n U U{N (t ) = n − l , N (t + h) − N (t ) = l} l =2
故有:
Pn (t + h) = Pn (t )(1 − λh − ο (h)) + Pn −1 (t )(λh + ο (h)) + ο (h)
化简并令 h → 0 得:
Pn′(t ) = −λPn (t ) + λPn −1 (t )
∀ n ∈ N , t i ∈ T , 1 ≤ i ≤ n ,有随机过程 X (t ) 的增量: X (t 2 ) − X (t1 ), X (t 3 ) − X (t 2 ),L, X (t n ) − X (t n−1 )
相互独立,则称随机过程 { X (t ), t ∈ T } 是独立增量过程。 注意:若独立增量过程的参数集 T = [ a, b), a > −∞ ,一般假定 X ( a ) = 0 , 则 独 立 增 量 过 程 是 一 马 氏 过 程 。 特 别 地 , 当 X ( 0) = 0 时 , 独 立 增 量 过 程
两边同乘以 e ,移项后有:
λt
d λt λt [e Pn (t )] = λ e Pn −1 (t ) dt Pn (0) = P{N (0) = n} = 0
当 n = 1 时,有:
d λt [e P1 (t )] = λ , P1 (0) = 0 ⇒ P1 (t ) = (λ t )e −λ t dt
由归纳法可得:
(λ t ) n − λ t Pn (t ) = e , n ∈ N0 n!
注意: E{N (t )} = λ t 现的平均次数。 注意:Poission 过程的转移率矩阵(Q 矩阵)的表示,并用上一章讲过的方 法求解 Poission 过程的一维分布。

随机过程课件

随机过程课件


1
m X (t1 )][ x2 m X (t 2 )] f ( x1 x2 ; t1 , t 2 )dx1dx 2 f ( x1, x2 ; t1 , t 2 )dx1dx 2
x x


1 2
X(t) 协方差与相关函数的关系为 当 mx (t ) 0 时 C X (t 1 , t 2 ) R X (t 1 , t 2 ) 在协方差定义中取t1=t2=t,就有
为XT 的均值函数或数学期望。其中F(x,t)是过程 的一维分布函数。 若是连续型随机变量,有 mX (t) xf(x,t)dx 其中f(x,t)是一维分布密度。 12

2.随机过程的方差 若 DX (t) 2 (t) E[X(t) mX (t)]2 存在,t∈T, X 称为X(t)的方差。 x (t) Dx (t) 称为X(t)的标准差。 它们描绘过程的样本曲线在各个t时刻对均 值 m X ( t ) 的离散程度, 对每个t1∈T, EX (t1 ) 反映t1状态取值的概率平均。 DX (t1 ) 反映t1状态取值与 EX (t1 ) 离散程度。 在工程中随机过程的均方值具有物理意义,比 较有用。均方值定义为: E[ X 2 (t )] X (t ) DX (t ) E( X 2 (t )) E 2 ( X (t )) 有关系式: 13 Dx (t ) x (t ) [mx (t )]2 即
第一章. 随机过程的基本概念
§1.1 随机过程及其概率分布
在实际问题中,有时需要对随机现象的变化进 行研究,这时就必须考虑无穷个随机变量或一族 随机变量, 我们就称这种随机变量族为随机过程。 例1: 生物群体的增长问题。在描述群体的发展 或演变过程中, 以 Xt 表示在时刻 t 群体的个数, 则 对每一个 t ,Xt 是随机变量。假设我们从 t =0 开 始每隔24小时对群体的个数观测一次, 则{Xt , t =0, 1, 2, ...}是一个随机过程。 例2: 电话呼唤问题。某电话总机在[0,t]时间 内收到的呼唤次数用 Xt 来表示, 则对于固定的 t , 1 Xt 是随机变量。于是{Xt , t ∈[0, ∞)}是随机过程。

(解答)《随机过程》第二章习题

(解答)《随机过程》第二章习题

P{Y4
0
Y3
1,Y2
1}
P{Y4 0,Y3 1,Y2 1} P{Y3 1,Y2 1}
P{Y4
0
Y3
1,Y2
0}
P{Y4 0,Y3 1,Y2 P{Y3 1,Y2 0}
0}
由{Yn , n 2} 的定义,可知
{Y3 1,Y2 1} {3 1,2 0,1 1} {3 0,2 1,1 0} {3 1,2 1,1 0} {3 0,2 1,1 1} {3 1,2 1,1 1}
P{Y4 0 Y3 1,Y2 1} P{Y4 0 Y3 1,Y2 0} 根据马氏链的定义可知{Yn , n 2} 不是马氏链。
2、 天气预拨模型如下:今日是否下雨依赖于前三天是否有雨(即一连三天有雨;前两天有
雨,第三天是晴天;…),试将此问题归纳为马尔可夫链,并确定其状态空间。如果过
{ n ; n 1}是一马氏链,并求其 n 步转移概率矩阵。
解:令 X k 表示第 k 此抛掷掷得的点数, k 1,则:
n
max{
1k n
X
k
},
n 1,2,
易见状态空间为: S {1,2,3,4,5,6} 。因为对于任意的正整数 n 及状态空间中的状态:
i1 i2 in1 i 及 j ,我们有:
0 0 0 0 1 1
0 0 0 0 1 1
0 0 0 0 0 1 0 0 0 0 0 1
0 0 0 0 0 1
即有: P HH 1 ,因此有:
P (n) Hn H 1
(1 / 6) n 0
0
0
0
0
(2 / 6) n (1 / 6) n (2 / 6) n 0 0 0 0
(3 / 6) n (2 / 6) n (3 / 6) n (2 / 6) n

随机过程课件-c5

随机过程课件-c5
引理5.1 设齐次马尔可夫过程满足正则性条件,则对 于任意i,j∈I,pij(t)是t的一致连续函数。 转移概率的正则性条件:
⎧1 , i = j lim pij (t ) = ⎨ t →0 ⎩0 , i ≠ j
5 连续时间的马尔可夫链
12
转移速率
5 连续时间的马尔可夫链
13
Q矩阵
若连续时间齐次马尔可夫链具有有限状态空间I={0,1,2,…,n}
λ
λ
26
求其平稳分布。
pij(t)极限存在且与i无关,存在平稳分布
5 连续时间的马尔可夫链
27
或者
此Markov链是不可约的
5 连续时间的马尔可夫链
28
5 连续时间的马尔可夫链
29
5.3 生灭过程
5 连续时间的马尔可夫链
30
Q矩阵
I = {0,1,2,3,...}
⎛ − λ0 ⎜ ⎜ μ1 ⎜ Q=⎜ ⎜ ⎜ ⎜ ⎜ ⎝
⎛ − q00 ⎜ ⎜ q10 Q =⎜ ⎜ ⎜ q ⎝ n0 q01 − q11 qn1 q0 n ⎞ ⎟ q1n ⎟ ⎟ ⎟ − qnn ⎟ ⎠
Q= P′ (0)
利用Q可以推出任意时间间隔的转移概率所满足的方程组,从 而求解转移概率。
5 连续时间的马尔可夫链
14
微分方程
P′(t)=QP(t) 定理5.5 (科尔莫戈罗夫向前方程) 在适当的正则条件下有
5 连续时间的马尔可夫链
22
渐近性质
5 连续时间的马尔可夫链
23
5 连续时间的马尔可夫链
24
回顾
转移概率: pij(s,t)= P{X(s+t)=j|X(s)=i} P(s+t)=P(s)P(t) 转移速率 Q= P′ (0) 科尔莫戈罗夫微分方程 向后方程:P′(t)=QP(t) 向前方程:P′(t)=P(t)Q

随机过程第五章

随机过程第五章
对于任一t≥0,记
p j (t ) P{ X (tபைடு நூலகம்) j}, p j p j (0) P{ X (0) j}, jI
分别称{pj(t),j∈I}和{pj,j∈I}为齐次马尔可夫过程的绝对概率分布和初始概 率分布。 定理5.2 齐次马尔可夫过程的绝对概率及有限维概率分布具有下列性质: 1. 2. 3. 4.
例题:证明泊松过程为连续时间齐次马尔可夫链,并求其pij (t) 、qij 。 例题:一个城市划分成两个区域A和B,各区被指定一辆消防车1和2负责。 当接到报警电话时,不论其来自A区还是B区,只要有一辆消防车空闲就 会被服务;当两辆车都忙时,呼叫被拒绝。假设两区的报警电话都是泊松 分布(参数为λ j ,j=A,B,也用1,2表示 ),两辆车服务于不同区的时 间为独立的指数分布(参数为μ ij ,i=1,2 ,j=A,B ),则两辆消防车的 状态为连续时间齐次马尔可夫链。

定理5.6 齐次马尔可夫过程在t时刻处于状态j∈I的绝对概率pj(t)满足下列方程
pj (t ) p j (t )q jj
p (t)q
k k j
kj
定义5.4 设pij(t)为连续时间马尔可夫链的转移概率,若存在时刻t1和t2,使得
pij (t1 ) 0, p ji (t2 ) 0
p j (t ) 0
p
jI
j
(t ) 1
i ij
p j (t ) pj
p p (t ) (t ) p (t ) p
iI i iI
ij (
)
5.
P{X (t1 ) i1 ,, X (t n ) in }
p p
i iI
ii1 (t1 ) pi1i2

随机过程知识点汇总

随机过程知识点汇总

第一章 随机过程的基本概念与基本类型 一.随机变量及其分布1.随机变量X , 分布函数)()(x X P x F ≤=离散型随机变量X 的概率分布用分布列 )(k k x X P p == 分布函数∑=kpx F )(连续型随机变量X 的概率分布用概率密度)(x f 分布函数⎰∞-=xdt t f x F )()(2.n 维随机变量),,,(21n X X X X =其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征数学期望:离散型随机变量X ∑=k k p x EX 连续型随机变量X ⎰∞∞-=dx x xf EX )(方差:222)()(EX EX EX X E DX -=-= 反映随机变量取值的离散程度 协方差(两个随机变量Y X ,):EY EX XY E EY Y EX X E B XY ⋅-=--=)()])([( 相关系数(两个随机变量Y X ,):DYDX B XY XY ⋅=ρ 若0=ρ,则称Y X ,不相关。

独立⇒不相关⇔0=ρ4.特征函数)()(itXeE t g = 离散 ∑=k itx p et g k)( 连续 ⎰∞∞-=dx x f e t g itx )()(重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,kk k EX i g =)0( 5.常见随机变量的分布列或概率密度、期望、方差0-1分布 q X P p X P ====)0(,)1( p EX = pq DX = 二项分布 kn k k n q p C k X P -==)( np EX = n p qDX = 泊松分布 !)(k ek X P kλλ-== λ=EX λ=DX 均匀分布略正态分布),(2σa N 22)(21)(σσπa x ex f --=a EX = 2σ=DX指数分布 ⎩⎨⎧<≥=-0,00,)(x x e x f x λλ λ1=EX 21λ=DX6.N维正态随机变量),,,(21n X X X X =的联合概率密度),(~B a N X)}()(21exp{||)2(1),,,(121221a x B a x B x x x f T nn ---=-π),,,(21n a a a a =,),,,(21n x x x x =,n n ij b B ⨯=)(正定协方差阵二.随机过程的基本概念 1.随机过程的一般定义设),(P Ω是概率空间,T 是给定的参数集,若对每个T t ∈,都有一个随机变量X 与之对应,则称随机变量族{}T t e t X ∈),,(是),(P Ω上的随机过程。

中科院_《随机过程》_典型复习题

中科院_《随机过程》_典型复习题
令: Yt
1, 如 Xt 2 /2 ,t 0 反之 0,
试求过程 Yt , t 0 的均值函数。 (22) 设有一泊松过程 {N (t ) , t 0} ,固定两时刻 s , t ,且 s t ,试证明
s s P ( N ( s ) k N (t ) n) C 1 t t
2
期望均为 0,方差分别为 X 和 Y 。证明过程 (t ) 均方可导,并求 (t ) 导过程的
2 2
相关函数。 (26) 设 {Bt ; t 0} 是 初 值 为 零 标 准 布 朗 运 动 过 程 , 试 求 它 的 概 率 转 移 密 度 函 数
p ( s , t , x, y ) ˆ f Bt Bs ( y x) 。
随机过程讲稿
孙应飞
(24) 设有无穷多只袋子,各装有红球 r 只,黑球 b 只及白球 w 只。今从第 1 个袋子随机 取一球,放入第 2 个袋子,再从第 2 个袋子随机取一球,放入第 3 个袋子,如此继 续。令
1 , 当第 k 次取出红球 Rk , k 1,2, 反之 0,
(a)试求 Rk 的分布; (b)试证 {Rk } 为马氏链,并求一步转移概率。 (25) 设有随机过程 (t ) X t Y , t ,X 与 Y 是相互独立的正态随机变量,
(11) 设一口袋中装有三种颜色(红、黄、白)的小球,其数量分别为 3、4、3。现在不 断地随机逐一摸球,有放回,且视摸出球地颜色计分:红、黄、白分别计 1、0、 -1 分。 第一次摸球之前没有积分。 以 Yn 表示第 n 次取出球后的累计积分, n 0,1, (a) Yn , n 0,1, 是否齐次马氏链?说明理由。 (b)如果不是马氏链,写出它的有穷维分布函数族;如果是,写出它的一步转移 概率 pij 和两步转移概率 pij ( 2) 。 (c)令 0 min{n; Yn 0, n 0} ,求 P{ 0 5} 。 (12) 考察两个谐波随机信号 X (t ) 和 Y (t ) ,其中:

随机过程讲义中科院

随机过程讲义中科院

第一章 概率论基础知识1. 事件、概率和概率空间1.1 随机事件的运算和概率1.2 σ代数(域)和Borel 集设全集为, 为一些的子集构成的集类,若满足 ΩF ΩF 1)F ∈Ω2) 对任意F ∈A ,F ∈A3)对任意有限或至多可数的{}F ⊂n A ,F ∈n nA U则称为一个F σ代数(域)给定一个集合Ω,就可以构造一个包含它的一个σ代数。

推广:给定一个集类,可以构造一个的一个C F C ⊂σ代数。

包含C 的最小的F σ代数,称为由C 生成的σ代数,记作()C σ。

例如设R =Ω,{}R b a a b b a R A A ∈∞−∞==,),,(),(),[:任意或或或C为R 上的一个集类,()C σ中的集合称为Borel 集,()C σ称为直线上的Borel 域,记为。

)(R B1.3 Kolmogorov 概率公理化定义给定全集和其子集构成的一个Ωσ代数,若定义在上的函数满足F F )(⋅P 1) 任意,F ∈A 1)(0≤≤A P ;2) ; 1)(=ΩP 3)对任意两两不交的至多可数集{}F ⊂n A ,∑=⎟⎠⎞⎜⎝⎛nn n n A P A P )(U 称为上的概率测度,)(⋅P F ),,(P F Ω称为概率空间。

1.4 随机变量的概念定义:设为一概率空间,(P ,,F Ω))(w X X =为Ω上的一个实值函数,若对任意实数x ,,则称()F ∈−∞−),(1x X X 为()P ,,F Ω上的一个(实)随机变量。

称()()()),()),(()(1x X P x X P x X P x F −∞=−∞∈=<=−为随机变量X 的分布函数。

随机变量实质上是到()F ,Ω())(,R R B 上的一个可测映射(函数)。

记{}F B ⊂∈=−)()()(1R B B X X σ,称)(X σ为随机变量X 所生成的σ域。

推广到多维情形,随机向量是T n X X X X ),,(21L =()F ,Ω到())(,n n R R B 上的一个可测映射。

随机过程课件chapter6随机过程概念

随机过程课件chapter6随机过程概念

的有限维分布函数族.
17
2.3 二维随机过程
(1) 互相关函数: RXY s, t
E
[X s Y t ].
,参数集 T , ,如果对于每个 ,总
有一个普通的时间函数 X , t , t T 与之对应,这样对
于所有的 ,就可得到一族时间 t 的函数,称函数
族 X , t , 是参数为 T 的随机过程,族中每一函
数称为该随机过程的样本函数.
为 T 的普通函数,那么, X , t , t T 是一族样本函数.
把 X , t , , t T 所有可能的取值的全体称为
随机过程的状态空间或相空间.当 t 1 随机过程的概念
几个随机过程的实例.
例 1.1 考虑抛掷一颗骰子的实验,设 X n 是第 n 次抛掷的点
因 A, B 独立,故 E AB E A E B 0 ,则
BUPT
4
3
X t 1, RX s, t st , s, t T .
13
2.2数字特征
例 2.2 设 X t A cos 0t B sin 0t , t R, R是实数集 ,
称为 X t , t T 的有限维分布函数族. X t 的有限维分布函
数族 F 完整地确定了该过程的统计特性.
BUPT
9
2.2数字特征
定 义 2.2 设 X t , t T 为 随 机 过 程 , 若 对 任 意 的
t T,E[ X 2 t ]< ,则称 X t 为二阶矩过程.
论深刻、应用又及其广泛的学科.
BUPT
1
1 .1 随机过程的概念

随机过程一

随机过程一
2
15
§2.3 Poisson 过程的推广
3.X(t)的分布
N (t ) ∞ n P ( X (t ) ≤ x ) = P ∑ Yi ≤ x = ∑ P ∑ Yi ≤ x N (t ) = n P ( N (t ) = n ) i =1 n =0 i =1 = ∑ P ∑ Yi n =0 i =1
定理2.1:定义2.1等价于定义2.2。 设Poisson 过程{N(t),t≥0},参数为λ>0
(1) 矩母函数
g (u , t ) = g N ( t ) (u ) = E {e = ∑ ( eu λ t )
k =0 ∞ k
uN ( t )
} = ∑e
k =0

uk
( λt )
k!
k
e − λt
2
第二章 Poisson 过程
§2.1 Poisson 过程的定义
定义2.1 一个整数值随机过程{N(t),t≥0}满足下述 三个条件:
(1) N(0)=0 (a.s.) (2) N(t),t≥0 是独立增量过程 (3) 对任意t>0,s≥0 增量过程N(s+t)-N(s)服从参 数为λt 的Poisson 分布,即 (λt )k e−λt


t
λ ( u ) du
§2.3 Poisson 过程的推广
二、复合Poisson 过程
定义2.4 设S.P.{N(t),t≥0 }是一个Poisson 过程, Yi,i=1,2,…N(t)是一相互独立的随机变量序列, 且与{N(t),t≥0}相互独立。记
X (t ) = ∑ Yi
i =1 N (t )
i=1
8

随机过程_课件

随机过程_课件

第一章 概率论基础1.从传统的长度概念说起1.1 区间(a,b )、[a,b]等都有长度,用字母L 表示,而且知道L (a,b)=b-a我们进而认为(*)L 是一种(函数)运算,自变量*为一维数轴上的区间,显然,(*)L 应满足:(1) L(*)0≥非负性;(2)有限可加性;(3)甚至要求满足可列可加性∑∞=∞==11)()(n n n n I L I L我们提出问题1:区间I 作为R 的子集,具有长度,那么R 的一般子集E 也有长度吗?答案是否定的。

因为传统长度是集合的右端点与左端点之差值,而只有区间这种集合才有端点。

问题2:是否可以推广L 为某*L 作为一般点集E 的长度呢?当然可以适当推广L 成为某种运算*L ,用以作为更广泛的一类集合(包含全体区间)的“长度”。

但是,事实表明,无论怎样改进*L ,都无法适应R 的全体子集。

1.2长度L 向某*L 推广的直接动力是,人们发现了Riemann积分的缺陷并希望加以改进。

Riemann 积分的缺陷1:()ba f x dx ⎰也可写成[,]()ab f x dx ⎰,积分符号的右下角就是积分区间,也就是积分范围,此范围不可以是一般的实数点集,只能是区间。

缺陷2:按照黎曼积分的定义(工科高数教材):(1)分割区间[,]a b 成为若干小区间1[,]k k xx -,1,2,,k n = (2)任意取小区间1[,]k k x x -的点k ξ,求值()k f ξ,进而得到第k 个小矩形的面积()k k x f ξ∆(3)做和1()n k k k x f ξ=∆∑,也即全体小矩形面积之和(4)01lim ()n k k k x f λξ→=∆∑,这一步是对前三步工作的无穷细化。

这种方法的核心思想是微小范围内以直代曲,例如,第k 个小矩形的面积应是()k x f x dx ∆⎰,但这里却以()k k x f ξ∆加以代替,依据是在很小区间1[,]k k x x -上,函数()f x 的变化不大,可以近似看成常数()kf ξ。

应用随机过程第5章- 龚光鲁版

应用随机过程第5章- 龚光鲁版
k
1.3 时齐的 Markov 链 定义5.4 Markov 链称为时齐的 , 如果其概率转移阵 P ( n, n + 1) 与 n 无关(即 1 步
转移概率与出发时刻 n 无关. 我们把此矩阵简记为 P= ( p ij ) . 由 (5. 6) 式得到 P ( n, n + m) = P ( n, n + 1) P ( n + 1, n + 2) L P ( n + m − 1, n + m ) = Pm 它也不依赖出发时刻 n , 我们把它改记成 P ( m) , ( P
( m)
∑ P(ξ
i
m +n
( n) = j ξ m = i ) P (ξ m = i ) = ∑ µ i(m ) p ij i
P ( n) ) j . ?
99
定理5.5与定理5.6说明了 Markov 链的统计性质(包括其长时间极限行为) ,完全 可由其转移概率矩阵 P,以及它的初始分布 µ ( 0) 所决定. 因此,Markov 链的很多性质的研 究就归结为随机矩阵的性质. 1.4 Markov 链的例 例5.7 (随机徘徊) 独立同分布的随机变量的部分和序列, 称为随机徘徊 , 它是时间参数离散情形时的时齐 的独立增量过程.又若其中的随机变量只取1与-1两个值, 则称为简单随机徘徊. 今考虑一个简单随机徘徊 {ξ n , n ≥ 0} , 其状态空间为 S = Z ={全体整数}, 由 ξ n 的定义
k
P(ξ n+1 = k | ξ n = i , ξ n −1 = i n−1 ,L ,ξ 0 = i 0 ) .
利用归纳法假设及(5. 1) 式, 上式简化为
= ∑ P(ξ n +m +1 = j | ξ n+1 = k ) P(ξ n+1 = k | ξ n = i )

随机过程第5章

随机过程第5章

我们引入状态周期概念的目的,是为了研
究状态转移矩阵的极限性质,即当 n 时 P(n)
的极限,这个矩阵可以反映出Markov链在平稳
状态时的特征。因此,下面我们将讨论周期的
基本性质,为此先给出一个数论中的结论: 引理5.1 设m2, 正整数s1, s2,…, sm的最大公因子 为d, 则存在正整数N, 使得n>N时, 必有非负 整数c1, c2,…cm使 nd cisi .
则显然{1, 2}和{3, 4, 5}是状态在互达意义下的两 个等价类. 因此, 这个Markov链是可约的. 比如其 中一个子链为:
练习: 若Markov链有转移概率矩阵
0.6 0 0 0.4 P0 0 0.4 0 0 0.6
0 0 .4 0 1 0 0
0 0 0.6 0 0 0 .6 0 0 0.4
则 fij fij( n )
n 1
i常返 fii 1
若i常返,则
i nfii( n )
n 1

例1. 设{ X n }是时齐Markov链,I {0,1, 2,3},其一步转移 0 0.5 0 0.5 0 0 1 0 ,讨论状态0和3的常返性。 矩阵P 0 0 0 1 0.5 0 0 0.5
正常返态返回速度快于零常返态
P ( i | X 0 i)和i的计算:
令 fij(n) P( X n j, X n1 j,..., X1 j | X 0 i)
从i出发第n步首次击中j的概率
fij P( j | X 0 i) 从i出发能击中j的概率
进一步地:
1 1 3 1 1 2 2 4 4 4 2
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
讨论其周期性。 解:主对角线为 0,它是具有周期性的转移矩阵的标准形式。八个状态可以 分为四个子集, c1 = {0} , c2 = {1,2,3} , c3 = {4,5} , c4 = {6,7} ,它们互不相 交,它们的并是整个状态空间,该过程具有确定的周期转移,即:
c1 → c2 → c3 → c4 → c1 ,周期为 4。
1 1 1 + + L + n−1 + L = 1 2 4 2 1 2 1 2 3 2
(n) µ1 = ∑ nf11 = 1× + 2 × = < ∞ n =1 ∞
(n) µ 2 = ∑ nf 22 = 1× 0 + 2 × + L + n ⋅ n =1
1 2
1 +L= 3< ∞ 2 n−1
故状态 1 和 2 都是正常返的,易知它们是非周期的,从而是遍历状态。 例 8 设一齐次马氏链的状态空间为 S = {0,1,2,L} ,其状态转移矩阵为:
(n)
{
}
为状态 i 的周期,记为 d i ,当 d i = 1时,称该状态无周期。 定义:称非周期正常返状态为遍历态。 注意:一个不可约的、非周期的、有限状态的马氏链一定是遍历的。
(七)常返、非常返、周期状态的分类特性 设 i ↔ j ,则 i 和 j 或者都是非常返态,或者都是零常返态,或者都是正常
(n) ( n +1)
> 0 ,则状态 i 无周期。
m
(3) 如有正整数 m , 使得 m 步转移概率矩阵 P 中相应某状态 j 的那一列元素 全不为零,则状态 j 无周期
(九)分解定理
(1) 齐次马氏链的状态空间 S 可唯一地分解为有限多个或可列多个互不相交 的状态子集 D , C1 , C 2 ,L 之并,即有 S = D U C1 U C 2 U L 。 其中: D 是非常返态集,每个 C n , n = 1,2,L 均是由常返状态组成的不可 约集,其中的状态互通,因此 C n , n = 1,2,L 中的状态具有相同的状态类 型:或者均为零常返;或者均为正常返非周期(遍历) ;或者均为正常返 有且有相同的周期;而且对于 i , j ∈ C n , f i j = 1 。 (2) (周期链分解定理)一个周期为 d 的不可约马氏链,其状态空间 S 可以 分解为 d 个互不相交的集 J 1 , J 2 ,L, J d 之并,即有:
T13 = n
(n) f13 = P{T13 = n}
1
2
3
4

n

1 4
3 42

32 43
33 … 44
3n−1 … 4n
3n −1 因此, ET13 = ∑ nP{T13 = n} = ∑ n n = 4 。 4 n =1 n =1

(2)由于:
(1) (n) f11 = 1 / 2, f11 = 0 , n > 1 ,故 f11 = 1 / 2 < 1 (1) (n) f 22 = 3 / 4, f11 = 0 , n > 1 ,故 f11 = 3 / 4 < 1
S = U Jr ,
r =1
d
Jk I Jl = ∅ , k ≠ l ,

j∈J r +1
∑p
ij
= 1 , i ∈ J r , r = 1,2,L
其中约定 J r +1 = J 1 。
中科院研究生院 2006~2007 第一学期
随机过程讲稿
孙应飞
(3) 基于上面的(1) ,我们将状态空间 S 中的状态依 D , C1 , C 2 ,L 的次序从 新排列,则转移矩阵具有以下的形式
称状态 i 是吸收态。如果闭集 C 中不再含有任何非空闭的真子集,则称 C 是不可 约的。闭集是存在的,因为整个状态空间 S 就是一个闭集,当 S 不可约时,则 称此马氏链不可约,否则称此马氏链可约。
有关的性质: (1) C 是闭集 ⇔ pi j = 0 , ∀ i ∈ C , j ∉ C ⇔ pi j = 0 ( n ≥ 1), ∀ i ∈ C , j ∉ C
中科院研究生院 2006~2007 第一学期
随机过程讲稿
孙应飞
第二章
Markov 过程
4.
马尔可夫链状态的分类
(六)闭集和状态空间的分解
定义:设 C 是状态空间 S 的一个子集,如果从 C 内任何一个状态 i 不能到达
C 外的任何状态,则称 C 是一个闭集。如果单个状态 i 构成的集 {i} 是闭集,则
f
(n) 11
∞ 1 1 = ,故 f11 = ∑ = 1 ,故状态 1 是常返的。 n =1 2 2 ∞ n
n
n
1 又 µ1 = ∑ n < ∞ ,故状态 1 是正常返的。 n =1 2
易知状态 1 是非周期的,从而状态 1 是遍历的。 对于其它状态,由于1 ↔ i , i ∈ S ,因此也是遍历的。
中科院研究生院 2006~2007 第一学期
(1) (n) f 33 = 1, f11 = 0 , n > 1 ,故 f 33 = 1
随机过程讲稿
孙应飞
因此,状态 1 和 2 为非常返态,3 为常返态。 例 7 设齐次马氏链的状态空间为 {1,2,3,4} ,一步转移矩阵为:
1 / 2 1 / 2 0 0 0 1 P= 0 1/ 3 2 / 3 1 / 2 0 1 / 2
PD P=
PD
1
PD
2
P1 P2
L O
D C1 C2 M
其中 P 1 , P 2 ,L 均为随机矩阵,他们对应的链是不可约的。称以上形式的 转移矩阵为标准形式。
(十)有限马氏链的性质
(1) 所有非常返状态组成的集合不可能是闭集。 (2) 没有零常返状态。 (3) 必有正常返状态。 (4) 不可约有限马氏链只有正常返态。 (5) 状态空间可以分解为
求此链的闭集。 解:画出状态转移图,此链可约,闭集为: {1, 3, 5} 。
例 4 设马氏链的状态空间为 S = {1,2,3,L} ,转移概率为: p11 = 1 / 2 ,
pi i +1 = 1 / 2 , pi 1 = 1 / 2 , i ∈ S ,研究各状态的分类。
解:画出状态转移图,可知:
1 − p 0 1 − p1 1 − p 2 M
p0 0 0 M
0 p1 0 M
0 0 p2 M
0 L 0 L 0 L M M
试讨论此链状态的分类及常返的充分必要条件。 解:画出状态转移图,图中可以看出任意二状态都相通,链是不可约的,因 此只要确定任一状态是常返的条件即可。 由状态转移图,可得:
S = D U C1 U C 2 U L U C k
其中:每个 C n , n = 1,2,L, k 均是由正常返状态组成的有限不可约闭集,
D 是非常返态集。
(十一)例子
例 1 设有三个状态 { 0,1, 2} 的齐次马氏链,它的一步转移概率矩阵为:
1 / 2 1 / 2 0 P = 1 / 2 1 / 4 1 / 4 0 1/ 3 2 / 3
试研究其状态关系。 解:画出状态转移图,可知:
0 0 0 0
(n) f 44 = 0 (n ≥ 1) ⇒ f 44 = 0 < 1 (1) f 33 =
2 (n) 2 , f 33 = 0 (n > 1) ⇒ f 33 = < 1 3 3
故状态 3 和 4 为非常返态。
(1) ( 2) f11 = f11 + f11 + 0 +L + 0 +L =1 (n) f 22 = ∑ f 22 =0+ n =1 ∞ ∞
(n)
(2) C 是闭集 ⇔
∑p
j∈C
ij
= 1, ∀ i ∈ C
(3) i 为吸收态 ⇔ pi i = 1 (4)齐次马氏链不可约 ⇔ 任何两个状态均互通 (5)所有常返态构成一个闭集 (6)在不可约马氏链中,所有状态具有相同的状态类型 定义:对 i ∈ S ,若正整数集 n ; n ≥ 1, pi i > 0 非空,则定义其最大公约数
例 6 设齐次马氏链的状态空间为 {1,2,3} ,一步转移矩阵为:
1 / 2 1 / 4 1 / 4 P = 0 3 / 4 1/ 4 0 0 1
求: (1) T13 的分布率及 ET13 , (2) f i i (i = 1,2,3) 解: (1)画出状态转移图,可得 T13 的分布率为:
它的一步转移概率矩阵为: 例 5 设有八个状态 { 0,1, 2, 3, 4, 5, 6, 7 } 的齐次马氏链,
中科院研究生院 2006~2007 第一学期
随机过程讲稿
孙应飞
0 0 0 0 1/ 4 1/ 2 1/ 4 0 0 0 0 0 1 / 2 1 / 2 0 0 0 0 0 0 1/ 3 2 / 3 0 0 0 0 0 1 0 0 0 0 P= 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1/ 2 1/ 2 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
( 2)
0.3, 0.4, (2) pij = P{Yn +1 = j Yn = i} = 0.3, 0,
j = i +1 j =i j = i −1
试研究其状态关系。 解: {0,1} 正常返, {2} 非常返, {3} 吸收态。 例 3 设马氏链的状态空间为 S = {1, 2, 3, 4, 5} ,一步转移概率为:
0 1 / 2 0 1 / 2 0 0 1/ 4 0 3 / 4 0 P= 0 0 1/ 3 0 2 / 3 1 / 4 1 / 2 0 1 / 4 0 1/ 3 0 1/ 3 0 1/ 3
相关文档
最新文档