应用随机过程(第三章)
2016应用随机过程讲义第三篇
【伊藤等距（Ito isometry） 】 为方便计，令 D j W t j 1 W t j , j 0,1,
k 1 j 0
k
2 t u dW u E t 2 u du E I t E 0 0 2
.
k
, k 1, Dk W t W tk ，于
j 0
是， I t t j W t W tk t j D j ，从 W t j 1 W t j tk
j 0
n 1
t j 1
j
2 u du 2 u du 。
0
t
【注1】1） 一个过程的二次变差与方差的不同之处在于：
j l 1
k 1
k 1
E E t j W t j 1 W t j Ft j Fs j l 1
j l 1
E t E W t F
k 1 j j 1
tj
0 ；4） E tk W t W tk Fs Fs Ftk E E W t W tk Ftk tk Fs
W t , t 0 下，从事资产交易的收益。由于鞅既没有上升又没
有下降趋势，故可以预期作为积分上限 t 的过程 I t 也没有上 升和下降的趋势，即：Ito 积分 0 u dW u 是一个鞅： 给定 0 s t T ，假定 s, t 分别位于分划 的不同的子区间（位 于同一子区间的情形类似） ，即存在分点 tl 和 tk tl tk ，使得 s tl , tl 1 且 t tk , tk 1 ；从而，
应用随机过程(第三章)PPT课件
Poisson的特性
平稳增量性。
由 E N tt ，知λ是单位时间内发和事件
的平均次数。 称λ为Poisson近程的强度或速率。
例3.1.1 售票处乘客以10人／小时的平均速率 到达，则9：00 ～10：00最多有5名乘客的 概率？10：00 ～11：00没有人的概率？
例3.1.2 保险公司接到的索赔次数
k 0
k 0 m m k pm 1pkm t m k k !e t
k 0m m !k k !!pm 1pkm t m k k !e t
pm tet 1pktk
m ! k0 k!
tpm ept
m!
Poisson过程的推广
非齐Poisson过程
定义3.3.1 计数过程 N t,t0称作强度函
过程 N t,t0 ，每次的赔付金额Yi都相
互独立，且有相同的分布F，且每次的索赔 额与与它发生的时间无关。则[0，t]内保险
公司赔付的总额 X t,t0 就是一个复
合Poisson 过程，其中：
XtNtYi i1
例3.3.3
（顾客成批到达的排队系统）设顾客到达某
服务系统的时刻 S1, S2, ,形成一个
t 6 6 1 02
1 第i位顾客在商场买东西 Yi 0 第i位顾客在商场未买东西
• 以 N1t 表示在时间[0，t]内到达商场的人
数， E N 112 4320
• 以 N2t 表示在时间[0，t]内在商场买东西
的人数，
E N 1 t E N 1 tY i t 0 .9 i 1
• 若以Zi 表示第i位顾客在商场消费金额，且
Z i~ B 2,0 .5 0
•则
N3 t N 1tZi i1
随机过程第三章 泊松过程
义 3.2 可知
PN (2) N (1) 5 5 e101 (101)n
n0
n!
PN (3) N (2) 0 e101 (101)0 e10
0!
例 3.2（事故发生次数及保险公司接到的索赔数）若以 N (t) 表示某公路交叉口、矿山、
，利用数学归纳法证明。假设当 (n 1) 时成立，因
此
d dt
(et Pn (t))
et
et
t n1 (n 1)!
t n1 (n 1)!
解得
et Pn (t)
(t)n n!
C
又 Pn (0) PN(0) n 0 代入进一步解得
Pn (t)
et
(t)n n!
因此，结论得证，即定义 3.3 蕴含定义 3.2。 （2）再证定义 3.2 蕴含定义 3.3。欲证此结论，只需验证定义 3.3 中的条件（3）（4）
题。 注：定理 3.2 的命题易于理解。泊松过程的平稳独立增量性质等价于表示在概率意义上
过程在任何时刻都重新开始，即从任何时刻起过程独立于先前已发生的一切（由独立增量）； 且与原过程具有完全一样的分布（由平稳增量）。换言之，泊松过程是无记忆的，因此间隔 序列服从指数分布。
另一感兴趣的量是Tn ，第 n 次事件发生的时间，也称为第 n 次事件的等待时间。 定理 3.3 Tn , n 1, 2,服从参数为 n 和 的 分布，即其概率密度为
工厂等场所在 (0,t]时间内发生事故的次数，则泊松过程就是N(t),t 0 的一种很好近似。
另外，保险公司接到赔偿请求的次数（设一次事故就导致一次索赔）等都可以应用泊松过程 的模型。以保险为例，设保险公司每次的赔付都是 1,每月平均接到 4 次索赔请求，则一年中 它们要付出的金额平均为多少？
应用随机过程第三章习题解
g(t) = f (x, tx)|x|dx
3
第三章 更新过程
第三章 更新过程
其中 f (t, tx) 是 Xi 与 TiXi 的联合密度函数, 当 Xi 与 TiXi 独立时，有
∫ g(t) = λ exp{−λtx}f (x)|x|dx
所以这样的 Ti 是存在的.
3.6 如果 p = P (X = ∞) > 0, 则称 X 是广义的随机变量. 设 X 是广
是 3 分钟. 假设每台电话独立工作, 一共有 6 部电话, 估算上午 10:30 时恰
有 5 部电话占线的概率.
解:
由题可知每台电话占线的概率为
p
=
3 23
,
又各电话是否占线独立，
所以 10:30 有 5 部电话占线的概率为：
P = C65p5(1 − p)
3.11 眨眼使泪水均匀地涂在角膜和结膜的表面，以保持眼球润湿而不
∑ ∑k
∑
P ( Xi = j, Xk+1 > t − j) = (kλ)jexp(−kλ)P (X1 > t − j)/j!
0≤j≤t i=1
0≤j≤t
3.9 设更新过程 N (t) 的更新间隔是 Xn, i1, i2, . . . , in 是 1, 2, . . . , n 的一
个全排列. 对于 n ≥ 2, 证明
= 1/p − 1
3.7 对于泊松过程验证定理 1.2（2）成立.
证明: 对于泊松过程 N (t) 有 m(t) = E(N (t)) = λ·t, 而 λ·(t) 是连续的且 在 t≥0 时是严格增加的，当然是单调不减的, 也即定理 1.2(2) 对于泊松过 程是成立的。
3.8 设更新过程N(t)的更新间隔是来自总体 X 的随机变量。
(解答)《随机过程》第三章习题
（1）试求随机过程{Z (t); t 0}的均值函数 E{Z (t)}和二阶矩 E{Z 2 (t)} ；
（2）试证明： pn (t)u n exp{(1 2 )t } exp{1ut 2u 1t }。 n
P{X (s) i}
P{N (s) 2(i 1)}
P{N (s) 2(i 1)}P{N (t s) 2( j i)} [(t s)]2( ji) e(ts) ; ( j i, t s)
P{N (s) 2(i 1)}
[2( j i)]!
lim
h0
Pt
2
h 2
S2
t2
h 2 ,t5 h2
h 2
S5
t5
h
2
5 2
t2 (t5
t2 )2 et5
,
0 t2 t5
（2）由于{N (t) 1} {S1 t} ，由泊松过程与指数分布的关系可知，在{S1 t} 条件 下， S1 的分布密度函数为
（3）由于{N (t) 1} {S1 t S2} ，令： 0 t1 t t2 ，取充分小的 h1, h2 0 ，
使得： t1 h1 t1 t t2 h2 t2 ，由
t1 h1 S1 t1, t2 h2 S2 t2 N t1 h1 0, N t1 N t1 h1 1,
3、 设{N1 (t); t 0}和{N 2 (t); t 0} 是相互独立的 Poisson过程,其参数分别为 1 和 2 ．若 N0 (t) N1 (t) N 2 (t) ，问: （1） {N0 (t); t 0} 是否为 Poisson 过程，请说明理由； （2） {N0 (t); t 0} 是否为平稳过程，请说明理由。 解：（1）由于 N 0 (t) 的状态空间为 S {,1, 0,1,} ，因此 N 0 (t) 不是计数过程，更
随机过程 第3章 泊松过程
泊松过程
[定义] 称计数过程{ X (t) , t 0 }为具有参数 的泊松过程， 若它满足下列条件： (1) X (0) = 0 ; (2) X (t) 是独立增量过程; (3) （平稳性）在任一长度为 t 的区间中，事件A发生的次 数服从参数 >0的泊松分布，即对任意 s , t 0 ，有
3.2 泊松过程的基本性质
泊松分布:
( t ) n t P{ X (t s ) X ( s ) n} e , n!
n 0, 1,
( t ) n t P{ X (t ) n} e , n 0, 1, 2, n!
Φ X ( ) E[e
假设在[0 , t ]内事件A已经发生一次，确定这一事件到 达时间W1的分布 ——均匀分布
P{W1 s, X (t ) 1} P{W1 s X (t ) 1} P{ X (t ) 1} P{ X ( s ) 1, X (t ) X ( s ) 0} P{ X (t ) 1} P{ X ( s ) 1} P{ X (t ) X ( s ) 0} P{ X (t ) 1}
故仪器在时刻 t0 正常工作的概率为:
k 1 ( t ) P P (T t 0 ) e t dt t0 ( k 1)! n k 1 ( t ) 0 P [ X (t 0 ) k ] e t
0
n0
n!
(3) 到达时间的条件分布
P{ X k }
k e
k!
, k 0, 1, 2, ( 0为常数 )
则随机变量X 服从参数为 的泊松分布，简记为 ()。
E(X ) ,
电子科大 应用随机过程及应用 (陈良均 朱庆棠)第三章作业
(ii) 分解 对于参数为λ 对于参数为λ的Poisson过程， 过程，假设发生的每一个事件 独立的以概率做了记录， 独立的以概率做了记录，未做记录的概率为1-p。令 N1(t)是到t为止做了记录的事件数， 为止做了记录的事件数，而N2(t)是未做记录 的事件数， 的事件数，则{N1(t)；t ≥0}和 {N2(t)；t ≥0}分别是具 有参数pλ 和(1-p)λ的独立Poisson过程。 过程。
相互独立。 相互独立。而且
P ( N (t ) = k ) = ∑ P ( N 1 (t ) = j, N 2 (t ) = k − j ) = ∑ P ( N 1 (t ) = j )P ( N 2 (t ) = k − j )
j=0 j=0 j k− j k k
(λ t ) (λ t ) = ∑ 1 e − λ1 t 2 e −λ2t j! ( k − j )! j=0
[
]
( )
( )
(
)
ρ=
(
)(
)
一维概率密度函数
一维特征函数 二维概率函数 f (s , t , x , y ) = −
[X − m (t )]2 t ∈ T 1 exp − 2 D (t ) 2 λ D (t ) x∈ R t∈T ϕ (t , u ) = exp im (t )u − 1 D (t )u 2 2 x∈ R f (t , x ) =
i i i =1
n
X (t )为正态分布 m X (t ) = E [X (t )] = E [ξ t + W (t )] = E (t )E (ξ ) + E [W (t )] = 0
(t > s ) E [X 2 (t )] = E [ξ 2 t 2 + W (t )W (s ) + W (t )ξ s + W (s )ξ t ] = ts + s σ 2 D (t ) = t 2 + t 2σ 2 D (s ) = s 2 + s 2 σ 2 C (s , t ) = C (t , s ) = R (t , s ) = ts + s σ 2
应用随机过程课后习题解答 毛用才 胡奇英
第一章习题解答1． 设随机变量X 服从几何分布，即：(),0,1,2,k P X k pq k ===。
求X 的特征函数，EX 及DX 。
其中01,1p q p <<=-是参数。
解()()jtxjtkk X k f t E eepq ∞===∑()k jtkk p q e∞==∑ =0()1jt kjtk pp qe qe ∞==-∑又200()kkk k q qE X kpq p kq p p p ∞∞======∑∑222()()[()]q D X E X E X P =-=〔其中 00(1)nnn n n n nxn x x ∞∞∞====+-∑∑∑〕令 0()(1)n n S x n x ∞==+∑那么 1000()(1)1xxnn k n xS t dt n t dt x x∞∞+===+==-∑∑⎰⎰22201()()(1)11(1)1(1)xn n dS x S t dt dxx xnx x x x ∞=∴==-∴=-=---⎰∑同理 2(1)2kkkk k k k k k x k x kx x ∞∞∞∞=====+--∑∑∑∑令20()(1)k k S x k x ∞==+∑ 那么211()(1)(1)xkk k k k k S t dt k t dt k xkx ∞∞∞+====+=+=∑∑∑⎰〕2、〔1〕 求参数为(,)p b 的Γ分布的特征函数，其概率密度函数为1,0()0,0()0,0p p bxb x e x p x b p p x --⎧>⎪=>>Γ⎨⎪≤⎩（2） 其期望和方差；（3） 证明对具有一样的参数的b 的Γ分布，关于参数p 具有可加性。
解 〔1〕设X 服从(,)p b Γ分布，那么10()()p jtxp bxX b f t ex e dx p ∞--=Γ⎰ 1()0()p p jt b x b x e dx p ∞--=Γ⎰101()()()()(1)p u p p p p p b e u b u jt b x du jt p b jt b jt b∞----==Γ---⎰ 10(())x p p e x dx ∞--Γ=⎰ 〔2〕'1()(0)X p E X f j b∴== 2''221(1)()(0)X p p E X f j b +== 222()()()PD XE X E X b∴===（4） 假设(,)i i X p b Γ 1,2i = 那么121212()()()()(1)P P X X X X jt f t f t f t b-++==-1212(,)Y X X P P b ∴=+Γ+同理可得：()()iiP X b f t b jt∑=∑-3、设X 是一随机变量，()F x 是其分布函数，且是严格单调的，求以下随机变量的特征函数。
应用随机过程学习心得
竭诚为您提供优质文档/双击可除应用随机过程学习心得篇一：随机过程知识点总结第一章：考试范围1.3,1.41、计算指数分布的矩母函数.2、计算标准正态分布x~n(0,1)的矩母函数.3、计算标准正态分布x~n(0,1)的特征函数.第二章：1.随机过程的均值函数、协方差函数与自相关函数2.宽平稳过程、均值遍历性的定义及定理3.独立增量过程、平稳增量过程，独立增量是平稳增量的充要条件1、设随机过程Z(t)?x?Yt，t??.若已知二维随机变量(x,Y)的协方差矩阵为??12??，求Z(t)的协方差函数.?22?2、设有随机过程{x(t),t?T}和常数a，Y(t)?x(t?a)?x(t)，t?T，计算Y(t)的自相关函数（用Rx(s,t)表示）.3、设x(t)?Z1cos?t?Z2sin?t，其中Z1,Z2~n(0,?2)是独立同分布的随机变量，?为实数，证明x(t)是宽平稳过程.4、设有随机过程Z(t)?xsint?Ycost，其中x和Y是相互独立的随机变量，它们都分别以0.5和0.5的概率取值-1和1，证明Z(t)是宽平稳过程.第三章：1.泊松过程的定义（定义3.1.2）及相关概率计算2.与泊松过程相联系的若干分布及其概率计算3.复合泊松过程和条件泊松过程的定义1、设{n(t),t?0}是参数??3的poisson过程，计算：(1).p{n(1)?3}；(2).p{n(1)?1,n(3)?3}；(3).p{n(1)?2n(1)?1}.2、某商场为调查顾客到来的客源情况，考察了男女顾客来商场的人数.假设男女顾客来商场的人数分别独立地服从每分钟2人与每分钟3人的泊松过程.(1)．试求到某时刻t时到达商场的总人数的分布；(2).在已知t时刻有50人到达的条件下，试求其中恰有30位女性的概率，平均有多少个女性顾客？3、某商店顾客的到来服从强度为4人/小时的poisson过程，已知商店9：00开门，试求：(1).在开门半小时中，无顾客到来的概率；(2).若已知开门半小时中无顾客到来，那么在未来半小时中，仍无顾客到来的概率。
《应用随机过程》第三章习题总结
3. 正态过程的可加性；
9. 维纳过程的平移不变性；
15. 泊松过程的可加性；泊松过程与复合泊松过程；
16. 泊松过程的两个二项分布；
19. 23. 泊松过程的分解；
21. 一些正态过程的性质，P45例题14；
方法：
8,
10,
13,14，
19，
21，
3,4,5,6 维纳过程的几个不变性；
对于齐次Poisson 过程，有
(){}t
s t N s P =
=≤11τ 即在()1=t N 的条件下，1τ为[]t ,0上的均匀分布。
更一般的，有如下定理， 定理：设(){}0,≥t t N 为强度λ的齐次Poisson 过程，在()n t N =的条件下，n 个到达时刻n τττ<<< 21和n 个相互独立同[]t ,0上均匀分布的随机变量n U U U ,,,21 的顺序统计量()()()n U U U <<< 21有相同分布。
即在()n t N =的条件下，()n τττ,,,21 的联合概率密度为：
()⎪⎩⎪⎨⎧≤<<<≤=其他0
0!,,,2121t u u u t n u u u f n n n
方法：
2
19
20。
应用随机过程第三章Poisson_过程剖析
将事件进行分解，再运用 （3）’.
计数过程、Poisson过程
定义 3.1
随机过程{N(t)，t 0}称为计数过程，若N(t)表示 时间段[0,t]内某一事件A发生的次数，且满足 (1) N(t)取值为非负的整数; (2) 当s<t 时，N(s) N(t)且N(t) N(s)表示 (s,t]时间内事件A发生的次数.
定义 3.2
( pt )m pt 即 P(M(t)=m) e . m ！
P(M(t)=m)= P(M(t)=m|N(t)=m+n) P（N(t)=m+n）
mn ( t ) m n t = Cn p (1 p ) e m+n (m n)! n =0 n ( (1 p ) t ) e t ( pt ) m m ！n ! n =0 m n ( pt ) ( (1 p ) t ) e t m ！ n =0 n! m ( pt ) e t e (1 p )t m ！ m ( pt ) pt e . m ！ n=0
(2)由Poisson过程的平稳独立增量性及N (1)的分布，得 P( N (4) N (3) 0 | N (3) N (2) 0) P( N (4) N (3) 0) P( N (1isson过程的平稳独立增量及N (t )的分布，得 P( N (4.5) N (0) 10, N (5.5) N (0) 20) P( N (4.5) N (0) 10, N (5.5) N (4.5) 10) P( N (4.5) N (0) 10) P( N (5.5) N (4.5) 10) P( N (4.5) 10) P( N (1) 10) (10 4.5)10 104.5 (10 1)10 101 e e 10! 10! 10 45 10 55 e . 2 (10!)
随机过程第三章作业答案
Yk-1 ]] ≤ b ⋅ ∑ E[I{T ≥ k} ]
k =0
= b ⋅ ∑ P(T ≥ k) = b(1 + E[T]) < ∞，即E[W] < ∞
E[X k X k-1 ]=E[E[X k X k-1|X 0 X1 =E[X k-1E[X k |X 0 X1
2 2 ]-E[X k-1 ] ∴ E[Yk2 ]=E[X k n n
X k-1 ]] X k-1 ]]=E[X 2 k-1 ]
2 2 于是∑ Var(Yk ) = ∑ (E[X k ]-E[X 2 k-1 ]) = E[X n ]=Var(X n ) k =1 k =1
q X n ]]=E[( ) Xn+1 |X n ] p
6证明： k=1时，E[(X k -X k-1 )(Yk -Yk-1 )]=E[(X1 -X 0 )(Y1 -Y0 )]=E[X1Y1 ] k>1时，E[(X k -X k-1 )(Yk -Yk-1 )]=E[(X k Yk -X k-1Yk -X k Yk-1 +X k-1Yk-1 )] 又E[X k Yk-1 ]=E[E[X k Yk-1|Z0 ,Z1 E[X k-1Yk ]=E[E[X k-1Yk |Z0 ,Z1
= Zn ⋅ (0.5 ⋅ log 3 3+0.5 ⋅ log 3 1) = Zn ∴{Zn，n ≥ 1}关于{X n，n ≥ 1}的鞅。 事件{T=n}仅取决于σ （X1 ,X 2 X n）,∴ T是停时，但不能用停时定理。 验证性说明：假设停时定理成立，则E[ZT ]=E[Zk ]=E[log 3 (1 + X k )]=1； 但由T=min{n:Zn =0}知ZT =0，即E[ZT ]=0，推出矛盾。 证明：验证停时定理1的三个条件； 条件1：P(T=∞)= lim ( 1 ) n = 0；即P(T<∞)=1，成立。 2 n →∞ 条件2：E[|ZT |]=E[|∏ log 3 (1 + X k )|]； ∵ log 3 (1+X k )=1或0， ∴ E[|ZT |]<∞，成立。
应用随机过程第3章习题简答
第 3 章补充作业
1. 设 {N (t ), t 0} 是速率为 的泊松过程，请计算其均值函数、自相关函数与
协方差函数。
N (t ) E ( N (t )) t ，
RN (s, t ) E ( N (s) N (t )) E{N (s)(( N (t ) N (s)) N (s)]} ,(s t )
F( X1 , X 2 , X 3 ) (t1 , t2 , t3 ) P{ X1 t1 , X 2 t2 , X 3 t3} i 1(1 e ti )
3
( X1 , X 2 , X 3 ) 的联合密度为：
f ( X1 , X 2 , X 3 ) (t1 , t2 , t3 ) 3e (t1 t2 t3 )
et?0t??rfs1tdt??ss?wfs1tdtw?r?1?e?r?1?det??s2?w?r?1??edsdet当w1r时?0平均到家时间是s的增函数所以1的ds期望时间在s0时最小
随机过程_第 3 章泊松过程习题简答
教材 P16 习题 2，4,5,10,11,13,15,17,21
4. 计算泊松过程前三个事件到达时刻 S1,S2,S3 的联合分布。 解：设事件到达的时间间隔为 { X n , n 0} ，则有 X n 独立同分布于参数为λ的 指数分布，进而， ( X1 , X 2 , X 3 ) 的联合分布函数为：
（1） P{ X (3) 5} e 3
(3 )5 ； 5!
P{ X (2) 5, X (3) X (2) 0} P{ X (3) 5} e2 (2 )5 e 2 5! ( )5 ； 5 (3 ) 3 e3 5!
（ 3 ） P{ X (2) 5 | X (3) 5}
随机过程第三章-泊松过程
N (t)
定理3.6 设 X (t) Yi 是一复合泊松过程,其中泊松 i 1
过程 N(t) 的强度为 ,则
(1) X (t) 具有独立增量;
(2)若E(Yi ) 1, E(Yi2 ) 2 均存在,则
E[ X (t)] t1,
D[ X (t)] t2
证 (1) 令 t0 t1 tn ,由于N(t)具有独立增量性,故
的泊松分布,故
P{N (10) N (0) 1} (4.5)e4.5
二.复合泊松过程
定义3.6 称随机过程 {X (t),t 0}为复合泊松过程,如果对
于 t 0 ,它可以表示为如下形式
N (t)
X (t) Yi i 1
其中 {N(t),t 0} 是一个泊松过程, Y1, ,Yn 是一族独立同 分布的随机变量,并且与 {N(t),t 0} 独立.
(5)4 e5 4!(7)5 e7 (12)9 e12 9!
5! C94
5 12
4
1
5 12
94
.
(5) E[N(5)]=5, D N 5 5,
Cov[N(5), N(12)] D N 5 5.
例2 事件A的发生形成强度为 的泊松过程 {N(t),t 0}.如 果每次事件发生时以概率 p能够记录下来,并以 M (t)表示到 t时刻被记录下来的事件总数,证明{M (t),t 0} 是一个强度为
(1) N(0) 0;
(2) N(t) 有独立增量;
(3)对任意的 s,t 0,有
P{N (t s) N (s) n} (t)n et ,
n!
n 0,1,2,
由条件(3)可知泊松过程有平稳增量并且在任一长度为t
的区间中事件的个数服从参数(均值)为 t 的泊松分布.
应用随机过程 全书
一、 随机过程简介随机过程这一学科最早起源于对物理学的研究，如吉布斯（美国物理化学家、数学物理学家）、玻尔兹曼（奥地利物理学家）、庞加莱（法国数学家）等人对统计力学的研究，及后来爱因斯坦、维纳(Wiener ，美国数学家，控制论的创始人)、莱维(Levy ，法国数学家)等人对布朗运动的开创性工作。
1907年前后，马尔可夫(Markov)研究了一系列有特定相依性的随机变量，后人称之为马尔可夫链。
1923年维纳给出布朗运动的数学定义，直到今日这一过程仍是重要的研究课题。
随机过程一般理论的研究通常认为开始于20世纪30年代。
1931年，柯尔莫哥洛夫发表了《概率论的解析方法》，1934年辛饮发表了《平稳过程的相关理论》，这两篇著作奠定了马尔可夫过程与平稳过程的理论基础。
1953年，杜布出版了名著《随机过程论》，系统且严格地叙述了随机过程基本理论。
一般认为，随机过程整个学科的理论基础是由柯尔莫哥洛夫（K olmogorov ）和杜布(Doob)奠定的。
第一章随机过程的基本概念一、随机过程的定义例1：医院登记新生儿性别，0表示男，1表示女，X n 表示第n 次登记的数字，得到一个序列X 1 ， X 2 ， ···，记为{X n ，n=1,2, ···}，则X n 是随机变量，而{X n ，n=1,2, ···}是随机过程。
例2：在地震预报中，若每半年统计一次发生在某区域的地震的最大震级。
令X n 表示第n 次统计所得的值，则X n 是随机变量。
为了预测该区域未来地震的强度，我们就要研究随机过程{X n ，n=1,2, ···}的统计规律性。
例3：一个醉汉在路上行走，以概率p 前进一步，以概率1-p 后退一步（假设步长相同）。
以X(t)记他t 时刻在路上的位置，则{X(t), t ≥0}就是（直线上的）随机游动。
[理学]随机过程第三章课件_OK
![[理学]随机过程第三章课件_OK](https://img.taocdn.com/s3/m/417d490b0242a8956aece446.png)
dFT1 t
dt
et
t 0
这说明泊松过程中的第一个事件 A 到达时间T1 的概率密度为负指数分
布的密度函数。
T1 的平均值为
ET1
tet dt 1
0
3.3 有关泊松过程的几个问题
【一】各次事件间的时间间隔分布:
【参数二】任意相邻两事件间的时间间隔 设 Tn 代表第 n 次出现事件A
和第n 1 次出现事件A 的时间间隔， Tn 也是一个随机变量，则有
1
时有
dp1t
dt
p1
t
p0 t
et
由于p10 PN 0 1 0 所以B1 0 ，得 p1t tet
用数学归纳法可得
pn t
PN t
N 0
n
t n
n!
et
所以定理得到证明。
3.3 有关泊松过程的几个问题
【一】各次事件间的时间间隔分布:
【参数一】第一个事件到达时间 设泊松过程中第一个事件 A 到达时间为
次事件所需的时间。现求第一过程出现第 k 次事件先于第二过程出
现第一次事件的概率，即研究概率 P sk1 s12 。
根据前面分析的结果可知，sk1 的概率密度为
s12 的概率密度为 f
y
e2 y 2
，故
f
x
e1x 1
，1xk1 k 1!
P sk1 s12 f x, y dxdy
PT2 t PNT1 t NT1 0 et
FT2 t PT2 t1 PT2 t1 et
fT2
t
dFT2 t
dt
et
t 0
t 0
同理 FTn t 1 et ; fTn t et t 0
随机过程作业和答案第三章
随机过程作业和答案第三章第三章马尔科夫过程1、将⼀颗筛⼦扔多次。
记X n 为第n 次扔正⾯出现的点数，问{X(n) , n=1,2,3,···}是马尔科夫链吗？如果是，试写出⼀步转移概率矩阵。
⼜记Y n 为前n 次扔出正⾯出现点数的总和，问{Y(n) , n=1,2,3,···}是马尔科夫链吗？如果是，试写出⼀步转移概率矩阵。
解：1)由已知可得，每次扔筛⼦正⾯出现的点数与以前的状态⽆关。
故X(n)是马尔科夫链。
E={1,2,3,4,5,6} ,其⼀步转移概率为:P ij = P ij =P{X(n+1)=j ∣X(n)=i }=1/6 (i=1,2,…,6,j=1,2,…,6) ∴转移矩阵为2)由已知可得，每前n 次扔正⾯出现点数的总和是相互独⽴的。
即每次n 次扔正⾯出现点数的总和与以前状态⽆关，故Y(n)为马尔科夫链。
其⼀步转移概率为其中2、⼀个质点在直线上做随机游动，⼀步向右的概率为p , (0解：由已知可得, 其⼀步转移概率如下：故⼀步转移概率为3、做⼀系列独⽴的贝努⾥试验，其中每⼀次出现“成功”的概率为p ( 0解：由已知得：故为马尔科夫链，其⼀步转移概率为616161616161616161616161616161616161P6,,2,1,6/1,,8,7,,0)1,( i i i j i j i i i j ij n n P 或)1(6,,2,1;6,,2,1, n n n j n n n n i ,,2,1,0 E )(0,1;)0(0,1)1,1(0,,1,,2,1101,1, j P P j P P i i j P q P P P x j j ij i i i i ⽽时，当 1000000 0000000001Pp q p q p qm m m m m m i n X l n X i n X i n X i n X l n X P )(0)()(,,)(,)(0)(2211mm m m m m in X k l n X i n X i n X i n X k l n X P )()()(,,)(,)()(22114、在⼀个罐⼦中放⼊50个红球和50个蓝球。
- 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、"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、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)。
PN
12
N
0
n
e412
412 n
n!
EN12 N0 412 48
Poisson过程的等价定义
• 设 Nt,t 0 是一个计数过程，它满足：
(1)′ N(0)=0； (2)′ 过程有平稳独立增量； (3)′ 存在λ＞0，当h↓0时有：
PNt h Nt 1 h oh
(4)′ 当h↓0时有：
N t 是强度为3的Poisson过程
PN
4
N
0
n
12n n!
e
12
PN
4
N
0
9
129 9!
e12
例3.2.2
• 假定某天文台观测到的流星流是一个 Poisson过程，以往资料统计，平均每小时 观察到3颗流星，试求上午8：00 ～12：00 期间，该天文台没有观测到流星的概率？
N t 是强度为3的Poisson过程
平稳增量性。
由 ENt t ，知λ是单位时间内发和事件
的平均次数。 称λ为Poisson近程的强度或速率。
例3.1.1 售票处乘客以10人／小时的平均速率 到达，则9：00 ～10：00最多有5名乘客的 概率？10：00 ～11：00没有人的概率？
例3.1.2 保险公司接到的索赔次数
• 设保险公司每次的赔付都是1，每月平均接 到的索赔要求是4次，则一年中它要付出的 金额平均是多少？
被记录下来的事件总数，则 M t,t 0
是一个强度为λp的Poisson过程。
PM t m
PM t m Nt n m PNt n m
n0
Cmmn pm 1 p
e n t mn t
m n !
n0
et
pt m 1 p t n
m!n!
n0
et
pt m
m!
1 p t n
定义３.１.２
计数过程Nt,t 0 称为参数为λ的
Poisson过程，如果：
（1） N0 0 ；
（2）过程有独立增量；
（3）在任一长度为t的时间区间中事件发生 的次数服从均值为λt的Poisson分布，即对 一切 s 0,t 0 ，有：
PN
t
s
N
s
n
e
t n
n!
,
n 0,1,2,
Poisson的特性
服从参数为λ的指数分布，且相互独立。
X1 t Nt 0 PX1 t PN t 0 et PX1 t 1 et
PX 2 t X1 s PNs t Ns 0 X1 s
PNs t Ns 0
et
定理3.2.1
Tn n 1,2, 服从参数为n和λ的Γ分布。
证明：
n
Tn X i
i 1
Xi独立且服从相 同的指数分布
指数分布分n=1的Γ分布，且具有可 加性。定理得证。
证明2 Nt n Tn t
PTn t PNt n
et
t j
j!
jn
对上式两端对t求导，可得Tn 的密度函数为：
fn t
et
t j
j!
e
t t j1
j1!jnjn Nhomakorabeases ets tet
s t
定理3.2.3
在已知N(t)=n的条件下，事件发生的n 个时 刻T1，T2，…,Tn的联合密度函数为
f t1,
t2 ,
,
tn
tn n!
0 t1 t2 tn
例3.2.3
• 乘客按强度为λ的Poisson过程来火车站， 火车在t 时刻启程，计算(0，t]内到达的乘 客等车时间总和的数学期望。
E
E
N t
t
i 1
N4 N0 ~ P3 4
PN4
N 0
0
120 0!
e12
e12
事件发生时刻的条件分布
考虑n=1的情形，对于s≤t有：
P T1 s N t 1
PT1 s;N t 1 PN t 1
PA发生在时刻 s之前，(s,t ]内A没有发生
PN t 1
PN S 1PN t N s0 PN t 1
n!
ept
pt
m!
n0
例3.1.4
设每条蚕产卵数服从poisson分布，强度 为λ，而每个卵变成成虫的概率为p，且每 个卵是否变成成虫彼此间没有关系，求在 时间[0，t]内每条蚕养活k条小蚕的概率。
e ptk pt k!
例3.1.5
• 天空中的星体数服从Poisson分布，其参数 为λV，V为被观测区域的体积。若每个星球 上有生命存在的概率为p，则在体积为V的 宇宙空间中有生命存在的星球数服从强度 为λpV的Poisson 分布。
et t n1
n1!
n
n
t
n
1e
t
定义3.2.1
计数过程 Nt,t 0 是参数为λ的
Poisson过程，如果每次事件发生的时间间
隔X1，X2， …， 相互独立，且服从同一
参数为λ的指数分布。
例3.2.1
• 设从早上8：00开始有无穷人排队，只有一 名服务员，且每人接受服务的时间是独立 的并服从均值为20min的指数分布，则到中 午12:00为止平均有多少人已经离去？已有 9人接受服务的概率是多少？
• 解：即要求计算
E
N t
t
i 1
Ti
• 其中Ti是第i个乘客的到达时间。
• 由于N(t)为一随机变量，取条件期望
ENi1tt Ti N t n Ein1t Ti N t n
nt
E in1Ti
N
t
n
nt
nt 2
nt 2
E in1Ti
Nt
n
n
EUi
i 1
nt 2
ENi1tt Ti
第三章 Poisson过程
§3.1 Poisson过程
• 定义3.1.1
随机过程 Nt,t 0 称为计数过程，如 果 Nt 表示从0到t时刻某一特定事件A发
生的次数，它具备以下两个特点：
（1） Nt 0 且取值为整数； （2） s t 时，Ns Nt 且 Nt Ns
表示 s,t 时间内事件A发生的次数。
与Poisson过程相联系 若干分布
N t
3
2
1
0 X1 X2 X3
t
T0
T1
T2
T3
X n 与 Tn 的分布
Tn 表示第n次事件发生的时间； n 1,2, , 规定 T0 0 ，
X n 表示第n次与第n-1次事件发生的时间 间隔， n 1,2, ,
定理3.2.1 X n n 1,2,
PNt h Nt 2 oh
定理3.1.1 满足上述条件(1) ′ ～(4) ′的计数过程
Nt,t 0 是Poisson过程。
反过来Poisson过程一定满足这四个条件。
例3.1.3
事件A的发生形成强度为λ的poisson过
程Nt,t 0 ，如果每次事件发生时以概率
p能够被记录下来，并以M（t）表示到时刻t