随机过程
“随机”意味着某时刻结果的不确定性,
“过程”意味着随时间变化。
hnjzsyjyj
这个作者很懒,什么都没留下…
展开
-
伽马函数的常用性质
原创 2021-11-09 16:39:42 · 15338 阅读 · 0 评论 -
指数分布具有“无记忆性”
原创 2022-04-07 22:05:12 · 2021 阅读 · 0 评论 -
连续时间 Markov 链从某一状态 i 转移到其他状态之前在 i 逗留的时间服从指数分布
【求证】连续时间 MarkovMarkovMarkov 链从某一状态 iii 转移到其他状态之前在 iii 逗留的时间服从指数分布【证明】因为由https://baike.baidu.com/item/%E6%97%A0%E8%AE%B0%E5%BF%86%E6%80%A7/59963523?fr=aladdin, 知“具有无记忆性的分布有且仅有两种分布:对于离散型随机变量有且仅有几何分布具有无记忆性,而对于连续型随机变量有且仅有指数分布具有无记忆性”。所以,针对连续时间 MarkovMarkovMark原创 2022-04-07 19:23:29 · 707 阅读 · 0 评论 -
典型习题:C-K方程
原创 2022-03-29 14:08:16 · 588 阅读 · 0 评论 -
典型习题:齐次Markov链的遍历性及平稳分布
【此解法中求各n阶概率转移矩阵的R代码】library(MASS)data<-c(0,0,0.5,0.5,1,0,0,0,0,1,0,0,0,0,1,0)p<-matrix(data,nrow=4,ncol=4,byrow=T)p2=p%*%pp3=p2%*%pp4=p3%*%pp5=p4%*%pp6=p5%*%pp7=p6%*%pp8=p7%*%pp9=p8%*%pp10=p9%*%pfractions(p10)pp...原创 2022-03-28 18:22:12 · 2495 阅读 · 0 评论 -
利用R语言求解线性方程组的代码
【说明】在Markov链的遍历性与平稳分布章节中,需要求解线性方程组。但靠手工运算,耗时费力,因此引入R语言编程进行求解线性方程组。现在给定线性方程组求解此给定的线性方程组的R语言代码如下所示。【R语言代码】library(MASS)P<-matrix(c(1/4,-1/2,1,1),nrow=2,ncol=2,byrow=T)b<-matrix(c(0,1),nrow=2,ncol=1,byrow=T)x<-solve(P,b)fractions(x)原创 2022-03-27 20:39:14 · 2282 阅读 · 0 评论 -
齐次Markov链的遍历性判定
原创 2022-03-27 19:56:50 · 2718 阅读 · 0 评论 -
Markov链n步转移概率的两种解法
原创 2022-03-25 20:59:36 · 1921 阅读 · 1 评论 -
Markov链的状态分类:常返与瞬过
原创 2022-03-24 23:15:05 · 1982 阅读 · 0 评论 -
读书笔记:Markov链的状态分类之周期性
(状态 iii 的周期)⨀\bigodot⨀ 设 iii 为 MarkovMarkovMarkov 链的一个状态,使 Pii(n)>0P_{ii}^{(n)} \gt 0Pii(n)>0 的所有正整数 n(n≥1)n(n \geq 1)n(n≥1) 的最大公约数,称作是状态 iii 的周期,记作 d(i)d(i)d(i)。⨀\bigodot⨀ 如果对所有 n≥1n \geq 1n≥1,都有 Pii(n)=0P_{ii}^{(n)}=0Pii(n)=0,则约定周期为 ∞\infty∞。⨀原创 2022-03-24 19:33:32 · 5245 阅读 · 0 评论 -
CSDN中输入矩阵的Markdown代码
【CSDN中输入矩阵的Markdown代码】$$ \left( \begin{matrix} 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 1/2 & 0 & 1/2 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 1/2 & 0 & 1/2 & 0 & 0 &原创 2022-03-24 15:26:50 · 818 阅读 · 0 评论 -
读书笔记:Markov链的状态分类之互达性
(可达与互达)如果对某一 n≥0n\geq 0n≥0,有 Pij(n)>0P_{ij}^{(n)} \gt 0Pij(n)>0,则称状态 jjj 是从状态 iii 可达的(accessible)(accessible)(accessible),记作 i→ji \rightarrow ji→j。它表示从状态 iii 经过有限步的转移可以到达状态 jjj。两个互相可达的状态 iii 和 jjj,则称为互达的(communicate)(communicate)(communicate),记作 i⟷j原创 2022-03-24 13:35:09 · 1491 阅读 · 0 评论 -
Markov链的有限维分布完全由它的初始概率和一步转移概率所决定
原创 2022-03-23 19:32:27 · 1448 阅读 · 0 评论 -
利用R语言编程计算Markov链的n步转移概率矩阵
【说明】本代码本质上就是利用R语言编程,实现矩阵的乘法。不过,需要说明的是,本文代码的要求是计算结果以分数形式显示。所以用到了library(MASS)、fractions()等。【R语言代码】library(MASS)p<-matrix(c(1,0,0,0,1/2,0,1/2,0,0,1/2,0,1/2,0,0,0,1), nrow=4, byrow=TRUE)x=p%*%p%*%p%*%pfractions(x)【运行截图】原创 2022-03-23 18:18:19 · 2764 阅读 · 0 评论 -
初等数学术语:整除、整除以 ← 随机过程
在随机过程的Markov链学习过程中,涉及到初等数学术语“整除”及“整除以”,现举例说明:在随机过程的 Markov 链学习过程中,涉及到初等数学术语“整除”及“整除以”,现举例说明:在随机过程的Markov链学习过程中,涉及到初等数学术语“整除”及“整除以”,现举例说明:aaa整除整除整除bbb,表示为ba表示为 \displaystyle \frac {b}{a}表示为abaaa整除以整除以整除以bbb,表示为ab表示为 \displaystyle \frac {a}{b}表示为ba所以,“d原创 2022-03-21 14:47:00 · 457 阅读 · 0 评论 -
在CSDN的Markdown编辑器中编辑多行花括号公式
【在CSDN的Markdown编辑器中编辑多行花括号公式】f(x)={0x=0−1x<01x>0f(x)=\begin{cases}0& \text{x=0}\\[3ex]-1& \text{x<0}\\[3ex]1& \text{x>0}\end{cases}f(x)=⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧0−11x=0x<0x>0【上面公式的对应的代码】$$f(x)=\begin{cases}0& \text{x=0}\\原创 2022-03-20 17:20:32 · 1405 阅读 · 0 评论 -
Ehrenfest 模型
【EhrenfestEhrenfestEhrenfest 模型】设 AAA 和 BBB 两个罐子总共装有 2a2a2a 个球,记在时刻 nnn 时 AAA 罐中有 YnY_nYn 个球,则在时刻 nnn 时 BBB 罐中有 2a−Yn2a-Y_n2a−Yn 个球。则此刻抽中 BBB 罐中的球,使 AAA 罐中的球变为 Yn+1Y_n+1Yn+1 个的概率为 (2a−Yn)/2a(2a-Y_n)/2a(2a−Yn)/2a; 而此刻抽中 AAA 罐中的球,使 AAA 罐中的球变为 Yn−1Y_n-原创 2022-03-20 16:29:03 · 985 阅读 · 0 评论 -
Markov链:初始概率、绝对概率
设 {Xn,n≥0}\{X_n,n \geq 0\}{Xn,n≥0} 为 Markov 链,称 pj=P{X0=j},j∈Sp_j=P\{X_0=j\},j \in Spj=P{X0=j},j∈S 为 初始概率 ,称 pj(n)=P{Xn=j},j∈Sp_j (n)=P\{X_n=j\},j \in Spj(n)=P{Xn=j},j∈S 为 绝对概率 。则有性质:(1)pj(n)=∑i∈Spipij(n),(2)pj(n)=∑i∈Spi(n−1)pij\displaystyle (1) p_j原创 2022-03-16 23:27:23 · 2072 阅读 · 0 评论 -
读书笔记:Poisson过程之事件发生时刻的条件分布
假设到时刻 ttt,Poisson 过程描述的事件 AAA 已经发生了 nnn 次,我们现在来考虑这 nnn 次事件发生的时刻 T1,T2,⋯ ,TnT_1,T_2,\cdots,T_nT1,T2,⋯,Tn 的联合分布。∙\bullet∙ 首先,简化这个问题,考虑 n=1n=1n=1 时的情况,对于 s≤ts \leq ts≤t,有P{T1≤s∣N(t)=1}=P{T1≤s,N(t)=1}P{N(t)=1}\displaystyle P\{T_1 \leq s|N(t)=1\}=\frac原创 2022-03-16 21:46:40 · 1402 阅读 · 0 评论 -
读书笔记:条件 Poisson 过程
【定义】设随机变量 Λ>0\Lambda \gt 0Λ>0,在 Λ=λ\Lambda=\lambdaΛ=λ 的条件下,计数过程 {N(t),t≥0}\{N(t),t\geq 0\}{N(t),t≥0} 是参数为 λ\lambdaλ 的 Poisson 过程,则称 {N(t),t≥0}\{N(t),t\geq 0\}{N(t),t≥0} 为条件 Poisson 过程。【定理】设 {N(t),t≥0}\{N(t),t\geq 0\}{N(t),t≥0} 是条件 Poisson 过程,且 E[原创 2022-03-16 16:37:50 · 979 阅读 · 0 评论 -
读书笔记:复合 Poisson 过程
【定义】称随机过程 {X(t),t≥0}\{X(t),t\geq 0\}{X(t),t≥0} 为复合 Poisson 过程,如果对于 t≥0t\geq 0t≥0,它可以表示为:X(t)=∑i=1N(t)YiX(t)=\sum \limits_{i=1}^{N(t)} Y_iX(t)=i=1∑N(t)Yi式中,{N(t),t≥0}\{N(t),t\geq 0\}{N(t),t≥0} 是一个 Poisson 过程;{Yi,i=1,2,⋯ }\{Y_i,i=1,2,\cdots\}{Yi,i=1,2,⋯原创 2022-03-16 14:36:37 · 2629 阅读 · 1 评论 -
非齐次Poisson过程的期望与方差
求证:强度函数为 λ(t) (λ(t)>0,t≥0)\lambda (t)\ (\lambda (t)\gt 0, t\geq 0)λ(t) (λ(t)>0,t≥0) 的非齐次 Poisson 过程 {N(t),t≥0}\{N(t), t\geq 0\}{N(t),t≥0} 的期望 E[N(t)]E[N(t)]E[N(t)] 与方差 D[N(t)]D[N(t)]D[N(t)] 相等,均为 m(t)=∫0tλ(s)dsm(t)=\int_0^t \lambda(s)dsm(t)原创 2022-03-15 23:21:43 · 4159 阅读 · 0 评论 -
Poisson过程第二种定义的证明中的一个微分方程的求解方法
求证:Pn′(t)=−λPn(t)+λPn−1(t)\displaystyle P_n^{'} (t)=-\lambda P_n(t)+\lambda P_{n-1}(t)Pn′(t)=−λPn(t)+λPn−1(t) 的解为 e−λt(λt)nn!\displaystyle e^{-\lambda t} \frac {(\lambda t)^n}{n!}e−λtn!(λt)n证明:Pn′(t)=−λPn(t)+λPn−1(t)\displaystyle P_n^{'} (t)=-\lambda原创 2022-03-13 23:04:39 · 559 阅读 · 0 评论 -
常用函数的幂级数展开式
【常用函数的幂级数展开式】ex=∑n=0∞xnn!\displaystyle e^x=\sum\limits_{n=0}^{\infty}\frac{x^n}{n!}ex=n=0∑∞n!xnsinx=∑n=0∞(−1)nx2n+1(2n+1)!\displaystyle sinx=\sum\limits_{n=0}^{\infty}(-1)^n \frac{x^{2n+1}}{(2n+1)!}sinx=n=0∑∞(−1)n(2n+1)!x2n+1cosx=∑n=0∞(−1)nx2n(2n)!\原创 2022-03-13 20:39:21 · 15003 阅读 · 1 评论 -
读书笔记:{N(t),t≥0} 个到给定时刻 t 的事件的持续时间和的期望
求证:已知 {N(t),t≥0}\{N(t),t \geq 0\}{N(t),t≥0} 是强度为 λ\lambdaλ 的 Poisson 过程,WiW_iWi 是第 iii 个事件从发生到给定时刻 ttt 的持续时间,则 E[∑i=1N(t)Wi]=t2E[N(t)]=λt22\displaystyle E[\sum\limits_{i=1}^{N(t)}W_i]=\frac{t}{2}E[N(t)]=\frac {\lambda t^2}{2}E[i=1∑N(t)Wi]=2tE[N(t)]=2λt原创 2022-03-13 18:40:29 · 888 阅读 · 2 评论 -
读书笔记:Poisson 过程 {N(t), t≥0} 的数字特征
【Poisson 过程 {N(t), t≥0} 的数字特征】∙ E[N(t)−N(s)]=D[N(t)−N(s)]=λ(t−s)\bullet\ E[N(t)-N(s)]=D[N(t)-N(s)]=\lambda(t-s)∙ E[N(t)−N(s)]=D[N(t)−N(s)]=λ(t−s)∘ E[N(t)]=λt=D[N(t)],(此结论由上式中,当s=0时,N(s)=N(0)=0推出)\circ\ E[N(t)]= \lambda t=D[N(t)], (此结论由上式中,原创 2022-03-13 14:57:55 · 2818 阅读 · 0 评论 -
读书笔记:Poisson 过程 {N(t), t≥0} 的概率
⋅\cdot⋅ Poisson过程 {N(t),t≥0}\{N(t),t\geq 0\}{N(t),t≥0} 是平稳独立增量过程。⋅\cdot⋅ Poisson过程的概率实用计算公式:P{N(s)=k,N(t)=n}P\{N(s)=k,N(t)=n\}P{N(s)=k,N(t)=n}=P{N(s)=k,N(t)−N(s)=n−k}=P\{N(s)=k,N(t)-N(s)=n-k\}=P{N(s)=k,N(t)−N(s)=n−k}=P{N(s)=k}⋅P{N(t)−N(s)=n−k}=P\{N(s)=原创 2022-03-13 00:13:20 · 1627 阅读 · 2 评论 -
求证:原函数与逆函数具有相同的单调性
求证:原函数与逆函数具有相同的单调性证明:设原函数为y=f(x)y=f(x)y=f(x),则其逆函数表示为x=g(y)x=g(y)x=g(y)。不妨设原函数单调递增,则有(x1−x2)[f(x1)−f(x2)]>0(x_1-x_2)[f(x_1)-f(x_2)] \gt 0(x1−x2)[f(x1)−f(x2)]>0,相应的,对其逆函数则有(y1−y2)[g(y1)−g(y2)]=[f(x1)−f(x2)](x1−x2)>0(y_1-y_2)[g(y_1)-g(y_2)]=[原创 2022-03-12 19:10:30 · 1651 阅读 · 0 评论 -
平稳过程的相关函数为偶函数
求证:RX(τ)=RX(−τ)R_X (\tau)=R_X(-\tau)RX(τ)=RX(−τ)证明一:∵ 针对平稳过程,RX(s,t)R_X(s,t)RX(s,t) 记为 RX(t−s)R_X(t-s)RX(t−s)∴ 针对 RX(τ)R_X(\tau)RX(τ),可令 τ=t−s\tau=t-sτ=t−s则 RX(τ)=RX(t−s)=RX(s,t)R_X(\tau)=R_X(t-s)=R_X(s,t)RX(τ)=RX(t−s)=RX(s,t)RX(−τ)=RX(s−t)=RX原创 2022-03-11 22:06:04 · 1248 阅读 · 0 评论 -
读书笔记:收敛性 ← 随机过程
◆ 几乎必然收敛/以概率1收敛P{limn→∞(Xn−X)=0}=1P\{\lim\limits_{n\rightarrow\infty} (X_n-X)=0\}=1P{n→∞lim(Xn−X)=0}=1,记为Xn→a.s.XX_n\xrightarrow{a.s.}XXna.s.X◆ 依概率收敛limn→∞P{∣Xn−X∣≥ϵ}=0\lim\limits_{n\rightarrow\infty}P\{|X_n-X|\ge\epsilon\}=0n→∞limP{∣Xn−X∣≥ϵ}=0,原创 2022-03-04 22:15:56 · 1222 阅读 · 0 评论 -
卷积满足交换律:F*G(x)=G*F(x)
求证:卷积满足交换律F∗G(x)=G∗F(x)F*G(x)=G*F(x)F∗G(x)=G∗F(x)证明:依据卷积的定义,F∗G(x)≜∫−∞+∞G(x−t)F(t)dtF*G(x) \triangleq \int_{-\infty}^{+\infty} G(x-t)F(t) dtF∗G(x)≜∫−∞+∞G(x−t)F(t)dt,而,G∗F(x)≜∫−∞+∞F(x−t)G(t)dtG*F(x) \triangleq \int_{-\infty}^{+\infty} F(x-t)G(t) dtG∗F(x)原创 2022-03-04 20:01:20 · 5757 阅读 · 0 评论 -
卷积知识点的例题
【卷积知识点的例题】原创 2022-03-04 12:19:45 · 861 阅读 · 0 评论 -
连续型随机变量在某一点的概率值为0 ← 随机过程
【连续型随机变量在某一点的概率值为0】原创 2022-03-04 09:43:29 · 2153 阅读 · 0 评论 -
集合序列的上极限和下极限
设{ An,n≥1{A_n,n \ge 1}An,n≥1 },求⋂n=1∞⋃k=n∞Ak\bigcap\limits_{n=1}^\infty \bigcup\limits_{k=n}^\infty A_kn=1⋂∞k=n⋃∞Ak 及⋃n=1∞⋂k=n∞Ak\bigcup\limits_{n=1}^\infty \bigcap\limits_{k=n}^\infty A_kn=1⋃∞k=n⋂∞Ak,其中A1={1,a}A_1=\left\{1,a \right\}A1={1,a},A2={0原创 2022-02-25 00:05:09 · 2178 阅读 · 0 评论 -
向量间求导规则
● 向量间求导规则●验证向量间求导等计算结果的网站http://www.matrixcalculus.org/● 参考文献https://www.zhihu.com/question/352174717/answer/1436808747https://zhuanlan.zhihu.com/p/273729929https://zhuanlan.zhihu.com/p/288541909...原创 2022-02-20 23:20:37 · 146 阅读 · 0 评论 -
函数f的上确界/下确界(sup/inf)的通俗理解,及其与最大值/最小值(max/min)的区别
【定义】上确界sup 的定义:一个函数/集合最小的上界下确界inf 的定义:一个函数/集合最大的下界【实例】例如,给定函数f(x)=x,x∈(2,8)。由于这个函数的定义域是个开区间(2,8),所以这个函数没有最大值和最小值:当x无限趋近于2的时候,f(x)无限趋近于2,但是无法等于2,所以没有最小值;当x无限趋近于8的时候,f(x)无限趋近于8,但是无法等于8,所以没有最大值。但是,依据上确界/下确界(sup/inf)的定义,可知函数f(x)=x,x∈(2,8)的上确界为8,下确界.原创 2022-02-20 09:44:39 · 9519 阅读 · 2 评论 -
更新推理是更新过程中的一种常用分析方法
【更新点】我们将更新过程中每次更新的时刻称为更新点。由于更新之后,系统恢复如新,所以过程的概率性质与原过程相同。如设s时刻为一更新点,则(s,t]时间区间内更新发生的次数与(0,t-s]之间的更新发生次数同分布,这种性质在其他时刻是没有的。【更新推理】更新推理是更新过程中的一种常用分析方法,它的基本思路是对更新点取条件期望或概率,利用更新点系统恢复如新的性质,条件期望或概率可以化为无条件期望或概率,使计算得以简化,通常可以得到一个积分方程。尽管可以取任意更新点作为条件,但一般取第一个更新点或t时刻之前原创 2022-01-23 11:38:44 · 268 阅读 · 0 评论 -
对变上下限积分函数的一般求导方法(如更新方程求导)
【对变上下限积分函数的一般求导方法】原创 2022-01-22 12:35:18 · 9474 阅读 · 1 评论 -
更新过程重要知识点
【更新过程重要知识点】原创 2022-01-20 16:08:23 · 549 阅读 · 0 评论 -
泊松过程中各个事件持续时间之和的期望
【泊松过程中各个事件持续时间之和的期望】原创 2022-01-18 08:40:47 · 1291 阅读 · 0 评论