![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
《随机过程》学习笔记
《随机过程》(苏中根编著)的知识点纲要。
江景页
学习笔记移步博客园发表。
https://www.cnblogs.com/jy333/
展开
-
12.第八章 平稳随机过程遍历性
第八章 平稳随机过程遍历性1.时间平均与空间平均对于随机变量,其加权平均实际上就是数学其期望,也就是μ=EX=∑k=1Npkxk或μ=EX=∫Rxp(x)dx\mu=EX=\sum_{k=1}^N p_kx_k或\mu=EX=\int_\R xp(x)dxμ=EX=k=1∑Npkxk或μ=EX=∫Rxp(x)dx由Khinchin大数定律得,独立同分布的随机变量XiX_iXi,有1n∑i=1nXi→Pμ\frac1n \sum_{i=1}^n X_i\stackrel P\to \mu原创 2020-09-07 10:57:03 · 6853 阅读 · 0 评论 -
11.第七章 Brown运动(2)
第七章 Brown运动(2)1.无界变差与Ito积分无界变差,即对连续函数进行取点、分割、作和后得到的是一个无界量。对于[a,b][a,b][a,b]上的实值函数GGG,对[a,b][a,b][a,b]进行分割Δ:a=x0<x1<⋯<xn=b\Delta:a=x_0<x_1<\cdots<x_n=bΔ:a=x0<x1<⋯<xn=b,如果supΔ∑i=1n∣G(xi)−G(xi−1)∣<∞\sup\limits_\Delta\sum\li原创 2020-09-07 10:36:15 · 802 阅读 · 1 评论 -
10.第七章 Brown运动(1)
第七章 Brown运动(1)1.Brown运动的基础信息Brown运动:令B=(B(t),t≥0)\boldsymbol B=(B(t),t\ge 0)B=(B(t),t≥0)是实数值随机过程,如果满足初始值:B(0)=0B(0)=0B(0)=0;独立增量:如果0<t1<t2<⋯<tk0<t_1<t_2<\cdots<t_k0<t1<t2<⋯<tk,则B(t1),B(t2)−B(t1),⋯ ,B(tk)−B(tk−1)B原创 2020-09-07 10:32:06 · 2196 阅读 · 0 评论 -
09.第五章 Galton-Watson分枝过程
第五章 Galton-Watson分枝过程1.分枝过程模型令ξ\xiξ是一个非负整型随机变量,分布是P(ξ=k)=pk,k≥0,p0<1P(\xi=k)=p_k,k\ge 0,p_0<1P(ξ=k)=pk,k≥0,p0<1。假设某物种繁衍的后代数服从ξ\xiξ的分布,且物种内每个个体的繁衍是独立的,第一代个体为Z1Z_1Z1,第二代为Z2Z_2Z2,自然地有Zn+1=∑j=1Znξn,jZ_{n+1}=\sum_{j=1}^{Z_n}\xi_{n,j}Zn+1=j=1∑原创 2020-09-07 10:10:08 · 2372 阅读 · 0 评论 -
08.第四章 Markov链(3)
第四章 Markov链(3)1.平稳Markov链Markov链的极限分布:对于状态空间为E={1,2,⋯ ,N}\mathcal E=\{1,2,\cdots,N\}E={1,2,⋯,N}的Markov链X\boldsymbol XX,其转移概率矩阵为P\boldsymbol PP,初始分布为p0\boldsymbol p_0p0。如果存在E\mathcal EE上的一个概率分布μ=(μ1,⋯ ,μN)\boldsymbol \mu=(\mu_1,\cdots,\mu_N)μ=(μ1,⋯,μN)原创 2020-09-07 08:40:56 · 1287 阅读 · 0 评论 -
07.第四章 Markov链(2)
第四章 Markov链(2)1.状态空间分解可达:对于状态空间为E\mathcal EE的Markov链X\boldsymbol XX,对于状态i≠j∈Ei\ne j\in \mathcal Ei=j∈E,如果存在n≥1n\ge 1n≥1使得pij(n)>0p_{ij}^{(n)}>0pij(n)>0,则称状态iii可到达jjj,记作i→ji\to ji→j。可达性即两个状态之间能够通过有限步骤到达。互达(互通):如果i→ji\to ji→j且j→ij\to ij→i,则称状态原创 2020-09-07 08:37:57 · 1450 阅读 · 0 评论 -
06.第四章 Markov链(1)
第四章 Markov链(1)1.Markov链的基本信息Markov性:即无后效性。如果定义{Xn=i}\{X_n=i\}{Xn=i}为随机过程XXX在nnn时刻位于状态iii,则Markov性表现为:对任意n≥0n\ge0n≥0,任意状态i,j,i0,i1,⋯ ,in−1i,j,i_0,i_1,\cdots,i_{n-1}i,j,i0,i1,⋯,in−1,有P(Xn+1=j∣Xn=i,Xn−1=in−1,⋯ ,X0=i0)=P(Xn+1=j∣Xn=i)P(X_{n+1}=j|X_n=i,原创 2020-09-07 08:32:06 · 961 阅读 · 0 评论 -
05.第三章 Poisson过程(3)
第三章 Poisson过程(3)1.非齐次Poisson过程齐次Poisson过程的特点是平稳增量,当发生事件的频度并不恒定时,就产生非齐次Poisson过程。非齐次Poisson过程需要满足以下条件:初始条件:N(0)=0,N(t)≥0N(0)=0,N(t)\ge0N(0)=0,N(t)≥0;独立增量性:N(t1),N(t2)−N(t1),⋯N(t_1),N(t_2)-N(t_1),\cdotsN(t1),N(t2)−N(t1),⋯相互独立;稀有性:存在一个非负函数λ(t)\l原创 2020-09-06 18:54:20 · 3388 阅读 · 0 评论 -
04.第三章 Poisson过程(2)
第三章 Poisson过程(2)1.Poisson过程的合成与分解泊松过程的合成:对于两个泊松过程N1,N2\boldsymbol N_1,\boldsymbol N_2N1,N2,参数分别为λ1,λ2\lambda_1,\lambda_2λ1,λ2,令N(t)=N1(t)+N2(t)N(t)=N_1(t)+N_2(t)N(t)=N1(t)+N2(t),则N=(N(t),t≥0)\boldsymbol N=(N(t),t\ge0)N=(N(t),t≥0)是参数为λ1+λ2\lambda_1+原创 2020-09-06 18:51:45 · 4152 阅读 · 1 评论 -
03.第三章 Poisson过程(1)
第三章 Poisson过程(1)1.Poisson过程的定义记N(s,t]N(s,t]N(s,t]为(s,t](s,t](s,t]时间段内事件发生的次数,也就是一个计数过程,N(t)=N(0,t]N(t)=N(0,t]N(t)=N(0,t],则满足以下要求的随机过程N=(N(t),t≥0)\boldsymbol N =(N(t),t\ge 0)N=(N(t),t≥0)是Poisson过程:初始条件:N(0)=0,N(t)≥0N(0)=0,N(t)\ge 0N(0)=0,N(t)≥0;独立增量原创 2020-09-06 18:10:50 · 5608 阅读 · 3 评论 -
02.第二章 随机过程基本概念
第二章 随机过程基本概念1.随机过程的定义,分布假设(Ω,A,P)(\Omega,\mathcal A,P)(Ω,A,P)是概率空间,TTT是指标集,E\mathcal EE是点集。称一族随机变量X(ω,t):Ω→E,t∈TX(\omega,t):\Omega\to \mathcal E,t\in TX(ω,t):Ω→E,t∈T为随机过程,记作X=(X(t),t∈T)\boldsymbol X=(X(t),t\in T)X=(X(t),t∈T)。这里TTT是时间参数空间,E\mathcal EE为状态空原创 2020-09-06 12:38:55 · 663 阅读 · 0 评论 -
01.第一章 初等概率论
第一章 初等概率论1.概率空间、随机变量与数字特征概率空间通常记作(Ω,F,P)(\Omega, \mathcal F, P)(Ω,F,P),其中Ω\OmegaΩ是样本空间表示随机试验的所有可能基本结果,F\mathcal FF表示事件域,PPP代表概率。Ω\OmegaΩ由一系列样本点ω\omegaω组成(有限或无限),且P(Ω)=1P(\Omega)=1P(Ω)=1;F\mathcal FF是事件域,是所有事件AAA的集合;每一个事件AAA包含一系列样本点ω\omegaω;PPP是作用于事件域原创 2020-09-06 12:31:24 · 1020 阅读 · 0 评论