随机过程学习笔记
文章平均质量分 92
随机过程笔记
Statistic_Code
记录学习点滴,分享生动观点
展开
-
第六课:遍历性定理
第六课:遍历性定理一、弱遍历定理定理内容: 当XXX 是不可约正常返链时,对∀i,j∈S\forall i,j\in S∀i,j∈S,有limn→∞1n∑k=1npij(k)=1mjj=πj\lim_{n\to \infin}\frac{1}{n}\sum_{k=1}^n p_{ij}^{(k)}=\frac{1}{m_{jj}}=\pi_jlimn→∞n1∑k=1npij(k)=mjj1=πj注:(1)这里的πj\pi_jπj 就是前一课讲的不变(平稳)分布μj\mu_jμj.原创 2021-10-27 09:16:51 · 867 阅读 · 0 评论 -
第五课:一步概率分析
第五课: 首访概率与时间在马氏链的研究和应用当中,状态的首次到达时间或首次回访时间是非常重要的观察变量。这一节我们将通过寻找恰当的计算方法,进一步讨论这类随机变量的分布、性质与应用。为叙述方便,若无特别声明,本节总设马氏链X={Xn:n≥0}X=\{X_n:n\ge 0\}X={Xn:n≥0} 的转移概率矩阵P=(pij)i,j∈SP=(p_{ij})_{i,j\in S}P=(pij)i,j∈S一.首访概率与时间(一步概率分析)1. fijf_{ij}fij的计算fij=Pi(τj<原创 2021-10-20 21:15:36 · 156 阅读 · 0 评论 -
第四课:马氏链的状态分类
第四课:马氏链的状态分类以下总设马氏链X={Xn:n≥0}X=\{X_n:n\ge0\}X={Xn:n≥0}的转移概率矩阵P=(pij)i,j∈SP=(p_{ij})_{i,j\in S}P=(pij)i,j∈S.为方便,分别记E(.∣X0=i)和P(.∣X0=i)E(.|X_0=i)和P(.|X_0=i)E(.∣X0=i)和P(.∣X0=i)为Ei(.)和Pi(.)E_i(.)和P_{i}(.)Ei(.)和Pi(.).一.互通、本质、不可约(1)可达与互通定义1: 设i,j∈S原创 2021-10-19 20:35:12 · 855 阅读 · 0 评论 -
第三课:马氏链
第三课:马氏链1.定义设X={Xn:n∈N}X=\{X_n: n \in \N\}X={Xn:n∈N} 是状态空间为S∈ZS \in \ZS∈Z 的随机过程, 若对∀n∈N\forall n \in \N∀n∈N 和 ∀i0,i1,...,in−1,i,j∈S\forall i_0,i_1,...,i_{n-1},i,j \in S∀i0,i1,...,in−1,i,j∈S 有 P(Xn+1=j∣Xn=i,Xn−1=in−1,...,X0=i0)=P(Xn+1=j∣Xn=i)P(X_{n原创 2021-09-19 10:10:55 · 155 阅读 · 0 评论 -
第二课:Poisson过程
第二课 : Poisson过程1. 导言先对照着第一节课内容的框架简单复习:【什么是随机过程?】:既有时间维度也有随机属性的二元函数——同一概率空间上的一族随机变量.【随机过程怎么刻画?】: 用有限维分布族刻画【不同随机过程之间的关系】:版本、修正、不可区分、独立【随机过程的数值特征】:均值、方差、自相关函数、协方差【几类典型的随机过程】:独立增量过程、平稳独立增量过程、计数过程、Poisson过程.2. Poisson过程定义及命题定义: 设N={N(t):t≥0}N=\{N(原创 2021-09-13 21:07:01 · 430 阅读 · 0 评论 -
第一课: 随机过程简介
第一课 : 随机过程简介一、基本概念Q1:什么是随机过程?在介绍什么是随机过程之前,先了解下述两个概念:【随机】的【不是过程】的是什么东西?答案是【随机变量】: X(ω):Ω→RX(\omega):\Omega \to \mathcal{R}X(ω):Ω→R随机变量就是将 样本空间映射到实数域上的一个映射.【不随机】的【过程】是什么?答案是【函数】:f(t):T→Rf(t):T \to \mathcal{R}f(t):T→R .函数可以将一段时间按照一定规则确定的映射成一个实数.而我们原创 2021-09-06 21:36:36 · 351 阅读 · 0 评论