这里写目录标题
1. 预备知识
条件期望与方差的计算
相关系数
B
X
Y
=
E
{
[
X
−
E
(
X
)
]
[
Y
−
E
(
Y
)
]
}
B_{XY} = E\{[X- E(X)] [Y- E(Y)]\}
BXY=E{[X−E(X)][Y−E(Y)]}
n维正态分布的概率密度
f
(
x
1
,
x
2
,
.
.
.
,
x
n
)
=
(
2
π
)
−
1
2
∣
C
∣
−
1
2
e
x
p
{
−
1
2
(
x
−
μ
)
T
C
−
1
(
x
−
μ
)
}
f(x_1, x_2,...,x_n) = (2 \pi )^{-\frac{1}{2} } \left | C \right | ^{-\frac{1}{2} } exp\{-\frac{1}{2}(x-\mu )^TC^{-1}(x-\mu ) \}
f(x1,x2,...,xn)=(2π)−21∣C∣−21exp{−21(x−μ)TC−1(x−μ)}
各
参
数
的
含
义
如
下
:
C
=
(
c
i
j
)
n
∗
n
,
c
i
j
=
C
o
v
(
X
i
,
X
j
)
μ
=
(
μ
1
,
μ
2
,
.
.
.
.
,
μ
n
)
T
各参数的含义如下:\\ C = (c_{ij})_{n*n}, c_{ij}= Cov(X_i,X_j) \\ \mu = (\mu_1, \mu_2,...., \mu_n) ^T
各参数的含义如下:C=(cij)n∗n,cij=Cov(Xi,Xj)μ=(μ1,μ2,....,μn)T
2 基本概念
习题1. 求随机过程X(t)的概率密度
设
随
机
变
量
Y
具
有
概
率
密
度
f
(
y
)
,
令
:
X
(
t
)
=
e
Y
t
,
t
>
0
,
Y
>
0
求
随
机
过
程
X
(
t
)
的
一
维
概
率
密
度
及
E
X
(
t
)
,
R
x
(
t
1
,
t
2
)
设随机变量Y具有概率密度f(y), 令: \\ X(t) = e^{Yt}, t > 0, Y > 0 \\ 求随机过程X(t)的一维概率密度及EX(t), Rx(t_1, t_2)
设随机变量Y具有概率密度f(y),令:X(t)=eYt,t>0,Y>0求随机过程X(t)的一维概率密度及EX(t),Rx(t1,t2)
(
1
)
f
t
(
x
)
=
f
(
y
)
∣
y
′
(
x
)
∣
=
f
(
y
)
/
∣
x
′
(
y
)
∣
=
f
(
−
l
n
x
t
)
/
(
t
x
)
(
2
)
X
(
t
)
的
均
值
函
数
和
相
关
函
数
分
别
为
:
E
X
(
t
)
=
E
(
e
Y
t
)
=
∫
0
∞
f
(
y
)
e
−
y
t
d
y
R
x
(
t
1
,
t
2
)
=
E
[
X
(
t
1
)
X
(
t
2
)
]
=
∫
0
∞
f
(
y
)
e
−
y
(
t
1
+
t
2
)
d
y
(1) f_t(x) = f(y)|y^{'}(x)| = f(y) / |x^{'}(y)| = f(- \frac{lnx}{t}) / (tx) \\ (2)X(t)的均值函数和相关函数分别为: \\ EX(t) = E(e^{Yt}) = \int_{0}^{\infty} f(y) e^{-yt} dy \\ Rx(t_1, t_2) = E[X(t_1)X(t_2)] = \int_{0}^{\infty} f(y) e^{-y(t_1+ t_2)} dy
(1)ft(x)=f(y)∣y′(x)∣=f(y)/∣x′(y)∣=f(−tlnx)/(tx)(2)X(t)的均值函数和相关函数分别为:EX(t)=E(eYt)=∫0∞f(y)e−ytdyRx(t1,t2)=E[X(t1)X(t2)]=∫0∞f(y)e−y(t1+t2)dy
习题2. 讨论随机过程的平稳性
- 如果随机过程 m x ( t ) m_x(t) mx(t) = 常数
- R x ( s , t ) = E [ X ( s ) X ( t ) ] = R x ( s − t ) R_x(s,t) = E[X(s) X(t)] = R_x(s-t) Rx(s,t)=E[X(s)X(t)]=Rx(s−t), 只和(s-t)有关
- {X(t)}是二阶矩过程
由此可以推断出X(t) 是广义平稳过程
设 随 机 过 程 X ( t ) = Y c o s ( θ t ) + Z s i n ( θ t ) Y , Z 服 从 标 准 正 态 分 布 , 所 以 m X ( t ) = 0 , R ( s , t ) = δ 2 c o n s [ ( t − s ) θ ] 设随机过程 \\ X(t) = Ycos(\theta t) + Zsin(\theta t) \\ Y, Z服从标准正态分布,所以\\ m_X(t) = 0, R(s,t) = \delta^2cons[(t-s)\theta] 设随机过程X(t)=Ycos(θt)+Zsin(θt)Y,Z服从标准正态分布,所以mX(t)=0,R(s,t)=δ2cons[(t−s)θ]
由此可以证明是广义的平稳过程
习题3 维纳过程及其相关函数
习题4
维纳过程的有限维密度函数
3. 泊松过程
泊松过程的数字特征
m x ( t ) = E [ X ( t ) ] = λ t R x ( s , t ) = λ s ( λ t + 1 ) B x ( s , t ) = λ m i n ( s , t ) 特 征 函 数 为 : g X ( u ) = E [ e i u X ( t ) ] = e λ t ( e i u − 1 ) m_x(t) = E[X(t)] = \lambda t \\ R_x(s,t) = \lambda s(\lambda t + 1) \\ B_x(s,t) = \lambda min(s,t) \\ 特征函数为: g_X(u) = E[e^{iuX(t)}] = e^{\lambda t(e^{iu - 1})} mx(t)=E[X(t)]=λtRx(s,t)=λs(λt+1)Bx(s,t)=λmin(s,t)特征函数为:gX(u)=E[eiuX(t)]=eλt(eiu−1)
爱尔兰分布
f
s
n
(
t
)
=
{
λ
e
−
λ
t
(
λ
t
)
n
−
1
(
n
−
1
)
!
,
t
≥
0
0
,
t
<
0
f_{s_{n}}(t)=\left\{\begin{array}{lr} \lambda e^{-\lambda t} \frac{(\lambda t)^{n-1}}{(n-1) !}, & t \geq 0 \\ 0, & t<0 \end{array}\right.
fsn(t)={λe−λt(n−1)!(λt)n−1,0,t≥0t<0
推导过程如下:
证
因
S
n
是
事
件
A
第
n
次
出
现
的
时
刻
,
故
{
S
n
≤
t
}
=
{
N
(
t
)
≥
n
}
=
{
(
0
,
t
)
内
A
至
少
出
现
n
次
}
F
S
n
(
t
)
=
P
{
S
n
≤
t
}
=
∑
k
=
n
∞
(
λ
t
)
k
k
!
e
−
λ
t
,
t
≥
0
f
S
n
(
t
)
=
F
S
n
′
(
t
)
=
∑
k
=
n
∞
λ
(
λ
t
)
k
−
1
(
k
−
1
)
!
e
−
λ
t
−
∑
k
=
n
∞
λ
(
λ
t
)
k
k
!
e
−
λ
t
,
=
λ
e
−
λ
t
(
λ
t
)
n
−
1
(
n
−
1
)
!
,
t
≥
0.
证 因 S_{n} 是事件 A 第 n 次出现的时刻, 故 \left\{S_{n} \leq t\right\}=\{N(t) \geq n\}=\{(0, t) 内 A 至少出现 n 次 \} \\ \begin{aligned} F_{S_{n}}(t) &=P\left\{S_{n} \leq t\right\}=\sum_{k=n}^{\infty} \frac{(\lambda t)^{k}}{k !} e^{-\lambda t}, t \geq 0 \\ f_{S_{n}}(t) &=F_{S_{n}}^{\prime}(t)=\sum_{k=n}^{\infty} \frac{\lambda(\lambda t)^{k-1}}{(k-1) !} e^{-\lambda t}-\sum_{k=n}^{\infty} \lambda \frac{(\lambda t)^{k}}{k !} e^{-\lambda t}, \\ &=\lambda e^{-\lambda t} \frac{(\lambda t)^{n-1}}{(n-1) !}, \quad t \geq 0 . \end{aligned}
证因Sn是事件A第n次出现的时刻,故{Sn≤t}={N(t)≥n}={(0,t)内A至少出现n次}FSn(t)fSn(t)=P{Sn≤t}=k=n∑∞k!(λt)ke−λt,t≥0=FSn′(t)=k=n∑∞(k−1)!λ(λt)k−1e−λt−k=n∑∞λk!(λt)ke−λt,=λe−λt(n−1)!(λt)n−1,t≥0.
到达时间的条件分布
P { X 1 < = s ∣ N ( t ) = 1 } = s t 证 明 如 下 : P { X 1 ≤ s ∣ N ( t ) = 1 } = P { X 1 ≤ s , N ( t ) = 1 } P { N ( t ) = 1 } = P { N ( s ) = 1 , N ( t ) − N ( s ) = 0 } P { N ( t ) = 1 } = ( λ s ) e − λ s ⋅ e − λ ( t − s ) ( λ t ) e − λ t = s t P\{ X_1 <= s | N(t) = 1\}= \frac {s}{t} \\ 证明如下: \\ \begin{aligned} & P\left\{X_{1} \leq s \mid N(t)=1\right\}=\frac{P\left\{X_{1} \leq s, N(t)=1\right\}}{P\{N(t)=1\}} \\ =& \frac{P\{N(s)=1, N(t)-N(s)=0\}}{P\{N(t)=1\}} \\ =& \frac{(\lambda s) e^{-\lambda s} \cdot e^{-\lambda(t-s)}}{(\lambda t) e^{-\lambda t}}=\frac{s}{t} \end{aligned} P{X1<=s∣N(t)=1}=ts证明如下:==P{X1≤s∣N(t)=1}=P{N(t)=1}P{X1≤s,N(t)=1}P{N(t)=1}P{N(s)=1,N(t)−N(s)=0}(λt)e−λt(λs)e−λs⋅e−λ(t−s)=ts
顺序统计量的概率密度
习题1. 独立变量的顺序统计量
习题2. (非必要)
习题3. 电话呼叫问题
非时齐的的泊松过程计算
证明泊松过程是一个时间连续的马氏链
想要证明此命题, 首先需要的是证明 泊松过程的马氏性
, 然后需要证明他的齐次性
证明泊松过程
4. 离散的马尔科夫链
齐次马氏链
5. 连续时间的马尔可夫过程
例题1.M/M/1 排队系统
在
此
排
队
系
统
中
μ
k
=
μ
,
λ
k
=
λ
在此排队系统中 \mu_k = \mu, \lambda _k = \lambda
在此排队系统中μk=μ,λk=λ
∞
μ
p
i
,
i
+
1
(
h
)
=
λ
h
+
o
(
h
)
,
p
i
,
i
−
1
(
h
)
=
μ
h
+
o
(
h
)
,
i
=
1
,
2
,
⋯
同理可求得
p
i
j
(
h
)
=
o
(
h
)
,
∣
i
−
j
∣
>
1
p
i
i
(
h
)
=
1
−
λ
i
h
−
μ
i
h
+
o
(
h
)
,
故
{
X
(
t
)
,
t
≥
0
}
是生灭过程
其中
λ
i
=
λ
,
i
≥
0
μ
i
=
μ
i
≥
1
\infty \mu \begin{array}{l} \boldsymbol{p}_{i, i+1}(\boldsymbol{h})=\lambda \boldsymbol{h}+\boldsymbol{o}(\boldsymbol{h}), \\ \boldsymbol{p}_{i, i-1}(\boldsymbol{h})=\mu \boldsymbol{h}+\boldsymbol{o}(\boldsymbol{h}), \boldsymbol{i}=\mathbf{1}, \mathbf{2}, \cdots \quad \text { 同理可求得 } \\ \boldsymbol{p}_{i j}(\boldsymbol{h})=\boldsymbol{o}(\boldsymbol{h}),|\boldsymbol{i}-\boldsymbol{j}|>\mathbf{1} \\ \boldsymbol{p}_{i i}(\boldsymbol{h})=\mathbf{1}-\lambda_{i} \boldsymbol{h}-\mu_{i} \boldsymbol{h}+\boldsymbol{o}(\boldsymbol{h}), \\ \text { 故 }\{\boldsymbol{X}(\boldsymbol{t}), \boldsymbol{t} \geq \mathbf{0}\} \text { 是生灭过程 } \\ \text { 其中 } \quad \lambda_{i}=\lambda, \quad \boldsymbol{i} \geq \mathbf{0} \\ \quad \mu_{i}=\mu \quad \boldsymbol{i} \geq \mathbf{1} \end{array}
∞μpi,i+1(h)=λh+o(h),pi,i−1(h)=μh+o(h),i=1,2,⋯ 同理可求得 pij(h)=o(h),∣i−j∣>1pii(h)=1−λih−μih+o(h), 故 {X(t),t≥0} 是生灭过程 其中 λi=λ,i≥0μi=μi≥1
当
λ
<
μ
\lambda < \mu
λ<μ时
, 才会有平稳分布,并且平稳分布是:
p
0
=
1
−
λ
μ
=
1
−
ρ
,
ρ
=
λ
μ
,
p
n
=
(
λ
μ
)
n
(
1
−
λ
μ
)
=
ρ
n
(
1
−
ρ
)
\begin{array}{l} p_{0}=1-\frac{\lambda}{\mu}=1-\rho, \rho=\frac{\lambda}{\mu}, \\ p_{n}=\left(\frac{\lambda}{\mu}\right)^{n}\left(1-\frac{\lambda}{\mu}\right)=\rho^{n}(1-\rho) \end{array}
p0=1−μλ=1−ρ,ρ=μλ,pn=(μλ)n(1−μλ)=ρn(1−ρ)
P_n 服从1-p的几何分布,各个通项公式为:
{
p
0
=
(
1
+
∑
j
=
1
∞
λ
0
λ
1
…
λ
j
−
1
μ
1
μ
2
…
μ
j
)
−
1
p
1
=
λ
0
μ
1
p
0
,
p
2
=
λ
0
λ
1
μ
1
μ
2
p
0
,
⋯
p
k
=
λ
0
λ
1
…
λ
k
−
1
μ
1
μ
2
…
μ
k
p
0
\left\{\begin{array}{l} p_{0}=\left(1+\sum_{j=1}^{\infty} \frac{\lambda_{0} \lambda_{1} \ldots \lambda_{j-1}}{\mu_{1} \mu_{2} \ldots \mu_{j}}\right)^{-1} \\ p_{1}=\frac{\lambda_{0}}{\mu_{1}} p_{0}, p_{2}=\frac{\lambda_{0} \lambda_{1}}{\mu_{1} \mu_{2}} p_{0, \cdots} \\ p_{k}=\frac{\lambda_{0} \lambda_{1} \ldots \lambda_{k-1}}{\mu_{1} \mu_{2} \ldots \mu_{k}} p_{0} \end{array}\right.
⎩⎪⎪⎨⎪⎪⎧p0=(1+∑j=1∞μ1μ2…μjλ0λ1…λj−1)−1p1=μ1λ0p0,p2=μ1μ2λ0λ1p0,⋯pk=μ1μ2…μkλ0λ1…λk−1p0
1. 系统中顾客的平均数为:
L
s
=
∑
n
=
0
∞
n
p
n
=
∑
n
=
1
∞
n
(
λ
μ
)
n
(
1
−
λ
μ
)
=
λ
μ
−
λ
\boldsymbol{L}_{s}=\sum_{n=0}^{\infty} \boldsymbol{n} \boldsymbol{p}_{n}=\sum_{n=1}^{\infty} n\left(\frac{\lambda}{\mu}\right)^{n}\left(1-\frac{\lambda}{\mu}\right)=\frac{\lambda}{\mu-\lambda}
Ls=n=0∑∞npn=n=1∑∞n(μλ)n(1−μλ)=μ−λλ
2. 排队等候的顾客平均数为:
L
Q
=
∑
n
=
1
∞
(
n
−
1
)
p
n
=
∑
n
=
1
∞
n
p
n
−
∑
n
=
1
∞
p
n
=
λ
2
μ
(
μ
−
λ
)
L_{Q}=\sum_{n=1}^{\infty}(n-1) p_{n}=\sum_{n=1}^{\infty} n p_{n}-\sum_{n=1}^{\infty} p_{n}=\frac{\lambda^{2}}{\mu(\mu-\lambda)}
LQ=n=1∑∞(n−1)pn=n=1∑∞npn−n=1∑∞pn=μ(μ−λ)λ2
3. 顾客在系统中所花费的时间的平均数
W
s
=
∑
n
=
0
∞
E
{
顾
客
A
在
系
统
中
花
费
的
时
间
∣
系
统
中
有
n
个
顾
客
}
p
n
=
∑
n
=
0
∞
(
n
+
1
)
1
μ
p
n
=
1
μ
∑
n
=
0
∞
n
p
n
+
1
μ
∑
n
=
0
∞
p
n
=
1
μ
−
λ
W_{s}=\sum_{n=0}^{\infty} E\{ 顾客 A 在系统中花费的时间|系统中有 n 个顾客 \} p_{n} \\ =\sum_{n=0}^{\infty}(n+1) \frac{1}{\mu} p_{n}=\frac{1}{\mu} \sum_{n=0}^{\infty} n p_{n}+\frac{1}{\mu} \sum_{n=0}^{\infty} p_{n}=\frac{1}{\mu-\lambda}
Ws=n=0∑∞E{顾客A在系统中花费的时间∣系统中有n个顾客}pn=n=0∑∞(n+1)μ1pn=μ1n=0∑∞npn+μ1n=0∑∞pn=μ−λ1
4. 顾客花在排队等候的时间平均值
W
q
=
∑
n
=
0
∞
E
{
顾客
A
排队等候的时间
∣
已经有
n
个顾客在系统中
}
p
n
=
∑
n
=
0
∞
n
μ
p
n
=
1
μ
∑
n
=
0
∞
n
p
n
=
1
μ
λ
μ
−
λ
\begin{aligned} W_{q} &=\sum_{n=0}^{\infty} E\{\text { 顾客 } A \text { 排队等候的时间 } \mid \text { 已经有 } n \text { 个顾客在系统中 }\} p_{n} \\ &=\sum_{n=0}^{\infty} \frac{n}{\mu} p_{n}=\frac{1}{\mu} \sum_{n=0}^{\infty} n p_{n}=\frac{1}{\mu} \frac{\lambda}{\mu-\lambda} \end{aligned}
Wq=n=0∑∞E{ 顾客 A 排队等候的时间 ∣ 已经有 n 个顾客在系统中 }pn=n=0∑∞μnpn=μ1n=0∑∞npn=μ1μ−λλ
例题2. Fokker-Planck(福克-普朗克)方程
{ p ′ ( t ) = − λ 0 p 0 ( t ) + μ 1 p 1 ( t ) p j ′ ( t ) = λ j − 1 p j − 1 ( t ) − ( λ j + μ j ) p j ( t ) + μ j + 1 p j + 1 p in ( 0 ) = { 1 , n = i 0 , n ≠ i \left\{\begin{array}{l} p^{\prime}(t)=-\lambda_{0} p_{0}(t)+\mu_{1} p_{1}(t) \\ p_{j}^{\prime}(t)=\lambda_{j-1} p_{j-1}(t)-\left(\lambda_{j}+\mu_{j}\right) p_{j}(t)+\mu_{j+1} p_{j+1} \end{array}\right.\\ p_{\text {in }}(0)=\left\{\begin{array}{ll} 1, & n=i \\ 0, & n \neq i \end{array}\right. {p′(t)=−λ0p0(t)+μ1p1(t)pj′(t)=λj−1pj−1(t)−(λj+μj)pj(t)+μj+1pj+1pin (0)={1,0,n=in=i
例题二: 质点的随机游动
6. 平稳过程的谱密度
什么是平稳过程的谱密度