前言:前面12节课是有关概率的知识,这节课是开始需要研究随时间变化的现象,也就是随机过程,random processes ,stochastic processes。random processes are supposed to be models that capture the evolution of random phenomena over time,这节课讲伯努利过程。
先从简单的随机过程开始讲起,伯努利过程是离散时间的随机过程。
两种解读方式:
第一种是每个时间对应一个单独的独立随机变量,随时间进行构成一个序列。
第二种是把所有时间放在一起看,当成一个随机变量。
经过计算,当0 < p < 1时候, sample space 中的每个outcome的概率都是0, 这有点像连续状态空间里的outcome
对于伯努利过程,成功次数为k次的结果的集合作为事件的概率为上图中的
P
(
S
=
k
)
P(S = k)
P(S=k)
由于每次实验同分布, 且有
S
=
∑
i
=
1
n
X
i
S = \sum_{i = 1}^n X_i
S=∑i=1nXi,则
E
[
S
]
=
∑
i
=
1
n
E
[
X
i
]
=
n
∗
p
E[S] = \sum_{i = 1}^n E[X_i] = n * p
E[S]=∑i=1nE[Xi]=n∗p, 因为实验是独立的, 所以
V
a
r
(
S
)
=
n
∗
p
∗
(
1
−
p
)
Var(S) = n * p*(1-p)
Var(S)=n∗p∗(1−p)
我们再换一种随机变量,
T
1
T_1
T1定义为第一次出现成功的试验次数。
E
[
T
1
]
E[T_1]
E[T1]怎么求的可以看这篇cite
V
a
r
(
X
)
=
E
[
X
2
]
−
(
E
[
X
]
)
2
上
面
E
[
X
]
求
完
了
,
只
需
要
求
E
[
X
2
]
,
求
法
和
求
E
[
X
]
差
不
多
E
[
X
2
∣
X
=
1
]
=
1
E
[
X
2
∣
X
>
1
]
=
E
[
(
X
+
1
)
2
]
=
E
[
X
2
]
+
2
∗
E
[
X
]
+
1
E
[
X
2
]
=
p
∗
E
[
X
2
∣
X
=
1
]
+
(
1
−
p
)
∗
E
[
X
2
∣
X
>
1
]
=
p
∗
1
+
(
1
−
p
)
∗
(
E
[
X
2
]
+
2
∗
E
[
X
]
+
1
)
这
样
E
[
X
2
]
就
能
算
出
来
了
,
V
a
r
(
X
)
也
就
能
算
出
来
了
。
Var(X) = E[X^2] - (E[X])^2 \\ 上面E[X]求完了,只需要求E[X^2],求法和求E[X]差不多\\ E[X^2|X = 1] = 1\\ E[X^2|X >1] = E[(X + 1)^2] = E[X^2] + 2 * E[X] + 1\\ E[X^2] = p * E[X^2|X = 1] + (1-p) * E[X^2|X >1]\\ = p * 1 + (1-p) * (E[X^2] + 2 * E[X] + 1)\\ 这样E[X^2]就能算出来了,Var(X)也就能算出来了。
Var(X)=E[X2]−(E[X])2上面E[X]求完了,只需要求E[X2],求法和求E[X]差不多E[X2∣X=1]=1E[X2∣X>1]=E[(X+1)2]=E[X2]+2∗E[X]+1E[X2]=p∗E[X2∣X=1]+(1−p)∗E[X2∣X>1]=p∗1+(1−p)∗(E[X2]+2∗E[X]+1)这样E[X2]就能算出来了,Var(X)也就能算出来了。
上图中蓝色的区间不是geometric§,因为0 的起始位置应该是未知的,绿的的区间才符合geometric§, 因为这时已经有了一个0,已经知道了起始位置,那么多久之后才有1 呢,这和从开始实验到第一个1 出现完全相同的。0连续出现的长度和绿色区间的长度正好相等。
第k次到达的时间是多个第一次到达时间的加和。每次到达所需时间互相之间都是独立的且都是几何分布。
第k次到达的时间是t的概率:这个概率是【1,t-1】时间内到达了k-1次,并且t 时刻到了1次,这两个事件的joint probability。
伯努利过程可以分解,也可以合并。