没有合适的资源?快使用搜索试试~ 我知道了~
首页随机过程讲义(南开大学内部).pdf
随机过程讲义(南开大学内部).pdf
需积分: 13 168 浏览量
更新于2023-05-29
评论
收藏 1.21MB PDF 举报
在概率论概念中,随机过程是随机变量的集合。若一随机系统的样本点是随机函数,则称此函数为样本函数,这一随机系统全部样本函数的集合是一个随机过程
资源详情
资源评论
资源推荐

随机过程讲义
(内部交流)

目 录
目 录
1 Poisson 过程 1
舱舮舱 定义 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱
舱舮舲 另一个等价定义 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳
舱舮舳 艐良艩艳艳良艮过程的其它性质 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舵
舱舮舳舮舱 顺序统计量 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舵
舱舮舳舮舲 过程的稀疏 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舶
舱舮舴 复合艐良艩艳艳良艮过程及应用 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舷
舱舮舴舮舱 复合艐良艩艳艳良艮过程 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舷
舱舮舴舮舲 复合艐良艩艳艳良艮过程在保险风险理论中的应用 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舸
舱舮舵 艐良艩艳艳良艮 过程的其它扩展 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舰
舱舮舵舮舱 非齐次 艐良艩艳艳良艮 过程 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舰
舱舮舵舮舲 条件 艐良艩艳艳良艮 过程 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舰
舱舮舵舮舳 艐良艩艳艳良艮 随机测度 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舱
2 离散时间马氏链 12
舲舮舱 定义与例 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舲
舲舮舲 状态分类 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舴
舲舮舲舮舱 状态空间的分解 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舴
舲舮舲舮舲 状态的常返 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舵
舲舮舲舮舳 状态的周期性 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舲舰
舲舮舳 不变测度和平稳分布 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舲舰
舲舮舴 极限定理 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舲舳
舲舮舴舮舱 极限分布 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舲舳
舲舮舴舮舲 比率定理 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舲舶
舲舮舵 一些例子 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舲舷
3 连续时间马氏链 33
舳舮舱 定义 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳舳
舳舮舱舮舱 马氏性与等价条件 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳舳
舳舮舱舮舲 转移概率 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳舵
舳舮舲 标准转移矩阵的分析性质 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳舶
舳舮舳 Q 矩阵及其概率意义 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳船
舳舮舴 向前与向后微分方程组 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舴舳
舳舮舵 一类马氏链的构造 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舴舶
舳舮舶 强马氏性 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舴舸
舭 艩 舭

第一章 艐良艩艳艳良艮 过程
第一章 Poisson 过程
称随机变量 X 服从参数为 λ 的 艐良艩艳艳良艮 分布,若 P(X = k) = e
−λ
λ
k
k!
般 k = 0, 1, . . .舮
称随机变量 X 服从参数为 λ 的指数分布, 若 P (X > t) = e
−λt
舮 此时,X 的密度
函数为 λe
−λt
般 t > 0般 分布函数为 1 −e
−λt
般 t > 0舮 指数分布满足无记忆性,即
P (X > t + s) = P (X > t)P (X > s).
引理 1.1 设随机变量 X, Y 独立,f : R × R → R 有界可测。令 g(x) = E[f(x, Y )].
则 g(X) 可积,且
E[f(X, Y )] = E[g(X)].
称 {N(t), t ≥ 0} 为计数过程,若 N(t) 表示在时刻 t 之前发生事件的次数。 因
此,计数过程 N(t) 满足:
舨艩舩 N(t) ≥ 0舻
舨艩艩舩 N(t) 为整数值;
舨艩艩艩舩 对 0 ≥ s ≤ t般 N(s) ≤ N(t)舻
舨艩艶舩 对 0 ≤ s < t般 N(t) − N(s) 表在区间 (s, t] 发生事件的次数。
§1.1 定义
定义 1.1 称 {N(t), t ≥ 0} 为参数为 λ 的(齐次) Poisson 过程,若
(i) N(t)是计数过程,N(0) = 0;
(ii) N(t) 具有平稳独立增量,即对任意的 0 ≤ t
0
< t
1
< ··· < t
n
, t ≥ 0, h > 0, 有
N(t
1
) −N(t
0
), . . ., N(t
n
) −N(t
n−1
) 独立,且 N(t + h) −N(t) 与 N(h) 同分布;
(iii) 当 h ↓ 0 时,
P (N(h) = 1) = λh + o(h), P (N(h) ≥ 2) = o(h). 舨舱舮舱舩
定理 1.2 设 N(t) 是参数为 λ 的 Poisson 过程,则对任意的 h > 0,
P (N(t + h) − N(t) = k) = e
−λt
(λt)
k
k!
, k = 0, 1, . . . . 舨舱舮舲舩
舭 舱 舭

第一章 艐良艩艳艳良艮 过程
证明 记 p
n
(t) = P (N(t) = n) = P (N(t + s) − N(s) = n)舮
艩舩 先考虑 n = 0 的情形。对 h > 0般 有
p
0
(t + h) = P (N(t + h) = 0) = P (N(t) = 0, N(t + h) − N(t) = 0)
= P (N(t) = 0)P (N(t + h) − N(t) = 0) = p
0
(t)p
0
(h).
应用
p
0
(h) = P (N(h) = 0) = 1 −P (N(h) = 1) −P (N(h) ≥ 2) = 1 − λh + o(h),
得
p
0
(t + h) − p
0
(t) = (1 −p
0
(h))p
0
(t) = λhp
0
(t) + o(h).
从而 p
0
(t) 在 t 右可导,且右导数为 −λp
0
(t)舮 而
p
0
(t − h) − p
0
(t)
h
=
p
0
(t − h) − p
0
(t − h)p
0
(h)
h
=
1 − p
0
(h)
h
p
0
(t)
p
0
(h)
,
令 h → 0 可得 p
0
(t) 在 t 的左导数也存在,且为 −λp
0
(t)舮 这样
p
0
0
(t) = −λp
0
(t), p
0
(0) = 1,
于是 p
0
(t) = e
−λt
舮
艩艩舩 当 n > 0 时
p
n
(t + h) = P (N(t + h) = n)
= P (N(t) = n, N(t + h) − N(t) = 0) + P (N(t) = n −1, N(t + h) − N(t) = 1)
+ P (N(t + h) = n, N(t + h) − N(t) ≥ 2)
= p
n
(t)p
0
(h) + p
n−1
(t)p
1
(h) + o(h)
= (1 − λh)p
n
(t) + λhp
n−1
(t) + o(h).
对 h > 0般 有
p
n
(t + h) − p
n
(t)
h
= −λp
n
(t) + λp
n−1
(t) +
o(h)
h
,
从而 p
n
(t) 在 t 的右导数为 −λp
n
(t) + λp
n−1
(t)舮 类似的可知 p
n
(t) 的左导数也存在。
这样
p
0
n
(t) = −λp
n
(t) + λp
n−1
(t), p
n
(0) = 0, n ≥ 1.
上面方程等价于
(e
λt
p
n
(t))
0
= e
λt
p
n−1
(t).
容易得到
p
n
(t) = e
−λt
(λt)
n
n!
.
舭 舲 舭

第一章 艐良艩艳艳良艮 过程
这样,艐良艩艳艳良艮 过程有如下的等价定义。
定义 1.2 称 {N(t), t ≥ 0} 为参数为 λ 的 Poisson 过程,若
(i) N(t) 是计数过程,且 N(0) = 0;
(ii) N(t) 是独立增量过程;
(iii) 对任意的 t ≥ 0, h > 0, 有
P (N(t + h) −N(t) = k) = e
−λt
(λt)
k
k!
, k = 0, 1, . . . .
§1.2 另一个等价定义
设 N(t) 是参数为 λ 的 艐良艩艳艳良艮 过程。 令 S
0
= 0般 S
n
= inf{t > 0, N(t) ≥ n}般
T
n
= S
n
− S
n−1
般 n = 1, 2, . . .舮
定理 1.3 T
n
, n = 1, 2, . . . 独立同分布且服从参数 λ 的指数分布。
证明 由
P (T
1
> t) = P (N(t) = 0) = e
−λt
,
T
1
服从参数为 λ 的指数分布。对 0 < t
1
< t
2
和充分小的 h
1
般 h
2
> 0般
P (t
1
− h
1
< S
1
≤ t
1
+ h
1
, t
2
− h
2
< S
2
≤ t
2
+ h
2
)
=P (N(t
1
− h
1
) = 0, N(t
1
+ h
1
) − N(t
1
− h
1
) = 1, N(t
2
− h
2
) − N(t
1
+ h
1
) = 0,
N(t
2
+ h
2
) − N(t
2
− h
2
) = 1)
=e
−λ(t
1
−h
1
)
· λ2h
1
e
−2λh
1
· e
−λ(t
2
−h
2
−t
1
−h
1
)
· λ2h
2
e
−2λh
2
=4λ
2
h
1
h
2
e
−λ(t
2
+h
2
)
.
所以,(S
1
, S
2
) 的联合密度函数为
g(s
1
, s
2
) =
(
λ
2
e
−λs
2
, 0 < s
1
< s
2
;
0, 其它。
舨舱舮舳舩
由T
1
= S
1
般 T
2
= S
2
− S
1
般 (T
1
, T
2
) 的联合密度函数为
f(t
1
, t
2
) =
(
λ
2
e
−λ(t
1
+t
2
)
, t
i
≥ 0;
0, 其它。
这样,T
1
般 T
2
独立同分布。一般的情形类似可证。
舭 舳 舭
剩余49页未读,继续阅读






安全验证
文档复制为VIP权益,开通VIP直接复制

评论0