107509-概率统计随机过程课件-第十三章马尔可夫链第一节第二节(上)
第十三章 马尔可夫链
马尔可夫过程是一类特殊的随
机过程, 马尔可夫链是离散状态的马尔可夫过程,最初是由俄国数学家马尔可夫1896年提出和研究的.
应用十分广泛,其应用领域涉及
计算机,通信,自动控制,随机服务,可靠性,生物学,经济,管理,教育,气象,物理,化学等等.
第一节 马尔可夫链的定义
一.定义
定义 1 设随机过程}
),({T t t X ∈的状态空间S 是有限集或可列集,对任意正整数n ,对于T 内任意1+n 个参数121+<??< +n 个状态121,,,,+???n n j j j j , 如果条件概率 })(,,)(,)(|)({221111n n n n j t X j t X j t X j t X P =???===++})(|)({11n n n n j t X j t X P ===++,(13.1) 恒成立,则称此过程为马尔可夫链. 式(13.1)称为马尔可夫性,或称无后效性. 马氏性的直观含义可以解释如下: 将n t 看作为现在时刻,那末,121,,,-???n t t t 就是过去时刻,而1+n t 则是将来时刻.于是,(13.1)式是说,当已知系统现时情况的条件下,系统将来的发展变化与系统的过去无关.我们称之为无后效性. 许多实际问题都具有这种无后 效性. 例如 生物基因遗传从这一代 到下一代的转移中仅依赖于这一代而与以往各代无关. 再如,每当评估一个复杂的计 算机系统的性能时,就要充分利用系统在各个时刻的状态演变所具有 的通常概率特性:即系统下一个将到达的状态,仅依赖于目前所处的状态,而与以往处过的状态无关. 此外,诸如某公司的经营状况 等等也常常具有或近似具有无后效性. 二. 马尔可夫链的分类 状态空间S 是离散的(有限集或可列集),参数集T 可为离散或连续的两类. 三.离散参数马尔可夫链 (1)转移概率 定义2 在离散参数马尔可夫链 },,,,,),({210??????=n t t t t t t X 中, 条件概率 )(})(|)({1m ij m m t p i t X j t X P ===+ 称为)(t X 在时刻(参数)m t 由状态i 一 步转移到状态j 的一步转移概率, 简称转移概率. 条件概率 )(})(|)({)(m n ij m n m t p i t X j t X P ===+ 称为)(t X 在时刻(参数)m t 由状态i 经n 步转移到状态j 的n 步转移概率. (2)转移概率的性质:对于状态空间S 内的任意两个状态i 和j ,恒有 (1) 0)()(≥m n ij t p ; (2)1)()(=∑∈m S j n ij t p ,???=,2,1n ()()(m S j n ij t p ∑∈ })(|)({i t X j t X P m n m S j ===+∈∑ } )({} )(,)({i t X P i t X j t X P m S j m n m ====∑∈+ })({}})(}){)({({i t X P i t X j t X P m S j m n m ====∑∈+ 1} )({})({====i t X P i t X P m m ) 四.离散参数齐次马尔可夫链 定义3 在离散参数马尔可夫链 },,,,,),({210??????=n t t t t t t X 中,如果一步转移概率)(m ij t p 不依赖于参数m t ,即对任意两个不等的参数m t 和k t ,k m ≠,有 )(})(|)({1m ij m m t p i t X j t X P ===+ ij k ij k k p t p i t X j t X P =====+)(})(|)({1 则称此马尔可夫链具有齐次性或时齐性,称)(t X 为离散参数齐次马尔可夫链. 例1 Bernoulli 序列是离散参数 齐次马尔可夫链. 验证 在Bernoulli 序列},3,2,1,{???=n X n 中, 对任意正整数 n , 121+<??< 1 21,,,,+???n n t t t t X X X X 相互独立, 故对 ,1,0=k j )1,,2,1(+???=n k ,有 },,,|{211211n t t t n t j X j X j X j X P n n =???===++ }{11+==+n t j X P n }|{11n t n t j X j X P n n ===++ 即满足马尔可夫性,且 }|{11n t n t j X j X P n n ==++ ? ??=-====++++0,11,}{1111n n n t j p j p j X P n 当当 , 不依赖于参数n t ,满足齐次性. 故Bernoulli 序列是离散参数 齐次马尔可夫链. 例2 爱伦菲斯特(Ehrenfest)模型 一容器中有a 2个粒子在作随机运动.设想有一实际不存在的界面把容器分为左右容积相等的两部分.当右边粒子多于左边时,粒子向左边运动的概率要大一些,大出部分与两边粒子的差数成正比;反之,当右边粒子少于左边时,粒子向右边运动的概率要大一些. 以n X 表示n 次变化后,右边粒子数与均分数a 之差,则状态空间},1,,2,1,0,1,,1,{a a a a S -???-???+--=, 转移概率 ?????????==±≠∈-=+=+---+-1,),1(21), 1(211,1,1,1,a a a a j j j j p p a j S j a j p a j p 则 },3,2,1,{???=n X n 是齐次马尔可夫链. 第二节 参数离散的 齐次马尔可夫链 对于离散参数齐次马尔可夫 链,本节讨论以下四个问题. 一. 转移概率矩阵 设 },,,,,),({210??????=n t t t t t t X 是 齐次马尔可夫链, 由于状态空间S 是离散的(有限集或可列集),不妨设其状态空间 },,,2,1,0{??????=n S . 则对S 内的任意两个状态i 和j , 由转移概率 ij p 排序一个矩阵 ???????? ? ?????????????????????????????????????????????????????????????=ij i i j j p p p p p p p p p P 101111000100 称为(一步)转移概率矩阵 . } )(|)({1i t X j t X P p m m ij ===+ 转移概率矩阵的性质: (1) 0≥ij p ,即元素均非负; (2) 1=∑∈S j ij p ,即每行和为1. 具有以上两个特点的方阵称为随机矩阵. 转移概率矩阵就是一个随机矩阵. 例1 Bernoulli 序列的状态空间 }1,0{=S , 转移概率矩阵 ??=???? ??=q q p p p p P 11100100 ??? ?p p , } )(|)({1i t X j t X P p m m ij ===+ ? ??=====+1,0,})({1j p j q j t X P m . 例1 一维随机游动 一个质点在直线上的五个位置:0,1,2,3,4之上随机游动.当它处在位置1或2或3 时,以31的概率向左移动一步而以32 的概率向右移 动一步;当它到达位置0时,以概率1返回位置1;当它到达位置4时以概率1停留在该位置上(称位置0为反射壁,称位置4为吸收壁). 以j t X n =)(表示时刻n t 质点处 于位置j ,4,3,2,1,0=j , 则},,,),({210???=t t t t t X 是齐次马尔 可夫链.其状态空间}4,3,2,1,0{=S ,状态0是反射状态,状态4是吸收状态.其转移概率矩阵 ????????? ? ??==100003203100 0320310003203 100010)(ij p P } )(|)({1i t X j t X P p m m ij ===+分别以4,3,2,1,0,0==j i ; 4,3,2,1,0,1==j i ; 4,3,2,1,0,2==j i ; 4,3,2,1,0,3==j i ; 4,3,2,1,0,4==j i 按题设条件求出转移概率 })(|)({1i t X j t X P p m m ij ===+ 画出状态转移示意图如图 例3(成功流) 设在一串贝努里试验中,每次试验成功的概率为p , 令 ? ??≤≤=n k k n k n X n 1,,,0次成功次试验接连第第次试验失败第 则},3,2,1,{???=n X n 是齐次马尔可 夫链.其状态空间},,,2,1,0{??????=k S , 其转移概率 p q X P i X X P n n n -======++1}0{}|0{11,p n P i X i X P n n =+==+=+}1{}|1{1次试验时成功第, ,0,,020100===p p p q p , ???????=≤<+=+≥====+0 ,0,01,2,0}|{1j q i j i j p i j i X j X P p n n ij , ( ,3,2,1=i ) 于是转移概率矩阵 ???????? ? ?????????????????????????????????????????????????????????????=ij i i j j p p p p p p p p p P 101111000100 ????????????? ??= p q p q p q p q 0000000000 二. 切普曼-柯尔莫哥洛夫方程 定理一 设 },,,,,),({210??????=n t t t t t t X 是马尔可夫链,则有 )()()()()()(n m l kj k m n ik m l n ij t p t p t p ++∑=, (13.6) 称为切普曼-柯尔莫哥洛夫方程. 证 由条件概率定义计算公式, 利用全概率公式和马氏条件,得 })(|)({)()(i t X j t X P t p m l n m m l n ij ===+++ } )({})(,)({i t X P j t X i t X P m l n m m ====++ } )({}} )(,)(}){)({({i t X P j t X i t X k t X P m S k l n m m n m =====∑∈+++})({})(,)(,)({i t X P j t X k t X i t X P m S k l n m n m m ===== ∑∈+++ })({})(,)({})(,)({})(,)(,)({i t X P k t X i t X P k t X i t X P j t X k t X i t X P m n m m k n m m l n m n m m ===?======+++++∑ } )(|)({})(,)(|)({i t X k t X P k t X i t X j t X P m n m n m m k l n m ==?====++++∑ } )(|)({})(|)({i t X k t X P k t X j t X P m n m n m k l n m ==?===++++∑ )()()()(n m l kj k m n ik t p t p +∑= 证毕. 如果马尔可夫链具有齐次性,那么切普曼-柯尔莫哥洛夫方程化为 )()()(l kj k n ik l n ij p p p ∑=+ ,(13.7) 当1,1==l n 时,得到 kj k ik ij p p p ∑=)2(, 进一步改写为矩阵形式 2)2(P P = 其中)() 2()2(ij p P =是两步转移概率矩 阵,P 是一步转移概率矩阵. 用数学归纳法可得 n n P P =)(,???=,4,3,2n (13.8) 式(13.8)表明:n 步转移概率矩阵 )()()(n ij n p P =等于一步转移概率矩阵P 的n 次幂.因此也常把n P 作为n 步转移概率矩阵的符号. 例2 在本节例2中,求)2(00p 和 ) 2(31p . 解 由kj k ik ij p p p ∑=)2(,得 3 1311400 0) 2(00=?==∑=k k k p p p , 9131314 013) 2(31=?==∑=k k k p p p . 或用2)2()2()(P p P ij ==. 例3 传输数字0和1的通讯系统,每个数字的传输需经过若干步骤,设每步传输正确的概率为109,传输错误的概率为101,(1)问:数字1经三步 传输出1的概率是多少? (2)若某步传输出数字1,那么又接连两步都传输出1的概率是多少? 解 以n X 表示第n 步传输出的数字,则},2,1,0,{???=n X n 是一齐次马尔可夫链,0X 是初始状态,状态空间}1,0{=S ,一步转移概率矩阵 ??=101109P ????? ?109101 (1) 2)2(P P = ??=101109 ??????109101 ??101109 ??????109101= ??1001810082????? ?1008210018 3)3(P P = ??=101109 ??????109101 ??101109 ??????109101 ??101109 ??????109101 = ??10018100 82 ??????1008210018 ??10 1109 ??????109101 = ??10002441000756 ??????1000756 1000 244 , 756.01000756)3(11 ==p ; (2) }1|1,1{21===++n n n X X X P }1|1{1===+n n X X P }1,1|1{12===?++n n n X X X P }1|1{1===+n n X X P }1|1{12==?++n n X X P 81.0)10 9(21111==?=p p . 第十三章 马尔可夫链 马尔可夫过程是一类特殊的随 机过程, 马尔可夫链是离散状态的马尔可夫过程,最初是由俄国数学家马尔可夫1896年提出和研究的. 应用十分广泛,其应用领域涉及 计算机,通信,自动控制,随机服务,可靠性,生物学,经济,管理,教育,气象,物理,化学等等. 第一节 马尔可夫链的定义 一.定义 定义 1 设随机过程} ),({T t t X ∈的状态空间S 是有限集或可列集,对任意正整数n ,对于T 内任意1+n 个参数121+<??< 如果条件概率 })(,,)(,)(|)({221111n n n n j t X j t X j t X j t X P =???===++})(|)({11n n n n j t X j t X P ===++,(13.1) 恒成立,则称此过程为马尔可夫链. 式(13.1)称为马尔可夫性,或称无后效性. 马氏性的直观含义可以解释如下: 将n t 看作为现在时刻,那末,121,,,-???n t t t 就是过去时刻,而1+n t 则是将来时刻.于是,(13.1)式是说,当已知系统现时情况的条件下,系统将来的发展变化与系统的过去无关.我们称之为无后效性. 许多实际问题都具有这种无后 效性. 例如 生物基因遗传从这一代 到下一代的转移中仅依赖于这一代而与以往各代无关. 再如,每当评估一个复杂的计 算机系统的性能时,就要充分利用系统在各个时刻的状态演变所具有 的通常概率特性:即系统下一个将到达的状态,仅依赖于目前所处的状态,而与以往处过的状态无关. 此外,诸如某公司的经营状况 等等也常常具有或近似具有无后效性. 二. 马尔可夫链的分类 状态空间S 是离散的(有限集或可列集),参数集T 可为离散或连续的两类. 三.离散参数马尔可夫链 (1)转移概率 定义2 在离散参数马尔可夫链 },,,,,),({210??????=n t t t t t t X 中, 条件概率 )(})(|)({1m ij m m t p i t X j t X P ===+ 称为)(t X 在时刻(参数)m t 由状态i 一 步转移到状态j 的一步转移概率, 简称转移概率. 随机过程——马尔可夫过程的应用 年级:2013级 专业:通信工程3班 姓名:李毓哲 学号:31 摘要:随机信号分析与处理是研究随机信号的特点及其处理方法的专业基础, 是目标检测、估计、滤波灯信号处理理论的基础,在通信、雷达、自动检测、随机振动、图像处理、气象预报、生物医学、地震信号处理等领域有着广泛的应用,随着信息技术的发展,随机信号分析与处理的理论讲日益广泛与深入。 随机过程是与时间相关的随机变量,在确定的时刻它是随机变量。随机过程的具体取值称作其样本函数,所有样本函数构成的集合称作随机过程的样本函数空间,所有样本函数空间及其统计特性即构成了随机过程。通信工程中存在大量的随机现象和随机问题。如:信源是随机过程;信道不仅对随机过程进行了变换,而且会叠加随机噪声等。 马尔可夫过程是一类非常重要的随机过程。随着现代科学技术的发展,很多在应用中出现的马氏过程模型的研究受到越来越多的重视。在现实世界中,有很多过程都是马尔可夫过程,马尔可夫过程在研究质点的随机运动、自动控制、通信技术、生物工程等领域中有着广泛的应用。我们可以通过对马尔可夫过程的研究来分析马尔可夫信源的特性。 关键词:随机过程,马尔可夫过程,通信工程,应用 目录 一、摘要 二、随机过程 、随机过程的基本概念及定义 、随机过程的数学描述 、基于MATLAB的随机过程分析方法三、马尔可夫过程 马尔可夫过程的概念 马尔可夫过程的数学描述 四、马尔可夫过程的应用 马尔可夫模型在通信系统中的应用 马尔可夫模型在语音处理的应用 马尔可夫模型的其他应用 五、结论 参考文献 二、随机过程 、随机过程的基本概念及定义 自然界变换的过程通常可以分为两大类——确定过程和随机过程。如果每次试验所得到的观测过程都相同,且都是时间t的一个确定函数,具有确定的变换规律,那么这样的过程就是确定过程。反之,如果每次试验所得到观测过程都不相同,是时间t的不同函数,没有为确定的变换规律,这样的过程称为随机过程。 、随机过程的数学描述 设随机试验E的样本空间Ω,T是一个数集(T∈(-∞,∞)),如果对于每一个t ∈T,都有一个定义在样本空间Ω上的随机变量 X(w,t),w∈Ω,则称依赖于t的一族随机变量{X(w,t),t∈T}为随机过程或随机函数,简记为{X(t),t∈T }或X(t),其中t称为参数,T称为参数集。当T={0,1,2,…},T={1,2,…},T={…,-2,-1,0,1,2,…}时,{X(w,t)t∈T}称为随机序列或时间序列。 、基于MATLAB的典型随机过程的仿真 信号处理仿真分析中都需要模拟产生各种随机序列,通常都是先产生白噪声序列,然后经过变换得到相关的随机序列,MATLAB有许多产生各种分布白噪声的函数。 第二章 随机过程分析 1.1 学习指导 1.1.1 要点 随机过程分析的要点主要包括随机过程的概念、分布函数、概率密度函数、数字特征、通信系统中常见的几种重要随机过程的统计特性。 1. 随机过程的概念 随机过程是一类随时间作随机变化的过程,它不能用确切的时间函数描述。可从两种不同角度理解:对应不同随机试验结果的时间过程的集合,随机过程是随机变量概念的延伸。 2. 随机过程的分布函数和概率密度函数 如果ξ(t )是一个随机过程,则其在时刻t 1取值ξ(t 1)是一个随机变量。ξ(t 1)小于或等于某一数值x 1的概率为P [ ξ(t 1) ≤ x 1 ],随机过程ξ(t )的一维分布函数为 F 1(x 1, t 1) = P [ξ(t 1) ≤ x 1] (2-1) 如果F 1(x 1, t 1)的偏导数存在,则ξ(t )的一维概率密度函数为 1111111 (,) (, ) (2 - 2)?=?F x t f x t x 对于任意时刻t 1和t 2,把ξ(t 1) ≤ x 1和ξ(t 2) ≤ x 2同时成立的概率 {}212121122(, ; , )(), () (2 - 3)F x x t t P t x t x ξξ=≤≤ 称为随机过程ξ (t )的二维分布函数。如果 2212122121212 (,;,) (,;,) (2 - 4)F x x t t f x x t t x x ?=??? 存在,则称f 2(x 1, x 2; t 1, t 2)为随机过程ξ (t )的二维概率密度函数。 对于任意时刻t 1,t 2,…,t n ,把 {}n 12n 12n 1122n n ()(),(), ,() (2 - 5) =≤≤≤F x x x t t t P t x t x t x ξξξ,,,;,,,称为随机过程ξ (t )的n 维分布函数。如果 n n 12n 12n n 12n 12n 12n (x ) () (2 - 6)?=???F x x t t t f x x x t t t x x x ,,,;,,,,,,;,,, 存在,则称f n (x 1, x 2, …, x n ; t 1, t 2, …, t n )为随机过程ξ (t )的n 维概率密度函数。 3. 随机过程的数字特征 随机过程的数字特征主要包括均值、方差、自相关函数、协方差函数和互相关函数。 随机过程ξ (t )在任意给定时刻t 的取值ξ (t )是一个随机变量,其均值为 []1()(, )d (2 - 7)E t xf x t x ξ∞ -∞ =? 随机变量巩固练习―――重点:“函数的函数”相关运算 定理 1 设X 为连续型一维随机变量,其概率密度函数为()X f x ,则对于Y =g(X)的概率密度函数,有下列结果: (1)若g(x)是严格单调可微函数,则Y=g(X)的概率密度函数为 (())'(),()0, X Y f h y h y y I f y y I ?∈?=???? 其中h(y)是y=g(x)的反函数. (2)若g(x)不是严格单调可微函数,则将g(x)在其定义与上分成若干个单调分支,在每个单调分支上应用(1)的结果得Y=g(X)的概率密度函数为 1122(())'()(())'(),()0, X X Y f h y h y f h y h y y I f y y I ?++∈?=???? 其中I 是在每个单调分支上按照(1)确定的y 的取值公共部分。 练习1 设~[,],tan 22X U Y X ππ-=,试求Y 的概率密度函数()Y f y . 练习2 设 随机变量X 在(0,1)区间内服从均匀分布,试求 (1)X Y e =的概率密度函数 (2)2ln Y X =-的概率密度函数 随机过程巩固练习 1 设随机过程(),(0,),X t Vt b t b =+∈∞为常数,V 为服从正态分布N(0,1)的随机变量。求:X(t)的一维概率密度函数、均值和相关函数。 2 设随机变量Y 具有概率密度函数f(y),令 (),0,0Yt X t e t Y -=>> 求随机过程X(t)的一维概率密度函数、均值和相关函数。 3 设有随机过程()cos()sin()X t A wt B Wt = +,其中w 为常数,A ,B 是相互独立的且服从正态分布2(0,)N σ的随机变量。求随机过程的均值和相关函数。 4 已知随机过程X(t)的均值函数()X m t 和协方差函数12(,),()X B t t t ?为普通函数,令()()()Y t X t t ?=+,求随机过程Y(t)的均值和协方差函数。 5 设随机过程()cos()X t A wt =+Θ,其中,A w 为常数,随机变量Θ服从(,)ππ-上 的均匀分布。令2()()Y t X t = ,求(,)Y R t t s + 6 设X(t)为实随机变量,x 为任意实数,令 1,()()0,()X t x Y t X t x ≤?=?>? 证明随机过程 Y(t)的均值函数和相关函数分别是X(t)的一维和二维分布函数。 2.1 设)(t ξ是一马尔可夫过程,又设k n n n t t t t t ++<<<<<<ΛΛ121。试证明: )/(),,/(1/1,,/11++++++=n n t t k n n n t t t x x f x x x f n n k n n n ΛΛ 即一个马尔可夫过程的反向也具有马尔可夫性。 证明:首先,由条件概率的定义式得 ) ,,(),,,(),,/(1,,1,,,1,,/111k n n t t k n n n t t t k n n n t t t x x f x x x f x x x f k n n k n n n k n n n ++++++++++++= ΛΛΛΛΛΛ 根据马尔可夫性将上式中的分子和分母展开,并化简得 ) () ()/()()/()/() ()/()/()/(),,/(11/112/1/1/12/1/1,,/11112111211+++++-+++++-+++++++++-+++++-++++== n t n t n n t t n t n n t t k n k n t t n t n n t t n n t t k n k n t t k n n n t t t x f x f x x f x f x x f x x f x f x x f x x f x x f x x x f n n n n n n n k n k n n n n n n k n k n k n n n ΛΛΛΛ 于是, )/() (),(),,/(1/11,1,,/1111++++++++++== n n t t n t n n t t k n n n t t t x x f x f x x f x x x f n n n n n k n n n ΛΛ 2.2 试证明对于任何一个马尔可夫过程,如“现在”的)(t ξ值为已知,则该过程的“过去”和“将来”是相互统计独立的,即如果有321t t t <<,其中2t 代表“现在”,1t 代表“过去”,3t 代表“将来”,若22)(x t =ξ为已知值。试证明: )/()/()/,(23/21/231/,2321231x x f x x f x x x f t t t t t t t = 证明:首先,由条件概率的定义式得 ) () ,,()/,(2321,,231/,2321231x f x x x f x x x f t t t t t t t = 然后,根据马尔可夫性将上式中的分子展开,并化简得 ) (),() /()() ()/()/()/,(221,23/2112/23/231/,22123211223231x f x x f x x f x f x f x x f x x f x x x f t t t t t t t t t t t t t t == 第 2 章 随机过程 2.1 引言 ?确定性信号是时间的确定函数,随机信号是时间的不确定函数。 ?通信中干扰是随机信号,通信中的有用信号也是随机信号。 ?描述随机信号的数学工具是随机过程,基本的思想是把概率论中的随机变量的概念推广到 时间函数。 2.2 随机过程的统计特性 一.随机过程的数学定义: ?设随机试验E 的可能结果为)(t g ,试验的样本空间S 为{x 1(t), x 2(t), …, x n (t),…}, x i (t) 是第i 次试验的样本函数或实现,每次试验得到一个样本函数,所有可能出现的结果的总体就构成一随机过程,记作)(t g 。 随机过程举例: 二.随机过程基本特征 其一,它是一个时间函数; 其二,在固定的某一观察时刻1t ,)(1t g 是随机变量。 随机过程具有随机变量和时间函数的特点。 ● 随机过程)(t g 在任一时刻都是随机变量; ● 随机过程)(t g 是大量样本函数的集合。 三.随机过程的统计描述 设)(t g 表示随机过程,在任意给定的时刻T t ∈1, )(1t g 是一个一维随机变量。 1.一维分布函数:随机变量)(t g 小于或等于某一数值x 的概率,即 })({);(1x t g P t x P ≤= 2.2.1 2.一维概率密度函数:一维概率分布函数对x 的导数. x t x P t x p ??= ) ;(),(11 2.2.2 3.对于任意两个时间1t 和2t ,随机过程的对应的抽样值)(1t g )(2t g 为两个随机变量.他们的联合分布定义为)(t g 的二维分布 })(;)({),;,(221121212x t g x t g P t t x x P ≤≤= 2.2.3 4.二维分布密度定义为 2 12121221212) ,;,(),;,(x x t t x x P t t x x p ???= 2.2.4 四.随机过程的一维数字特征 设随机过程)(t g 的一维概率密度函数为),(1t x p . 1.数学期望(Expectation) dx t x xp t g E t g );()]([)(1?∞ ∞ -==μ 2.2.5 2.方差(Variance) 第二章 一、填空题 1、随机过程若按状态空间与参数集分类可分为__、__、__、__四类. 2、__是随机过程{X(t),t∈T}在时刻t的平均值,__是随机过程在时刻t对均值m x(t)的偏离程度,而__和__则反映随机过程{X(t),t∈T}在时刻s和t 时的线性相关度. 3、若随机变量x服从(01)分布,即p k=p{x=k}=,k=0,1则其特征函数g(t)=__. 4、若随机变量X服从参数为的指数分布,则其特征函数g(t)=__. 5、若随机变量X服从退化分布,即p(X=c)=1,其中c为常数,则其特征函数g(t)=__. 二、计算题 1、已知Γ分布,X~Γ(α,β), 若 其中α,β>0,试求Γ分布的特征函数. 2、设随机变量X服从泊松分布,即p k=p(X=k)=,k=0,1,…,n,求其特征函数. 3、设随机过程X(t)=Y+Zt,t>0,其中Y,Z是相互独立的N(0,1)随机变量,求{ X(t),t>0}的一,二维概率密度族. 4、设随机过程:0),sin()cos( )(>+=t t Z t Y t X θθ,其中Y 、Z 是相互独立的随机变量,且EY=EZ=0,DY=DZ=δ2,求{X(t),t>0}的均值函数、协方差函数和方差函数. 5、设随机变量Y 具有概率密度f(y),令 )0,0(,)(>>=-Y t t X e Yt , 求随机过程X(t)的一维概率密度及EX(t),R x (t 1,t 2). 6、设随机过程Z t =,t 0,其中X 1,X 2,…,X n 是相互独立的,且服从 N(0, )的随机变量,ω1, ω2,…, ωn 是常数,求{Z t ,t }的均值函数m(t)和相关函 数R(s,t). 第二章 平稳过程 P103 2. 设随机过程()sin X t Ut =,其中U 是在[]02π,上均匀分布的随机变量。试证 (1)若t T ∈,而{}12T =,,,则(){}12X t t =,,, 是平稳过程; (2)若t T ∈,而[)0T =+∞,,则(){} 0X t t ≥,不是平稳过程。 证明: 由题意,U 的分布密度为:()1 0220u f u π π?<=???,,其它 数学期望()()[]sin X m t E X t E Ut ==???? ()()2220 00 1111 sin sin cos cos 212222ut du ut d ut ut t t t t π π ππππππ=?==-=--? ?. 相关函数()()()()()sin sin X X R R t t E X t X t E Ut U t ττττ=+=+=?+????????, ()()()220 0111sin sin cos 2cos 222ut u t du ut u u du π π τττππ??=?+? =?-+--?? ????? ?? ()()2220 00 1 1 11 cos 2cos sin 2sin 442u t u du u t u t π π π ττττππ ττ?? =- +-=-+-??? ???+??? ? ? ()()11 sin 22sin 2424t t πτπτπτπτ =- +++. (1)若t T ∈,而{}12T =,,时,()0X m t =,()X R τ只与τ有关,二者均与t 无关, 因此,(){}12X t t =,,, 是平稳过程。 (2)若t T ∈,而[)0T =+∞,时,()X m t 可能取到不是常数的值,所取到的值与t 有关, ()X R τ取到的值也与t 有关,因此,(){}0X t t ≥,不是平稳过程。 设)(t ξ是一马尔可夫过程,又设k n n n t t t t t ++<<<<<< 121。试证明: )/(),,/(1/1,,/11++++++=n n t t k n n n t t t x x f x x x f n n k n n n 即一个马尔可夫过程的反向也具有马尔可夫性。 证明:首先,由条件概率的定义式得 ) ,,(),,,(),,/(1,,1,,,1,,/111k n n t t k n n n t t t k n n n t t t x x f x x x f x x x f k n n k n n n k n n n ++++++++++++= 根据马尔可夫性将上式中的分子和分母展开,并化简得 ) () ()/()()/()/() ()/()/()/(),,/(11/112/1/1/12/1/1,,/11112111211+++++-+++++-+++++++++-+++++-++++== n t n t n n t t n t n n t t k n k n t t n t n n t t n n t t k n k n t t k n n n t t t x f x f x x f x f x x f x x f x f x x f x x f x x f x x x f n n n n n n n k n k n n n n n n k n k n k n n n 于是, )/() (),(),,/(1/11,1,,/1111++++++++++== n n t t n t n n t t k n n n t t t x x f x f x x f x x x f n n n n n k n n n 试证明对于任何一个马尔可夫过程,如“现在”的)(t ξ值为已知,则该过程的“过去”和“将来”是相互统计独立的,即如果有321t t t <<,其中2t 代表“现在”,1t 代表“过去”,3t 代表“将来”,若22)(x t =ξ为已知值。试证明: )/()/()/,(23/21/231/,2321231x x f x x f x x x f t t t t t t t = 证明:首先,由条件概率的定义式得 ) () ,,()/,(2321,,231/,2321231x f x x x f x x x f t t t t t t t = 然后,根据马尔可夫性将上式中的分子展开,并化简得 ) (),() /()() ()/()/()/,(221,23/2112/23/231/,22123211223231x f x x f x x f x f x f x x f x x f x x x f t t t t t t t t t t t t t t == 2随机过程的基本概念 §2.1 基本概念 随机过程是指一族随机变量 . 对随机过程的统计分析称为随机过程论 , 它是随机数学中的一个重要分支,产生于本世纪的初期 . 其研究对象是随机现象 ,而它特别研究的是随“ 时间” 变化的“ 动态” 的随机现象 . 一随机过程的定义 1 定义设 E 为随机试验, S 为其样本空间,如果 (1对于每个参数 t ∈ T , X(e,t为建立在 S 上的随机变量, (2对每一个 e ∈ S , X(e,t为 t 的函数,那么称随机变量族 {X(e,t, t∈ T, e∈ S}为一个随机过程,简记为 {X(e,t, t∈ T}或 X(t。 ((((({} {} [](为随机序列。时,通常称 , 取可列集合当可以为无穷。 通常有三种形式: 参数一般表示时间或空间, 或有时也简写为一个轨道。 随机过程的一个实现或过程的样本函数,或称随机的一般函数,通常称为为对于 :上的二元单值函数。 为即若用映射来表示注意: t X T T T b a b a T T T T t X t X t e X T t e X S e S T t e X R S T t e X t 21321, , , , 3, 2, 1, 0, 1, 2, 3, , 3, 2, 1, 0T , . 4, . 3, , 2, :, . 1=---==??×?′?′L L L 为一个随机过程。则令 掷一均匀硬币, 例 , ( (cos (}, {1 t e X t X R t T e t H e t t X T H S =??íì====p2 随机过程举例 例 2:用 X(t表示电话交换台在 (0, t 时间内接到的呼唤的次数 , 则 (1对于固定的时刻 t, X(t为随机变量 , 其样本空间为{0, 1, 2, …..}, 且对于不同的 t, 是不同的随机变量 . (2对于固定的样本点 n, X(t=n是一个 t 的函数 . (即:在多长时间内来 n 个人 ? 所以 {X(t,t>0}为一个随机过程 . 相位正弦波。为随机过程,称为随机则令例 (107509-概率统计随机过程课件-第十三章马尔可夫链第一节第二节(上)
随机过程——马尔可夫过程的应用
第2章 随机过程习题及答案
最新随机过程练习(第二章)
随机过程习题第2章
第二章 随机过程汇总
《随机过程》第二章题目与答案
随机过程作业题及参考答案(第二章)
随机过程习题第2章
第二章随机过程基本概念.