随机过程
随机过程
随机过程的定义 引言
在许多实际问题中,不仅需要对随机现象对特定时间点上的一次观察,而且需要做多次的连续不断的观察,以观察研究对像随时间推移的演变过程。
首先我们观察的对象与通常意义上的函数()f t 是不同的, 观察研究的对象本身是一个随机变量X ,这个随机变量随时间的变化过程就是一个随机过程()X t ,通俗的理解。随机变量X 的所有可能取值。另一种解释是,随机过程是随机变量的函数。
随机两字的含义包含着随机过程()X t 的在某一时刻,如i t 时刻的取值,
()
()i
t t i i X t X t X ===仍然为一随机变量,随机变量i X 取值的样本空间Ω,样本空间中样
本值可以是连续的,也可以是离散的。如{}12,,,n x x x ,意味着在i t 时刻,随机变量i X 的
取某一样本空间的某一元素的概率是确定的(做无穷多次实验的统计规律),在该时刻,所有样本空间元素的概率之和为1。
例如,随机相位正弦波信号。()()sin X t a wt =+Θ 其中Θ服从均匀分布,则固定一个时刻i t 时,显然可求得i t 随机变量()i X t 的分布函数与概率密度。可见其随机过程的概密度是时间参数t 与随机变量Θ的二元函数。
另一种理解是,对随机信号作一次观测相当于做一次随机实验,每次随机实验所得到的观测记录结果()i x t ,是一个确定函数,称为样本函数,所有样本函数的全体构成了随机过程。
随机过程的标准定义
定义:设(?, Σ, P) 是一概率空间,对每一个参数t ∈T , X (t,ω) 是一定义在概率空间(?, Σ, P) 上的随机变量,则称随机变量族 X T ={X (t ,ω); t ∈T}为该概率空间上的一随机过程。其中T ? R 是一实数集,称为指标集或参数集。X (t,ω)通常简写为()X t 。
随机过程{X (t ); t ∈T }可能取值的全体所构成的集合称为此随机过程的状态空间,记作 S 。
S 中的元素称为状态。状态空间可以由复数、实数或更一般的抽象空间构成。
用映射表示 X T ,X (t,ω) : T × ? → R ;即 X (?, ?)是一定义在T × ?上的二元单值函数,固定t ∈T ,X (t, ?)是一定义在样本空间?上的函数, 即为一随机变量;对于固定的ω∈? , X (?,ω) 是一个关于参数t ∈T 的函数,通常称为样本函数,或称随机过程的一次实现,所有样本函数的集合确定一随机过程。记号 X (t,ω)有时记为 X t (ω) 或简记为 X (t)。 随机过程的X (t,ω)四种不同情况下的意义: 1,当t 固定时,w 固定时,()X t 是一个确定值。 2,当t 固定时,w 可变时,()X t 是一个随机变量。
3,当t 可变时,w 固定时,()X t 是一个确定的时间函数,即样本函数。 4,当t 可变时,w 可变时,()X t 是一个随机过程。
数字特征的计算公式
1,集平均或统计平均:给定随机过程(){}
,,X t w t T ∈,固定某一时刻t T ∈,()X t 是一随机变量,它的均值与t 有关记为
()()X t E X t μ=????
(1.1)
称()X t μ为随机过程(){}
,X t t T ∈的均值函数。注意,()X t μ 是随机过程的所有样本
函数在t 时刻的函数值的平均值。而非时间平均的概念。
若()X t 为样本空间定义在()-∞∞, 连续型随机变量,则
()()()()X E X t t x t f x dx μ∞
-∞
==?????
(1.2)
例如()()sin X t a wt =+Θ,其中Θ在()02π, 上均匀分布,即()1
,0220,f θπ
θπ
?<=???其他
则其均值函数
()()()
20
1
cos cos 02X t E a wt a wt d π
μθθθπ
=+==+=????? 上例可见,()X t μ不是对时间的求和求积分,而是对固定时刻t 的随机变量()X t 的分布求和求积分。
2,随机过程(){}
,X t t T ∈ 的二阶原点矩和二阶中心矩,在均值函数()X t μ的概念上延伸。固定时刻t 时,随机变量()X t 的二阶原点矩和二阶中心矩分别记作
()()()2
2
2
X
E X
t x t f x dx ∞
-∞
??ψ==???
(1.3)
()()()(){}
()()()2
2
2
X
X X X D t Var X t E X t t x t u t f x dx
σμΩ
===-????????
=-????? (1.4)
并把22
,X X σψ 分别称为随机过程的均方值函数和方差函数。
方差函数表示随机过程()X t 在时刻t 对于平均值()X t μ的平均偏离程度。
3,设任意12,t t T ∈,我们把随机变量()()12X t X t 和的二阶原点矩混合矩记作
()()()1212,XX R t t E X t X t =????
(1.5)
()()()()()()121212,XX R t t E X t X t x t x t f x dx Ω
==?????
并称它为随机过程(){}
,X t t T ∈ 的自相关函数,简称相关函数记号
类似地,还可以写出()()12X t X t 和的二阶混合中心矩记作
()()()()()()(){}
12121122,,XX X X C t t Cov X t X t E X t t X t t μμ==--???????????? (1.6)
()()()(){}
()()()()()11221122X X X X E X t t X t t x t u t x t u t f x dx μμΩ
--=--?????????????????
称为自协方差函数或者协方差函数,记作()()1212,,XX X C t t C t t 或。
自相关函数与自协方差函数刻画的是随机过程自身在两个不同时刻的状态之间的统计依赖关系的数字特征。
4,上述数字特征之间的关系式 ()()2,X XX t R t t ψ=
(1.7)
()()()()121212,,XX XX X X C t t R t t t t μμ=-
(1.8)
当12t t t == 时
()()()()22,,X XX X X t C t t R t t t σμ==-
(1.9)
5,柯西-施瓦茨不等式
()(){}()()2
2
1
2
12E X t X t E X
t E X t ????≤????????
(1.10)
6,二维随机过程的数字特征
互相关函数,固定某一时刻t 的随机变量()()X t Y t ,的互相关函数,定义如下12,t t T ∈
()()()()()()121212,,XY R t t E X t Y t x t y t f x y dxdy Ω
==??????
(1.11)
互协方差函数
()()()()(){}
121122,XY X Y C t t E X t t Y t t μμ=--????????
(1.12)
如果两个随机过程相互独立,且它们的二阶矩存在,则它们必然不相关()12,0XY C t t =,反之,从不相关一般不能推断出它们是否相互独立。
()()1212,,XX X R t t R t t 或
平稳过程与遍历性过程
在实际中,有相当的多的随机过程,不仅他的现有的状态,而且它过去状态,都对未来状态的发生有着很强的影响。有这样重要的一类随机过程,即所谓平稳随机过程,它的特点是:过程的统计特性或统计规律不随时间的推移而变化。
严平稳过程
若对任意的n ,()121,2,,,,
,n n t t t T =∈,和任意实数h ,当12,,,n t h t h t h T +++∈时,
n 维随机变量
()()()()()()()()1
2n 12n ,,
,,X t X t X t X t h X t h X t h +++ 与
具有相同的分布函数,则称随机过程(){}
,X t t T ∈ 具有平稳性,称之为平稳随机过程。 例:()()sin X t a wt =+Θ 其中Θ服从均匀分布
这个过程表明,作为随机过程, 不一定非具有不规则的波形,也就是说不一定非要包括很多频率分量。简谐的、周期的或者非周期的波形是不是随机过程,取决于这些波形是不是可以预先被完全确定下来。如果仅在概率意义上为已知,则它们属于随机过程。从这个定义清楚看出,如果一个随机信号一旦被取样而记录下来,则这个特定的波形立即成为完全已知,它本身就不能被认为是随机的了,但是它仍然补认为是从中取样的那个随机过程的一部
分。用统计的办法研究足够数量的样本波形,可以估计这个过程概率密度函数,在这程情况下下任何未被取样的波形在概率意义上为已知。
在实际问题中,确定一个过程的分布函数,并用它来判断其平稳性,一般是很困难的。但是,对于一个被研究的随机过程,如果前后环境和主要条件都不随时间推移而变化,则一般可以认为是平稳的。与平稳过程相反的是非平稳过程,一般随机过程处于过渡阶段总是是非平稳的。
宽平稳过程
定义:给定二阶矩过程(即二阶矩存在的过程)(){}
,X t t T ∈,如果对于任意,t t T τ+∈,满足
()()()()()
12X X E X t E X t X t R μττ=????+=????,常数,
则称(){}
,X t t T ∈为宽平稳过程或广义平稳过程。
一个严平稳过程只要二阶矩存在,则它必定也是宽平稳的,但反过来,一般是不成立。除了正态过程,因为正态过程的概率密度是由均值函数和自相关函数完全确定的,因而均值函数和自相关函数不随时间变的推移而变化,则概率密度也不随时间的推称而变化,由此一个宽平稳的正态过程也是严平稳的。
另外当我们同时时考虑两个平稳过程()(),X t Y t 时,如果它们的互相关函数只是时间差的单变函数,记为()XY R τ 即
()()()(),XY XY R t t E X t Y t R τττ+=+=????
则称这两个过和平稳相关的,或称这两个过程是联合(宽)平稳的。
平稳过程自相关函数的性质
自相关函数()()12,X
XX R R t t τ或 不是一个值,而是一个函数是变量12,t t τ或的函数。
对于平稳随机过程,二维随机变量()()()X t X t τ+,与()()(
)
0X X τ, 同分布,于
是
()()()()(),0XX R t t E X t X t E X X τττ+=+=????????
(1.13)
上式右端只与τ有关,则上式可以记作
()()()()()(),0XX X R t t E X t X t E X X R ττττ+=+==????????
(1.14)
这表明:平稳过程的自相关函数仅是时间差τ的单变量函数,换句话说它不随时间变换而推移。
同理,平稳过程的自协方差函数可表示为
()()(){}
()2X X X X X C E X t X t R τμτμτμ=-+-=-?????
??? (1.15)
0t =当时
()()2
200X X X X C R σμ==-
(1.16)
假设某一平稳随机过程(){}
,X t t T ∈ 的均值函数,0X μ=(恒为0),则其自相关函数
()()2
0X X X R R τσ≤=
(1.17)
对于大数零均值的平稳过程而言,自相关函数随着τ值的增加迅速衰减,这表明两个随机变量时间间隔增大时,它们之前的相关性也迅速丧失。但是也有例外,零均值的随机过程自相关函数的最值不止是只有0点处,也可能有其他的极值点。
遍历性过程或各态历经过程
首先注意,如果按照数学期望的定义来计算平稳过程的()X t 的数字特征,就要预先确定()X t 一族样本函数或一维、二维分布函数,但这实际上是不易办到的。事实上我们用统计实验方法来计算,例如可以把均值函数和自相关函数近似的表示为,某一时刻1t 的均值,抽取N 个样本的样本值的平均
()()11
1
1N
X k
k t x t N
μ=≈
∑
(1.18)
和样本自相关函数
()()()(){}()()2112121
1N
X X k k k R t t R E X t X t x t x t N τ=-==≈∑
(1.19)
根据上述两式,计算一个平稳过程的均值与自相关函数仍然需要重复进行大量观察,以便获取很多的样本函数(),1,2,N k x t k =,而这在实际上也是很困难的。有什么更好的方法
呢?
我们知道平稳过程的统计特性是不随时间推移而变化的。通过长时间观察得到一个样本
曲线,以此作为计算统计特征的依据,只需要这个平稳过程满足一些特定的条件,即各态历经性,则可以用一个样本曲线来计算其统计特征值,从而大大简化计算的难度。
随机过程的时间均值与时间相关函数的概念:随机变量()X t 沿整个时间轴上的两种时间平均
()
()1
lim 2T
T
T X t X t dt T -->+∞=?
(1.20)
和
()()()()1lim
2T
T
T X t X t X t X t dt T
ττ-->+∞+=+?
(1.21)
分别称为随机过程的时间均值和时间相关函数。
例如余弦波随机过程()()cos X t a wt =+Θ其时间均值,时间相关函数
()()1cos sin lim
cos lim
02T
T
T T a wT
X t a wt dt T
wT
-->+∞->+∞Θ=+Θ==?
()()
()()()2
2
1
lim cos cos cos 22T
T T a X t X t a wt w t dt w T
τττ-->+∞+=+Θ++Θ=?
各态历经性的定义:
设()X t 是一平稳过程 1,如果
()()X X t E X t μ==????
(1.22)
以概率为1成立,则称过程()X t 的均值具有各态历经性。后一个等号是平稳过程的要求,前一个等号是各态历经性的要求。
2,如果对于任意实数τ,
()()()()()X X t X t E X t X t R τττ+=+=????
(1.23)
以概率1成立,则称过程()X t 的自相关函数具有各态历经性。特别的当0τ=时,称均方值具有各态历经性。
理解()X X t μ=,即时间均值是一个常数,要以概率1成立,意味着时间均值的方差等于0即
()0D X t ??=??
(1.24)
即为平稳过程()X t 的均值具有各态历经性的充要条件。根据定理其等价条件是
()22
1lim
102T X X T R d T T ττμτ->+∞????--= ?????? (1.25)
各态历经性的价值:即本节前述的提前条件,一旦平稳过程满足各态历经性条件,则根据定理,可以用随机过程的时间均值和时间自相关函数,来计算集合均值和自相关函数,因为前述条件与定理是以概率为1成立的,意味着对随机过程()X t 任意样本函数而()x t 都成立,所以有 ()01lim T
X T x t dt T μ->+∞=? (1.26)
()()()0
1lim T
X T x t x t dt R T ττ->+∞+=? (1.27)
上述两式是定理,不在此处证明。如果试验记录只在时间区间[]0,T 上给出,则相应上述两式的无偏估计式为 ()01T
X X x t dt T μμ≈=?
(1.28)
()()()()01T X X R R x t x t dt T τ
ττττ
-≈=+-? (1.29)
不过在实际中一般不可能给出()x t 的解析表达式,因而工程最终还是通过数字方法来求计算均值与自相关函数。
将区间[]0,T 分为N 等份,T
t N
?=
,然后在每个1,1,2,
,2k
t k t k N ?
?=-?= ??
? 时刻,
即每段中点时刻取值k x ,则数值方法的均值的无偏估计为
11
11N N
X X k k k k x t x T N μμ==≈=?=∑∑
(1.30)
最终的X μ是一个常数值。在图形上看是一个水平直线。
当r t r t =?时,自相关函数的无偏估计
()1
11
1,0,1,2,,N r
N r
X r k k r k k r k k R x x t x x r m m N T N r ττ--++===
?==<--∑∑ (1.31)
由这些估计值计算出一系列近似值,最终通过数据曲线拟合成近似图形。()X R τ 是时
差τ函数。
自相关函的性质
对于具有各态历经性的平稳过程,可以根据各态历经定理,对随机过程的一个样本函数使数学好你分析的计算手续去求它的均值和相关函数。
以下假设()X t 和()Y t 是平稳相关过程,()()(),,X Y XY R R R τττ分别是它们的自相关
函数和互相关函数。
1,()()2
200X X R E X t ??==ψ≥??
2,()()X X R R ττ-=,即()X R τ是τ偶函数,而互相关函数即不是奇函数,也不是偶
函数,但满足()()
X
Y
Y X R R ττ-=。所以在实际问题中只需计算或测量
()()()(),,,X Y XY YX R R R R ττττ在0τ≥的值。
3,关于自相关函数和自协方差函数有不等式:
()()0X X R R τ≤ 和()()20X X X C C τσ≤=
此不等式表明:自相关函数与自协方差函数都在0τ=处取得到最大值。但不排除有其他点可取得最大值。
4,()X
R τ是非负定的,即对任意数组12,,
,n t t t T ∈和任意实值函数()g t 都有
()()(),1
0n
X
i
j
i
j
i j R t t g t g t =-≥∑
对于平稳过程而言,自相关函数的非负定性是最本质的,这是因为理论上可以证明:任意连续函数,只要具有非负定性,那么该函数必是某平稳过程的自相关函数。
5,如果平稳过程()X t 满足条件()(){}
01P X t T X t +==,则称它为周期是0T 的平稳过程,周期平稳过程的自相关函数必是周期函数,且其周期也是0T 。
平稳过程的功率谱密度
一个随机振动过程的特征可以用数学期望、方差和相关函数来描述。但在工程技术问题中,广泛采有频率域来描述一个随机振动过程特征功率谱密度函数。
功率谱密度函数的作用:
1,功率谱密度函数能够反映随机振动的功率关于频率的分布密度。
2,对一个线性系统,输入功率谱、输入功率谱、系统本身的传递性三者之间的关系式非常简便。
3,在对系统进行振动试验时,功率谱有助于振动特性的模拟。
功率谱密度与相关函数可以分别从频域与时域这两个不同的角度反映着同一个统计特性-“功率”。功率谱密度函数可由相关函数转换而来。
对于满足狄利克雷条件,且绝对可积的条件下的时域信号()x t ,其傅里叶变换与逆变换容易给出 i ()()e d .t x F x t t ωω+∞
--∞
=?
(1.32)
i 1()()e d 2π
t
x x t F ωωω+∞-∞=
? (1.33)
其中()x F ω一般是复数量,其共轭函数()()*x F F ωω=- ,根据帕塞瓦尔定理,有以下等式成立
22
1()d ()d 2πx x t t F ωω+∞
+∞
-∞
-∞=?
?
(1.34)
等式左边
2()d x t t +∞
-∞
?
在(),-∞∞积分,表示()x t 的总能量,而2
()x F ω 称为()x t 的能
量谱密度。帕塞瓦定理说明了,无论从频域还是时域观察,同一个过程的能量是不变的。
平均功率:
21lim
()d 2T
T
T x t t T -→+∞?
称为()x t 在(),-∞+∞上的平均功率。
在工程技术中,有很多重要的时间函数总能量是无限的,而且不满足绝对可积条件。所以需要研究过程的平均功率。
忽略推导过程,我们直接得下式
2
2
111lim ()d lim (,)d 22π2T
x T
T T x t t F T T
T
ωω+∞--∞→+∞→+∞=?? (1.35) 左边是()x t 在(),-∞+∞的平均功率,右边2
1lim (,)2x T F T T
ω→+∞ 称为平均功率谱密度。
令()2
1lim
()d 2T x T
T S x t t T ω-→+∞=? ,称之为平均功率谱密度,简称功率谱密度。 将上述概念推广到平稳随机过程()X t 。
将()x t 以平稳随机过程()X t 替代,称2
1
lim ()d 2T
T T E X t t T -→+∞
???
???
?定义为平稳过程的平均功率。
221
lim [()]d 2T
x T
T E X t t T
-→+∞=ψ?
(1.36)
上式表明平稳过程的平均功率等于该过程的均方值或()0X R 。要注意平稳过程的均方值是常数。
而平稳过程()X t 的功率谱密度记为()XX S ω或()X S ω,也称为自谱密度或者谱密度。
()2
1lim
{(,)}2XX X T S E F T T
ωω→+∞=
(1.37)
据式1.35可知平稳随机过程的功率谱密度与其平均功率的关系为
21()d 2π
X X S ωω+∞
-∞ψ=
? (1.38)
功率密度在整个频域内积分后除以2π为平均功率。
建立数学模型的方法、步骤、特点及分类
建立数学模型的方法、步骤、特点及分类 [学习目标] 1.能表述建立数学模型的方法、步骤; 2.能表述建立数学模型的逼真性、可行性、渐进性、强健性、可转移性、非 预制性、条理性、技艺性和局限性等特点;; 3.能表述数学建模的分类; 4.会采用灵活的表述方法建立数学模型; 5.培养建模的想象力和洞察力。 一、建立数学模型的方法和步骤 —般说来建立数学模型的方法大体上可分为两大类、一类是机理分析方法,一类是测试分析方法.机理分析是根据对现实对象特性的认识、分析其因果关系,找出反映内部机理的规律,建立的模型常有明确的物理或现实意义.测试分折将研究对象视为一个“黑箱”系统,内部机理无法直接寻求,可以测量系统的输人输出数据、并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个与数据拟合得最好的模型。这种方法称为系统辨识(System Identification).将这两种方法结合起来也是常用的建模方法。即用机理分析建立模型的结构,用系统辨识确定模型的参数. 可以看出,用上面的哪一类方法建模主要是根据我们对研究对象的了解程度和建模目的决定的.如果掌握了机理方面的一定知识,模型也要求具有反映内部特性的物理意义。那么应该以机理分析方法为主.当然,若需要模型参数的具体数值,还可以用系统辨识或其他统计方法得到.如果对象的内部机理基本上没掌握,模型也不用于分析内部特性,譬如仅用来做输出预报,则可以系统辩识方法为主.系统辨识是一门专门学科,需要一定的控制理论和随机过程方面的知识.以下所谓建模方法只指机理分析。 建模要经过哪些步骤并没有一定的模式,通常与实际问题的性质、建模的目的等有关,从 §16.2节的几个例子也可以看出这点.下面给出建模的—般步骤,如图16-5所示. 图16-5 建模步骤示意图 模型准备首先要了解问题的实际背景,明确建模的目的搜集建模必需的各种信息如现象、数据等,尽量弄清对象的特征,由此初步确定用哪一类模型,总之是做好建模的准备工作.情况明才能方法对,这一步一定不能忽视,碰到问题要虚心向从事实际工作的同志请教,尽量掌握第一手资料. 模型假设根据对象的特征和建模的目的,对问题进行必要的、合理的简化,用精确的语言做出假设,可以说是建模的关键一步.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理、化学、生物、经济等方面的知识,又要充分发挥想象力、洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化、均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.
第三章_随机过程教案
第三章随机过程 本节首先介绍利用matlab现有的库函数根据实际需要直接产生均分分布和高斯分布随机变量的方法,然后重点讲解蒙特卡罗算法。 一、均匀分布的随机数 利用MATLAB库函数rand产生。rand函数产生(0,1)内均匀分布的随机数,使用方法如下: 1)x=rand(m);产生一个m×m的矩阵,所含元素取值均为在(0,1)内均匀分布的随机数。 2)x=rand(m,n);产生一个m×n的矩阵,所含元素取值均为在(0,1)内均匀分布的随机数。 3)x=rand;产生一个随机数。 举例:1、产生一个5×5服从均匀分布的随机矩阵,所含元素取值均为在(0,1)内均匀分布的随机数。 x=rand(5) 2、产生一个5×3服从均匀分布的随机矩阵,所含元素取值均为在(0,1)内均匀分布的随机数。 x=rand(5,3) 二、高斯分布的随机数 randn函数产生均值为0,方差为1的高斯分布的随机数,使用方法如下: 1)x=randn(m);产生一个m×m的矩阵,所含元素都是均值
为0,方差为1的高斯分布的随机数。 2)x=randn(m,n);产生一个m×n的矩阵,所含元素都是均值为0,方差为1的高斯分布的随机数。 3)x=randn;产生一个均值为0,方差为1的高斯分布的随机数。 举例:1、产生一个5×5的矩阵,所含元素都是均值为0,方差为1的高斯分布的随机数。 x=randn(5) 2、产生一个5×3的矩阵,所含元素都是均值为0,方差为1的高斯分布的随机数。 x=randn(5,3) 3、产生一个5×3的矩阵,所含元素都是均值为0,方差为4的高斯分布的随机数。 x=2×randn(5,3) 三、蒙特卡罗仿真 1、蒙特卡罗算法 蒙特卡罗估计是指通过随机实验估计系统参数值的过程。蒙特卡罗算法的基本思想:由概率论可知,随机实验中实验的结果是无法预测的,只能用统计的方法来描述。故需进行大量的随机实验,如果实验次数为N,以 N表示事件A发 A 生的次数。若将A发生的概率近似为相对频率,定义为 N N。 A 这样,在相对频率的意义下,事件A发生的概率可以通过重
随机过程考试真题
1、设随机过程C t R t X +?=)(,),0(∞∈t ,C 为常数,R 服从]1,0[区间上的均匀分 布。 (1)求)(t X 的一维概率密度和一维分布函数; (2)求)(t X 的均值函数、相关函数和协方差函数。 2、设{ }∞<<∞-t t W ),(是参数为2 σ的维纳过程,)4,1(~N R 是正态分布随机变量; 且对任意的∞<<∞-t ,)(t W 与R 均独立。令R t W t X +=)()(,求随机过程 {}∞<<∞-t t X ),(的均值函数、相关函数和协方差函数。 3、设到达某商场的顾客人数是一个泊松过程,平均每小时有180人,即180=λ;且每个 顾客的消费额是服从参数为s 的指数分布。求一天内(8个小时)商场营业额的数学期望与方差。 4、设马尔可夫链的转移概率矩阵为: (1)求两步转移概率矩阵) 2(P 及当初始分布为 时,经两步转移后处于状态2的概率。 (2)求马尔可夫链的平稳分布。 5设马尔可夫链的状态空间}5,4,3,2,1{=I ,转移概率矩阵为: 求状态的分类、各常返闭集的平稳分布及各状态的平均返回时间。 6、设{}(),0N t t ≥是参数为λ的泊松过程,计算[]()()E N t N t s +。 7、考虑一个从底层启动上升的电梯。以i N 记在i 第层进入电梯的人数。假定i N 相互独立,且i N 是均值为i λ的泊松变量。在第i 层进入的各个人相互独立地以概率ij p 在第j 层离开电梯, 1ij j i p >=∑。令j O =在第j 层离开电梯的人数。
(1)计算()j E O (2)j O 的分布是什么 (3)j O 与k O 的联合分布是什么 8、一质点在1,2,3点上作随机游动。若在时刻t 质点位于这三个点之一,则在) ,[h t t +内,它都以概率 )(h o h +分别转移到其它两点之一。试求质点随机游动的柯尔莫哥洛夫微分方程,转移概率)(t p j i 及平稳分布。 1有随机过程{?(t ),-? > 第二章习题 习题 设随机过程X (t )可以表示成: ()2cos(2), X t t t πθ=+-∞<<∞ 式中,θ是一个离散随机变量,它具有如下概率分布:P (θ=0)=,P (θ=π/2)= 试求E [X (t )]和X R (0,1)。 解:E [X (t )]=P (θ=0)2cos(2)t π+P (θ= /2)2cos(2)=cos(2)sin 22 t t t π πππ+ - cos t ω : 习题 设一个随机过程X (t )可以表示成: ()2cos(2), X t t t πθ=+-∞<<∞ 判断它是功率信号还是能量信号并求出其功率谱密度或能量谱密度。 解:为功率信号。 []/2 /2/2 /21()lim ()()1lim 2cos(2)*2cos 2()T X T T T T T R X t X t dt T t t dt T ττπθπτθ→∞-→∞ -=+=+++? ? 222cos(2)j t j t e e πππτ-==+ 2222()()()(1)(1) j f j t j t j f X P f R e d e e e d f f πτπππττττδδ∞-∞---∞-∞==+=-++?? @ 习题 设有一信号可表示为: 4exp() ,t 0 (){0, t<0 t X t -≥= 试问它是功率信号还是能量信号并求出其功率谱密度或能量谱密度。 解:它是能量信号。X (t )的傅立叶变换为: (1)004 ()()441j t t j t j t X x t e dt e e dt e dt j ωωωωω +∞-+∞--+∞-+-∞====+??? 则能量谱密度 G(f)=2 ()X f =2 22 416 114j f ωπ=++ 习题 X (t )=12cos 2sin 2x t x t ππ-,它是一个随机过程,其中1x 和2x 是相互统计独立的高斯随机变量,数学期望均为0,方差均为2σ。试求: ! (1)E [X (t )],E [2()X t ];(2)X (t ) 的概率分布密度;(3)12(,)X R t t 《随机过程》课程教学大纲 课程编号:02200021 课程名称:随机过程 英文名称:Stochastic Processes 课程类别:选修课 总学时:72 讲课学时:68 习题课学时:4 学分: 4 适用对象:数学与应用数学、信息与计算科学专业 先修课程:数学分析、高等代数、概率论与数理统计 一、课程简介 随机过程是研究客观世界中随机演变过程规律性的学科,它的基本知识和方法不仅为数学、概率统计专业所必需,也为工程技术、生物信息及经济领域的应用和研究所需要。本课程介绍随 机过程研究领域的一些基础而重要的知识和技能。 二、课程性质、目的和任务 随机过程是概率论的后续课程,具有比概率理论更加实用的应用方面,处理问题也更加贴近实际情况。通过这门课程的学习,使学生了解随机过程的基本概念,掌握最常见而又有重要应用 价值的诸如Poisson过程、更新过程、Markov过程、Brown运动的基本性质,能够处理基本的随 机算法。提高学生利用概率理论数学模型解决随机问题的能力。通过本课程的学习,可以让数学 专业的学生很方便地转向在金融管理、电子通讯等应用领域的研究。 三、课程基本要求 通过本课程的学习,要求学生掌握随机过程的一般概念,知道常见的几类随机过程的定义、背景和性质;掌握泊松过程的定义与基本性质,了解它的实际背景,熟悉它的若干推广;掌握更 新过程的定义与基本性质、更新函数、更新方程,了解更新定理及其应用,知道更新过程的若干 推广;掌握离散时间的马尔可夫链的基本概念,熟练掌握转移概率、状态分类与性质,熟悉极限 分布、平稳分布与状态空间的分解,了解分枝过程;掌握连续时间的马尔可夫链的定义、柯尔莫 哥洛夫方程;掌握布朗运动的定义与基本性质,熟悉随机积分的定义与基本性质,了解扩散过程 与伊藤公式,会求解一些简单的随机微分方程。 四、教学内容及要求 第一章预备知识 §1.概率空间;§2.随机变量和分布函数;§3.数字特征、矩母函数和特征函数;§4. 条件概率、条件期望和独立性;§5.收敛性 教学要求:本章主要是对概率论课程的复习和巩固,为后续学习做准备。 第二章随机过程的基本概念和类型 第一章随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量,分布函数 离散型随机变量的概率分布用分布列分布函数 连续型随机变量的概率分布用概率密度分布函数 2.n维随机变量 其联合分布函数 离散型联合分布列连续型联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量连续型随机变量 方差:反映随机变量取值的离散程度 协方差(两个随机变量): 相关系数(两个随机变量):若,则称不相关。 独立不相关 4.特征函数离散连续 重要性质:,,, 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 二项分布 泊松分布均匀分布略 正态分布 指数分布 6.N维正态随机变量的联合概率密度 ,,正定协方差阵 二.随机过程的基本概念 1.随机过程的一般定义 设是概率空间,是给定的参数集,若对每个,都有一个随机变量与之对应,则称随机变量族是上的随机过程。简记为。 含义:随机过程是随机现象的变化过程,用一族随机变量才能刻画出这种随机现象的全部统计规律性。另一方面,它是某种随机实验的结果,而实验出现的样本函数是随机的。 当固定时,是随机变量。当固定时,时普通函数,称为随机过程的一个样本函数或轨道。 分类:根据参数集和状态空间是否可列,分四类。也可以根据之间的概率关系分类,如独立增量过程,马尔可夫过程,平稳过程等。 2.随机过程的分布律和数字特征 用有限维分布函数族来刻划随机过程的统计规律性。随机过程的一维分布,二维分布,…,维分布的全体称为有限维分布函数族。随机过程的有限维分布函数族是随机过程概率特征的完整描述。在实际中,要知道随机过程的全部有限维分布函数族是不可能的,因此用某些统计特征来取代。(1)均值函数表示随机过程在时刻的平均值。 (2)方差函数表示随机过程在时刻对均值的偏离程度。 (3)协方差函数且有 (4)相关函数(3)和(4)表示随机过程在时刻,时的线性相关程度。 《应用随机过程A》课程教学大纲 课程编号: L335001 课程类别:专业限选课适用专业:统计学专业 学分数:3学分学时数: 48学时 应修(先修)课程:数学分析、概率统计、微分方程、高等代数 一、本课程的地位和作用 应用随机过程是数学与应用数学专业的专业限选课程,是统计学专业的专业课程之一。随机过程是研究客观世界中随机演变过程规律性的学科,随机过程的研究对象为随时间变化的随机现象,即随时间不断变化的随机变量,通常被视为概率论的动态部分。随着科学技术的发展,它已广泛地应用于通信、控制、生物、地质、经济、管理、能源、气象等许多领域,国内外许多高等工科院校在研究生中设此课程,大量工程技术人员对随机分析的方法也越来越重视。通过本课程的学习,使学生初步具备应用随机过程的理论和方法来分析问题和解决问题的能力。 二、本课程的教学目标 使学生掌握随机过程的基本知识,通过系统学习,学生的概率理论数学模型解决随机问题的能力得到更加进一步的提高,特别在经济应用上,通过本课程的学习,可以让数学专业的学生很方便地转向在金融管理、电子通讯等应用领域的研究。 三、课程内容和基本要求 ?”记号标记既(用“*”记号标记难点内容,用“?”记号标记重点内容,用“* 是重点又是难点的内容。) 第一章预备知识 1.教学基本要求 (1)掌握概率空间, 随机变量和分布函数, 矩母函数和特征函数的概念和相关性质。 (2)掌握条件概率, 条件期望和独立性的概念和相关性质。 (3)了解概率中收敛性的概念和相互关系。 2.教学内容 (1)概率空间 (2)▽随机变量和分布函数 (3)▽*数字特征、矩母函数和特征函数 (4)▽*条件概率、条件期望和独立性 (5)收敛性 第二章随机过程的基本概念和类型 1.教学基本要求 (1)掌握随机过程的定义。 (2)了解有限维分布族和Kolmogorov定理。 (3)掌握独立增量过程和独立平稳增量过程概念。 2.教学内容 (1)基本概念 (2)▽*有限维分布和Kolmogorov定理 (3)▽随机过程的基本类型 第三章 Poisson过程 1.教学基本要求 (1)了解计数过程的概念。 (2)掌握泊松过程两种定义的等价性。 (3)掌握泊松过程的到达时刻的分布、等待时间的分布和来到时刻的条件分布。(4)了解泊松过程的推广。 2.教学内容 (1)▽ Poisson过程 (2)▽* 与Poisson过程相联系的若干分布 (3)* Poisson过程推广 第四章更新过程 1.教学基本要求 (1)掌握更新过程的定义和基本性质。 (2)掌握更新函数、更新方程。 (3)了解更新定理及其应用,更新过程的若干推广。 (4)了解更新过程的若干推广。 2.教学内容 1、设随机过程C t R t X +?=)(,),0(∞∈t ,C 为常数,R 服从]1,0[区间上的均匀分布。 (1)求)(t X 的一维概率密度与一维分布函数; (2)求)(t X 的均值函数、相关函数与协方差函数。 2、设{ }∞<<∞-t t W ),(就是参数为2 σ的维纳过程,)4,1(~N R 就是正态分布随机变量; 且对任意的∞<<∞-t ,)(t W 与R 均独立。令R t W t X +=)()(,求随机过程 {}∞<<∞-t t X ),(的均值函数、相关函数与协方差函数。 3、设到达某商场的顾客人数就是一个泊松过程,平均每小时有180人,即180=λ;且每个 顾客的消费额就是服从参数为s 的指数分布。求一天内(8个小时)商场营业额的数学期望与方差。 4、设马尔可夫链的转移概率矩阵为: ??? ? ? ??=3.007.08.02.0007.03.0P (1)求两步转移概率矩阵) 2(P 及当初始分布为 0}3{}2{, 1}1{000======X P X P X P 时,经两步转移后处于状态2的概率。 (2)求马尔可夫链的平稳分布。 5设马尔可夫链的状态空间}5,4,3,2,1{=I ,转移概率矩阵为: ??? ??? ? ? ??=010007.03.0000 0001 00004.06.0003.04 .03.0P 求状态的分类、各常返闭集的平稳分布及各状态的平均返回时间。 6、设{}(),0N t t ≥就是参数为λ的泊松过程,计算[]()()E N t N t s +。 7、考虑一个从底层启动上升的电梯。以i N 记在i 第层进入电梯的人数。假定i N 相互独立,且i N 就是均值为i λ的泊松变量。在第i 层进入的各个人相互独立地以概率ij p 在第j 层离开电梯, 1ij j i p >=∑。令j O =在第j 层离开电梯的人数。 (1)计算()j E O (2)j O 的分布就是什么 (3)j O 与k O 的联合分布就是什么 8、一质点在1,2,3点上作随机游动。若在时刻t 质点位于这三个点之一,则在),[h t t +内,它都 以概率 )(h o h +分别转移到其它两点之一。试求质点随机游动的柯尔莫哥洛夫微分方程,转移概率)(t p j i 及平稳分布。 1有随机过程{ξ(t ),-∞ 第二章习题 习题2.1 设随机过程X (t )可以表示成: ()2cos(2), X t t t πθ=+-∞<<∞ 式中,θ是一个离散随机变量,它具有如下概率分布:P (θ=0)=0.5,P (θ=π/2)=0.5 试求E [X (t )]和X R (0,1)。 解:E [X (t )]=P (θ=0)2cos(2)t π+P (θ=/2)2cos(2)=cos(2)sin 22 t t t π πππ+ - cos t ω 习题2.2 设一个随机过程X (t )可以表示成: ()2cos(2), X t t t πθ=+-∞<<∞ 判断它是功率信号还是能量信号?并求出其功率谱密度或能量谱密度。 解:为功率信号。 []/2 /2/2 /21()lim ()()1lim 2cos(2)*2cos 2()T X T T T T T R X t X t dt T t t dt T ττπθπτθ→∞-→∞ -=+=+++? ? 222cos(2)j t j t e e πππτ-==+ 2222()()()(1)(1) j f j t j t j f X P f R e d e e e d f f πτπππττττδδ∞-∞---∞-∞==+=-++?? 习题2.3 设有一信号可表示为: 4exp() ,t 0 (){0, t<0 t X t -≥= 试问它是功率信号还是能量信号?并求出其功率谱密度或能量谱密度。 解:它是能量信号。X (t )的傅立叶变换为: (1)004 ()()441j t t j t j t X x t e dt e e dt e dt j ωωωωω +∞-+∞--+∞-+-∞====+??? 则能量谱密度 G(f)=2 ()X f =2 22 416 114j f ωπ=++ 习题2.4 X (t )=12cos 2sin 2x t x t ππ-,它是一个随机过程,其中1x 和2x 是相互统计独立的高斯随机变量,数学期望均为0,方差均为2σ。试求: (1)E [X (t )],E [2()X t ];(2)X (t ) 的概率分布密度;(3)12(,)X R t t 解:(1)()[][]()[]02sin 2cos 2sin 2cos 2121=?-?=-=x E t x E t t x t x E t X E ππππ 随机过程分析 摘要随着科学的发展,数学在我们日常的通信体系中有着越来越重的地位,因为在科学研究中,只有借助于数学才能精确地描述一个现象的不同量之间的关系,从最简单的加减乘除,到复杂的建模思想等等。其中,随机过程作为数学的一个重要分支,更是在整个通信过程中发挥着不可小觑的作用。如何全面的对随机信号进行系统和理论的分析是现在通信的关键,也是今后通信业能否取得巨大进步的关键。 关键字通信系统随机过程噪声 通信中很多需要进行分析的信号都是随机信号。随机变量、随机过程是随机分析的两个基本概念。实际上很多通信中需要处理或者需要分析的信号都可以看成是一个随机变量,利用在系统中每次需要传送的信源数据流,就可以看成是一个随机变量。例如,在一定时间内电话交换台收到的呼叫次数是一个随机变量。也就是说把随某个参量而变化的随机变量统称为随机函数;把以时间t为参变量的随机函数称为随机过程。随机过程包括随机信号和随进噪声。如果信号的某个或某几个参数不能预知或不能完全预知,这种信号就称为随机信号;在通信系统中不能预测的噪声就称为随机噪声。下面对随机过程进行分析。 一、随机过程的统计特性 1、数学期望:表示随机过程的n个样本函数曲线的摆动中心, 即均值 ?∞ ∞-==11);()]([)(dx t x xp t X E t a 2、方差:表示随机过程在时刻t 对于均值a(t)的偏离程度。 即均方值与均值平方之差。 {}?∞ ∞ --=-=-==112222);()]([)]()([))](()([)]([)(dx t x p t a x t a t X E t X E t X E t X D t δ 3、自协方差函数和相关函数: 衡量随机过程任意两个时刻上获得的随机变量的统计相关特性时,常用协方差函数和相关函数来表示。 (1)自协方差函数定义 {} )]()()][()([);(221121t a t X t a t X E t t C x --=??∞∞-∞ ∞---=2121212211),;,()]()][([dx dx t t x x p t a x t a x 式中t1与t2是任意的两个时刻;a (t1)与a(t2)为在t1及t2得到的数学期望; 用途:用协方差来判断同一随机过程的两个变量是否相关。 (2)自相关函数 ??∞∞-∞ ∞-==2121212212121),;,()]()([),(dx dx t t x x p x x t X t X E t t R X 用途:a 用来判断广义平稳; b 用来求解随机过程的功率谱密度及平均功率。 二、平稳随机过程 1、定义(广义与狭义): 则称X(t)是平稳随机过程。该平稳称为严格平稳,狭义平稳或严平稳。 习题4 以下如果没有指明变量t 的取值范围,一般视为R t ∈,平稳过程指宽平稳过程。 1. 设Ut t X sin )(=,这里U 为)2,0(π上的均匀分布. (a ) 若Λ,2,1=t ,证明},2,1),({Λ=t t X 是宽平稳但不是严平稳, (b ) 设),0[∞∈t ,证明}0),({≥t t X 既不是严平稳也不是宽平稳过程. 证明:(a )验证宽平稳的性质 Λ,2,1,0)cos (2121)sin()sin()(2020==-=? ==?t Ut t dU Ut Ut E t EX π π ππ ))cos()(cos(2 1 )sin (sin ))(),((U s t U s t E Us Ut E s X t X COV ---=?= t U s t s t U s t s t ππ π21}])[cos(1])[cos(1{212020? +++--= s t ≠=,0 2 1 Ut Esin ))(),((2= =t X t X COV (b) ,)),2cos(1(21 )(有关与t t t t EX ππ-= .)2sin(81 21DX(t)有关,不平稳,与t t t ππ-= 2. 设},2,1,{Λ=n X n 是平稳序列,定义Λ Λ,2,1},,2,1,{) (==i n X i n 为 Λ,,)1(1)1()2(1)1(---=-=n n n n n n X X X X X X ,证明:这些序列仍是平稳的. 证明:已知,)(),(,,2 t X X COV DX m EX t t n n n γσ===+ 2 121)1(1)1()1(2)(,0σγσ≡+=-==-=--n n n n n n X X D DX EX EX EX ) 1()1()(2),(),() ,(),(),(),(111111) 1()1(++--=+--=--=--+-+-++--+++t t t X X COV X X COV X X COV X X COV X X X X COV X X COV n t n n t n n t n n t n n n t n t n n t n γγγ显然,) 1(n X 为平稳过程. 同理可证,Λ,,) 3()2(n n X X 亦为平稳过程. 3.设 1 )n n k k k Z a n u σ==-∑这里k σ和k a 为正常数,k=1,....n; 1,...n u u 是(0,2π) 一、1.1设二维随机变量(,)的联合概率密度函数为: 试求:在时,求。 解: 当时, = = 1.2 设离散型随机变量X 服从几何分布: 试求的特征函数,并以此求其期望与方差。 解: 所以: 2.1 袋中红球,每隔单位时间从袋中有一个白球,两个任取一球后放回,对每 对应随机变量一个确定的t ?????=时取得白球如果对时取得红球 如果对t e t t t X t 3)( .维分布函数族试求这个随机过程的一 2.2 设随机过程,其中是常数,与是相互独立的随机变量,服从区间上的均匀 分布,服从瑞利分布,其概率密度为 试证明为宽平稳过程。 解:(1) 与无关 (2) , 所以 (3) 只与时间间隔有关,所以为宽平稳过程。 2.3是随机变量,且,其中设随机过程U t U t X 2cos )(=求:,.5)(5)(==U D U E .321)方差函数)协方差函数;()均值函数;(( 2.4是其中,设有两个随机过程U Ut t Y Ut t X ,)()(32==.5)(=U D 随机变量,且 数。试求它们的互协方差函 2.5, 试求随机过程是两个随机变量设B At t X B A 3)(,,+=的均值),(+∞-∞=∈T t 相互独若函数和自相关函数B A ,.),()(),2,0(~),4,1(~,21t t R t m U B N A X X 及则且立 为多少? 3.1一队学生顺次等候体检。设每人体检所需的时间服从均值为2分 钟的指数分布并且与其他人所需时间相互独立,则1小时内平均有多少学生接受过体检?在这1小时内最多有40名学生接受过体检的概率是多少(设学生非常多,医生不会空闲) 解:令()N t 表示(0,)t 时间内的体检人数,则()N t 为参数为30的 poisson 过程。以小时为单位。 则((1))30E N =。 40 300 (30)((1)40)!k k P N e k -=≤=∑。 3.2在某公共汽车起点站有两路公共汽车。乘客乘坐1,2路公共汽车的强度分别为1λ,2λ,当1路公共汽车有1N 人乘坐后出发;2路公共汽车在有2N 人乘坐后出发。设在0时刻两路公共汽车同时开始等候乘客到来,求(1)1路公共汽车比2路公共汽车早出发的概率表达式;(2)当1N =2N ,1λ=2λ时,计算上述概率。 解: 法一:(1)乘坐1、2路汽车所到来的人数分别为参数为1λ、2λ的poisson 过程,令它们为1()N t 、2()N t 。1 N T 表示1()N t =1N 的发生时 刻,2 N T 表示2()N t =2N 的发生时刻。 1 11 1111111()exp()(1)! N N N T f t t t N λλ-= -- 2 22 1222222()exp()(1)! N N N T f t t t N λλ-= -- 1 2 121 2 1 2 2 1 112,12|1221 1122212(,)(|)()exp() exp() (1)! (1)! N N N N N N N N N T T T T T f t t f t t f t t t t t N N λλλλ--== ---- 1 2 2 121 2 1 11221 11222100 12()exp() exp()(1)! (1)! N N t N N N N P T T dt t t t t dt N N λλλλ∞ --<=----?? 什么是随机现象? 在发生之前只能知道该现象各种可能的发生结果但无法准确预知哪一个结果将发生 随机现象产生的原因是什么? 客观物质间相互作用的多样性和复杂性;认识主体认识能力的有限性 数学模型:描述客观事物量的之间关系的数学关系式 系统:我们将导致一个现象发生的所有因素及其相互作用机制定义为一个系统 系统的输出:某种试验或观察的结果。 试验:让上述系统产生一次输出的过程 样本空间:试验的所有可能结果组成的集合称为样本空间 样本点:样本空间中一个元素 确知系统:当观察者能清晰地认知系统的所有要素和作用机制,并且可以根据所知准确预测某次试验的输出,则这个系统被称为确知系统。 随机系统:否则当观察者对组成系统的所有要素和作用机制不能完全认知,在试验之前只知道该系统的样本空间,而无法根据所知预测该次试验将输出样本空间中的哪一个样本,这个系统就被称为随机系统。 比较:确知系统可以“从因推果”,随机系统则不可以 随机试验(观察):使得随机系统产生一次输出的活动。 随机试验的特点: 1 可在相同条件下重复地进行。 2 试验的可能的结果不止一个, 并且能事先明确所有可能的结果. 3 进行一次试验之前不能确定哪一个结果会出现. 建立随机现象数学模型的基本思路: 不考虑输出某个结果的原因 用数或者函数表示输出结果 对输出结果的可能性进行先验量化 所谓样本的频率就是在若干次试验中,某个样本出现的次数占试验总次数的比例。 频率稳定性是指当试验的次数增加时,样本的频率总是在一个常数左右微小波动。 事件:样本空间的子集,也即由若干个样本点组成的集合 事件:样本空间中满足一定条件的全体元素构成子集,“一定条件”有事件的意义,因此称样本空间的子集为事件。 不可能事件 必然事件 基本事件:可数和不可数 实际上概率集函数的含义就是某个事件的概率 随机过程理论及应用(中英文0600006) 一、课程代码:0600006 课内学时: 48 学分: 3 二、适用范围(学科、专业、层次等) 控制科学与工程、控制工程 三、先修课程 线性代数、微积分、概率论 四、教学目标 随机过程理论及应用是自动控制专业研究生所必修的一门基础课程,该课程覆盖了概率论和随机过程的基本知识,包括泊松过程、马尔可夫链、鞅和布朗运动等。在这门课程中,我们旨在讲授随机过程的一些基本理论,并扩展到其在控制、通信、经济和金融等领域的一些应用。通过学习这门课程可以让学生学会以概率的方式来思考问题、看待问题和解决问题。 五、考核与成绩评定: 成绩以百分制衡量。 成绩评定依据:课堂成绩10%,课后作业20%,考试70%。 六、教学方式 课堂讲授、课堂讨论、论文分析 七、教学大纲(大纲撰写人:闫莉萍) 1.预备知识 6学时 1.1概率的公理化定义 1.2随机变量与数字特征 1.3矩母函数与特征函数 1.4条件数学期望 1.5随机过程的基本概念 1.6随机过程的有限维分布和数字特征 1.7随机过程的分类 2.二阶矩过程与均分分析 6学时 2.1基本概念 2.2H空间与均方分析 2.3宽平稳过程的概念和基本性质 3.泊松过程 6学时 3.1定义 3.2与泊松过程相关的若干分布 3.3泊松过程的推广 3.4泊松过程的应用 4. 离散时间马尔可夫过程 8学时 4.1定义 4.2转移概率矩阵 4.3Chapman-Kolmogorov方程 4.4状态的分类与状态空间分解 4.5平稳分布 4.6离散参数马尔科夫链的随机模拟与蒙特卡罗方法 4.7应用 5. 连续时间马尔可夫过程 6学时 5.1定义与基本概念 5.2转移概率矩阵 5.3Kolmogorov微分方程 5.4强马尔可夫性与嵌入马尔可夫链 5.5连续马尔可夫过程的随机模拟 5.6应用 6. 鞅 6学时 6.1基本概念 6.2上(下)鞅及分解定理 6.3停时和停时定理 6.4鞅收敛定理 6.5连续参数鞅 7. 布朗运动 6学时 7.1定义 7.2布朗运动的性质 7.3最大值与首中时 7.4布朗运动的变形与推广 8. 伊藤过程 4学时 8.1伊藤积分 8.2伊藤公式 8.3伊藤微分 8.4应用实例 第一章随机过程 的基本概念与基本类型 一.随机变量及其分布 X ,分布函数 F (x) P(X x) 1.随机变量 离散型随机变量 X 的概率分布用分布列 p P(X x k ) F(x) p k f (t)dt 分布函数 k x X 的概率分布用概率密度 f (x) F(x) 分布函数 连续型随机变量 2.n 维随机变量 X (X ,X , , X ) 1 2 n F(x) F(x ,x , ,x ) P(X x , X 2 x , , X n x n ,) 其联合分布函数 1 2 n 1 1 2 离散型 联合分布列 连续型联合概率密度 3.随机变量 的数字特征 数学期望:离散型随机变量 X EX x p k k X EX xf (x)dx 连续型随机变量 2 DX E(X EX) 2 EX (EX) 2 方差: 反映随机变量取值 的离散程度 协方差(两个随机变量 X ,Y ): B E[( X EX)(Y EY)] E(XY) EX EY XY B XY 相关系数(两个随机变量 X,Y ): 0,则称 X ,Y 不相关。 若 XY DX DY 独立 不相关 itX g(t) E(e ) itx e p k 连续 g(t) k e itx f (x)dx 4.特征函数 离散 g(t) 重要性质: g(0) 1, g(t) 1 g( t) g(t) , , g (0) i EX k k k 5.常见随机变量 的分布列或概率密度、期望、方差 0-1分布 二项分布 P( X 1) p,P( X 0) q EX p DX pq P(X k) C p q n k k k EX np DX n p q n k 泊松分布 P( X k) e k! EX DX 均匀分布略 ( x a)2 1 2 N(a, ) f (x) 2 2 2 EX a 正态分布 e DX 2 《随机过程》教学大纲 课程编码:1511104303 课程名称:随机过程 学时/学分:48/3 先修课程:《数学分析》、《概率论与数理统计》 适用专业:数学与应用数学 开课教研室:信息与计算科学教研室 一、课程性质与任务 1.课程性质:随机过程是概率论与数理统计的后继课程,是数学与应用数学专业的专业选修课。随机过程通常被视为概率论的动态部分,即研究的是随机现象的动态特征,着重对随时间和空间变化的随机现象提出各种不同的模型并研究其内在的性质与相互联系,具有较强的理论性。该学科在社会科学、自然科学、经济和管理等各个领域中都有广泛的应用。随机过程论在理论与应用两方面都发展迅速,学习、了解这门学科对概率统计及数学其他分支如信息与计算科学、自然学科、工程技术乃至经济管理等方面的学者及科技工作者都是重要而且有益的。本课程开设在第6学期。 2.课程任务:通过本课程的学习,学生应能较好地理解随机数学的基本思想,掌握几个常用过程,如泊松过程、马尔可夫链、生灭过程、更新过程、鞅的基本概念,基本理论及分析方法。提高学生的数学素质,加强学生运用随机过程的思想方法开展科研工作和解决实际问题的能力。 二、课程教学基本要求 《随机过程》要求在熟练掌握概率论的基础上深刻理解随机过程的基本思想,理解随机过程是概率论的动态部分的含义;掌握随机过程的分类方法及常见的随机过程(如Poisson 过程、更新过程、Markov链和鞅等)的各种性质、推广形式及简单应用。 本课程的成绩考核形式:末考成绩(闭卷考试)(70%)+平时成绩(平时测验、作业、课堂提问、课堂讨论等)(30%)。成绩评定采用百分制,60分为及格。 三、课程教学内容 第一章 准备知识 1.教学基本要求 复习随机变量、分布函数、分布律和概率密度函数的概念,条件分布,函数的分布求法,常见的离散型与连续型分布,及多维随机变量的知识;复习随机变量的数学期望、方差、矩、协方差与协方差阵、相关系数的定义及计算;掌握条件数学期望的求法,全期望 随机过程在经济学的应用 一、随机过程概述 随机过程是由一组无限多个随机变量组成的序列,是用来描绘一连串随机事件动态关系的序列。随机过程论语其他数学分支如位势论、微分方程、力学及复变函数论邓有密切的关系,是在自然科学、工程科学及社会科学各领域研究随机现象的重要工具。随机过程论目前已得到广泛的应用,在诸多如天气预报、统计物理、天体物理、运筹决策、经济数学、安全科学、人口理论、可靠性及计算机科学等很多领域都要经常用到随机过程的理论来建立数学模型。随机过程的概念很广泛,其研究几乎包括概率论的全部。 在客观世界中有些随机现象表示的是事物随机变化的过程,不能用随机变量和速记矢量来描绘,需要用一族无限多个随见变量来描述,这就是随机过程。 定义:设(Ω,F,P)是一个概率空间,T是一个实数集。{X(t,w),t∈T,w∈Ω}即为定义在T和Ω上的二元函数,若此函数对任意固定的t∈T,X (w,t)是任意(Ω,F,P)上的随机变量,则称{X(t,w),t∈T,w∈Ω}是随机过程(Stochastic Process)。 在研究随机过程是人们透过表面的偶然性描述出必然的内在规律并以概率的形式来描述这些规律,从偶然中悟出必然正是这一学科的魅力所在。 二、随机过程发展简史 概率论的起源与博弈问题有关,而随机过程这一学科最早是起源于对物理学的研究,如布吉斯、玻尔兹曼、庞加莱等人对统计力学的研究,及后来爱因斯坦、维纳、莱维等人对布朗运动的开创性工作。气体分子运动是,由于相互碰撞等原因而迅速改变自己的位置与速度,其运动的过程是随机的。人们希望知道,运动的轨道有什么性质(能否连续、可微的等等);分子从一点出发能达到某区域的概率有多大;如果有两类分子同时运动,由于扩散而互相渗透,那么扩散是如何进行的,要经过多久其混合才会变得均匀......这些实际问题的数学抽象为随机过程论提供了研究的课题。 1900年,Bachelier首次将布朗运动用与股票价格的描述。随后公式化概率论首先使得随机过程的研究获得了新的起点,他是作为随机变化的偶然量的数学模型,是线代概率论研究的主要论题。 1907年前后,A.A.马尔可夫研究过一列有特定相依性的随机变量,后人称之为马尔可夫链。这是一种无后效性随机过程,即在当前状态下,过程未来状态与其过去状态无关。 1923年,N.维纳给出了布朗运动的数学定义(后人也称数学上的布朗运动为维纳过程),这种过程至今仍是重要的研究对象。虽然如此,随机过程一般理论的研究通常认为开始于30年代,维纳还在时间序列和滤波理论的建立做出了贡献。通信原理教程+樊昌信+习题答案第二章
随机过程
随机过程知识点汇总
应用随机过程教学大纲
随机过程考试真题
通信原理教程+樊昌信+习题答案第二章Word版
随机过程分析
随机过程-方兆本-第三版-课后习题答案
随机过程习题和答案
随机过程概念整理
随机过程理论及应用(中英文0600006
(完整版)随机过程知识点汇总
随机过程教学大纲
随机过程在经济学中的应用