(完整版)生灭过程
生灭过程
生灭过程是用来处理输入为最简单流（即泊松分布），服务时间为负指数分布这样一类最简单排队模型的方法。
n λ——系统处于瞬时状态N(t)时单位时间内顾客的平均到达率 n μ——系统处于瞬时状态N(t)时单位时间内顾客的平均离去率
… …
表一 生灭过程的状态平衡方程
由表一知 0
10
1P P μλ=
01
201121001121212P P )P -P (1P P μμλλμλλμμμλ==+=
0
11n n 0
21-n 1-n n 1-n 2-n 2-n 1-n 1-n n 1-n n 1-n n P P )P -P (1P P μμμλλλμλλμμμλ??==+=--n ……
如果令 1C ,21(n C 01
1n n 0
21-n n =?=??=
--），，μμμλλλn
则以上各式可以通写为：
0n n P C P = （n=1,2，…） 因为
1P
C P 0
n 0
n 0
n n
==∑∑∞
=∞=
所以有 ∑∞
==
1
n n
0C
1
P
因此，求得0P 后可以推出n P ，再根据公式（1）~（6）求出排队系统的各项指标， 即q s q s W W L L 、、、.
泊松分布的概念及表和查表方法
泊松分布的概念及表和查表方法 Poisson分布，是一种统计与概率学里常见到的离散概率分布，由法国数学家西莫恩·德 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质
命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。 事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。应用场景
在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 观察事物平均发生m次的条件下，实际发生x次的概率P（x）可用下式表示： 例如采用0.05J/㎡紫外线照射大肠杆菌时，每个基因组（～4×106核苷酸对）平均产生3个嘧啶二体。实际上每个基因组二体的分布是服从泊松分布的，将取如下形式： …… 是未产生二体的菌的存在概率，实际上其值的5%与采用0.05J/㎡照射时的大肠杆菌uvrA-株，recA-株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因组有一个二体就是致死量，因此就意味着全部死亡的概率。 推导 泊松分布是最重要的离散分布之一，它多出现在当X表示在一定的时间或空间内出现的事件个数这种场合。在一定时间内某交通路口所发生的事故个数，是一个典型的例子。泊松分布的产生机制可以通过如下例子来解释。
数学分布(泊松分布、二项分布、正态分布、均匀分布、指数分布) 生存分析 贝叶斯概率公式 全概率公式讲解
数学期望：随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。它是简单算术平均的一种推广。例如某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个，则此城市中任一个家庭中孩子的数目是一个随机变量，记为X，它可取值0，1，2，3，其中取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03，它的数学期望为0×0.01＋1×0.9＋2×0.06＋3×0.03等于1.11，即此城市一个家庭平均有小孩1.11个，用数学式子表示为：E(X)=1.11。 也就是说，我们用数学的方法分析了这个概率性的问题，对于每一个家庭，最有可能它家的孩子为1.11个。 可以简单的理解为求一个概率性事件的平均状况。 各种数学分布的方差是： 1、一个完全符合分布的样本 2、这个样本的方差 概率密度的概念是：某种事物发生的概率占总概率(1)的比例,越大就说明密度越大。比如某地某次考试的成绩近似服从均值为80的正态分布，即平均分是80分，由正态分布的图形知x=80时的函数值最大，即随机变量在80附近取值最密集，也即考试成绩在80分左右的人最多。 下图为概率密度函数图(F(x)应为f(x)，表示概率密度)：
离散型分布：二项分布、泊松分布 连续型分布：指数分布、正态分布、X 2分布、t 分布、F 分布 抽样分布只与自由度，即样本含量（抽样样本含量）有关 二项分布（binomial distribution ）：例子抛硬币 1、 重复试验（n 个相同试验，每次试验两种结果，每种结果概率恒定————伯努利试验） 2、 抽样分布
泊松过程与泊松分布的基本知识
泊松过程与泊松分布的基本知识泊松过程是随机过程的一个经典模型，是一种累积随机事件的发生次数的独立增量过程。也就是说，每次事件的发生是相互独立的。那么泊松分布和泊松过程又什么关系呢？可以说泊松分布是描述稀有事件的统计规律，即可以描述一段时间内发生某个次数的概率。而泊松过程呢，就适合刻画“稀有事件流”的概率特性。 比较：泊松分布 泊松过程的主要公式： 其实没多少不一样对不对？不一样的是泊松过程是一个可以查看在时间t内发生次数的概率，这个t是可变的。泊松分布则是给定了时间。 泊松过程的关键在于，它的到达间隔序列Tn，即每两次发生的时间是服从的独立同指数分布的。如果每次发生的间隔时间不服从指数分布，那么这个随机过程就会更一般化，我们成为是更新过程，这也是随机过程的推广。 泊松过程分为齐次泊松过程和非齐次泊松过程，齐次的意思很简单，就是说过程并不依赖于初始时刻，强度函数是一个常数，从上面的公式也看得出来。而非齐次则是变成了,这意味着什么呢？这以为着随着与时间的改变，强度是会改变的，改变服从强度函数，说了这
么久，强度究竟是个什么概念？强度的意思就是泊松过程的该事件发生的频率，或者说快慢，泊松分布中我们知道期望就是,实际含义就是，在一段时间内，发生的次数平均水平是次。 复合泊松过程：泊松过程我们已经知道，用描述一段时间累积发生的次数，但是如果每次发生带来的后果都是不一样的，我们怎么描述这个过程呢？比如，火车站到达的乘客是服从泊松过程的，但是每个乘客携带有不同重量的行李，我们如何刻画在[0,t]时间内行李总重量呢，这个过程就是复合泊松过程。复合泊松过程的均值函数和方差函数一般可以用全期望和全方差公式进行计算，因为简单泊松过程的期望很容易求。 更新过程： 上文已经说到，更新过程作为泊松过程的推广，更具有一般性，那么在讨论更新过程时，我们更多地讨来更新函数，更新函数是更新过程的均值函数m(t)=E[N(t)]，怎么理解呢，就是说需要用t时刻的累积计数的期望特性来表达更新过程。有一条定理： 这个定理是可以证明的，Fn（t）是分布函数，就是说：在t时刻，更新函数值就是在这个时刻，n取遍所有值的分布之和。 那么是否可以这样理解，更新过程和泊松过程的区别就是更新间隔序列不同，那么如果已知了更新间隔序列的概率密度函数，就可以求解该过程的更新函数了，详细的推导就不写了。扔结论出来：对间隔序列概率密度函数做拉氏变换得到Lf(s),然后求 Lm(s)=Lf(s)/s(1-Lf(s)),再对Lm(s)进行逆变换，就得到了m(t),这就是更新函数。
北邮通信网实验2报告
信息与通信工程学院 通信网性能分析基础实验报告 专业信息工程 班级 姓名 学号
实验二：M/M/1排队系统 一、实验目的 M/M/1是最简单的排队系统，其假设到达过程是一个参数为λ的Poisson 过程，服务时间是参数为μ的负指数分布，只有一个服务窗口，等待的位置有无穷多个，排队的方式是FIFO 。 M/M/1排队系统的稳态分布、平均队列长度，待时间的分布以及平均等待时间，可通过泊松过程、负指数分布、生灭过程以及Little 公式等进行理论上的分析与求解。 本次实验要求实现M/M/1单窗口无限排队系统的系统仿真，利用事件调度法实现离散事件系统仿真，并统计平均队列长度以及平均等待时间等值，以与理论分析结果进行对比。 二、实验原理 根据排队论的知识我们知道，排队系统的分类是根据该系统中的顾客到达模式、服务模式、服务员数量以及服务规则等因素决定的。 1、 顾客到达模式 设到达过程是一个参数 为λ的Poisson 过程，则长度为t 的时间内到达k 个呼叫的概率)(t P k 服从Poisson 分布， 即e t k k k t t p λλ-= ! )()(，?????????=,2,1,0k ，其中λ>0为一常数，表示了平均到达率或 Poisson 呼叫流的强度。 2、 服务模式 设每个呼叫的持续时间为i τ，服从参数为μ的负指数分布，即其分布函数为 {}1,0t P X t e t μ-<=-≥ 3、 服务规则 先进先服务的规则（FIFO ） 4、 理论分析结果 在该M/M/1系统中，设λρμ = ，则稳态时的平均等待队长为1Q ρλρ=-，顾客的平均 等待时间为T ρ μλ= -。 三、 实验内容
06二项分布及泊松分布
●Bernoulli 试验（Bernoulli T est）： 将感兴趣的事件A出现的试验结果称为“成功”，事件A不出现的试验结果称为“失败”，这类试验就称为Bernoulli 试验 ●二项分布（binomial distribution）： 是指在只会产生两种可能结果如阳性或阴性之一的n次独立重复试验中，当每次试验的阳性概率π保持不变时，出现阳性次数X=0,1,2，…，n的一种概率分布。 ●Poisson分布（Poisson distribution）： 随机变量X服从Poisson分布式在足够多的n次独立试验中，X取值为1,2,…,的相应概率为 …的分布。 ★二项分布成立的条件： ①每次试验只能是互斥的两个结果之一；②每次试验的条件不变；③各次试验独立。 ★二项分布的图形： 当∏=0.5，二项分布图形是对称的，当∏不等于0.5，图形是偏态的，随着n增大，图形趋于对称。当n趋于无穷大时，只有∏不太靠近0或者1，二项分布近似正态分布。 ★二项分布的应用 总体率的区间估计，样本率与总体率比较，两样本率的比较 ★Poisson 分布的应用 总体均数的区间估计，样本均数与总体均数的比较，两个样本均数的比较：两个样本计数均较大时，可根据Poisson 分布的正态近似性对其进行u 检验。 ★Poisson 分布成立的条件： ①平稳性：X 的取值与观察单位的位置无关，只与观察单位的大小有关；②独立增量性：在某个观察单位上X 的取值与前面各观察单位上X 的取值无关；③普通性：在充分小的观察单位上X 的取值最多为1。 Poisson 分布，X～P（μ），X 的均数μX =μ，X的方差σ2 =μ，X的标准差σX ★Poisson分布的性质 1、总体均数λ与总体方差相等是泊松分布的重要特点。 2、当n增大，而∏很小，且n∏=λ总体均数时，二项分布近似泊松分布。 3、当总体均数增大时，泊松分布渐近正态分布，一般而言，总体均数》20时，泊松分布资料做为正态分布处理。 4、泊松分布具有可加性。 ★泊松分布的图形 当总体均数越小，分布就越偏态，当总体均数越大，泊松分布就越趋近正态分布。当总体均数小于等于1时，随X取值的变大，P(X)值反而变小；当总体均数大于1时，P(X)值先增大而后变小，若总体均数取整数时，则P(X)在X=总体均数，和X=总体均数—1取得最大值。 ★二项分布和泊松分布的特性 1．可加性 二项分布和Poisson 分布都具有可加性。 如果X1，X2，?Xk 相互独立，且它们分别服从以ni，p（i=1,2, ?,k）为参数的二项分 布，则X=X1＋X2＋?＋Xk 服从以n，p（n=n1+n2+?+nk）为参数的二项分布。如果X1，X2，?，Xk相互独立，且它们分别服从以μi（i=1,2, ?,k）为参数的Poisson 分布，则X=X1＋X2＋?＋Xk服从以μ（μ=μ1+μ2+?+μk）为参数的Poisson 分布。 2．近似分布
浅析二项分布与泊松分布之间的关系
学年论文 题目：浅析二项分布与泊松分布之间的关系 学生： 学号： 院（系）：理学院 专业：信息与计算科学 指导教师：安晓钢 2013 年11月25日
浅析二项分布与泊松分布之间的关系 信息121班; 指导教师：安晓钢 （陕西科技大学理学院 陕西 西安 710021） 摘 要：泊松分布刻画了稀有事件在一段时间内发生次数这一随机变量的分布，如电话交换台单位时间内接到的呼唤次数等。二项分布是n 个独立的是/非试验中成功的次数的离散概率分布。它们有着密切的关系。泊松分布是二项分布的特例。某现象的发生率很小，而样本例数n 很大时，则二项分布接近于泊松分布，即：如果试验次数n 很大，二项分布的概率p 很小，且乘积np =λ比较适中，则事件出现的次数的概率可以用泊松分布来逼近。事实上，二项分布可以看作泊松分布在离散时间上的对应物，是二项分布的特例。通过分析二项分布和泊松分布之间的关系，使学生对概率分布理论的理解更为深刻，能够将学到的理论知识应用在实际生活中，从而提高自己的综合素质。 关 键 词：二项分布， 泊松分布， 近似 The Application of Asignment Poblem ABSTRACT: Poisson distribution is used to depict the distribution of rare events that a random variable frequency over a period of time, such as a telephone exchange in unit time received the call number. The two distribution is n independent / discrete probability distributions of number of successful non trials. They have a close relationship. Poisson distribution is two distribution case. The incidence of the phenomenon is very small, and the number of sample n is large, then the two distribution is close to the Poisson distribution, i.e.: if the test number n is large, the two probability distribution P is small, and the product of lambda = N P is moderate, the probability of the event can be used to force the Poisson distribution near. In fact, the two distribution can be seen as the counterpart of Poisson distribution in discrete time, are the two distribution case. Through the analysis of the relationship between two binomial distribution and Poisson distribution, enables the student to the theory of probability distribution for more profound understanding will be able to learn the application of theoretical knowledge in real life, so as to improve their comprehensive quality. KEY WORDS : Two distribution, Poisson distribution, Approximate
多级可修备件库存的生灭过程建模与优化
多级可修备件库存的生灭过程建模与优化* 刘任洋1，李华1，李庆民2，熊宏锦3 （1. 海军工程大学 兵器工程系，湖北 武汉 430033；2. 海军工程大学 科研部，湖北 武汉 430033；3. 海军装 备部驻重庆地区军事代表局，重庆 400042 ） 摘要：V ARI-METRIC 模型是解决可修备件多级库存建模问题的主流方法，针对该模型在低可用度下结果不准确的问题，建立了基于生灭过程的任意等级任意层级可修件库存优化模型。首先通过各级站点、各类备件需求率与到达率的预测，对每个部件建立其生灭过程模型，并提出基于生灭过程的装备可用度计算方法。而后以整个保障系统的装备可用度为约束指标，以备件总购置费最低为目标，利用边际算法得到最优备件配置方案，并建立了仿真模型对所得优化方案进行评估与调整。最后结合算例，以仿真结果作为检验标准，选取权威的VMETRIC 软件与本文解析模型在优化性能、计算精度及适用性上进行了对比和说明，结果表明：无论解析模型还是VMETRIC 软件均存在一定的适用范围，而采用解析与仿真相结合的方法无疑具有更强的适应性。 关键词：生灭过程；可修复备件；可用度；库存优化；V ARI-METRIC 中图分类号：E911；TJ761.1；V125.7 文献标志码：A 文章编号： Modeling and optimization of multi-echelon inventory for repairable spares based on birth and death process LIU Renyang 1, LI Hua 1, LI Qingmin 2, XIONG Hongjin 3 (1. Department of Weaponry Engineering, Naval University of Engineering, Wuhan 430033, China ；2. Office of Research & Development, Naval University of Engineering, Wuhan 430033, China ；3. Military Representative Office of Naval Equipment Department in Chongqing, Chongqing 400042, China) Abstract: VARI-METRIC model is the main method to solve the problem of multi-echelon inventory modeling, for it is not accurate under the condition of low availability, the model of inventory optimization for multi-echelon multi-indenture repairable spares is built. Firstly, the birth and death process of each component are established by the prediction of demand rate and arrival rate of each spares in each sites; Then, computational method of availability is put forward based on birth and death process; With constrains of availability and objective of lowest cost, the optimal inventory distribution result is obtained by marginal algorithm and the simulation model is built to evaluate and adjust the result. In actual example, the analytic model and VMETRIC are compared and described in aspects of optimization performance, calculation precision and applicability by simulation verification, the results show that both analytic model and VMETRIC have certain scope of applicability and the method combined analytic model and simulation has stronger applicability. Keywords: birth and death process; repairable spares; availability; inventory optimization; V ARI-METRIC *收稿日期：2016-XX-XX 基金项目：国防预研项目基金（51304010206，51327020105） 作者简介：刘任洋（1989－），男，江西南昌人，博士研究生，E-mail ：463572090@https://www.360docs.net/doc/663561626.html, ； 李庆民（通信作者），男，教授，博士，博士生导师，E-mail ：licheng001@https://www.360docs.net/doc/663561626.html, 可修复性备件的配置问题是备件规划工作的重要环节。多级维修供应是较为科学的保障模式，目前国内外各军兵种大都采用该模式。由于装备使用现场的维修条件和备件储备能力有限，因此维修、备件储备及供应等保障活动在各级站点之间协调进行。从装备的全寿命周期角度看，由于可以得到包括工业部门或外部供应商在内的所有保障组织体系的支持，备件在供应过程中一般不存在实质性的消耗，具体表现为顶层站点具备较强的维修能力，能对所有故障件进行完全修复，或即使由于无法修复而报废但能通过采购方式得到补充。在这种没
正确理解泊松分布
正确理解泊松分布 很多人在上概率论这门课的时候就没搞明白过泊松分布到底是怎么回事，至少我就是如此。虽然那个时候大家都会背“当试验的次数趋于无穷大，而乘积np固定时，二项分布收敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正的理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改，大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。 而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在18XX年由贝尔发明，一台电话由几个部分构成……”（泊松分布在18XX年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t（比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200人），而应该符合某种随机规律：比如在1个小时内来200 个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k个学生到达的概率为： 其中为单位时间内学生的期望到达数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。
泊松分布的概念及表和查表方法
泊松分布的概念及表和查表方法 目录 1命名原因 2分布特点 3关系 4应用场景 5应用示例 6推导 7形式与性质
命名原因 泊松分布实例 泊松分布（Poisson distribution），台译卜瓦松分布（法语：loi de Poisson，英语：Poisson distribution，译名有泊松分布、普阿松分布、卜瓦松分布、布瓦松分布、布阿松分布、波以松分布、卜氏分配等），是一种统计与概率学里常见到的离散机率分布（discrete probability distribution）。泊松分布是以18～19 世纪的法国数学家西莫恩·德尼·泊松（Siméon-Denis Poisson）命名的，他在1838年时发表。这个分布在更早些时候由贝努里家族的一个人描述过。 分布特点 泊松分布的概率函数为： 泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。 泊松分布的期望和方差均为特征函数为 关系 泊松分布与二项分布 泊松分布 当二项分布的n很大而p很小时，泊松分布可作为二项分布的近似，其中λ为np。通常当n≧20,p≦0.05时，就可以用泊松公式近似得计算。
事实上，泊松分布正是由二项分布推导而来的，具体推导过程参见本词条相关部分。 应用场景 在实际事例中，当一个随机事件，例如某电话交换台收到的呼叫、来到某公共汽车站的乘客、某放射性物质发射出的粒子、显微镜下某区域中的白血球等等，以固定的平均瞬时速率λ（或称密度）随机且独立地出现时，那么这个事件在单位时间（面积或体积）内出现的次数或个数就近似地服从泊松分布P(λ)。因此,泊松分布在管理科学、运筹学以及自然科学的某些问题中都占有重要的地位（在早期学界认为人类行为是服从泊松分布，2005年在nature上发表的文章揭示了人类行为具有高度非均匀性）。 应用示例 泊松分布适合于描述单位时间（或空间）内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显微镜下单位分区内的细菌分布数等等。 观察事物平均发生m次的条件下，实际发生x次的概率P（x）可用下式表示： 例如采用0.05J/㎡紫外线照射大肠杆菌时，每个基因组（～4×106核苷酸对）平均产生3个嘧啶二体。实际上每个基因组二体的分布是服从泊松分布的，将取如下形式： …… 是未产生二体的菌的存在概率，实际上其值的5%与采用0.05J/㎡照射时的大肠杆菌uvrA-株，recA-株（除去既不能修复又不能重组修复的二重突变）的生存率是一致的。由于该菌株每个基因组有一个二体就是致死量，因此就意味着全部死亡的概率。 推导
浅析二项分布、泊松分布和正态分布之间的关系
浅析二项分布、泊松分布和正态分布之间的关系 1预备知识 1.1二项分布 在同一条件下重复做n次独立试验，每次试验只可能有两种对立的结果:A和A之一，并设在同一次试验中A发生的 概率是P (A) = p，0
二项分布与Poisson分布
二项分布与Poisson分布 二项分布和Poisson分布均是常见的离散型分布，在分类资料的统计推断中有非常广泛的应用。 一、二项分布的概念及应用条件 1. 二项分布的概念: 如某实验中小白鼠染毒后死亡概率P为0.8,则生存概率为=1-P=0.2，故 对一只小白鼠进行实验的结果为：死（概率为P）或生（概率为1-P） 对二只小白鼠（甲乙）进行实验的结果为：甲乙均死（概率为P2）、甲死乙生[概率为P(1-P)]、乙死甲生[概率为(1-P)P]或甲乙均生[概率为(1-P)2]，概率相加得P2+P(1-P)+(1-P)P+(1-P)2=[P+(1-P)]2 依此类推，对n只小白鼠进行实验，所有可能结果的概率相加得P n+1 C P(1- n P)n-1+...+x C P x(1-P)n-x+...+(1-P)x=[P+(1-P)]n其中n为样本含量,即事件发生总数，x n 为某事件出现次数, x C P x(1-P)n-x为二项式通式，x n C=n!/x!(n-x)!, P为总体率。 n 因此，二项分布是说明结果只有两种情况的n次实验中发生某种结果为x次的概率分布。其概率密度为： P(x)= x C P x(1-P)n-x, x=0,1,...n。 n 2. 二项分布的应用条件: 医学领域有许多二分类记数资料都符合二项分布(传染病和遗传病除外)，但应用时仍应注意考察是否满足以下应用条件：(1) 每次实验只有两类对立的结果；(2) n次事件相互独立；(3) 每次实验某类结果的发生的概率是一个常数。 3. 二项分布的累计概率 二项分布下最多发生k例阳性的概率为发生0例阳性、1例阳性、...、直至k 例阳性的概率之和。至少发生k例阳性的概率为发生k例阳性、k+1例阳性、...、直至n例阳性的概率之和。 4. 二项分布的图形 二项分布的图形有如下特征：(1)二项分布图形的形状取决于P 和n 的大小； (2) 当P=0.5时，无论n的大小，均为对称分布；(3) 当P<>0.5 ,n较小时为偏态分布,n较大时逼近正态分布。
马尔可夫过程
马尔可夫过程 马尔科夫过程和马尔可夫过程是同义词，已合并。 一类随机过程。它的原始模型马尔可夫链，由俄国数学家A.A.马尔可夫于1907年提出。该过程具有如下特性：在已知目前状态（现在）的条件下，它未来的演变（将来）不依赖于它以往的演变( 过去) 。例如森林中动物头数的变化构成——马尔可夫过程。在现实世界中，有很多过程都是马尔可夫过程，如液体中微粒所作的布朗运动、传染病受感染的人数、车站的候车人数等，都可视为马尔可夫过程。关于该过程的研究，1931年A.H.柯尔莫哥洛夫在《概率论的解析方法》一文中首先将微分方程等分析的方法用于这类过程，奠定了马尔可夫过程的理论基础。资料个人收集整理，勿做商业用途 目录 1名词定义资料个人收集整理，勿做商业用途 2形成过程资料个人收集整理，勿做商业用途 1. 2.1 时间链资料个人收集整理，勿做商业用途 2. 2.2 连续时间资料个人收集整理，勿做商业用途 3. 2.3 生灭过程资料个人收集整理，勿做商业用途 4. 2.4 一般过程资料个人收集整理，勿做商业用途 3扩散过程资料个人收集整理，勿做商业用途 1名词定义 在马尔可夫性的定义中，"现在"是指固定的时刻，但实际问题中常需把马尔可夫性中的“现在”这个时刻概念推广为停时（见随机过程）。例如考察从圆心出发的平面上的布朗运动，如果要研究首次到达圆周的时刻τ以前的事件和以后的事件的条件独立性，这里τ为停时，并且认为τ是“现在”。如果把“现在”推广为停时情形的“现在”，在已知“现在”的条件下，“将来”与“过去”无关，这种特性就叫强马尔可夫性。具有这种性质的马尔可夫过程叫强马尔可夫过程。在相当一段时间内，不少人认为马尔可夫过程必然是强马尔可夫过程。首次提出对强马尔可夫性需要严格证明的是J.L.杜布。直到1956年，才有人找到马尔可夫过程不是强马尔可夫过程的例子。马尔可夫过程理论的进一步发展表明，强马尔可夫过程才是马尔可夫过程真正研究的对象。资料个人收集整理，勿做商业用途
正确理解泊松分布
正确理解泊松分布 敛于泊松分布”，大部分的教科书上也都会给出这个收敛过程的数学推导，但是看懂它和真正理解还有很大距离。如果我们学习的意义是为了通过考试，那么我们大可停留在“只会做题”的阶段，因为试卷上不会出现“请发表一下你对泊松公式的看法”这样的题目，因为那样一来卷子就变得不容易批改。所以现在的大部分考试都会出一些客观题，比如到底是泊松分布还是肉松分布。而如果我们学习的目的是为了理解一样东西，那么我们就有必要停下来去思考一下诸如“为什么要有泊松分布？”、“泊松分布的物理意义是什么？”这样的“哲学”问题。 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不会说：“电话在1876年由贝尔发明，一台电话由几个部分构成……”（泊松分布在1876年由泊松提出，泊松分布的公式是……）所以我们问的第一个问题应该是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什么是排队论？比如我们每天去食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有1000个学生，而食堂恰好配了1000个大叔和打饭的窗口，那么就永远不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起义是一门很高深的学问。 在一段时间t （比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数，（比如一直是200人），而应该符合某种随机规律：比如1个小时内来200个学生的概率是10%，来180个学生的概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有k 个学生到达的概率为： ,...1,0,! )(==-k k e k f k λλ 其中λ为单位时间内学生的期望到达人数。 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是p ，如果我们让他开10枪，如果每击中一次目标就得一分，问他一共能得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分k ，但可以求出k 的概率分布，比如k=9的概率是50%，k=8的概率是30%……并且根据k 的分布来判断他的枪法如何，这便是概率统计的思想。 具体计算的方法就是求出“得k 分”的概率。比如“得9分”可以是“射失第一发，而命中其余的9发”，它的概率是p 的9次方乘上（1-p ），当然，可能情况不只这种，我们O 代表“命中”，“得9分”所有的可能的情况如下：
排队理论
排队论 排队论(Queuing Theory) 目录 [隐藏] ? 1 排队论简介 ? 2 排队系统模型的基本组成部分 o 2.1 输入过程 o 2.2 排队规则 o 2.3 服务机构 ? 3 排队系统的分类 ? 4 排队系统问题的求解 ? 5 排队论的应用 ? 6 排队论的案例分析 o 6.1 排队论案例一：超市收银台[1] o 6.2 排队论案例二：汽车售后服务[2] ?7 参考文献 [编辑] 排队论简介 研究系统随机聚散现象和随机服务系统工作过程的数学理论和方法，又称随机服务系统理论，为运筹学的一个分支。 日常生活中存在大量有形和无形的排队或拥挤现象，如旅客购票排队，市内电话占线等现象。排队论的基本思想是1910年丹麦电话工程师A.K.埃尔朗在解决自动电话设计问题时开始形成的，当时称为话务理论。他在热力学统计平衡理论的启发下，成功地建立了电话统计平衡模型，并由此得到一组递推状态方程，从而导出著名的埃尔朗电话损失率公式。自20世纪初以来，电话系统的设计一直在应用这个公式。30年代苏联数学家А.Я.欣钦把处于统计平衡的电话呼叫流称为最简单流。瑞典数学家巴尔姆又引入有限后效流等概念和定义。他们用数学方法深入地分析了电话呼叫的本征特性，促进了排队论的研究。50年代初，美国数学家关于生灭过程的研究、英国数学家D.G.肯德尔提出嵌入马尔可夫链理论，以及对排队队型的分类方法，为排队论奠定了理论基础。在这以后，L.塔卡奇等人又将组合方法引进排队论，使它更能适应各种类型的排队问题。70年代以来，人们开始研究排队网络和复杂排队问题的渐近解等，成为研究现代排队论的新趋势。
[编辑] 排队系统模型的基本组成部分 排队系统又称服务系统。服务系统由服务机构和服务对象（顾客）构成。服务对象到来的时刻和对他服务的时间（即占用服务系统的时间）都是随机的。图1为一最简单的排队系统模型。排队系统包括三个组成部分：输入过程、排队规则和服务机构。 [编辑] 输入过程 输入过程考察的是顾客到达服务系统的规律。它可以用一定时间内顾客到达数或前后两个顾客相继到达的间隔时间来描述，一般分为确定型和随机型两种。例如，在生产线上加工的零件按规定的间隔时间依次到达加工地点，定期运行的班车、班机等都属于确定型输入。随机型的输入是指在时间t内顾客到达数n（t）服从一定的随机分布。如服从泊松分布,则在时间t内到达n 个顾客的概率为 或相继到达的顾客的间隔时间T 服从负指数分布，即 式中λ为单位时间顾客期望到达数，称为平均到达率；1/λ为平均间隔时间。在排队论中，讨论的输入过程主要是随机型的。 [编辑] 排队规则
泊松分布
泊松分布 如果我们要向一个石器时代的人解释什么是电话，我们一定会说：“电话是一种机器，两个距离很远的人可以通过它进行交谈”，而不 会说：“电话在 1876 年由贝尔发明，一台电话由以下几个部分构成……”——“泊松分布在 1876 年由泊松提出，泊松分布的公式是……”——所以我们要问的第一个问题是“泊松分布能拿来干嘛？” 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。什 么是排队论？比如我们去每天食堂打饭，最头疼的一个问题就是排队，之所以要排队是因为食堂打饭的大叔有限，假设学校有 1000 个学生，而食堂恰好配了 1000 个大叔和打饭的窗口，那么就永远 不会有人排队。但是出于经营成本方面的考虑食堂通常不会这么干，因此如何控制窗口的数量并且保证学生不会因为排队时间太长而起 义是一门很高深的学问。 在一段时间 t（比如 1 个小时）内来到食堂就餐的学生数量肯定不 会是一个常数（比如一直是 200 人），而应该符合某种随机规律： 比如在 1 个小时内来 200 个学生的概率是 10%，来 180 个学生的 概率是20%……一般认为，这种随机规律服从的就是泊松分布。 也就是在单位时间内有 k 个学生到达的概率为：
[Math Processing Error] 其中[Math Processing Error]为单位时间内学生的期望到达数。 二项分布 问题是“这个式子是怎么来的呢？”——我们知道泊松分布是二项分 布满足某种条件的一个特殊形式，因此可以先从简单的二项分布入手，寻找两者之间的联系。 二项分布很容易理解，比如一个牛仔一枪打中靶子的概率是 p，如 果我们让他开 10 枪，如果每击中一次目标就得 1 分，问他一共能 得几分？虽然我们不能在牛仔射击前准确地预测出具体的得分 k， 但可以求出 k 的概率分布，比如 k = 9 的概率是 50%，k = 8 分的概率是30%……并且根据 k 的分布来判断他的枪法如何，这便是概率 统计的思想。 具体计算的方法就是求出“得 k 分”的概率。比如“得 9 分”可以是“射 失第 1 发，而命中其余的 9 发”，它的概率是 p 的 9 次方乘上 1 - p。X O O O O O O O O O O X O O O O O O O O O O X O O O O O O O ......
《随机过程及应用》教学大纲20130901-杜江
成都信息工程学院 硕士研究生课程教学大纲 课程名称(中)：随机过程及应用 课程名称(英)：Stochastic Processes and Applications 课程编号： 开课单位：通信工程学院 预修课程：信号与系统，概率论与数理统计，微积分，电路分析基础 适用专业：信号与信息处理专业硕士研究生 课程性质：学位 学时： 48 (课堂教学：44学时；实验与专题报告：4学时) 学分： 3 考核方式：考试 一、教学目的与要求（说明本课程同专业培养目标、研究方向、培养要求的关系，及与前 后相关课程的联系） 本课程适用硕士研究生信号处理专业。课程教学目的、要求： （一）从内容上，应使学生在了解随机变量分布规律的基础上，熟练掌握随机过程的基本理论和基本分析方法。 （二）从教学方法上，着重基本概念的阐述，明确概念的物理意义，注重必要的数学公式推导过程。 二、课程内容简介 《随机过程及应用》是信号处理专业的一门核心必修课。本课程理论严谨、系统性强。其任务在于研究随机信号的基本理论和基本分析方法，为学生进一步学习和掌握信号检测与估计、现代信号处理等课程打好基础。主要内容包括：概率论基础，随机过程基础，泊松过程及其推广，马尔可夫过程，二阶矩过程及其均方分析，平稳过程，以及高阶统计量与非平稳过程等。强调随机过程的基础理论、物理意义与应用方法，注重理论联系实际，力求从概念的物理背景、理论的逻辑推导与应用的典型例子三个方面加以阐述。 三、主要章节和学时分配（含相应章节内容的教学方式，如理论教学、实验教学、上机、 自学、综述文献等）
主要章节章节主要内容简述教学 方式 学 时 备注 概率论基 础 1、概率空间 2、随机变量及其典型分布 3、随机变量的特征函数 4、随机收敛性与极限定理 重点内容：集合论与概率论的关系，概率论 基本概念，随机变量的分布律、数字特征、函数 变换。 难点内容：概率论的基本公式，随机变量的 典型分布和数字特征。 讲授 6 随机过程基础 1、随机信号的定义、分类和统计特征 2、平稳性与平稳过程 3、独立过程与白噪声过程 4、高斯过程 重点内容：随机信号定义，基本特性与基本 运算。 难点内容：高斯过程，随机信号的定义和统 计特征。 讲授 6 几种重要的随机过 程 1、独立过程与独立增量过程 2、维纳过程 3、泊松过程定义、概念、性质 4、到达时间的条件分布 5、更新过程 重点内容：独立增量过程、维纳过程、泊松 过程的定义，概念和性质。 难点内容：这几种随机过程的性质，泊松过 程的到达时间的条件分布、更新过程。 讲授8 马尔可夫过程1、概念 2、离散参数马氏链 3、齐次马氏链状态的分类 4、连续参数马氏链 讲授 4