随机过程藕课件第一章概率复习.pptVIP

内容： 一、Posson 过程 二、Markov 链 三、连续时间的Markov 链 四、平稳随机过程 五、平稳随机过程的谱分析 六、时间序列分析 四、K阶原点矩，k阶中心矩 随机变量X，若E[|X|k]∞，称E[Xk]为k阶原点矩。而称E[|X|k]为X的k阶绝对原点矩。 离散随机变量 连续随机变量 又若E[X]存在，且E[|X-E[X]|k] ∞，称 为X的k阶中心矩。 离散随机变量 连续随机变量 一阶原点矩就是随机变量的数学期望， 二阶中心矩就是随机变量的方差， 小节 概率论中的基本概念——随机试验、样本空间、事件、概率、概率空间、条件概率、全概率。 随机变量及分布函数——随机变量、分布函数、随机变量函数的分布、n维随机变量、边际分布、条件分布。 随机变量的数字特征——统计平均、数学期望、方差、协方差、相关系数、相关性和统计独立。 作业 复习概率论方面的知识。 预备知识结束 * 随机试验，例如：抛硬币试验； 非随机试验，如：打电话中，拨了什么号码，就会接到对应的电话机上。 * 从上述三个客观事实总结出来的共同属性可以给概率赋予一个公理化定义，它既可以包括前面三种特殊情况，又具有更广泛的一般性。 * 概率的分配完全由数学模型的式子给出（也和事件集的性质有关）。 如果Ω是有限的，我们可以给样本点标上一个数目；如果Ω是可数无限的，我们通常用某种算法来确定第n个样本点的概率；如果Ω是（数值上）不可数无限的样本空间，我们可以用一个加权函数来分配概率。 * 事件A1，A2，……，An看作是导致事件B发生的“因素”，P(Ai)是在事件B已经出现这一信息得知前Ai出现的概率，通常称为先验概率，但是在试验中事件B的出现，有助于对导致事件B出现的各种“因素”发生的概率作进一步探讨，公式给出的P(Ai︱B)是在经过试验获得事件B已经发生这个信息之后，事件Ai发生的概率，称为后验概率，后验概率依赖于试验中得到的新信息的具体情况（比如事件B发生还是事件B补发生），并且给出在获得新信息之后，导致B出现的各种因素Ai发生情况的新知识，因此贝叶斯公式又称为后验概率公式或逆概率公式， 注意，不要把两个事件的互斥与两个事件的统计独立混淆起来，它们是属于两个完全不同的概念。 互斥是指在样本空间上没有交集，是集合范畴的概念，而统计独立是概率范畴的概念。 * 由于数学分析不能直接利用来研究集合函数，这样影响对随机现象的研究。解决这个问题的方法，主要是设法在集合函数与数学分析中所研究的点函数间建立某种联系，从而能用数学分析去研究随机现象。 X(e)就是一个函数，它把样本点映射到实数轴上，随机变量就是从原样本空间Ω到新样本空间的一种映射，我们通常把这样一种对应关系称之为在概率空间上的一个随机变量。下面我们给出随机变量的数学定义。 * 在实际应用中常常会遇到同时需要几个随机变量，才能较好的描述某一试验或现象。如炮弹命中位置是两个随机变量确定的，飞机的空中位置由三个随机变量来确定，因此我们需要引入n维随机变量。 * 由于二维和n维没有什么原则区别，故为简单及容易理解期间，我们着重讨论二维随机变量的情况 * 联合密度决定了边际密度，边际密度能够决定联合密度呢？一般来讲，是不能的。 但是当X和Y相互独立，边际密度就能决定联合密度。 * 设随机变量X，令A等效于事件[X≦x]，在给定事件B条件下，P(Xx|B)称为随机变量X的条件分布函数。 在实际应用中常遇到这样一种情况的分布函数，即某个随机变量X是在第二个随机变量Y取某确定数值时的条件概率，对应的条件分布函数可以表示如下， * 确定随机变量的分布函数相当麻烦，在实际问题中，我们有时只需要知道随机变量的某些特征值就够了。 * ∫应理解为n维向量的n重积分，X理解维n个随机变量的标量函数，fx是多维随机变量的联合概率密度函数。 * * 两个随机变量函数乘积的期望等于随机变量函数期望的乘积（前提条件是：两个随机变量必须是相互独立的） * 矩的重要性在于：如果对于所有的k，矩存在且已知，则由矩的集合，可以唯一的确定随机变量的概率分布函数，即便不是所有的矩都存在，他们也能帮助描述其相应的概率分布性质。 * 随机变量X和Y不相关，但是不满足统计独立条件。 随机方法及应用（随机过程） 毕军 bilinghc@163.com 参考书： 1、随机过程（第四版），刘次华，华中理工大学出版社。 2、随机过程（Stochastic Process)，Sheldon M[1].Ross著，龚光鲁 译，机械工业出版社。 3、Probability, Random Variables, and Stochastic Processes?,A.Papoulis,S.U.Pilliai,(保铮 等译，第四版，西安交通大学出版社）。 第一章