《概率论与随机过程》课件总结.pptVIP

*************************************平稳过程平稳过程是指其统计特性不随时间变化的随机过程。严格平稳过程是指其任意有限维联合分布不随时间平移而改变；宽平稳过程是指其均值和自相关函数不随时间平移而改变。平稳过程在信号处理、时间序列分析等领域有着广泛的应用。例如，可以假设某些信号是平稳的，从而方便进行分析和处理。统计特性不变统计特性不随时间变化。严格平稳任意有限维联合分布不变。宽平稳均值和自相关函数不变。独立增量过程独立增量过程是指在不相交的时间区间内，随机过程的增量是独立的随机过程。独立增量过程的数学表达式为：X(t2)-X(t1)和X(t4)-X(t3)独立，当t1t2≤t3t4。独立增量过程在金融建模、排队论等领域有着广泛的应用。例如，可以假设股票价格的变化是独立增量的，从而方便进行风险评估。时间区间不相交的时间区间。随机过程增量是独立的。金融建模假设股票价格的变化是独立增量的。马尔可夫过程：基本概念马尔可夫过程是指具有马尔可夫性的随机过程。马尔可夫性是指随机过程在给定当前状态的条件下，未来的状态与过去的状态无关。马尔可夫过程是研究具有“无后效性”的随机现象的数学模型。马尔可夫过程在通信、金融、生物等领域有着广泛的应用。例如，可以用马尔可夫过程描述用户的浏览行为、疾病的传播等。当前状态给定当前状态。未来状态与过去状态无关。无后效性具有“无后效性”。马尔可夫性的定义马尔可夫性是指随机过程在给定当前状态的条件下，未来的状态与过去的状态无关。马尔可夫性的数学表达式为：P(X(t+s)=x|X(t)=y,X(u)=z,ut)=P(X(t+s)=x|X(t)=y)。马尔可夫性简化了随机过程的分析和计算，使得我们可以只关注当前状态，而忽略过去的状态。在实际应用中，我们需要判断随机过程是否具有马尔可夫性，以便选择合适的模型和计算方法。1当前状态已知当前状态。2未来状态与过去状态无关。3简化分析简化计算。转移概率矩阵转移概率矩阵是描述离散时间马尔可夫链（DTMC）状态转移概率的矩阵。矩阵的每个元素表示从一个状态转移到另一个状态的概率。转移概率矩阵的每一行元素的和为1。转移概率矩阵可以用于计算DTMC在不同时间的状态分布。在实际应用中，转移概率矩阵常用于分析用户的行为模式、预测系统的状态变化等。状态转移描述状态转移概率。1元素和为1每一行元素的和为1。2状态分布计算状态分布。3Chapman-Kolmogorov方程Chapman-Kolmogorov方程是描述马尔可夫过程在不同时间的状态转移概率之间关系的方程。对于离散时间马尔可夫链（DTMC），Chapman-Kolmogorov方程可以表示为：P(n+m)=P(n)*P(m)，其中P(n)表示n步转移概率矩阵。Chapman-Kolmogorov方程可以用于计算DTMC在任意时间的状态转移概率。在实际应用中，Chapman-Kolmogorov方程常用于分析长期趋势、预测未来状态等。1状态转移不同时间的状态转移概率。2矩阵乘法P(n+m)=P(n)*P(m)3长期趋势分析长期趋势、预测未来状态。离散时间马尔可夫链（DTMC）离散时间马尔可夫链（DTMC）是指时间是离散的，状态空间也是离散的马尔可夫过程。DTMC可以用状态转移图或转移概率矩阵来描述。DTMC在计算机科学、运筹学等领域有着广泛的应用。例如，可以用DTMC描述网页的浏览路径、排队系统的状态变化等。1时间离散时间是离散的。2状态离散状态空间也是离散的。3状态转移图可以用状态转移图或转移概率矩阵来描述。状态分类：常返态与暂态在马尔可夫链中，状态可以分为常返态和暂态。常返态是指从该状态出发，经过有限步后，一定能返回该状态；暂态是指从该状态出发，经过有限步后，可能永远无法返回该状态。状态的分类对于分析马尔可夫链的长期行为非常重要。在实际应用中，我们需要判断状态的类型，以便进行合理的预测和决策。常返态暂态周期性与不可约性周期性是指马尔可夫链中的状态返回自身的最短时间的周期。不可约性是指马尔可夫链中任意两个状态之间都可以相互到达。周期性和不可约性是描述马尔可夫链结构的重要性质。如果一个马尔可夫链是不可约的且非周期的，则称该马尔可夫链是遍历的。遍历的马尔可夫链具有良好的长期行为，例如存在极限分布。周期性状态返回自身的最短时间的周期。不可约性任意两个状态之间都可以相互到达。极限分布极限分布是指马尔可夫链在