應(yīng)用隨機過程 期末復(fù)習(xí)資料

《應(yīng)用隨機過程 期末復(fù)習(xí)資料》由會員分享，可在線閱讀，更多相關(guān)《應(yīng)用隨機過程 期末復(fù)習(xí)資料（55頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、第一章 隨機過程的基本概念一、隨機過程的定義例1：醫(yī)院登記新生兒性別，0表示男，1表示女，Xn表示第n次登記的數(shù)字，得到一個序列X1 ， X2 ， ，記為Xn，n=1,2, ，則Xn 是隨機變量，而Xn，n=1,2, 是隨機過程。例2：在地震預(yù)報中，若每半年統(tǒng)計一次發(fā)生在某區(qū)域的地震的最大震級。令Xn 表示第n次統(tǒng)計所得的值，則Xn 是隨機變量。為了預(yù)測該區(qū)域未來地震的強度，我們就要研究隨機過程Xn，n=1,2, 的統(tǒng)計規(guī)律性。例3：一個醉漢在路上行走，以概率p前進一步，以概率1-p后退一步（假設(shè)步長相同）。以X(t)記他t時刻在路上的位置，則X(t), t0就是（直線上的）隨機游動。例4：乘

2、客到火車站買票，當所有售票窗口都在忙碌時，來到的乘客就要排隊等候。乘客的到來和每個乘客所需的服務(wù)時間都是隨機的，所以如果用X(t)表示t時刻的隊長，用Y(t)表示t時刻到來的顧客所需等待的時間，則X(t), tT和Y(t), tT都是隨機過程。定義：設(shè)給定參數(shù)集合T，若對每個tT, X(t)是概率空間上的隨機變量，則稱X(t), tT為隨機過程，其中T為指標集或參數(shù)集。，E稱為狀態(tài)空間，即X(t)的所有可能狀態(tài)構(gòu)成的集合。例1：E為0,1例2：E為0, 10例3：E為例4：E都為注：（1）根據(jù)狀態(tài)空間E的不同，過程可分為連續(xù)狀態(tài)和離散狀態(tài)，例1，例3為離散狀態(tài)，其他為連續(xù)狀態(tài)。（2）參數(shù)集T通

3、常代表時間，當T取R, R+, a,b時，稱X(t), tT為連續(xù)參數(shù)的隨機過程；當T取Z, Z+時，稱X(t), tT為離散參數(shù)的隨機過程。（3）例1為離散狀態(tài)離散參數(shù)的隨機過程，例2為連續(xù)狀態(tài)離散參數(shù)的隨機過程，例3為離散狀態(tài)連續(xù)參數(shù)的隨機過程，例4為連續(xù)狀態(tài)連續(xù)參數(shù)的隨機過程。二、有限維分布與Kolmogorov定理隨機過程的一維分布：隨機過程的二維分布：隨機過程的n維分布：1、有限維分布族：隨機過程的所有一維分布，二維分布，n維分布等的全體稱為X(t), tT的有限維分布族。2、有限維分布族的性質(zhì)：（1）對稱性：對（1,2，n）的任一排列，有 （2）相容性：對于mn，有3、Kolmog

4、orov定理定理：設(shè)分布函數(shù)族滿足上述的對稱性和相容性，則必存在一個隨機過程X(t), tT，使恰好是X(t), tT的有限維分布族。定義：設(shè)X(t), tT是一隨機過程：（1） 稱X(t)的期望（如果存在）為過程的均值函數(shù)。（2） 如果，存在，則稱隨機過程X(t), tT為二階矩過程。此時，稱函數(shù)，為過程的協(xié)方差函數(shù)；稱為過程的方差函數(shù)；稱為自相關(guān)函數(shù)。例：，其中和V是相互獨立的且均服從N(0,1)分布的隨機變量，求和。三、隨機過程的基本類型獨立增量過程：如果對任意隨機變量 是相互獨立的，則稱X(t), tT是獨立增量過程。平穩(wěn)增量過程：如果對任意，有X(t1+h)-X(t1) X(t2+h

5、)-X(t2)，則稱X(t), tT是平穩(wěn)增量過程。平穩(wěn)獨立增量過程：兼有獨立增量和平穩(wěn)增量的過程稱為平穩(wěn)獨立增量過程，例如Poisson過程和Brownian motionPoisson 過程2.1 Poisson 過程1. 計數(shù)過程定義：隨機過程稱為計數(shù)過程，如果表示從0到t時刻某一特定事件A發(fā)生的次數(shù)，它具備以下兩個特點：（1）且取值為整數(shù)；（2）時，且表示時間內(nèi)事件A發(fā)生的次數(shù)。2. Poisson過程定義2.1.1：計數(shù)過程稱為參數(shù)為（）的Poisson過程，如果（1）（2）過程具有獨立增量性；（3）在任一長度為t的時間區(qū)間中事件發(fā)生的次數(shù)服從均值為的Poisson分布，即對一切，有

6、 注：Poisson過程具有平穩(wěn)增量性因為的分布只依賴于t, 與區(qū)間起點s無關(guān)， 于是可認為是單位時間內(nèi)發(fā)生的事件的平均次數(shù)，一般稱是Poisson過程的強度。例2.1.1：（Poisson過程在排隊論中的應(yīng)用）研究隨機服務(wù)系統(tǒng)中的排隊現(xiàn)象時，經(jīng)常用到Poisson過程模型。例如：到達電話總機的呼叫數(shù)目，到達某服務(wù)設(shè)施（商場、車站、購票處等）的顧客數(shù)，都可以用Poisson過程來描述。以某火車站售票處為例，設(shè)從早上8:00開始，此售票處連續(xù)售票，乘客以10人/小時的平均速率到達，則9:00-10:00這一小時內(nèi)最多有5名乘客來此購票的概率是多少？10:00-11:00沒有人來買票的概率是多少？

7、解：我們用一個Poisson過程來描述，設(shè)8:00為時刻0，則9:00為時刻1，參數(shù)，于是, 例2.1.2：（事故發(fā)生次數(shù)及保險公司接到的索賠數(shù)）若以表示某公路交叉口、礦山、工廠等場所在時間內(nèi)發(fā)生不幸事故的數(shù)目，則Poisson過程就是的一種很好近似。例如，保險公司接到賠償請求的次數(shù)（設(shè)一次事故導(dǎo)致一次索賠），向315臺的投訴（設(shè)商品出現(xiàn)質(zhì)量問題為事故）等都是可以用Poisson過程的模型。我們考慮一種最簡單的情形，設(shè)保險公司每次的賠付都是1，每月平均接到索賠要求4次，則一年中它要付出的金額平均為多少？解：設(shè)一年開始時刻為0，1月末為時刻1，年末為時刻12，則有=48問題：為什么實際中有這么多

8、現(xiàn)象可以用Poisson過程來反映呢？定理2.1.1：定義1和定義2是等價的。例2.1.3：事件A的發(fā)生形成強度為的Poisson過程，如果每次事件發(fā)生時以概率p能夠被記錄下來，并以M(t)表示到時刻t被記錄下來的事件總數(shù)，則是一個強度為的Poisson過程。例2.1.4：若每條蠶的產(chǎn)卵數(shù)服從Poisson分布，強度為，而每個卵變?yōu)槌上x的概率為p，且每個卵是否變?yōu)槌上x彼此間沒有關(guān)系，求在時間0, t內(nèi)每條蠶養(yǎng)活k只小蠶的概率。2.2 與Poisson過程相聯(lián)系的若干分布設(shè)表示第n次事件發(fā)生的時刻，n=1,2，規(guī)定。表示第n次與第n-1次事件發(fā)生的間隔時間，n=1,2，。1. 關(guān)于和的分布定理2

9、.2.1：（n=1,2,）服從參數(shù)為的指數(shù)分布，且相互獨立。定理2.2.2：（n=1,2,）服從參數(shù)為n和的分布。注：如果每次事件發(fā)生的時間間隔相互獨立，且服從同一參數(shù)為的指數(shù)分布，則計數(shù)過程是參數(shù)為的Poisson過程。例2.2.1：設(shè)從早上8:00開始有無窮多的人排隊等候服務(wù)，只有一名服務(wù)員，且每個人接受服務(wù)的時間是獨立的并服從均值為20min的指數(shù)分布，則到中午12:00為止平均有多少人已經(jīng)離去，已有9個人接受服務(wù)的概率是多少？例2.2.2：假設(shè)某天文臺觀測到的流星流是一個Poisson過程，根據(jù)以往資料統(tǒng)計為每小時平均觀察到3顆流星。試求：上午8:00-12:00期間，該天文臺沒有觀察

10、到流星的概率。2. 事件發(fā)生時刻的條件分布對于，有現(xiàn)在考慮的情況：定理2.2.1：在已知的條件下，事件發(fā)生的n個時刻的聯(lián)合分布密度是， 例2.2.3：乘客按照強度為的Poisson過程來到某火車站，火車在時刻t啟程，計算在內(nèi)到達的乘客等待時間的總和的期望值。即要求，其中是第i個乘客來到的時刻。2.3 Poisson過程的推廣1. 非齊次Poisson過程定義2.3.1：計數(shù)過程稱作強度函數(shù)為的非齊次Poisson過程，如果等價定義：定義2.3.2：計數(shù)過程稱作強度函數(shù)為的非齊次Poisson過程， 若（1）（2）具有獨立增量性；（3）即任意實數(shù)，為具有參數(shù)的Poisson分布，稱為非齊次Poi

11、sson過程的均值函數(shù)（或累積強度函數(shù)）。定理2.3.1：設(shè)是一個強度函數(shù)為的非齊次Poisson過程。對任意的，令 則是一個強度為1的Poisson過程。例2.3.1：設(shè)某設(shè)備的使用期限為10年，在前5年內(nèi)它平均2.5年需要維修一次，后5年平均2年需維修一次。試求它在試用期內(nèi)只維修過一次的概率。2 復(fù)合Poisson過程定義2.3.3：稱隨機過程為復(fù)合Poisson過程，如果對于，它可以表示為：，其中是一個Poisson過程，是一族獨立 同分布的隨機變量，并且與獨立。注：復(fù)合Poisson過程不一定是計數(shù)過程。例2.3.2：保險公司接到的索賠次數(shù)服從一個Poisson過程，每次要求賠付的金額

12、都相互獨立，且有相同分布F，每次的索賠數(shù)額與它發(fā)生的時刻無關(guān)，則時間內(nèi)保險公司需要賠付的總金額就是一個復(fù)合Poisson過程，其中。例2.3.3：設(shè)顧客到達某服務(wù)系統(tǒng)的時刻，形成一強度為的Poisson過程，在每個時刻，可以同時有多名顧客到達。表示在時刻到達的顧客人數(shù)，假定相互獨立，并且與也獨立，則在時間內(nèi)到達服務(wù)系統(tǒng)的顧客總?cè)藬?shù)可用一復(fù)合Poisson過程來描述。例2.3.4：假定顧客按照參數(shù)為的Poisson過程進人一個商店，又假設(shè)各顧客所花的錢數(shù)形成一族獨立同分布的隨機變量。以記到時間t為止顧客在此商店所花費的總值，易見是一個復(fù)合Poisson過程。定理2.3.2：設(shè)，是一復(fù)合Poiss

13、on過程，Poisson過程的強度為，則（1）有獨立增量；（2）若，則 ，例2.3.5：在保險中的索賠模型中，設(shè)索賠要求以Poisson過程到達保險公司，速率為平均每月兩次。每次索賠服從均值為10000元的正態(tài)分布，則一年中保險公司平均的賠付額是多少？例2.3.6：設(shè)顧客以每分鐘6人的平均速率進入某商場，這一過程可用用Poisson過程來描述。又該進入該商場的每位顧客買東西的概率為0.9，且每位顧客是否買東西互不影響，也與進入該商場的顧客數(shù)無關(guān)。求一天（12小時）在該商場買東西的顧客數(shù)的均值。3條件Poisson過程定義2.3.4：設(shè)隨機變量，在的條件下，計數(shù)過程是參數(shù)為的Poisson過程，

14、則稱為條件Poisson過程。定理2.3.3：設(shè)是條件Poisson過程，且，則（1）；（2）例2.3.7：設(shè)意外事故的發(fā)生頻率受某種未知因素影響有兩種可能，且 ，為已知。已知到時刻t已發(fā)生了n次事故。求下一次事故在t+s之前不會到來的概率。另外，這個發(fā)生頻率為的概率是多少？第三章 Markov 鏈3.1 基本概念定義3.1.1：隨機過程稱為Markov鏈，若它只取有限或可列個值（常用非負整數(shù)集來表示），并且對任意的，及任意狀態(tài)，有=，其中表示過程在時刻n處于狀態(tài)，稱為該過程的狀態(tài)空間，記為. 上式刻畫了Markov鏈的特性，稱為Markov性。定義3.1.2：稱條件概率為Markov鏈的一步

15、轉(zhuǎn)移概率，簡稱轉(zhuǎn)移概率，記為，它代表處于狀態(tài)的過程下一步轉(zhuǎn)移到狀態(tài)的概率。定義3.1.3：當Markov鏈的轉(zhuǎn)移概率=只與狀態(tài)有關(guān)，而與n無關(guān)時，稱之為時齊Markov鏈；否則，就稱之為非時齊的。注：我們只討論時齊Markov鏈，簡稱Markov鏈。定義3.1.4：當Markov鏈的狀態(tài)為有限時，稱為有限鏈，否則稱為無限連。但無論狀態(tài)有限還是無限，我們都可以將（）排成一個矩陣的形式，令P=（）=為轉(zhuǎn)移概率矩陣，簡稱轉(zhuǎn)移矩陣。容易看出（）具有性質(zhì)：（1），；（2）=1，。例3.1.1：考慮一個包含三個狀態(tài)的模型，若個體健康，認為他處于狀態(tài)，若他患病，認為他處于狀態(tài)，若他死亡，認為他處于狀態(tài)，易見

16、這是一個Markov鏈，轉(zhuǎn)移矩陣為P=例3.1.2：（賭徒的破產(chǎn)或稱帶吸收壁的隨機游動）系統(tǒng)的狀態(tài)時，反映賭博者在賭博期間擁有的錢數(shù)，當他輸光或擁有錢數(shù)為n時，賭博停止，否則他將持續(xù)賭博。每次以概率p贏得1，以概率q=1-p輸?shù)?。這個系統(tǒng)的轉(zhuǎn)移矩陣為P=例3.1.3：（帶反射壁的隨機游動）設(shè)上例中當賭博者輸光時將獲得贊助1繼續(xù)賭下去，就如同一個在直線上做隨機游動的球在到達左側(cè)0點處立刻反彈回一樣，這就是一個一側(cè)帶有反射壁的隨機游動，此時轉(zhuǎn)移矩陣為：P=例3.1.4：（自由隨機游動）設(shè)一個球在全直線上做無限制的隨機游動，它的狀態(tài)為0，它是一個Markov鏈，轉(zhuǎn)移矩陣為：P=練習(xí)：設(shè)有一只螞蟻在

17、圖上爬行，當兩個節(jié)點相鄰時，螞蟻將爬向它鄰近的一點，并且爬向任何一個鄰近節(jié)點的概率是相同的，求轉(zhuǎn)移矩陣。2 n步轉(zhuǎn)移概率， C-K方程定義3.1.5：稱條件概率，為Markov鏈的n步轉(zhuǎn)移概率，相應(yīng)地稱為n步轉(zhuǎn)移矩陣。規(guī)定：問題：和是什么關(guān)系？定理3.1.1：Chapman-Kolmogorov方程，簡稱C-K方程對一切有（1）（2）證明：例3.1.5：（賭徒的破產(chǎn)或稱帶吸收壁的隨機游動）系統(tǒng)的狀態(tài)時，反映賭博者在賭博期間擁有的錢數(shù)，當他輸光或擁有錢數(shù)為n時，賭博停止，否則他將持續(xù)賭博。每次以概率p贏得1，以概率q=1-p輸?shù)?。設(shè)，賭博者從2元賭金開始賭博，求他經(jīng)過4次賭博之后輸光的概率。例

18、3.1.6：甲乙兩人進行某種比賽，設(shè)每局甲勝的概率是p。乙勝的概率是q，和局的概率是r，。設(shè)每局比賽后，勝者記“+1”分，負者記“-1”分，和局不計分，且當兩人中有一人獲得2分時比賽結(jié)束。以表示比賽至第n局時甲獲得的分數(shù)，則為時齊Markov鏈，求甲獲得1分的情況下，不超過兩局可結(jié)束比賽的概率。例3.1.7：質(zhì)點在數(shù)軸上的點集上做隨機游動，質(zhì)點到達點-2后，以概率1停留在原處；到達點2后，以概率1向左移動一點；到達其他點后，分別以概率向左、右移動一點，以概率停留在原處。試求在已知該質(zhì)點處于狀態(tài)0的條件下，經(jīng)3步轉(zhuǎn)移后仍處于狀態(tài)0的概率。例3.1.8：（廣告效益的推算）某種啤酒A的廣告改變了廣告

19、方式，經(jīng)調(diào)查發(fā)現(xiàn)買A種啤酒及另外三種啤酒B, C，D的顧客每兩個月的平均轉(zhuǎn)換率如下（設(shè)市場中只有這四種啤酒）：假設(shè)目前購買A，B, C，D四種啤酒的顧客的分布為（25%，30%，35%，10%），試求半年后啤酒A的市場份額。3.2 狀態(tài)的分類及性質(zhì)定義3.2.1：若存在使得，稱狀態(tài)可達狀態(tài)，記為。若同時有，則稱與互通，記為。定理3.2.1：互通是一種等價關(guān)系，即滿足：（1） 自反性：；（2） 對稱性：，則（3） 傳遞性：，則證明：定義3.2.2：把任何兩個互通狀態(tài)歸為一類，若Markov鏈只存在一個類，就稱它是不可約的；否則稱為可約的。例3.2.1：在例3.1.1中考三個狀態(tài)：健康狀態(tài)，患病狀

20、態(tài)，死亡狀態(tài)，可分為幾個類？定義3.2.3：若集合非空，則稱它的最大公約數(shù)為狀態(tài)的周期。若，稱是周期的。若，稱是非周期的。規(guī)定，上述集合為空集時，稱的周期為無窮大。注：（1）雖然有周期但并不是對所有的n，都大于0。請舉出反例：（2）雖然有周期但可能，舉出反例：定理3.2.2：若狀態(tài)同屬一類，則。證明：定義3.2.4：對于任何狀態(tài)，以記從出發(fā)經(jīng)n步后首次到達的概率，則有令，如果，稱狀態(tài)為常返狀態(tài)；如果，稱狀態(tài)為非常返狀態(tài)。問題：的含義是什么？定義3.2.4：（1）對于常返狀態(tài)，定義，可以知道表示的是由出發(fā)再返回到所需的平均步數(shù)（時間）。（2）對于常返狀態(tài)，若，則稱為正常返狀態(tài)；若，則稱為零常返狀

21、態(tài)。（3）若為正常返狀態(tài)，且是非周期的，則稱之為遍歷狀態(tài)。若是遍歷狀態(tài)，且，則稱為吸收狀態(tài)，此時顯然。例3.2.3：設(shè)Markov鏈的狀態(tài)空間為，其一步轉(zhuǎn)移概率矩陣為：試將狀態(tài)進行分類。定理3.2.3：狀態(tài)為常返的當且僅當；狀態(tài)為非常返狀態(tài)時，有。引理3.2.1：對任意狀態(tài)及，有。引理3.2.2：若且為常返狀態(tài)，則。定理3.2.4：常返性是一個類性質(zhì)。例3.2.4：設(shè)Markov鏈的狀態(tài)空間為，轉(zhuǎn)移概率為，考慮各個狀態(tài)的性質(zhì)。3.3 極限定理與平穩(wěn)分布3.3.1 極限定理例3.3.1 ： 設(shè)Markov鏈的轉(zhuǎn)移矩陣為，0p,q1 試求： 例3.3.2：在例3.2.5中令p=，求 若令p= ，求

22、定理3.3.1：（1）若狀態(tài)i是周期為d的常返狀態(tài)，則 ， （2）若狀態(tài)i是非常返狀態(tài)時，則 推論3.3.1：設(shè)i是常返狀態(tài)，則i是零常返狀態(tài) 定理3.3.2：（1）若j是非常返狀態(tài)或零常返狀態(tài)，則對 （2）若j為正常返狀態(tài)且周期為d，則 推論3.3.2： 對, 有推論3.3.3：有限狀態(tài)的Markov鏈，不可能全為非常返狀態(tài)，也不可能有零常返狀態(tài)，從而不可約的有限Markov鏈是正常返的。推論3.3.4：若Markov鏈有一個零常返狀態(tài)，則必有無限個零常返狀態(tài)。例3.3.3：設(shè)Markov鏈的狀態(tài)空間為E=1, 2 ，3，4, 5，轉(zhuǎn)移矩陣為試確定常返狀態(tài)，非常返狀態(tài)，并對常返狀態(tài)i確定其平

23、均回轉(zhuǎn)時間。3.3.2 平穩(wěn)分布與極限分布定義3.3.1：對于Markov鏈，概率分布稱為平穩(wěn)分布，若問題：為什么稱之為平穩(wěn)分布？定義3.3.2：（1）稱Markov鏈是遍歷的，如果所有狀態(tài)相通且均是周期為1的正常返狀態(tài)。 （2）對于遍歷的Markov鏈，極限 稱為Markov鏈的極限分布。注：定理3.3.3 對于不可約非周期的Markov鏈：（1）若它是遍歷的，則是平穩(wěn)分布且是唯一的平穩(wěn)分布。（2）若狀態(tài)都是非常返的或全為零常返的，則平穩(wěn)分布不存在。例3.3.4：設(shè)Markov鏈的轉(zhuǎn)移矩陣為求極限分布。例3.3.5：設(shè)有6個車站，車站中間的公路連接情況如下圖所示：汽車每天可以從一個車站駛向與

24、之直接相鄰的車站，并在夜晚到達車站留宿，次日凌晨重復(fù)相同的活動。設(shè)每天凌晨汽車開往鄰近的任何一個車站都是等可能的，試說明很長時間后，各站每晚留宿的汽車比例趨于穩(wěn)定。求出這個比例以便正確地設(shè)置各站的服務(wù)規(guī)模。例3.3.6 設(shè)甲袋中有k個白球和1個黑球，乙袋中有k+1個白球，每次從兩袋中各任取一球，交換后放入對方的袋中。證明經(jīng)過n次交換后，黑球仍在甲袋中的概率滿足例3.3.7 我國某種商品在國外的銷售情況共有連續(xù)24個季度的數(shù)據(jù)（其中1表示暢銷，2表示滯銷）：1，1，2，1， 2，2，1，1，1，2，1，2，1，1，2，2，1，1，2，1，2，1，1，1如果該商品銷售情況近似滿足時齊次與Marko

25、v性：（1） 試確定銷售狀態(tài)的一步轉(zhuǎn)移概率矩陣。（2） 如果現(xiàn)在是暢銷，試預(yù)測這之后的第四個季度的銷售狀況。（3） 如果影響銷售的所有因素不變，試預(yù)測長期的銷售狀況。 3.4 Markov鏈的應(yīng)用群體消失模型（分枝過程）： 考慮一個能產(chǎn)生同類后代的個體組成的群體，每一個體生命結(jié)束時以概率產(chǎn)生了j個新的后代，與別的個體產(chǎn)生的后代的個數(shù)相互獨立。初始個體數(shù)以表示，稱為第零代的總數(shù)；第零代的后代構(gòu)成第一代，其總數(shù)記為，第一代的每個個體以同樣的分布產(chǎn)生第二代，一般地，以記第n代的總數(shù)。此Markov鏈稱為分枝過程。假設(shè)，則有 其中表示第n-1代的第i個成員的后代的個數(shù)。考慮以下幾個問題：（1） （2）

26、 的意義（3）定理3.4.1： 3.5連續(xù)時間Markov鏈3.5.1 連續(xù)時間Markov鏈定義3.5.1：過程的狀態(tài)空間E為離散空間，若對一切及有成立，則稱是一個連續(xù)時間Markov鏈。轉(zhuǎn)移概率 轉(zhuǎn)移概率矩陣 定義3.5.2：稱連續(xù)時間Markov鏈是時齊的，若與s無關(guān)。簡記,相應(yīng)地記 定理3.5.1：設(shè)是連續(xù)時間Markov鏈，假定在時刻0過程剛剛到達。以記過程在離開i之前在i停留的時間，則服從指數(shù)分布。說明：構(gòu)造連續(xù)時間Markov鏈的方法（1）在轉(zhuǎn)移到下一個狀態(tài)之前處于狀態(tài)i的時間服從參數(shù)為的指數(shù)分布。（2）在過程離開狀態(tài)i時，將以概率到達j，且 定義3.5.3 稱一個連續(xù)時間Mar

27、kov鏈是正則的，若以概率1在任意有限長的時間內(nèi)轉(zhuǎn)移的次數(shù)是有限的。例3.5.1（Poisson過程）參數(shù)為的Poisson過程，取值為。由第2章可知，它在任意一個狀態(tài)i停留的時間服從指數(shù)分布，并且在離開i時以概率1轉(zhuǎn)移到i+1，由Poisson過程的獨立增量性看出它在i停留的時間與狀態(tài)的轉(zhuǎn)移是獨立的，從而Poisson過程是時齊的連續(xù)時間Markov鏈。例3.5.2（Yule過程）考察生物群體繁殖過程的模型。設(shè)群體中各個生物體的繁殖是相互獨立的，強度為的Poisson過程，并且群體中沒有死亡，此過程稱為Yule過程，此過程是一個連續(xù)時間Markov鏈。例3.5.3（生滅過程）仍然考慮一個生物

28、群體的繁殖模型。每個個體生育后代如例3.5.2的假定，但是每個個體將以指數(shù)速率死亡，這是一個生滅過程。例3.5.4（M/M/S排隊系統(tǒng)）顧客的來到是參數(shù)為的Poisson過程。服務(wù)人員數(shù)為s個，每個顧客接受服務(wù)的時間服從參數(shù)為的指數(shù)分布。遵循先來先服務(wù)，若服務(wù)員沒有空閑時間就排隊的原則。以記t時刻系統(tǒng)中的總?cè)藬?shù)，則是一個生滅過程（來到看作出生，離去看作死亡），來到率是服從參數(shù)為的Poisson過程，離去過程的參數(shù)會發(fā)生變化，以記系統(tǒng)中有n個顧客時的離去率，則 3.5.2 Kolmogorov微分方程 定理3.5.2：時齊連續(xù)時間Markov鏈的轉(zhuǎn)移概率滿足：（1）（2）（3 連續(xù)時間Marko

29、v鏈的C-K方程。證明 ：定理3.5.3 推論3.5.1：對有限狀態(tài)時齊的連續(xù)時間Markov鏈，有 注：對于無限狀態(tài)的情況，一般只能得到 定理3.5.4 kolmogorov微分方程對一切 且，有（1）向后方程 （2）在適當?shù)恼齽t條件下，有向前方程 例3.5.5：討論Poisson過程的微分方程及轉(zhuǎn)移概率。例3.5.6：類似Poisson過程，給出Yule過程的轉(zhuǎn)移概率。例3.5.7：討論生滅過程的微分方程。第三章練習(xí)題1、設(shè)今日有雨明日也有雨的概率為0.7，今日無雨明日有雨的概率為0.5。求星期一有雨，星期三也有雨的概率。2、設(shè)Markov鏈的狀態(tài)空間為E=1,2,3,4,5,6，其一步轉(zhuǎn)

30、移概率矩陣為試確定狀態(tài)的周期，常返性，并給此Markov鏈分類。3、若，證明：（1） （2）4、 將兩個紅球、四個白球分別放入甲乙兩個盒子中。每次從兩個盒子中各取一球交換，以 記第n次交換后甲盒中的紅球數(shù)。（1）試說明是一個Markov鏈并求轉(zhuǎn)移矩陣P（2）試證明是遍歷的。（3）求它的極限分布。5、對于Yule過程計算群體總數(shù)從1增長到N的平均時間。6、考慮有兩個狀態(tài)的連續(xù)時間Markov鏈，狀態(tài)為0和1，鏈在離開0到達1之前在狀態(tài)0停留的時間服從參數(shù)為的指數(shù)分布，相應(yīng)地在1停留的時間是參數(shù)為的指數(shù)變量。對此建立kolmogorov微分方程，并求其解。第四章 更新過程4.1 更新過程的定義及若

31、干分布4.1.1 更新過程的定義事件發(fā)生的時間間隔是獨立同分布的非負隨機變量，這樣得到的計數(shù)過程叫做更新過程，其數(shù)學(xué)表達式如下： 定義4.1.1：設(shè)，n=1,2,是一列獨立同分布的非負隨機變量，分布函數(shù)為F(x)設(shè)F(0)=PX=01，記=，則0+。令，n1，T=0。我們把由定義的計數(shù)過程稱為更新過程。例子：機器零件的更換。在時刻0，安裝上一個新零件并開始運行，設(shè)此零件在T時刻損壞，馬上用一個新的來替換（假設(shè)替換不需要時間），則第二個零件在T時刻開始運行，設(shè)它在T時刻損壞，同樣馬上換第三個，很自然可以認為這些零件的使用壽命是獨立同分布的，那么到t時刻為止所更換的零件數(shù)目就構(gòu)成一個更新過程。說明

32、：（1）在更新過程中事件發(fā)生一次叫做一次更新，X表示第n-1次和第n次更新的間隔時間，T是第n次更新發(fā)生的時刻，N(t)就是t時刻之前發(fā)生的總的更新次數(shù)。 （2）Poisson過程是更新過程。4.1.2 N(t)的分布及EN(t)的一些性質(zhì) 問題一：在有限時間0,t內(nèi)是否會發(fā)生無窮多次更新，即N(t)= ？問題二：求N(t)的分布 PN(t)=n問題三：以M(t)記EN(t)，求M(t)（M(t)叫做更新函數(shù)）。注：M(t)是t的不減函數(shù)，且對0t，M(t) +例4.1.1：考慮一個時間離散的更新過程N，j=1,2，在每個時刻獨立地做Bernoulli試驗，設(shè)成功的概率為p，失敗的概率為q=1

33、-p。以試驗成功作為事件（更新），求此過程的更新函數(shù)M(k)。4.2 更新方程定義 4.2.1： 若的導(dǎo)數(shù)存在，則其導(dǎo)數(shù)稱為更新密度，記為。 由= 知 m(t)=。其中是的密度函數(shù)。定理4.2.1：和分別滿足積分方程 其中。定義4.2.2: (更新方程)稱如下形式的積分方程為更新方程 其中為已知，為分布函數(shù)，且當0時，均為0。定理4.2.2：設(shè)更新方程中為有界函數(shù)，則方程存在唯一的在有限區(qū)間內(nèi)有界的解 其中是的更新函數(shù)。例4.2.1：（Wald等式）設(shè) (i=1，2)，證明： 4.3 更新定理定理4.3.1 Feller初等更新定理記，則。若。定義4.3.1（格點分布）：若存在，使得，則稱隨機

34、變量服從格點分布。同時稱滿足上述條件的最大的為此格點分布的周期。定理4.3.2 Blackwell更新定理 記(1) 若不是格點分布，則對一切，當時，有。(2) 若是格點分布，周期為，則當時，有。定理4.3.3 關(guān)鍵更新定理 記，設(shè)函數(shù)滿足：(1)非負不增；(2) 。 是更新方程的解，那么(1) 若不是格點分布，有(2) 若是格點分布，對于，有 例4.3.1：某控制器用1節(jié)電池供電，設(shè)電池壽命（=1,2,）服從均值為45小時的正態(tài)分布，電池失效時需要去倉庫領(lǐng)取，領(lǐng)取新電池的時間（=1,2,）服從期望為0.5小時的均勻分布。求長時間工作時，控制器更換電池的速率。例4.3.2：設(shè)有一個單服務(wù)員銀行

35、，顧客到達可看作速率為的Poisson分布，服務(wù)員為每一位顧客服務(wù)的時間是，服從均值為的指數(shù)分布。顧客到達門口只能在服務(wù)員空閑時才準進來。試求：（1） 顧客進銀行的速率.（2） 服務(wù)員工作的時間所占營業(yè)時間的比例.例4.3.3:考慮離散時間的更新過程（n=0,1,2,），在每個時間點獨立地做Bernoulli試驗，設(shè)試驗成功的概率為p，失敗的概率為q=1p，以試驗成功作為更新事件，并以記此過程的更新函數(shù)，求其更新率例4.3.4:某電話交換臺的電話呼叫次數(shù)服從平均1分鐘次的Poisson過程，通話時間，是相互獨立且服從同一分布的隨機變量序列，滿足E 0 ，稱為相對安全負荷.假定3：調(diào)節(jié)系數(shù)存在唯

36、一性假定首先，要求個體索賠額的矩母函數(shù)至少在包含原點的某個鄰域內(nèi)存在；其次，要求方程 存在正解， 記為R.定理4.4.1 若假定1假定3成立，則有（1）;（2）Lundberg不等式： , （3）LundbergCramer 近似：存在正常數(shù)C，使得 , . 即 習(xí) 題1、判斷下列命題是否正確：（1） t（2） n t（3） n t2、更新過程的來到間隔服從參數(shù)為的分布。（1）試求的分布；（2）對更新過程，證明當時，有 a.s. , 其中（3）試證 a.s. 3.設(shè)，計算第五章 Brown運動5.1 基本概念與性質(zhì)定義5.1.1：隨機過程如果滿足：（1）（2）具有平穩(wěn)獨立增量（3）對每個服從正

37、態(tài)分布則稱為Brown運動，也稱為Wiener過程。常記為或注：如果稱之為標準Brown運動。如果是標準Brown運動。性質(zhì)5.1.1：Brown運動是具有下述性質(zhì)的隨機過程（1）（正態(tài)增量）（2）（獨立增量）獨立于過程的過去狀態(tài)（3）（路徑的連續(xù)性）是t的連續(xù)函數(shù)注：性質(zhì)5.1.1中沒有假定，因此稱之為始于的Brown運動。也記為。易見例5.1.1：設(shè)是標準Brown運動，計算和定義5.1.2：Brown運動的二次變差定義為當取遍0,t的分割,且時，依概率收斂意義下的極限下面是Brown運動的路徑性質(zhì)。從時刻0到時刻T對Brown運動的一次觀察稱為Brown運動在區(qū)間0,T上的一個路徑。Br

38、own運動的幾乎所有樣本路徑都具有下述性質(zhì)。（1） 是t的連續(xù)函數(shù)（2） 在任意區(qū)間（無論區(qū)間多么小）上都不是單調(diào)的（3） 在任意點都不是可微的（4） 在任意區(qū)間（無論區(qū)間多么?。┥隙际菬o限變差的（5） 對任意t，在0,t上的二次變差等于t5.2 Gauss過程定義5.2.1：所謂的Gauss過程是指所有有限維分布都是多元正態(tài)分布的隨機過程。注：本節(jié)的主要目的是證明Brown運動是特殊的Gauss過程。引理5.2.1 設(shè)是相互獨立的，則。其中均值，協(xié)方差矩陣定理5.2.1 Brown運動是均值函數(shù)為m(t)=0,協(xié)方差函數(shù)為的Gauss過程。例5.2.1 設(shè)是Brown運動，求B(1)+B(2

39、)+B(3)+B(4)的分布例5.2.2 求的分布例5.2.3 求概率5.3 Brown運動的幾種變化5.3.1 Brown橋 (Brown Bridge)定義5.3.1 設(shè)是Brown運動。令，則稱隨機過程為Brown橋。 （數(shù)理金融中經(jīng)常用到的過程）注：因為Brown運動是Gauss過程，所以Brown橋也是Gauss過程，其n維分布由均值函數(shù)和協(xié)方差函數(shù)完全確定。且對，有5.3.2 有吸收值的Brown運動設(shè)為Brown運動首次擊中的時刻，令則是擊中后，永遠停留在的Brown運動。5.3.3 在原點反射的Brown運動由定義的過程稱為在原點反射的Brown運動。它的概率分布為：5.3.4

40、 幾何Brown運動由定義的過程稱為幾何Brown運動例5.3.1 （股票期權(quán)的價值）設(shè)某人擁有某種股票的交割時刻為T，交割價格為K的歐式看漲期權(quán)，即他具有在時刻T以固定的價格K購買一股這種股票的權(quán)利。假設(shè)這種股票目前的價格為y，并按照幾何Brown運動變化，我們計算擁有這個期權(quán)的平均價值。5.3.5 有漂移的Brown運動設(shè)B(t)是標準Brown運動，我們稱為漂移的Brown運動，其中常數(shù)稱為漂移系數(shù)。例5.3.2 （行使股票期權(quán)）假設(shè)某人有在將來某個時刻以固定價格A購買一股股票的期權(quán)，與現(xiàn)在的市價無關(guān)。不妨取現(xiàn)在的市價為0，并假定其變化遵循有負漂移系數(shù)的Brown運動。問在什么時候行使期權(quán)？習(xí)題：1、設(shè)為標準Brown運動，驗證是Brown橋。2、設(shè)為標準Brown運動，計算條件概率，問事件與是否獨立？3、設(shè)、為相互獨立的標準Brown運動，試證是Brown運動。55