《應(yīng)用隨機(jī)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(jī)過程 期末復(fù)習(xí)資料（55頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、 第一章 隨機(jī)過程的基本概念 一、隨機(jī)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(jī)變量，而{Xn，n=1,2, }是隨機(jī)過程。 例2：在地震預(yù)報中，若每半年統(tǒng)計(jì)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(jì)所得的值，則Xn 是隨機(jī)變量。為了預(yù)測該區(qū)域未來地震的強(qiáng)度，我們就要研究隨機(jī)過程{Xn，n=1,2, }的統(tǒng)計(jì)規(guī)律性。 例3：一個醉漢在路上行走，以概率p前進(jìn)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)

2、, t0}就是（直線上的）隨機(jī)游動。 例4：乘客到火車站買票，當(dāng)所有售票窗口都在忙碌時，來到的乘客就要排隊(duì)等候。乘客的到來和每個乘客所需的服務(wù)時間都是隨機(jī)的，所以如果用X(t)表示t時刻的隊(duì)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(jī)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(jī)變量，則稱{X(t), tT}為隨機(jī)過程，其中T為指標(biāo)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

3、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通常代表時間，當(dāng)T取R, R+, [a,b]時，稱{X(t), tT}為連續(xù)參數(shù)的隨機(jī)過程；當(dāng)T取Z, Z+時，稱{X(t), tT}為離散參數(shù)的隨機(jī)過程。 （3）例1為離散狀態(tài)離散參數(shù)的隨機(jī)過程，例2為連續(xù)狀態(tài)離散參數(shù)的隨機(jī)過程，例3為離散狀態(tài)連續(xù)參數(shù)的隨機(jī)過程，例4為連續(xù)狀態(tài)連續(xù)參數(shù)的隨機(jī)過程。 二、有限維分布與Kolmogorov定理 隨機(jī)過程的一維分布： 隨機(jī)過程的二維分布： 隨機(jī)過程的n維分布： 1、有限維分布族：隨機(jī)過程的所有一維分布，二維分布，…n維分布等的全體

4、 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m

5、獨(dú)立的且均服從N(0,1)分布的隨機(jī)變量，求和。 三、隨機(jī)過程的基本類型 獨(dú)立增量過程：如果對任意隨機(jī)變量 是相互獨(dú)立的，則稱{X(t), tT}是獨(dú)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)-X(t2)，則稱{X(t), tT}是平穩(wěn)增量過程。 平穩(wěn)獨(dú)立增量過程：兼有獨(dú)立增量和平穩(wěn)增量的過程稱為平穩(wěn)獨(dú)立增量過程，例如Poisson過程和Brownian motion Poisson 過程 2.1 Poisson 過程 1. 計(jì)數(shù)過程 定義：隨機(jī)過程稱為計(jì)數(shù)過程，如果表示從0到t時刻某一特定

6、事件A發(fā)生的次數(shù)，它具備以下兩個特點(diǎn)： （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(jì)數(shù)過程稱為參數(shù)為（）的Poisson過程，如果 （1） （2）過程具有獨(dú)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 注：Poisson過程具有平穩(wěn)增量性 因?yàn)榈姆植贾灰蕾囉趖, 與區(qū)間起點(diǎn)s無關(guān)， 于是可認(rèn)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(qiáng)度。 例2.1.1：（Poisson過程在排隊(duì)論中的應(yīng)用）研究隨機(jī)服務(wù)系統(tǒng)中的排隊(duì)現(xiàn)象時，

7、經(jīng)常用到Poisson過程模型。例如：到達(dá)電話總機(jī)的呼叫數(shù)目，到達(dá)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(dá)，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？ 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

8、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(shí)際中有這么多現(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(qiáng)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

9、錄下來的事件總數(shù)，則是一個強(qiáng)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(qiáng)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2.2.1：（n=1,2,…）服從參數(shù)為的指數(shù)分布，且相互獨(dú)立。 定理2.2.2：（n=1,2,…）服從參數(shù)為n和的分布

10、。 注：如果每次事件發(fā)生的時間間隔相互獨(dú)立，且服從同一參數(shù)為的指數(shù)分布，則計(jì)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(duì)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(dú)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(jì)為每小時平均觀察到3顆流星。試求：上午8:00-12:00期間，該天文臺沒有觀察到流星的概率。 2. 事件發(fā)生時刻的條件分布 對

11、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(qiáng)度為的Poisson過程來到某火車站，火車在時刻t啟程，計(jì)算在內(nèi)到達(dá)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(jì)數(shù)過程稱作強(qiáng)度函數(shù)為的非齊次Poisson過程，如果 等價定義： 定義2.3.2：計(jì)數(shù)過程稱作強(qiáng)度函數(shù)為的非齊次Poisson過程， 若（1）

12、（2）具有獨(dú)立增量性； （3）即任意實(shí)數(shù)，為具有參數(shù)的Poisson分布，稱為非齊次Poisson過程的均值函數(shù)（或累積強(qiáng)度函數(shù)）。 定理2.3.1：設(shè)是一個強(qiáng)度函數(shù)為的非齊次Poisson過程。對任意的，令 則是一個強(qiáng)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(jī)過程為復(fù)合Poisson過程，如果對于，

13、它可以表示為：，其中是一個Poisson過程，是一族獨(dú)立 同分布的隨機(jī)變量，并且與獨(dú)立。 注：復(fù)合Poisson過程不一定是計(jì)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都相互獨(dú)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(dá)某服務(wù)系統(tǒng)的時刻，形成一強(qiáng)度為的Poisson過程，在每個時刻，可以同時有多名顧客到達(dá)。表示在時刻到達(dá)的顧客人數(shù)，假定相互獨(dú)立，并且與{}也獨(dú)立，則在時間內(nèi)到達(dá)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

14、。 例2.3.4：假定顧客按照參數(shù)為的Poisson過程進(jìn)人一個商店，又假設(shè)各顧客所花的錢數(shù)形成一族獨(dú)立同分布的隨機(jī)變量。以記到時間t為止顧客在此商店所花費(fèi)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Poisson過程，Poisson過程的強(qiáng)度為，則 （1）有獨(dú)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(dá)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

15、？ 例2.3.6：設(shè)顧客以每分鐘6人的平均速率進(jìn)入某商場，這一過程可用用Poisson過程來描述。又該進(jìn)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(jìn)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(jī)變量，在的條件下，計(jì)數(shù)過程是參數(shù)為的Poisson過程，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

16、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(jī)過程稱為Markov鏈，若它只取有限或可列個值（常用非負(fù)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鏈的一步轉(zhuǎn)移概率，簡稱轉(zhuǎn)移概率，記為，它代表處于狀態(tài)

17、的過程下一步轉(zhuǎn)移到狀態(tài)的概率。 定義3.1.3：當(dāng)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(dāng)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(rèn)為他處于狀態(tài)，若他患病，認(rèn)為他處于狀態(tài)，若他死亡，認(rèn)為他處于狀態(tài)，易見這是一個

18、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(jī)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(dāng)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(jī)游動）設(shè)上例中當(dāng)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(jī)游動的球在到達(dá)左側(cè)0點(diǎn)處立刻反彈回一樣，這就是一個一側(cè)帶有反射壁的隨機(jī)游動，此時轉(zhuǎn)移矩陣為： P= 例3.1.4：（自由隨機(jī)游動）設(shè)一個球在全直線上做無限制的隨機(jī)游動，它的狀態(tài)為0，，它是一個Markov鏈

19、，轉(zhuǎn)移矩陣為： P= 練習(xí)：設(shè)有一只螞蟻在圖上爬行，當(dāng)兩個節(jié)點(diǎn)相鄰時，螞蟻將爬向它鄰近的一點(diǎn)，并且爬向任何一個鄰近節(jié)點(diǎn)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(jī)游動）系統(tǒng)的狀態(tài)

20、時，反映賭博者在賭博期間擁有的錢數(shù)，當(dāng)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3.1.6：甲乙兩人進(jìn)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(fù)者記“-1”分，和局不計(jì)分，且當(dāng)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?jǐn)?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：

21、質(zhì)點(diǎn)在數(shù)軸上的點(diǎn)集上做隨機(jī)游動，質(zhì)點(diǎn)到達(dá)點(diǎn)-2后，以概率1停留在原處；到達(dá)點(diǎn)2后，以概率1向左移動一點(diǎn)；到達(dá)其他點(diǎn)后，分別以概率向左、右移動一點(diǎn)，以概率停留在原處。試求在已知該質(zhì)點(diǎn)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。

22、 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(dá)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)，患病狀態(tài)，死亡狀態(tài)，可分為幾個類？ 定義3.2.3：若集

23、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(dá)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

24、，則稱為正常返狀態(tài)；若，則稱為零常返狀態(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(jìn)行分類。 定理3.2.3：狀態(tài)為常返的當(dāng)且僅當(dāng)；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

25、 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，0

26、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?zhǔn)钦７档摹? 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,

27、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?zhǔn)潜闅v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

28、。 （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之直接相鄰的車站，并在夜晚到達(dá)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。

29、 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Markov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

30、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(dú)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)

31、。 考慮以下幾個問題： （1） （2） 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)

32、時間Markov鏈?zhǔn)菚r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(dá)。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(dá)j，且 定義3.5.3 稱一個連續(xù)時間Markov鏈?zhǔn)钦齽t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

33、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(dú)立增量性看出它在i停留的時間與狀態(tài)的轉(zhuǎn)移是獨(dú)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(dú)立的，強(qiáng)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）仍然考慮一個生物群體

34、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(duì)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(duì)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

35、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Markov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(dāng)?shù)恼齽t條件下，有向前方程

36、 例3.5.5：討論P(yáng)oisson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)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

37、） 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(jì)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(dá)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。

38、 第四章 更新過程 4.1 更新過程的定義及若干分布 4.1.1 更新過程的定義 事件發(fā)生的時間間隔是獨(dú)立同分布的非負(fù)隨機(jī)變量，這樣得到的計(jì)數(shù)過程叫做更新過程，其數(shù)學(xué)表達(dá)式如下： 定義4.1.1：設(shè){，n=1,2,}是一列獨(dú)立同分布的非負(fù)隨機(jī)變量，分布函數(shù)為F(x)﹙設(shè)F(0)=P{X=0}≠1，記=，則0＜≤+∞﹚。令，n≥1，T=0。我們把由定義的計(jì)數(shù)過程稱為更新過程。 例子：機(jī)器零件的更換。在時刻0，安裝上一個新零件并開始運(yùn)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(yùn)行，設(shè)它在T時刻損壞，同樣馬上換

39、第三個，很自然可以認(rèn)為這些零件的使用壽命是獨(dú)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：（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E[N(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 P{N(t)=n} 問題三：以M(t)記E[N(t)]

40、，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0≤t＜∞，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(dú)立地做Bernoulli試驗(yàn)，設(shè)成功的概率為p，失敗的概率為q=1-p。以試驗(yàn)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

41、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(dāng)〈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。

42、 定義4.3.1（格點(diǎn)分布）：若存在，使得，則稱隨機(jī)變量服從格點(diǎn)分布。同時稱滿足上述條件的最大的為此格點(diǎn)分布的周期。 定理4.3.2 Blackwell更新定理 記 (1) 若不是格點(diǎn)分布，則對一切，當(dāng)時，有。 (2) 若是格點(diǎn)分布，周期為，則當(dāng)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(fù)不增；(2) ＜。 是更新方程的解，那么 (1) 若不是格點(diǎn)分布，有 (2) 若是格點(diǎn)分布，對于，有 例4.3.1：某控

43、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，顧客到達(dá)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(dá)門口只能在服務(wù)員空閑時才準(zhǔn)進(jìn)來。試求： （1） 顧客進(jìn)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

44、散時間的更新過程（n=0,1,2,……），在每個時間點(diǎn)獨(dú)立地做Bernoulli試驗(yàn)，設(shè)試驗(yàn)成功的概率為p，失敗的概率為q=1—p，以試驗(yàn)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(dú)立且服從同一分布的隨機(jī)變量序列，滿足E[]< ,假定通話時電話打不進(jìn)來，用表示到時刻t為止電話打進(jìn)來的次數(shù)， 試證： 例4.3.5:（剩余壽命與年齡的極限分布） 以表示時刻t

45、的剩余壽命，即從t開始到下次更新剩余的時間，為t時刻的年齡。求r(t)和的極限分布。 4.4 Lundberg—Cramer 破產(chǎn)論 設(shè)保險公司在時刻t的盈余可表示為： ， t 0 u—初始資本；c—保險費(fèi)率；—第k次索賠額 —到時刻t為止發(fā)生的索賠次數(shù). 古典破產(chǎn)模型的三個假定： 假設(shè)1：{，k 1}是恒正的獨(dú)立同分布的隨機(jī)變量序列，記 ，x 0；； 是參數(shù)為 的Poisson過程，并且與相互獨(dú)立。 ——破產(chǎn)時 ——破產(chǎn)概率

46、 假定2:：，其中> 0 ，稱為相對安全負(fù)荷. 假定3：調(diào)節(jié)系數(shù)存在唯一性假定 首先，要求個體索賠額的矩母函數(shù) 至少在包含原點(diǎn)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）Lundberg—Cramer 近似：存在正常數(shù)C，使得 ~ , . 即

47、 習(xí) 題 1、判斷下列命題是否正確： （1） < n > t （2） n t （3） > n < t 2、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(dāng)時，有 a.s. , 其中 （3）試證 a.s. 3.設(shè)，，計(jì)算 第五章 Brown運(yùn)動 5.1 基本概念

48、與性質(zhì) 定義5.1.1：隨機(jī)過程如果滿足： （1） （2）具有平穩(wěn)獨(dú)立增量 （3）對每個服從正態(tài)分布 則稱為Brown運(yùn)動，也稱為Wiener過程。常記為或 注：如果稱之為標(biāo)準(zhǔn)Brown運(yùn)動。 如果是標(biāo)準(zhǔn)Brown運(yùn)動。 性質(zhì)5.1.1：Brown運(yùn)動是具有下述性質(zhì)的隨機(jī)過程 （1）（正態(tài)增量） （2）（獨(dú)立增量）獨(dú)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(yùn)動。也記為。易見 例5.1.1：設(shè)是標(biāo)準(zhǔn)Brown運(yùn)動，計(jì)算和 定義5.1.2：Brown運(yùn)動

49、的二次變差定義為當(dāng)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(yùn)動的路徑性質(zhì)。從時刻0到時刻T對Brown運(yùn)動的一次觀察稱為Brown運(yùn)動在區(qū)間[0,T]上的一個路徑。Brown運(yùn)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?。┥隙疾皇菃握{(diào)的 （3） 在任意點(diǎn)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t 5.2 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

50、機(jī)過程。 注：本節(jié)的主要目的是證明Brown運(yùn)動是特殊的Gauss過程。 引理5.2.1 設(shè)是相互獨(dú)立的，則。其中均值，協(xié)方差矩陣 定理5.2.1 Brown運(yùn)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(yùn)動，求B(1)+B(2)+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(yùn)動的幾種變化 5.3.1 Brown橋 (Brown Bridge) 定義5.3.1 設(shè)是Brown運(yùn)動。令，則稱隨機(jī)過程為Brown橋。

51、 （數(shù)理金融中經(jīng)常用到的過程） 注：因?yàn)锽rown運(yùn)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(yùn)動 設(shè)為Brown運(yùn)動首次擊中的時刻，，令則是擊中后，永遠(yuǎn)停留在的Brown運(yùn)動。 5.3.3 在原點(diǎn)反射的Brown運(yùn)動 由定義的過程稱為在原點(diǎn)反射的Brown運(yùn)動。它的概率分布為： 5.3.4 幾何Brown運(yùn)動 由定義的過程稱為幾何Brown運(yùn)動 例5.3.1 （股票期權(quán)的價值）設(shè)某人擁有某種股票的

52、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(yùn)動變化，我們計(jì)算擁有這個期權(quán)的平均價值。 5.3.5 有漂移的Brown運(yùn)動 設(shè)B(t)是標(biāo)準(zhǔn)Brown運(yùn)動，我們稱為漂移的Brown運(yùn)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(fù)漂移系數(shù)的Brown運(yùn)動。問在什么時候行使期權(quán)？ 習(xí)題： 1、設(shè)為標(biāo)準(zhǔn)Brown運(yùn)動，驗(yàn)證是Brown橋。 2、設(shè)為標(biāo)準(zhǔn)Brown運(yùn)動，計(jì)算條件概率，問事件與是否獨(dú)立？ 3、設(shè)、為相互獨(dú)立的標(biāo)準(zhǔn)Brown運(yùn)動，試證是Brown運(yùn)動。 55