《应用随机过程》笔记
2 随机过程
2.3 随机过程的基本类型
2.3.1 平稳过程
严平稳过程 对于随机过程 X={Xt}t∈T, 若 ∀t1,t2,⋯,tn,h s.t. {t1,t2,⋯,tn}∪{t1+h,t2+h,⋯,tn+h}⊆T, 都有
(Xt1,Xt2,⋯,Xtn)T=(Xt1+h,Xt2+h,⋯,Xtn+h)T
即有限维分布关于时间平移不变. 则称 X 是严平稳的.
(宽)平稳过程 对于随机过程 X={Xt}t∈T, 若一阶矩为常数, 二阶矩存在, 且 ∀t1,t2,h s.t. {t1,t2,t1+h,t2+h}⊆T, 都有
γ(t1,t2)=γ(t1+h,t2+h)
(该条件等价于协方差函数 γ(t,t+h) 与 t 无关), 即协方差函数关于时间平移不变, 则称 X 是宽平稳的.
2.3.2 独立增量过程
独立增量过程 对于随机过程 X={Xt}t∈T, 若 ∀t1,t2,⋯,tn∈T 从小到大排列, 随机变量 {Xtk+1−Xtk}k=1n−1 相互独立, 则称 X 是独立增量的.
平稳增量过程 对于随机过程 X={Xt}t∈T, 若 ∀t1,t2∈T (t1<t2),∀h, 随机变量 Xt1+h−Xt1=Xt2+h−Xt2, 则称 X 是平稳增量的.
平稳独立增量过程 兼有独立增量和平稳增量. 平稳独立增量过程的均值函数一定 是时间 t 的线性函数.
3 Poisson 过程
3.1 Poisson 过程
计数过程 随机过程 N={Nt}t∈N 称为计数过程, 若 Nt 代表从 0 到 t 时间内事件 A 发生的次数.
Poisson 过程 计数过程 N={Nt}t∈N 称为强度为 λ 的 Poisson 过程, 若
- N0=0
- N 是独立增量过程
- ∀t∈N,h∈N+, Nt+h−Nt∼P(λt)
λ 可认为是事件 A 在单位时间内的发生次数.
3.2 与 Poisson 过程相关的分布
时间分割足够细时, Poisson 过程的一条样本路径可以看作每次阶跃 1 的阶梯函数, 即
⎩⎨⎧N0=N1=⋯=NT1−1=0,NT1=NT1+1=⋯=NT2−1=1,NT2=NT2+1=⋯=NT3−1=2
记 Tk 为 A 发生第 k 次的时刻, Xk=Tk−Tk−1 表示 A 第 k 次发生与前一次发生的间隔, 则
Tk∼Γ(k,λ),Xk∼Exp(λ)
已知 Nt=n 的条件下, 不考虑排序, T1,T2,⋯Tn∼U(0,t).
3.3 Poisson 过程的推广
3.3.1 非齐次 Poisson 过程
计数过程 N={Nt}t∈N 称为强度函数为 λ(t) 的非齐次 Poisson 过程, 若
- N0=0
- N 是独立增量过程
- ∀t∈N,h∈N+, Nt+h−Nt∼P(∫tt+hλ(τ)dτ)
非齐次 Poisson 过程可以看做是“换了一个钟来计时”的 Poisson 过程. 令 m(t)=∫0tλ(τ)dτ, 则 {Nm−1(t)}t∈N 是 Poisson 随机过 程.
3.3.2 复合 Poisson 过程
复合 Poisson 过程 随机过程 X={Xt}t∈N 称为复合 Poisson 过程, 如果
Xt=i=1∑NtYi(t)
其中 {Nt}t∈N 是 Poisson 过程, Yi(t)∼Y 独立同分布, 且与 Nt 独立.
EX=λtEY,DX=λtEY2
例 假定顾客按照 λ 的强度进入商店, 每一个顾客的消费是一个随机变量, 则 0 到 t 时刻间顾客的总消费 Xt 是一个复合 Poisson 过程.
3.3.3 条件 Poisson 过程
条件 Poisson 过程 设强度是一个随机变量 Λ. 计数过程 N={Nt}t∈N 称为条件 Poisson 过程, 若给定 Λ=λ 时 N 为 Poisson 过程.
EN=tEΛ,DN=t2DΛ+tEΛ
5 Markov 链
5.1 基本概念
5.1.1 Markov 链
(时齐) Markov 链 随机过程 X={Xt}t∈N 称为时齐 Markov 链, 如果它只有至多可列种状态取值 S={S0,S1,⋯} (以下以 {0,1,⋯} 来表示), 并且状态转移概率 Pr(Xt=j∣Xt−1=i) 是一个仅与 i,j 有关的常数 pij, 与时间 t 无关.
转移概率矩阵 状态转移概率可以排成转移概率矩阵 P=(pij). 该矩阵元素均为非负数, 且每行的和均为 1. 这种矩阵称作随机矩阵.
5.1.2 n-步转移概率
n-步转移概率 从状态 i 经 n 步转移到状态 j 的概率, 即 pij(n)=Pr(Xt+n=j∣Xt=i). 规定 pij(n)=δij. 另称 P(n)=(pij(n)) 为 n-步转移概率矩阵.
Chapman-Kolmogorov 方程 对于 i,j∈S, 有
pij(m+n)=k∈S∑pik(m)pkj(n),P(n)=Pn
5.2 状态的分类及性质
可达状态和互通状态 称状态 i 可达 j, 如果 ∃n s.t. pij(n)>0, 记作 i→j. 称状态 i,j 互通, 如果 i→j, j→i, 记作 i↔j. 互通是一种等价关系.
不可约 Markov 链 称 Markov 链不可约, 如果 Markov 链关于互通关系只有一个等价类.
周期状态 称状态 i 有周期 d, 如果集合 D={n:pii(n)>0} 有最大公约数 d(≥2). 若 d=1, 则称 i 是非周期的. 若 D=∅, 则定义 d=∞. 对于充分大的 n, 必有 nd∈D. 同一个等价类下状态的周期相同.
首达概率 定义 fij(n) 为状态 i 经 n 步后首次到达 j 的概率, 定义 fij=∑nfij(n) 为可列步内可达概率, 定义 μfij=∑nnfij(n) 为首达所需步数期望.
常返状态和瞬过状态 称状态 i 是常返的, 如果 fii=1⟺∑n=0∞pii(n)=∞. 否则称状态 i 是瞬过的, 此时有 ∑n=0∞pii(n)=1/(1−fii).
正常返状态和零常返状态 称常返状态 i 是正常返的, 如果 μfii<∞. 否则称常返状态 i 是零常返的.
遍历状态和吸收状态 称正常返状态 i 是遍历的, 如果它是非周期的. 如果还有 pii=1, 则称它是吸收的.
遍历 Markov 链 称不可约 Markov 链是遍历的, 如果它的每一个状态都是正常返且非周期的.
5.3 极限定理及平稳分布
5.3.1 极限定理
可以使用相似对角化的方法求转移矩阵的极限情况 P∞. 若状态 i 正常返, 则
n→∞limpii(nd)=μid
其中 d 是状态 i 的周期. 若 i 非常返或零常返, 则该极限值为 0.
若状态 j 非常返或零常返, 则
n→∞limpij(n)=0
若 Markov 链遍历, 则 ∀i,j 都有
n→∞limpij(n)=μj1
5.3.2 平稳分布与极限分布
平稳分布 行向量 p 是平稳分布, 如果 p=pP 且 p1=1.
极限分布 对于遍历 Markov 链, 行向量 π 是平稳分布, 其中
πj=n→∞limpij(n)
可以证明该极限值与 i 无关, 即无论起始状态为何, 在很长时间后将会收敛至极限分布. 对于遍历 Markov 链, 极限分布就是唯一的平稳分布.
参考文献
[1] 张波, 商豪, 邓军. 应用随机过程[M]. 第五版. 北京:中国人民大学出版社, 2020.