集成学习系列
随机过程的基本概念
主要内容:随机过程的定义与性质,相关概念的定义
随机过程的定义与性质
- 随机过程:设
T
T
T为
(
?
∞
,
+
∞
)
(?∞,+∞)
(?∞,+∞) 的子集,若对每个
𝑡
∈
𝑇
𝑡∈𝑇
t∈T ,
𝑋
𝑡
𝑋_𝑡
Xt? 是随机变量,则称随机变量的集合
{
𝑋
𝑡
∣
𝑡
∈
𝑇
}
\{𝑋_𝑡|𝑡∈𝑇\}
{Xt?∣t∈T} 是随机过程。当每个t都有一次观测,那么会形成一条曲线,则称这条曲线为一条轨道或一条轨迹。
个人理解就是样本点的分布随时间的变化而改变,而这些所有可能行的分布函数集合就是一个随机过程。 维基:若一随机系统的样本点是随机函数,则称此函数为样本函数,这一随机系统全部样本函数的集合是一个随机过程 - 有限维分布:对于任何正整数m和T中互不相同的
𝑡
1
,
.
.
.
,
𝑡
𝑚
𝑡_1,...,𝑡_𝑚
t1?,...,tm? ,称
(
𝑋
𝑡
1
,
.
.
.
,
𝑋
𝑡
𝑚
)
(𝑋_{𝑡_1},...,𝑋_{𝑡_𝑚})
(Xt1??,...,Xtm??) 的联合分布为随机过程
{
𝑋
𝑡
∣
𝑡
∈
𝑇
}
\{𝑋_𝑡|𝑡∈𝑇\}
{Xt?∣t∈T} 的一个有限维分布,称全体的有限维分布为该随机过程的概率分布。
- 随机序列:如果时间集合T是整数,就是一个随机序列(时间序列),记作
𝑋
𝑛
𝑋_𝑛
Xn?
如滑动平均序列
𝑋
𝑛
𝑋_𝑛
Xn?,
n
=
±
1
,
±
2
,
±
3
,
.
.
.
n=\pm1,\pm2,\pm3,...
n=±1,±2,±3,... - 随机过程的性质:
- 随机过程的同分布:如果随机过程
{
𝑋
𝑡
∣
𝑡
∈
𝑇
}
\{𝑋_𝑡|𝑡∈𝑇\}
{Xt?∣t∈T} 与随机过程
{
𝑌
𝑡
∣
𝑡
∈
𝑇
}
\{𝑌_𝑡|𝑡∈𝑇\}
{Yt?∣t∈T} 有相同的有限维分布,则称他们同分布。
- 随机过程的独立:如果随机过程
{
𝑋
𝑡
∣
𝑡
∈
𝑇
}
\{𝑋_𝑡|𝑡∈𝑇\}
{Xt?∣t∈T} 中任意选出来的
(
𝑋
𝑡
1
,
.
.
.
,
𝑋
𝑡
𝑖
)
(𝑋_{𝑡_1},...,𝑋_{𝑡_𝑖})
(Xt1??,...,Xti??) 与从
{
𝑌
𝑡
∣
𝑡
∈
𝑇
}
\{𝑌_𝑡|𝑡∈𝑇\}
{Yt?∣t∈T} 中选出来的
(
𝑌
𝑠
1
,
.
.
.
,
𝑌
𝑠
𝑗
)
(𝑌_{𝑠_1},...,𝑌_{𝑠_𝑗})
(Ys1??,...,Ysj??) 是相互独立的,则称两个随机过程独立。
- 随机过程举例:随机游走、布朗运动、排队模型
Possion 过程
Possion过程是计数过程的特例
Markov过程
提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。
随机采样与随机模拟
提示:这里对文章进行总结: 例如:以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
|