应用随机过程教程[电子资源.图书]:及在算法和智能计算中的随机模型

前言

符号说明

第1章 概率论精要回顾与补充

1 基本框架与典型分布

1.1 概率

1.2 随机变量

1.3 d维随机向量

1.4 独立性

1.5 chebyshev不等式

1.6 基本极限与基本极限定理（大数定律与中心极限定理）

1.7 典型分布

1.8 次序随机变量的分布

2 条件概率、条件分布、条件（数学）期望

2.1 条件概率

2.2 条件分布

2.3 条件（数学）期望

2.4 期望与方差的wald等式

3 统计简要

3.1 用样本作矩估计

3.2 最大似然估计

.3.3 线性模型的最小二乘估计及其推广

习题1


第2章 随机样本生成法

1 一维随机数

1.1 均匀随机变量的计算机模拟

1.2 分布函数f（x）的随机数

1.3 正态随机数

1.4 poisson随机数

1.5 混合分布随机数

1.6 von neuman取舍原则

1.7 gamma随机数与beta随机数的生成

2 多维随机数

2.1 连续型多维随机数

2.2 离散型多维随机数

2.3 多维正态随机数

2.4 多维beta随机数(dirichlet随机数)的生成

3 附录--用matlab生成随机数

3.1 matlab语言的简单提示

3.2 matlab生成随机数的语句

习题2


第3章 随机过程的一般概念与独立增量过程

1 一般概念

1.1 随机过程与有限分布族

1.2 独立增量过程

2 poisson过程与复合poisson过程

2.1 事故申报次数的概率模型与poisson过程

2.2 poisson过程与指数流的关系

2.3 与指数流有关的一些随机变量与分布

2.4 常见的推广

2.5 复合poisson过程

3 brown运动(wiener过程)及其函数

3.1 历史背景与物理模型

3.2 brown运动（数学模型）

3.3 brown运动的简单性质

3.4 brown运动的反射原理及首达性质

3.5 与brown运动有关的几个简单随机过程

3.6 漂移brown运动

3.7 几何brown运动

4 简单随机徘徊

4.1 双侧吸收壁的吸收概率

4.2 随机徘徊的对称原理

4.3 随机徘徊的首达时刻

4.4 简单随机徘徊与首达时

习题3


第4章 更新现象及其理论

1 stieltjes积分简述

2 更新过程的概念

2.1 作为poisson过程推广的更新过程

2.2 更新函数的更新方程

2.3 年龄与剩余寿命

3 更新定理与更新次数的正态近似

3.1 更新定理

3.2 更新过程的正态近似

3.3 blackwell定理与主更新定理

3.4 更新间隔为正整值随机变量的更新过程

4 更新过程的变种模型

4.1 交错更新过程

4.2 延迟更新过程

4.3 带酬更新过程

5 再生过程与其相系的更新过程

5.1 再生过程的概念

5.2 与再生过程相系的更新过程

5.3 比例极限定理在再生过程中的应用

5.4 存储模型的一个例子

6 erlang更新过程

6.1 erlang更新过程的定义

6.2 erlang更新过程的矩母函数

习题4


第5章 离散状态markov链

1 markov链的概念

1.1 定义与markov性质

1.2 概率转移矩阵

1.3 时齐的markov链

1.4 markov链的例

2 markov链的状态分类

2.1 首达分解、n步转移概率的递推式、矩母函数、常返性

2.2 常返性再访与markov链的基本结构

2.3 平均回访时间与正常返性

3 markov链的转移概率的极限与不变分布

3.1 不变分布与平稳markov链

3.2 有限状态markov链的不变分布与极限分布

3.3 转移矩阵的平均极限

4 dobrushin不等式与指数收敛性

4.1 dobrushin不等式

4.2 dobrushin收敛定理

5 与常返态相系的延迟更新流，互通常返markov链的极限定理

5.1 与常返态相系的延迟更新流

5.2 互通常返链的极限定理

6 停时与强markov性

6.1 停时

6.2 强markov性

7 禁忌概率与首达分布

7.1 禁忌概率

7.2 首达时与首达分布

7.3 禁忌概率，首达分布与平均首达时间

8 可逆markov链与可逆分布

8.1 可逆markov链

8.2 例

8.3 可逆初分布存在性判别法

9 分支markov链（galton-watson简单分支过程）

习题5


第6章 连续时间的markov链

1 连续时间的markov链及其转移矩阵

1.1 连续时间的markov链的定义及等介性叙述

1.2 连续时间的markov链概率转移矩阵

1.3 连续时间的时齐的markov链

2 poisson过程与复合poisson过程再访

3 由转移速率矩阵确定连续时间的markov链

3.1 kolmogorov方程及master方程

3.2 转移速率矩阵的概率含义

4 连续时间的markov链的极限分布

4.1 连续时间的markov链的转移矩阵的平均极限

4.2 连续时间的markov链的极限分布

5 连续时间的markov链的转移矩阵p（t）的不变分布

5.1 连续时间的markov链的转移矩阵p(t)的不变分布与其嵌入链的不变分布

5.2 连续时间的markov链的遍历极限

5.3 对称的与可逆的连续时间的markov链

6 例

6.1 连续时间分支过程

6.2 有限格点上的ising醛民gauber动力学

6.3 生灭类过程

6.4 系统与有效度

7 连续时间的markov链的模拟与加速收敛

7.1 连续时间的markov链的模拟

7.2 加速收敛的均匀化方法

习题6


第7章 排队过程简介

1 排队过程的描述

1.1 排队系统

1.2 排队系统的一般框图，输入过程与输出过程

1.3 可逆性引理

2 最简单排队过程--markov排队过程

2.1 最简单蝗排队过程--m/m/1系统

2.2 n个服务员的简单排队过程--m/m/n系统

2.3 序贯排队与排队网络系统

2.4 m/m排队系统

3 排队系统的一般概念

3.1 关于排队论的一般注记

3.2 m/m/n消失制

3.3 m/g/1排队系统

3.4 g/m/1排队系统

3.5 关于m/g系统的注记

4 半markov过程

4.1 半markov过程的定义

4.2 半markov过程的渐近性质

5 有限位相型分布（ph-分布）

5.1 背景

5.2 有限位相型分布（ph-分布）

5.3 离散ph-分布

5.4 ph-分布类的封闭性

习题7


第8章 markov链monte carlo方法

1 计算积分的monte carlo方法与采样量估计

1.1 用频率估计概率来计算积分的monte carlo方法

1.2 用样本函数的平均值估计的期望来计算积分的monte carlo方法--期望法

1.3 减少方差的技术

2 markov链monte carlo

2.1 gibbs采样法

2.2 metropolis采样法

2.3 通过条件分布对分布作随机采样的gibbs方法

2.4 mcmc应用于bayes参数估计

3 模拟退火

3.1 模拟退火方法的基本想法

3.2 有关模拟退火算法的非时齐马氏链的理论背景

习题8


第9章 以图像信息为背景的随机场 迭代markov系统

1 有限格点上的markov随机场与图像

1.1 有限格点上的markov随机场

1.2 相邻系统的gibbs分布与gibbs随机场

1.3 图像处理的随机过程方法的思路原则概述

1.4 gibbs分布的样本的gibbs采样法

1.5 gibbs分布的模拟退火

2 时间离散状态连续的markov链

2.1 概率空间再访

2.2 时间离散状态连续的markov链

2.3 概率转移核

2.4 时齐的连续状态markov链

2.5 例

2.6 建筑上可微函数的最小值位置的模拟退火算法

2.7 dobrushin不等式、指数遍历性与收敛性

3 随机的迭代函数系统

3.1 局部相似性的基本想法

3.2 轮廓图全体组成的距离空间

3.3 灰度图与随机迭代函数系统

4 统计中的bayes方法与图像的处理、分割与重建

4.1 bayes统计要义

4.2bayes方法在图像中的应用与观测量不是状态变量时的参数估计

习题9


第10章 隐markov模型及其应用

1 熵与相对熵

1.1 离散分布的熵与相对熵

1.2 分布密度的熵与相对熵

2 隐markov模型

2.1 一个实例

2.2 隐markov模型的描述

2.3 隐markov模型的等价表述

2.4 非线性滤波作为隐markov模型的特例

2.5 在应用中研究隐markov模型的主要方面

3 解码问题--已知模型与观测时状态的估计

3.1 出现当前的观测的概率的计算

3.2 解码问题--已知模型与观测时状态的估计

4 学习问题--由观测估计模型参数

4.1 状态链样本已知时的参数频率估计

4.2 模型参数估计的em算法的思想

4.3 隐markov模型中m步骤的求解

5 关于隐markov模型的评注

5.1 隐markov模型包容度大有非常宽的应用面

5.2 隐markov模型的更为一般的形式

6 隐markov模型的应用例子梗概

6.1 语音的机器识别

6.2 脱机手写体汉字识别

6.3 dna序列片断装配及启动子识别

习题10


第11章 gauss系 二阶矩过程与时间序列

1 全体方差有限的随机变量构成的hilbert空间

1.1 实值情形

1.2 复值情形

2 随机变量族的均方信息空间与滤波

2.1 均方信息空间

2.2 滤波问题

3 gauss系与投影再访

3.1 过程的定义、等价条件及其性质

3.2 gauss过程的投影--线性滤波

3.3 复gauss过程

3.4 gauss过程的特征泛函

4 平稳性与宽平稳性

4.1 平稳序列与宽平稳序列

4.2 渐近平稳序列与渐近宽平稳序列

4.3 平稳增量序列

5 arma模型

5.1 arma

5.2 ar模型的定阶与偏相关系数以及模型参数的估计

5.3 ma模型的定阶与参数估计

5.4 arma模型的定阶与参数估计

5.5 arma模型的预报问题

6 arch模型

6.1 arch（q）

6.2 arch（q）的定阶与参数估计

6.3 arch（q）模型的方差预报

7 garch（p,q）模型与其他随机方差模型

7.1 garch模型

7.2 金融证券模型中的garch（1,1）

7.3 garch（p,q）的参数估计

7.4 sv模型（随机条件异方差模型）

8 二阶矩序列滤波的再访

8.1 线性滤波再访

8.2 kalman-bucy滤波

9 二阶自相似时间序列与长程相关性

9.1 统计自相似性

9.2 二阶自相似性

9.3 长程相关性

10 非线性ar模型与二重arma模型

10.1 非线性ar模型

10.2 非线性ar模型的常见例子

10.3 二重arma模型

习题11


第12章 连续时间连续状态的markov过程、鞅、ito积分与随机微分方程

1 连续时间连续状态的markov过程

1.1 平稳gauss过程

1.2 时间与状态都连续的时齐markov过程

2 鞅列与鞅

2.1 条件期望再访

2.2 鞅列

2.3 连续时间参数的鞅

3 ito积分--对brown运动的积分

3.1 对brown运动的积分与其特殊性

3.2 ito公式

4 随机微分方程与扩散过程简介

4.1 随机微分方程

4.2 扩散过程

4.3 girsanov定理与feyman-fac公式

5 随机微分方程的解的数值模拟算法

5.1 随机微分方程在固定时刻附近的随机taylor展开与解的差分近似

5.2 ito过程的一个光骨函数f复合在时刻t附近的随机taylor展开

5.3 差分近似模型的改进

习题12


第13章 金融证券未定权益的定价

1 black-scholes模型的欧式未定权益的定价

1.1 术语与基本假定

1.2 定价的套期方法

1.3 风险中性概率方法

1.4 币值单位与随机折现因子方法

1.5 倒向随机微分方程方法

1.6 时变的black-scholes模型

2 二叉模型与black-scholes模型的二叉近似

2.1 二叉模型

2.2 black-scholes模型的二叉近似

3 二叉模型的美式未定权益简述

3.1 美式未定权益

3.2 二叉模型美式未定权益的定价与定价函数组

4 随机利率与债券利率的期限结构

4.1 s-零息债券

4.2 零息债券导出的各种随机利率概念

4.3 资产定价基本定理与利率衍生证券

4.4 利率的风险中性模型

5 基于证券的随机利率的债券为币值单位折现的证券及其未定权益的定价

习题13


第14章 随机过程在精算与风险模型中的应用

1 基本概念

1.1 保险中的利率概念

1.2 生存模型的寿命分布与精算模型中的余寿

2 风险模型与破产理论介绍

2.1 盈余过程与永不破产的概率

2.2 时刻t前不破产的概率的公式与估计

2.3 有准备金时最终破产概率的上界与调节系数

2.4 破产概率的方程

2.5 保险费的效用函数与保险费策略的制定

2.6 最大损失的分布

3 考虑利率与投资的保险模型简述

习题14


第15章 与数据建模有关的几个算法

1 em算法--具有陷状态变量的分布中参数的最大似然估计

1.1 em算法的基本想法

1.2 rubin算法

1.3 em算法的变通--广义em算法

2 在数据不完全时，用增补潜在数据后对参数的bayes分布作估计--tanner-wong的潜变量法

2.1 基本想法--做法后验分布

2.2 未知参数的后验分布的迭代估计

3 几种智能算法

3.1 背景

3.2 决定性的人工神经网络

3.3 随机的人工神经风格

3.4 演化算法，遗传算法

4 聚类，kohonen自组织学习，自适应算法

4.1 k-平均聚类

4.2 自适应聚类的基本思路

4.3 固定规模的kohonen网络

4.4 网络的规模的竞争学习

5 适应最小二乘法--一种适应的变步长的随机逼近


第16章 离散状态的markov控制与决策过程简介

1 例

1.1 随机决策模型的简单例子

1.2 简单模型的启示

2 动作只依赖当前所处状态的简单决策模型

2.1 简单模型的一般描述

2.2 有限时段总报酬准则下的最佳markov策略的构造

2.3 无穷时段下的总报酬情形


第17章 poisson随机分析简介与典型的点过程

1 非时齐的poisson过程、非时齐的复合poisson过程及其特征泛函

1.1 数值函数对poisson过程的积分

1.2 poisson过程的特征泛函

1.3 非时齐poisson过程的统计性质

1.4 数值函数对非时齐poisson过程的积分及非时齐的poisson过程的特征泛函

1.5 非时齐的复合poisson过程及其特征泛函

2 与非时齐的复合poisson过程相系的poisson点过程

2.1 将非时齐复合poisson过程表示为非时齐poisson过程的积分（用时间积分表示）

2.2 将非时齐复合poisson过程表示为poisson点过程的积分（用空间积分表示）

2.3 将非时齐复合poisson过程表示为时空poisson过程的积分（用时空积分表示）

3 过滤的poisson过程

4 poisson随机微积分简介

4.1 关于时空poisson点过程的随机积分

4.2 以poisson过程或以时空poisson点过程驱动的随机微分方程与poisson随机微积分的复合函数的ito

4.3 由brown运动和时空poisson过程联合驱动的随机微分方程

5 自激点过程

5.1 自激点过程的强度过程与条件计数强度

5.2 自激点过程的绝对概率

5.3 自激点过程的事件到达时刻的联合分布

5.4 具有限记忆的自激点过程

5.5 对于自激点过程的随机积分

5.6 二重poisson过程

习题17


参考文献

索引