课程编号: 092M5026H |
课时: 40 |
学分: 2.0 |
课程属性: 专业普及课 |
主讲教师:张颢 |
英文名称: Stochastic Process |
教学目的、要求
本课程为计算机与控制学科研究生的专业普及课。本课程讲授和讨论随机模型与随机过程领域的研究思想和处理方法。主要内容有Gaussian过程、Poisson过程、离散时间Markov链、连续时间Markov链等。
通过本课程的学习,希望学生能了解随机模型与随机过程领域的基本问题,了解随机过程与计算机学科间的相互联系,掌握基本思想和重要方法,培养学生使用随机方法分析和解决问题的能力。
预修课程
微积分,线性代数,概率论
教 材
陆大金,张颢,随机过程及其应用,清华大学出版社,2013
S.M.Ross, Stochastic Processes, Second Edition, John Wiley & Sons, 1995
主要内容
第一章 概率论基本知识回顾
1.1 概率公理,概率三元组;
1.2 随机变量,分布,密度;
1.3 随机变量的数字特征:期望、方差、熵;
1.4 常见的离散随机变量:Bernoulli, Binomial, Geometric, Poisson;
1.5 常用的连续随机变量:Uniform, Exponential, Gaussian, Rayleigh;
1.6 条件概率和条件期望;
1.7 概率计算的重要工具:特征函数、概率不等式;
1.8 大数定律和中心极限定理
第二章 Gaussian过程(I)
2.1 高斯过程的基本概念;
2.2 多元高斯分布
2.3 多元高斯的特征函数;
2.4 多元高斯分布的性质:线性变换;
2.5 多元高斯分布的性质:联合分布与边缘分布;
2.6 多元高斯分布的性质:独立与不相关;
2.7 多元高斯分布的性质:条件分布;
2.8 多元高斯分布的性质:非线性变换;
2.9 Price定理和Bussgang 性质;
第三章 Gaussian过程(II)
3.1 Gaussian过程与机器学习;
3.2 非线性回归;
3.3 从参数模型到Gaussian过程;
3.4 Gaussian过程回归;
3.5 相关函数(核函数)举例;
3.6 Gaussian过程模型的学习;
3.7 Gaussian回归举例;
第四章 Gaussian过程(III)
4.1 Brown运动的基本概念;
4.2 Brown运动的基本性质:反射;
4.3 Brown运动的基本性质:二次变差;
4.4 基于Brown运动的随机积分;
4.5 Ito积分与Stratonovich积分;
4.6 Ito公式;
4.7 Ito公式与期权定价;
4.8 Black-Scholes公式;
第五章 Poisson过程(I)
5.1 点过程的基本概念;
5.2 Poisson过程的三条基本假设;
5.3 Poisson过程的导出;
5.4 Poisson过程的基本性质:平稳性、事件间隔分布、事件时刻分布,
5.5 Poisson过程的基本性质:事件时刻的条件分布;
5.6 顺序统计量(Order Statistics)简介;
第六章 Poisson过程(II)
6.1 Poisson过程的拓展:非齐次Poisson过程;
6.2 Poisson过程的拓展:复合Poisson过程;
6.3 Poisson过程的拓展:过滤Poisson过程;
6.4 Inspection Paradox;
6.5 Poisson过程在排队论中的应用:M/G/∞
第七章 离散时间Markov链(I)
7.1 Markov性质的含义;
7.2 Markov链的基本定义;
7.3 Markov链的平稳性;
7.4 Markov链举例;
7.5 Chapman-Kolmogorov方程;
7.6 Markov链的转移概率计算;
7.7 Markov链的基本性质:可达、相通、不可约;
第八章 离散时间Markov链(II)
8.1 Markov链状态分类;
8.2 Markov链的常返性;
8.3 Markov链常返性的判定方法:转移概率;
8.4 Markov链常返性的判定方法:本质态;
8.5 Markov链常返态举例:随机游动;
第九章 离散时间Markov链(III)
9.1 Markov链的进一步分类:正常返,零常返;
9.2 Markov链的周期性;
9.3 Markov链的不变分布;
9.4 Markov链的极限分布;
9.5 Markov链极限分布的应用:Markov Chain Monte Carlo;
9.6 Markov链极限分布的应用:PageRank;
第十章 离散时间Markov链(IV)
10.1 隐Markov链(HMM0的基本概念;
10.2 HMM的三个基本问题;
10.3 HMM的前向计算:递推;
10.4 HMM的后向计算:动态规划;
10.5 HMM的训练:EM算法;
10.6 HMM的应用举例:语音识别。
第十一章 连续时间Markov链(I)
11.1 连续时间Markov链的基本概念;
11.2 Markov链的无穷小生成元;
11.3 Kolmogorov-Feller方程;
11.4 两状态连续时间Markov链;
11.4 极限分布与连续分布;
11.5 生灭过程;
第十二章 连续时间Markov链(II)
11.1 生灭过程与排队论;
11.2 排队论的基本问题;
11.3 M/M/1;
11.4 M/M/k;
11.5 Little 公式与 Erlang公式;
11.6 嵌入链;
11.7 M/G/1
第十三章 总复习与习题示例
参考文献
G.R.Grimmet, D.R.Stirzaker, Probability and Random Processes, Third Edition, Oxford University Press, 2001