应用统计与随机过程实验报告 五篇范文

第一篇：应用统计与随机过程实验报告

实验三 线性系统对随机过程的响应

一、实验目的

通过本仿真实验了解正态白色噪声随机过程通过线性系统后相关函数以及功率谱的变化；培养计算机编程能力。

二、实验要求

采用MATLAB或VB语言进行编程

1)运用正态分布随机数产生函数产生均值为零、根方差=1的白色噪声样本序列[或可参考实验1的正态分布产生方法]{u(n)|n=1, 2,…,2000}；画出噪声u(n)的波形图。2)设离散时间线性系统的差分方程为

x(n)u(n)-0.36u(n-1)0.85u(n-2)(n3,4,...,2000)画出x(n)的波形图。

3)随机过程x(n)的理论上的功率谱密度函数为 S()|10.36ej0.85ej2|2 在[0,π]范围内对w进行采样，采样间隔0.001π，计算S(i×

0.001π)(i=1,2,…,1000);画出波形图。

4)根据步骤(2)产生的数据序列x(n)计算相关函数的估计值 ˆ(m)RX20001x(n)x(nm)(m0,1,2,3,4,5)1998mn3m 与理论值1.1296、-0.666、0.85、0、0、0的差异。

5)根据相关函数的估计值对随机过程的功率谱密度函数进行估计

ˆ(0)2Rˆ(1)cos()2Rˆ(2)cos(2)S1()RXXX 在[0,π]范围内对w进行采样，采样间隔0.001π，计算S1(i× 0.001π)(i=1,2,…,1000);画出波形图；比较其与理论上的功率 谱密度函数S(w)的差异。

6)仿照实验1的方法统计数据x(n)在不同区间出现的概率,计算其理论概率，观察二者是否基本一致。

三、实验代码及结果

1.运用正态分布随机数产生函数产生均值为零、根方差=1的白色噪声样本序列[或可参考实验1的正态分布产生方法]{u(n)|n=1, 2,…,2000}；画出噪声u(n)的波形图。代码：

n=1:2000;u1(n)=rand(1,2000);u2(n)=rand(1,2000);u(n)=sqrt(-2*log(u1(n))).*cos(2*pi*u2(n));stem(u,'.');title('u(n)');波形图：

分析：运用正态分布随机数产生函数产生均值为零、根方差=1的白色噪声样本序列。

2.设离散时间线性系统的差分方程为 x(n)u(n)-0.36u(n-1)0.85u(n-2)(n3,4,...,2000)画出x(n)的波形图。代码：

n=3:2000;x(n)=u(n)-0.36*u(n-1)+0.85*u(n-2);stem(x,'.');title('x(n)');波形图：

分析：正态随机序列通过线性离散系统生成的还是正态随机序列。3.随机过程x(n)的理论上的功率谱密度函数为 S()|10.36ej0.85ej2|在[0,π]范围内对w进行采样，采样间隔0.001π，计算S(i×

0.001π)(i=1,2,…,1000);画出波形图。代码：

i=1:1000;w=0.001*pi.*i;s=(abs(1-0.36.*exp((-1j).*w)+0.85.*exp((-2j).*w))).*(abs(1-0.36.*exp((-1j).*w)+0.85.*exp((-2j).*w)));stem(s,'.');title('s(i*0.001*pi)');波形图：

4.根据步骤(2)产生的数据序列x(n)计算相关函数的估计值 ˆ(m)RX20001x(n)x(nm)(m0,1,2,3,4,5)1998mn3m 与理论值1.1296、-0.666、0.85、0、0、0的差异。代码：

Rx=rand(1,6);for m=1:1:6 sum=0;for n=(3+m):1:2000 sum=sum+x(n)*x(n-m+1);end Rx(m)=sum/(1999-m);end S1=rand(1,1000);for i=1:1:1000 S1(i)=Rx(1)+2*Rx(2)*cos(i*0.001*pi)+2*Rx(3)*cos(2*i*0.001*pi);end figure stem(S1)运行结果：

分析：所得的数据与理论值1.1296、-0.666、0.85、0、0、0存在一定的差异。5.根据相关函数的估计值对随机过程的功率谱密度函数进行估计

ˆ(0)2Rˆ(1)cos()2Rˆ(2)cos(2)S1()RXXX 在[0,π]范围内对w进行采样，采样间隔0.001π，计算S1(i× 0.001π)(i=1,2,…,1000);画出波形图；比较其与理论上的功率 谱密度函数S(w)的差异。代码：

N=1000;P1=0;P2=0;P3=0;P4=0;for n=3:1:N If(x(n)<-1)P1=P1+1;else if(x(n)>=-1&x(n)<=0)P2=P2+1;else if(x(n)>0&x(n)<=1)P3=P3+1;else P4=P4+1;end end end end p1=P1/N p2=P2/N p3=P3/N p4=P4/N p=p1+p2+p3+p4 figure hist(x,1000)return 运行结果：

分析：采样计算得到的功率谱密度函数比较其与理论上的功率谱密度函数相比，没有完全成偶对称。数据的概率分布没有理论那样均匀。6.分析：

理论概率Rx = 1.8315-0.6430 0.8528-0.0473-0.0096-0.0102。所以二者基本一致。

第二篇：《应用统计与随机过程》第1次小班讨论课(讲解)

《 应用统计与随机过程》第1次小班讨论课

随机过程的预测与相关性之间的关系

设随机过程X(t)的相关函数为RX()E[X(t)X(t)]0.8||/T，若已知X(t)某一样本函数在tT、t2T的值x(T)、x(2T)，预测x(3T)的值，采用最优线性预测，即：

ˆ(3T)ax(T)bx(2T)x最优准则为：minE{[X(3T)aX(T)bX(2T)]2}

a,bˆ(3T)。假设x(T)0.8、x(2T)0.5，求x讨论：若X(t)为正态随机过程，X1X(T)、X2X(2T)、X3X(3T)ˆ(3T)、minE{[X(3T)aX(T)bX(2T)]2}与条服从3维联合正态分布，则xa,b件概率密度分布函数fX3|X2X1(x3|x2,x1)的均值参数及方差参数的关系。

解：

g(a,b)minE{[X(3T)aX(T)bX(2T)]2}a,bminE{X2(3T)a2X2(T)b2X2(2T)a,b 2aX(3T)X(T)2bX(3T)X(2T)2abX(T)X(2T)}min{E[X2(3T)]a2E[X2(T)]b2E[X2(2T)]a,b

2aE[X(3T)X(T)]2bE[X(3T)X(2T)]2abE[X(T)X(2T)]}min{RX(0)a2RX(0)b2RX(0)2aRX(2T)2bRX(T)2abRX(T)}a,ba,bmin{1a2b21.28a1.6b1.6ab}联立方程g(a,b)g(a,b)0、0，求得：a0、b0.8。abˆ(3T)bx(2T)0.80.50.4 xminE{[X(3T)aX(T)bX(2T)]2}a,b

1020.821.2801.60.81.600.80.36RX()0，说明X(t)是零均值的。随机矢量[X1 X2 X3]T的协方差矩阵为 K3E{[X1 X2 X3]T[X1 X2 X3]}E[X1X1]E[X2X1]E[X3X1]0.8110.80.640.8E[X1X3]RX(0)RX(T)RX(2T)R(T) E[X2X2]E[X2X3]R(0)R(T)XXXE[X3X2]E[X3X3]RX(0)RX(2T)RX(T)0.640.81E[X1X2]X1、X2、X3的联合概率密度分布函数为

x111exp[x x x]Kx1233212322|K3|x31fX3X2X1(x3,x2,x1)

1222[0.36x0.5904x0.36x1123exp20.1296320.36 0.576xx0.576xx]1223K2E{[X1 X2]T[X1 X2]}E[X1X1]E[X1X2]RX(0)RX(T)10.8

R(T)R(0)0.81E[XX]E[XX]2122XXX1、X2的联合概率密度分布函数为 fX2X1(x2,x1)11x11exp[x x]K12212x222|K2|21

122exp[xx1.6xx1212220.3620.6条件概率密度函数

fX3|X2X1(x3|x2,x1)fX3X2X1(x3,x2,x1)fX2X1(x3,x2,x1)11exp(x30.8x2)2

20.620.36X1x1、X2x2已知情况下，X3的条件均值为0.8x2，概率密度函数在条ˆ30.8x2为最大似然估计，正态分布情况下，线件均值处取得最大值，因此，xˆ3的变化方差为0.36,即为最优线性性最优估计与最大似然估计等价，X3围绕x估计的精度minE{[X(3T)aX(T)bX(2T)]2}。

a,b

第三篇：随机过程考试题

一．详述严平稳过程与宽平稳过程的区别与联系。

二．证明独立增量过程是马尔科夫过程。

三．某服务台从上午8时开始有无穷多人排队等候服务，设只有一名工作人员，每人接受服务的时间是独立的且服从均值为20min的指数分布。计算：

(1)到中午12时，有多少人离去？

(2)有9人接受服务的概率是多少？

四．设N(t)为泊松过程，构造随机过程如下：

Z(0)0，Z(t)=Yi

i1N(t)

其中｛Yi｝为独立同分布的随即变量序列，且与N(t)独立。已知Yi的特征函数为Y(u)，求：

(1)Z(t)的一阶特征函数

(2)求E[Z(t)], E[Z2(t)]和var[Z(t)]

五．设马尔科夫链的状态空间I=｛0,1,…｝中转移概率为pi,i11/2，pi01/2，i=0,1,2…，画出状态转移图并对状态分类。

六．设随机过程Z(t)Asin(21t2)，其中A是常数，1与2是相互独立的随机变量，1服从标准正态分布，2在[,]上均匀分布，证明：

(1)Z(t)是宽平稳过程

(2)Z(t)的均值是各态历经的

第四篇：应用随机过程学习总结

应用随机过程学习总结

一、预备知识：概率论

随机过程属于概率论的动态部分，即随机变量随时间不断发展变化的过程，它以概率论作为主要的基础知识。

1、概率空间方面，主要掌握sigma代数和可测空间，在随机过程中由总体样本空间所构成的集合族。符号解释： sup表示上确界，inf表示下确界。本帖隐藏的内容

2、数字特征、矩母函数与特征函数：随机变量完全由其概率分布来描述。其中由于概率分布较难确定，因此通常计算随机变量的数字特征来估算分布总体，而矩母函数和特征函数便用于随机变量的N阶矩计算，同时唯一的决定概率分布。

3、独立性和条件期望：独立随机变量和的分布通常由卷积来表示，对于同为分布函数的两个函数，卷积可以交换顺序，同时满足结合律和分配率。条件期望中，最重要的是理解并记忆E(X)= E[E(X|Y)] = intergral(E(X|Y=y))dFY(y)。

二、随机过程基本概念和类型

随机过程是概率空间上的一族随机变量。因为研究随机过程主要是研究其统计规律性，由Kolmogorov定理可知，随机过程的有限维分布族是随机过程概率特征的完整描述。同样，随机过程的有限维分布也通过某些数值特征来描述。

1、平稳过程，通常研究宽平稳过程：如果X(t1)和X(t2)的自协方差函数r(t1,t2)=r(0,t-s)均成立，即随机过程X(t)的协方差函数r(t,s)只与时间差t-s有关，r(t)= r(-t)记为宽平稳随机过程。

因为一条随机序列仅仅是随机过程的一次观察，那么遍历性问题便是希望将随即过程的均值和自协方差从这一条样本路径中估计出来，因此宽平稳序列只需满足其均值遍历性原理和协方差遍历性原理即可。

2、独立增量过程：若X[Tn]– X[T(n-1)]对任意n均相互独立，则称X(t)是独立增量过程。若独立增量过程的特征函数具有可乘性，则其必为平稳增量过程。

兼有独立增量和平稳增量的过程称为平稳独立增量过程，其均值函数一定是时间t的线性函数。

3、随机过程的分类不是绝对的。例如，泊松过程既具有独立增量又有平稳增量，既是连续时间的马尔科夫链，又是一类特殊的更新过程。参数为lambda的泊松过程减去其均值函数同时还是一个鞅。

三、泊松过程

计数过程｛N(t), t>=0｝是参数为λ的泊松过程（λ> 0），具有平稳独立增量性。而其任意时间长度t发生的次数服从均值为λ* t的泊松分布，即E[N(t)]= λ* t。

1、与泊松过程有关的若干分布：Xn表示第n次与第n-1次事件发生的时间间隔，定义Tn表示第n次事件发生的时刻，规定T0= 0。其中，Xn服从参数为λ的指数分布，且相互独立。泊松过程在任何时候都是重新开始。Tn服从参数为n和λ的Γ分布

四、更新过程

更新过程{N(t),t>=0}中Xn仍保持独立同分布性，但分布任意，不再局限于指数分布。更新过程中事件发生一次叫做一次更新，此时Xn就是第n-1次和第n次更新相距的时间，Tn是第n次更新发生的时刻，而N(t)就是t时刻之前发生的总的更新次数。

由强大数定理可知，无穷多次更新只可能在无限长的时间内发生。因此，有限长时间内最多只能发生有限次更新。

1、更新函数：更新理论中大部分内容都是有关E[N(t)]的性质。以M(t)记为E[N(t)]，称为更新函数。此时，M(t)是关于t的函数而不是随机变量。

2、更 新方程：若H(t)，F(t)为已知，且当t<0时，H(t)与F(t)均为0，同时当H(t)在任何区间上有界时，称具有如下形式的方程K(t)= H(t)+ intergral(K(t-s)*dF(s))的方程称为更新方程。当H(t)为有界函数时，更新方程存在唯一的有限区间内的有界的解K(t)= H(t)+ intergral(H(t-s)*dM(s))。

3、更新定理：Feller初等定理、Blackwell更新定理、关键更新定理。其中Blackwell定理指出，在远离原点的某长度为a的区间内，更新次数的期望是a/u，u = E(Xn)。同时，Smith关键更新定理与Blackwell定理等价。

五、马尔科夫链 马 尔科夫链中的转移概率为条件概率，同时给定过去的状态X0，„，Xn-1和现在的状态Xn，将来的状态Xn+1的条件分布与过去的状态独立，只依赖于现在 的状态。其中，Pij = P{Xn+1=j | Xn=i}为马尔科夫链的一步转移概率，它代表处于状态i的过程下一步转移到状态j的概率。

当转移概率Pij只与状态i，j有关而与n无关时，称为时齐马尔科夫链，同时当状态有限时，称为有限链。转移概率矩阵中概率非负，同时随机矩阵中每一行的元素和为1。

记Pij(n)为n步转移概率，它指系统从状态i经过n步后转移到状态j的概率，而对中间n-1步转移经过的状态无要求。对n步转移概率和转移矩阵，有C-K方程公式。

1.状态的分类和性质：如果状态i经过n步转移后到达j的概率大于0，称状态i可达状态j。若同时状态j可达状态i，则称i与j互通，两两互通的状态有传递 性。我们将互通的各个状态归为一类，自己和自己互通，当一个马尔科夫链中只有一类时称为不可约类，否则则是可约类。

如果状态i可以经过n步回到i状态，则将所有n的最大公约数记为状态i的周期，即d(i)，如果d>1，则称i是周期的，如果d=1则为非周期，空集时为无穷大。同属于一类的两状态周期相同。

记 状态i出发经n步后首次到达j的概率为Fij(n)，则所有可能n的概率Fij(n)加起来的和记为Fij。若Fij=1，i为常返状态，Fij< 1，i为非常返状态或瞬时状态。对于常返状态i，记Ui为从i第一次回到i的期望步长，若Ui有限，称i为正常返状态，若趋于无穷大，则为零常返状态。若 正常返状态i同时还是非周期的，则称之为遍历状态。若遍历状态且Fii(1)=1，则称为吸收状态，此时Ui=1。

对于同属于一类的状态i，j，他们同为常返状态或非常返状态，并且当他们是常返状态时，又同为正常返状态或零常返状态。状态i至j的n步转移概率与首达概率间存在一定关系。同时若i与j互通且i为常返状态，则Fji = 1。2.极限定理及平稳分布：马尔科夫链的极限情况即状态i经过无穷多步转移后到达i的概率是多少。有结论，若状态i是周期为d的常返状态，则Pii(nd)= d/Ui，即经过无穷多步后回到i的概率为常数，上述定理对Pij也有效。同时，不可约的有限马尔科夫链是正常返的。

若 对于马尔科夫链Pj = P(Xn = j)= sum(Pi*Pij)，则概率分布Pj为平稳分布。因为此时，对于任意Xn均有相同的分布。同时，对于遍历的马尔科夫链，极限分布就是平稳分布并且还是 唯一的平稳分布。极限分布即为很长时间后，无论最开始状态如何，最终达到某一状态的概率。若对于遍历的马尔科夫链，该概率是稳定的趋于常数。

3.连续时间马尔科夫链、Kolmogorov微分方程

六、鞅

鞅 的定义是从条件期望出发，如果每次赌博的输赢机会是均等的，并且赌博策略依赖于前面的赌博结果，赌博是“公平的”。因此，任何赌博者都不可能通过改变赌博 策略将公平的赌博变成有利于的赌博。如果将“鞅”描述的是“公平”的赌博，下鞅和上鞅分别描述了“有利”赌博与“不利”赌博。

随机过程｛Sn, n>=0｝称为Fn=sigma{X0,X1,„,Xn}适应的，如果对任意n>=0，Sn是Fn可测的，即Sn可以表示为X0,X1,X2,„,Xn的函数

1.鞅的停时定理：任意随机函数T是关于{Xn，n>=0}的停时，即{T=n}应由n时刻及其之前的信息完全确定，而不需要也无法借助将来的情况，同时T必须是一个停时。同时，{T<=n}和{T>=n}也由n时刻及其之前的信息完全确定。若T和S是两个停时，则 T+S，min{T,S}和max{T,S}也是停时。

则在一直Fn完全信息的前提下，有界停时的期望赌本与初始赌本相同。特别的，当完全信息未知时，有界停时的期望赌本与初始赌本的期望相同。

2.鞅的一致可积性：如果对任意ε>0，存在δ>0，使得对任意A，当P(A)<δ时，有E(|Xn|Ia)<ε对任意n成立。一致可积条件一般较难验证，因此存在两个一致可积的充分条件。

3.鞅的收敛定理：在很一般的情况下，鞅｛Mn｝会收敛到一个随机变量。即对于｛Mn, n>=0｝是关于｛Xn, n>=0｝的鞅，并且存在常数C有限，使得E(|Mn|)

七、布朗运动

若B(0)=0，{B(t),t>=0}有平稳独立增量，对每个t>0，B(t)服从正态分布N(0, t)称之为标准布朗运动。布朗运动的二次变差[B,B](t)= t。

布 朗运动是满足以下三点性质的随即过程，即对于B(t)-B(s)~ N(0,t-s)，B(t)-B(s)服从均值为0，方差为t-s的正态分布。当s=0时，B(t)-B(0)~N(0,t)。并且，对任意0& lt;=s=0)是t的连续函 数。由于布朗运动在有限维分布是空间平移不变的空间齐次性，只需研究始于0的布朗运动即可。

1.高斯过程：有限维分布是多元正态分布的随机过程。布朗运动是一种特殊的高斯过程，即B(t)的任何有限维分布都是正态的。2.｛B(t)｝是鞅，｛B(t)^2t｝也是鞅，则｛X(t)｝是布朗运动。

3.布朗运动｛B(t)｝具有马尔科夫性，容易得到B(t+s)在给定条件Ft=sigma(B(0),B(1),„,B(t))下的分布与在给定条件 B(t)下的分布是一致的。同时由布朗运动具有时齐性，即分布不随时间的平移而变化可知，布朗运动的所有有限维分布都是时齐的。

4.布朗运动的最大值变量及反正弦率：即求始于y点的布朗运动在区间(a,b)中至少有一个零点的概率为布朗运动的反正弦率。

5.几何布朗运动X(t)= exp｛B(t)｝为几何布朗运动。在金融市场中，人们经常假定股票价格是按照几何布朗运动而发生变化。

八、随机积分

1.布朗运动的积分，Ito积分过程，Ito公式，随机微分方程 2.Black-Scholes模型

第五篇：广东工业大学应用数学学院《随机过程》教学大纲

《 随机过程 》课程教学大纲

Stochastic Process 课程代码： 课程性质：专业基础理论课/必修 适用专业：信息计算、统计 开课学期：5 总学时数：56

总学分数：3.5 编写年月： 2007.5 修订年月：2007.7 执 笔：涂钰青

一、课程的性质和目的

本课程属于随机数学系列课程的组成部分。随机数学系列课程是非数学类研究生数学公共基础课程之一。随机过程是随机数学的一个高级组成部分，也是应用数学的基本研究对象之一，它研究随机现象的数学理论和方法。在自然科学、工程技术和经济金融领域有广泛应用，学会求解随机数学问题，是众多领域的研究生的最基本的数学素养之一。通过该门课程的学习，要求学生能较深刻地理解随机过程的基本理论、思想和方法，并能应用于解决实践中遇到的随机问题，从而提高学生的数学素质，加强学生开展科研工作和解决实际问题的能力。提高自己在建立随机数学模型、分析和解决问题方面的水平和能力。

二、课程教学内容及学时分配

本课程作为随机数学系列课程的组成部分，其主干内容包括随机过程的基本理论、思想和方法，教学内容分为五部分：随机过程引论、Poisson过程、Markov过程、平稳过程和Brown运动，以下对这五部分教学内容做出详细介绍。

第一章 随机过程引论(6学时)

本章内容：随机过程基本概念和例子

有限维分布和数字特征

平稳过程和独立增量过程

条件期望

矩母函数及生成函数

随机变量序列的收敛性

本章要求

1．了解参数集的定义, 理解随机过程的基本概念和例子；

2．了解有限维分布的概念，掌握有限维分布的计算及其数字特征； 3．理解严平稳和宽平稳的基本定义，掌握平稳独立增量过程的基本定义； 4．理解条件期望的概念, 熟练掌握条件期望的性质和计算；

5．理解矩母函数和生成函数的定义, 掌握用矩母函数来计算随机变量的某些数字特征； 6．了解随机变量序列的收敛性定义，理解均方收敛的定义。第二章 Poisson过程(10学时)本章内容：Poisson过程

与Poisson过程相联系的若干分布

非齐次Poisson过程

复合Poisson过程

标值Poisson

过程

空间Poisson过程

更新过程

本章要求

1．理解Poisson过程的基本定义，掌握满足Poisson过程的4个条件；

2．了解Poisson过程样本路径的阶梯函数服从指数分布，事件到达时间服从分布，理解等待时间的联合密度的计算公式；

3．理解非齐次Poisson过程的基本定义，掌握非齐次Poisson过程满足的条件； 4．了解复合Poisson过程的基本概念； 5．了解标值Poisson过程的基本概念； 6．了解空间Poisson过程的基本定义；

7．理解更新过程的基本定义，掌握更新过程的分布。第三章 Markov过程(14学时)本章内容：Markov链的定义和例子

互达性和周期性

常返与瞬过

Markov链的极限定理与平稳分布

分支过程

连续时间Markov链

纯生过程

生灭过程

Kolmogorov向后向前微分方程

本章要求

1．了解Markov链的基本定义和一步转移概率的定义，熟练掌握转移概率满足条件和计算； 2．理解可达、互达与周期的定义，理解非周期不可约的Markov链性质，掌握互达性的等 价关系、互达的周期和周期的基本性质；

3．理解常返和顺过的基本定义，理解零常返的概念，掌握常返的充要条件；

4．理解Markov链的基本极限定理，理解Markov链的平稳分布，掌握遍历的不可约Markov链及其极限分布之间关系的重要定理；

5．了解分支过程的基本概念，理解分支过程中群体消亡与生长到无穷的重要定理；

6．理解连续时间Markov链的基本定义及其转移概率，掌握Markov过程转移概率满足的条件； 7．了解纯生过程的基本概念，了解Yule过程； 8．了解生灭过程的基本概念和满足条件；

9．理解Kolmogorov向后微分方程和向前微分方程的表达式，理解Markov过程的性质。第四章平稳过程(10学时)

本章内容：平稳过程的定义和例子

遍历性定理

平稳过程的协方差函数

几个常见随机信号的协方差函数

功率谱密度

一般预报理论

平稳序列的预报

本章要求

1．了解周期平稳过程的含义，理解平稳过程的基本定义、严平稳和宽平稳随机过程、高斯过程和滑动平均序列；

2．了解遍历性的基本概念，理解均值遍历和协方差函数遍历，掌握均值遍历性定理和协方程函数遍历性定理；

3．理解协方差函数的基本性质；

4．了解振幅调制波、频率调制波和平方检波；

5．了解确定性时间函数的能量、能谱密度、功率谱的基本概念，理解平稳过程功率谱的概念，理解Wiener-Khintchine公式；

6．了解最小均方误差预报，理解最佳预报的基本含义；

7．了解平稳序列的预报的基本概念，理解自回归模型的线性最佳预报和滑动平均模型的预报。第五章 Brown运动(14学时)本章内容：Brown运动的定义

Brown运动的性质

随机积分

随机微分

关于Brown运动的积分

常系数线性随机微分方程

n阶常系数线性随机微分方程

Ito微分公式

一般随机微分方程简介

Brown运动的其他一些应用

本章要求

1．了解Brown运动的物理含义，理解Brown运动的基本定义； 2．了解Brown桥过程的含义，理解Brown运动的基本性质；

3．了解随机积分、随机微分的基本定义，理解Brown运动的积分及其计算；

4．了解随机微分方程引入的物理背景，理解一般常系数线性随机微分方程和n阶常系数线性随机微分方程； 5．了解Ito微分公式的金融背景，理解Ito微分公式；

6．了解扩散方程，理解Black-Scholes公式及其在金融中的应用； 7．了解Donsker定理、反正弦律和Brown桥在经验分布函数中的应用。

三、课程教学的基本要求

随机过程是一个有特色的数学分支，有自己独特的概念和方法，内容丰富，结果深刻。是一门应用性很强的学科，教学上注意引导学生从传统的确定性思维模式进入随机性思维模式，使学生掌握处理在工程、经济管理、生命科学、人文社科以及科学研究中出现的随机问题的数学方法，强调注重理论联系实际的教学思想，提高学生分析问题和解决问题的能力，通过对本课程的学习，学生应熟练掌握概率论与数理统计中的基本理论和分析方法，能熟练运用基本原理解决某些实际问题。

课堂教学采用和现代化的教学手段结合的形式，利用多媒体教学手段效率高的特点，结合传统板书的讲授形式。

（一）课堂讲授

由于本课程有其独特的数学概念和方法，并大量向各学科渗透并与之结合成不少边缘学科，其教学方式应注重启发式、引导式，课堂上应注意经常列举概率在各领域成功应用的实例，来联系已学过课程的有关概念、理论和方法，使同学加深对本课程的基本概念、基本理论和基本方法的理解。

（二）习题课

同时配合理论教学需要，习题课以典型例题分析为主，并适当安排开阔思路及综合性的练习及讨论，使同学通

过做题既加深对课堂讲授的内容的理解，又增强运用理论知识建立数学模型、解决实际问题的能力。

（三）课外作业

课外作业的内容选择基于对基本理论的理解和巩固，培养综合计算和分析、判断能力以及计算能力。习题以计算性小题为主，平均每学时3~6道题。

（四）考试

考试采用闭卷的形式，题型包括基本概念，基本理论的选择题，真空题题型和分析计算题。总评成绩：课外作业，平时测验，实验占30%；期末闭卷考试占70%

四、本课程与其它课程的联系与分工

先修课程：数学分析

高等代数

概率论、数理统计等 后续课程：时间序列

统计的预测与决策等

五、建议教材及教学参考书

[1] 方兆本、缪柏其编著，《随机过程》（第二版），科学出版社，2004 [2] 盛骤等编，《概率论与数理统计》，浙江大学编，高等教育出版社 [3] 《概率论》第三册——随机过程，复旦大学，人民教育出版社，1981 [4] 钱敏平，龚光鲁，《应用随机过程》，北京大学出版社，1998 [5] S.M.Ross,《Stochastic Processes》, John Wiley & Sons