马尔科夫预测法
马尔科夫预测法
第一节基本原理 基本概念 1.随机变量、随机函数与随机过程 变量x,能随机地取数据(但不能准确地预言它 取何值),而对于每一个数值或某一个范围内的值有 定的概率,那么称ⅹ为随机变量 假定随机变量的可能值x发生概率为P 即P(x=x)=Pi 对于x的所有n个可能值,有离散型随机变量分布 ∑Pi=1 对于连续型随机变量,有∫P(x)dx=1
第一节 基本原理 一、基本概念 1.随机变量 、 随机函数与随机过程 一变量x，能随机地取数据（但不能准确地预言它 取何值），而对于每一个数值或某一个范围内的值有 一定的概率，那么称x为随机变量。 假定随机变量的可能值xi发生概率为Pi 即P(x = xi) = Pi 对于xi的所有n个可能值，有离散型随机变量分布 列： ∑Pi = 1 对于连续型随机变量，有 ∫P(x)dx = 1
在试验过程中,随机变量可能随某一参数(不一定 是时间)的变化而变化 如测量大气中空气温度变化x=x(h,随高度变化 这种随参变量而变化的随机变量称为随机函数。而以 时间t作参变量的随机函数称为随机过程。 也就是说:随机过程是这样一个函数,在每次试 验结果中,它以一定的概率取某一个确定的,但预先 未知的时间函数
在试验过程中，随机变量可能随某一参数（不一定 是时间）的变化而变化. 如测量大气中空气温度变化x = x(h),随高度变化。 这种随参变量而变化的随机变量称为随机函数。而以 时间t作参变量的随机函数称为随机过程。 也就是说：随机过程是这样一个函数，在每次试 验结果中，它以一定的概率取某一个确定的，但预先 未知的时间函数
2、马尔科夫过程 随机过程中,有一类具有“无后效 性性质”,即当随机过程在某一时刻to所 处的状态已知的条件下,过程在时刻忪to 时所处的状态只和to时刻有关,而与to以 前的状态无关,则这种随机过程称为马尔 科夫过程。 即是:i.确知,i(t>to)只与io有关 这种性质为无后效性,又叫马尔科夫假设
2、马尔科夫过程 随机过程中，有一类具有“无后效 性性质” ，即当随机过程在某一时刻to所 处的状态已知的条件下，过程在时刻t>to 时所处的状态只和to时刻有关，而与to以 前的状态无关，则这种随机过程称为马尔 科夫过程。 即是：ito为确知,it(t>to)只与ito有关， 这种性质为无后效性，又叫马尔科夫假设
简例:设x(t)为大米在粮仓中t月末的库存量 x(t)=x(t1y(t)+G(t) t月的转出量 第t-1月末库存量,G(t)为当月转入 x(t)可看作一个马尔科夫过程
简例：设x(t)为大米在粮仓中t月末的库存量， 则 x(t) = x(t―1)—y(t) +G(t) t月的转出量 第t―1月末库存量 ,G(t)为当月转入 量 x(t)可看作一个马尔科夫过程