回覆列表
-
1 # 小鄧哥3o1w
-
2 # 使用者2972117782223
以1/θ為引數的指數分佈,期望是θ,方差是θ的平方這是同濟大學4版機率論的說法.當然,一般參考書說成：以λ為引數的指數分佈,期望是1/λ,方差是（1/λ）的平方
-
3 # 比目魚025
指數分佈的無記憶性是馬爾科夫鏈無後效性，也就是取決於你當前的狀態。所以在分佈中，只有指數分佈能滿足這一點，因為指數分佈的無記憶性，不管你之前在某個狀態停留了多少時間，並不影響你是否繼續停留或者轉移。可以透過積分證明的。
如果是非連續性時間，那麼馬爾科夫的機率分佈矩陣是很容易求解的，用 pi1 pi2 。。。pin，乘以矩陣，然後等於 pi1 pi2 。。。pin，就可求出穩定的機率分佈矩陣
如果是連續性的，那麼泊松過程就是一種簡單的馬爾科夫過程，計算方法基本如上，但是矩陣的意義和性質稍有不同。
指數分佈的無記憶性是馬爾科夫鏈無後效性，也就是取決於你當前的狀態。所以在分佈中，只有指數分佈能滿足這一點，因為指數分佈的無記憶性，不管你之前在某個狀態停留了多少時間，並不影響你是否繼續停留或者轉移。可以透過積分證明的。
如果是非連續性時間，那麼馬爾科夫的機率分佈矩陣是很容易求解的，用 pi1 pi2 。。。pin，乘以矩陣，然後等於 pi1 pi2 。。。pin，就可求出穩定的機率分佈矩陣
如果是連續性的，那麼泊松過程就是一種簡單的馬爾科夫過程，計算方法基本如上，但是矩陣的意義和性質稍有不同。