5.1 基本概念 5.2 状态的分类及性质 5.3 极限定理及平稳分布 5.4 Markov链的应用 5.5 连续时间Markov链

《应用随机过程教程》教学资源（参考资料）与在算法和智能计算中的应用——第5章 时间离散的Markov链

《应用随机过程教程》教学资源（参考资料）与在算法和智能计算中的应用——符号说明

《应用随机过程教程》教学资源（参考资料）与在算法和智能计算中的应用——第8章 Monte Carlo与Markov Chain Monte Carlo（MCMC）方法

《应用随机过程教程》教学资源（参考资料）与在算法和智能计算中的应用——前言

·基本概念 ·状态的分类及性质 ·极限定理及平稳分布 ·Markov链的应用 ·连续时间Markov链

连续时间马氏链 仍记状态空间为S={0,1,2,…} 定义设随机过程X={X(t),t≥0}对于任意0≤to0就有 P{(tn+1)=in+1(to) io, X (t1) =i1,.,()= in} =P{X(tn+) in+()= in} 则称{X(t),t≥0}为连续参数马尔可夫链(简称连续参数马氏链)

黎曼斯蒂尔吉斯积分 Riemann-Stieltjes积分

第一节 二阶矩过程 第二节 均方极限 第三节 均方连续性 第四节 均方导数 第五节 均方积分 第六节 均方黎曼—司蒂吉斯积分 第七节 均方导数与均方积分的分布 第八节 均方微分方程

第一节 随机环境中的微分 第二节 两个一般模型 第三节 罕见和正常事件的描述 第四节 小概率事件的模型