1 概率论基础 1.1 为什么需要概率空间 1.1.1 理发师悖论 (Barber paradox) 1.1.2 贝特朗悖论 (Bertrand’s Paradox) 1.1.3 非悖论, 生日问题 1.2 概率空间 1.2.1 可测空间 1.2.2 概率空间 1.2.3 条件概率 1.2.4 全概率公式和 Bayes 公式 1.3 随机变量和分布函数 1.3.1 数字特征 1.3.2 矩函数 (Moment Generating Function) 1.3.3 特征函数 (Characteristic function) 1.3.4 反演公式及唯一性定理 1.3.5 多维随机变量的特征函数 1.4 独立性与条件期望 1.4.1 独立性 1.4.2 条件期望 1.4.3 条件分布 1.4.4 一般条件期望 ⋆ 2 随机过程的基本概念与类型 2.1 随机过程的背景 2.2 基本概念 2.3 有限维分布与 Kolmogorov 定理 2.3.1 随机过程的数字特征 2.4 随机过程的基本类型 2.4.1 平稳过程 2.4.2 独立增量过程 3 Brown 运动（维纳过程） 3.1 基本概念与性质 3.2 维纳过程的分布 3.3 维纳过程的数字特征 3.3.1 二次变差 3.4 Brown 运动的鞅性质 3.5 Brown 运动的最大值变量及反正弦律 3.6 Brown 运动的几种变化 3.6.1 Brown 桥 3.6.2 几何 Brown 运动 4 Poisson 过程 4.1 齐次泊松过程 4.1.1 Poisson 过程数学模型 4.1.2 齐次泊松过程的数字特征 4.1.3 时间间隔与等待时间的分布 4.1.4 到达时间的条件分布 4.1.5 更新计数过程 4.2 复合泊松过程 4.2.1 复合 Poisson 过程 4.3 非齐次泊松过程 (了解内容，不考察) 5 鞅 (Martingale) 过程 5.1 基本概念 5.2 鞅的停时定理及其应用 5.2.1 鞅的停时定理 5.3 连续鞅

Chapter 1 预备知识 Chapter 2 随机过程的基本概念和基本类型 Chapter 3 泊松过程 Chapter 4 更新过程 Chapter 5 马氏链 Chapter 6 鞅 Chapter 7 布朗运动 Chapter 8 随机积分 Chapter 9 随机过程在金融中的应用 Chapter 10 随机过程在保险中的应用 10.1 基本概念 10.2 经典破产理论介绍 Chapter 11 MCMC 方法 11.1 计算积分的蒙特卡洛方法 11.2 MCMC 方法简介 11.3 Metropolis-Hastings 算法 11.4 Gibbs 抽样 11.5 贝叶斯 MCMC 估计方法

第一节 随机过程的定义及其分类 第二节 随机过程的分布及其数字特征 第三节 复随机过程 第四节 几种重要的随机过程简介

随机过程的背景和基本概念 有限维分布与Kolmogorov定理 随机过程的基本类型 正态过程

3.1 Poisson过程 3.2 与Poisson过程相联系的若干分布 3.3 Poisson过程的推广

随机过程的基本概念 设对每一个参数t∈T.X(t,w)是一随机变量,我们称随机变量族Xr={(t.w) t∈T}为一随机过程(stochastic process)称随机函数其中TC是一实数集,称为 指标集

随机过程的基本概念 设对每一个参数t∈T.X(t.w)是一随机变量,我们称随机变量族Xr={x(tw) t∈T}为一随机过程(stochastic process)或称随机函数其中TC是一实数集,称为指标集

宽平稳过程 定义设随机过程Xr={x(t),t∈T}X(t)<,(即Xr为二阶矩过程)若 EX(t)=m为常数,Cov((t),x(s)=[(x(t)-m)((s)-m)=r(t-s) 则称Xr为宽平稳过程或协方差平稳过程

2.1基本概念 2.2有限维分布与Kolmogorov定理 2.3随机过程的基本类型

3.1 Poisson过程 3.2 与Poisson过程相联系的若干分布 3.3 Poisson过程的推广