随机过程知识点

第一章随机过程的基本概念与基本类型

一.随机变量及其分布

1.随机变量X,分布函数/*)=P(XWx)

离散型随机变量X的概率分布用分布列PLP(X=4)分布函数/(x)=Z氏

连续型随机变量X的概率分布用概率密度/(x)分布函数F(x)=£

2.n维随机变量X=(X],X2,…，X“)

其联合分布函数/。)=方(为,々，…，Z)=P(X1<xI5X2<x2,•••,%„<xw,)

离散型联合分布列连续型联合概率密度

3.随机变量的数字特征

数学期望：离散型随机变量XEX=》kPk连续型随机变量xEX=£xf(x)dx

方差：DX=E(X-EX)?=EX?-(EX『反映随机变量取值的离散程度

协方差(两个随机变量X,Y)：BXY=E[(X-EX\Y-EY)]=E(XY)-EX-EY

相关系数(两个随机变量X,y)：PXY=」丫-若Q=o,则称X,y不相关。

4DX-4DY

独立=>不相关QP=0

4.特征函数g«)=E(e"x)离散gQ)=£eMPk连续8⑺:匚漕/⑴公

重要性质：g(O)=l,|g⑺区1,晨一/)=前，gk(O)=ikEXk

5.常见随机变量的分布列或概率密度、期望、方差

0—1分布P(X=l)=p,P(X=O)=qEX=pDX=pq

二项分布P(X=k)=C\pkq『kEX=npDX=npq

乃

泊松分布P(X=k)=e-A—EX=ADX=A均匀分布略

k\

正态分布NS,。？)=2，EX=aDX=(y2

士匕将八七一、511

指数分布/(x)=<EX=—DnXv=—

[0,x<0222

6.N维正态随机变量X=(X1,X2,…,X“)的联合概率密度X〜N(a,B)

11T

/区，々，…，x〃)=---------------rexp｛--(x-«)B(x-a)｝

(24|相

。二(Qi，的，…，。“)，工二区，/，…，匕)，3=(%)“x“正定协方差阵

随机过程的基本概念

1.随机过程的一般定义

设(A,P)是概率空间，T是给定的参数集，若对每个，£丁，都有一个随机变量X与之对应,

则称随机变量族｛%(/,e),/£7｝是(。P)上的随机过程。简记为｛XQ),t^T｝0

含义：随机过程是随机现象的变化过程，用一族随机变量才能刻画出这种随机现象的全部统计规

律性。另一方面，它是某种随机实验的结果，而实验出现的样本函数是随机的。

当/固定时，X«,c)是随机变量。当e固定时，XQ,e)时普通函数，称为随机过程的一个样本

函数或轨道。

分类：根据参数集T和状态空间/是否可列，分四类。也可以根据X。)之间的概率关系分类,

如独立增量过程，马尔可夫过程，平稳过程等。

2.随机过程的分布律和数字特征

用有限维分布函数族来刻划随机过程的统计规律性。随机过程｛XQ),，£7｝的一维分布，二维分

布，…，〃维分布的全体称为有限维分布函数族。随机过程的有限维分布函数族是随机过程概率特征

的完整描述。在实际中，要知道随机过程的全部有限维分布函数族是不可能的，因此用某些统计特征

来取代。

(1)均值函数〃5。)=欣(1)表示随机过程｛X(/),/£T｝在时刻，的平均值。

(2)方差函数0x(。=ETX⑺一〃Zx«)r表示随机过程在时刻，对均值的偏离程度。

Bx(s,t)=E[(X(s)—w($))(Xw-mx(r))]

(3)协方差函数且有8乂"/)=。,<(，)

=E[X(s)X(t)]-mx(s)mx(t)

(4)相关函数Hx(s")=石TX(s)X(f)](3)和(4)表示随机过程在时刻s,/时的线性相关程度。

(5)互相关函数：｛xa)"£T｝,7｝是两个二阶距过程，则下式称为它们的互协方差函

数。

BXY(s9t)=a(X(s)-%(s))(Y⑴一叫⑴)]

,那么Rxy(s")=aX(s)YQ)],称为互相关函数。

=E\X(5)r(0]-rnx(s)mY(Z)

若E[X(s)Y(t)]=mx(5)mr(r),则称两个随机过程不相关。

3.复随机过程乙=X,+jY,

均值函数〃tzQ)=EX,+jEYi方差函数

2

Dz(r)=E[|Z/-mz⑺|J=£[(4—mzQ))(Z,-也⑺)1

BzGQ=仇(Z,-mz(5))(Z;-mz(r))]_

协方差函数_相关函数RZG/)=£[Z、Z]

=E[ZsZt]-mz(s)mz(/)

4.常用的随机过程

(1)二阶距过程：实(或复)随机过程｛X(/),，£T｝,若对每一个/£7，都有目XQ)/<00(-

阶距存在)，则称该随机过程为二阶距过程。

(2)正交增量过程：设｛XQ),f£7｝是零均值的二阶距过程，对任意的。<弓<0£7，有

£l(X(r2)-X&))(X(L)—X&))]=0,则称该随机过程为正交增量过程。

其协方差函数Bx(sj)=Rx(s")=(min(sj))

(3)独立增量过程:随机过程｛X"),reT｝,若对任意正整数〃22,以及任意的t]<r2<•••<r„e7,

随机变量*仇)一乂«)/(，4)一*(，3)/:*。“)一X(%)是相互独立的，则称｛XQ)J£7｝是独立

增量过程。进一步，如｛X(r),，wT｝是独立增量过程，对任意S<，，随机变量X«)—X(s)的分

布仅依赖于，-s,则称e7｝是平稳独立增量过程。

(4)马尔可夫过程：如果随机过程｛XQ)/£T｝具有马尔可夫性，即对任意正整数”及

。cj<..•<‘〃七/，P(X(G)=X],・・・，XQ,I)=X〃T)>0,都有

P｛X(Z〃)<xjXG)=%X(%)='｝=P｛x(tn)<七|X(%)=x„_,｝,则则称｛X⑺"eT｝

是马尔可夫过程。

(5)正态过程：随机过程｛XQ)J£T｝,若对任意正整数〃及/M，…eT,

是具有参数2的泊松过程。①X(0)=0；②独立、平稳增量过程；③

尸｛XQ+无)一X(f)=1｝=丸〃+0(h)

P｛X(t+h)-X(t)>2]=o(h)°

第三个条件说明，在充分小的时间间隔内，最多有一个事件发生，而不可能有两个或两个以上事件同

时发生，也称为单跳性。

二.基本性质

“加(加+1)s<1

1,数字特征mx(t)=E[X(t)]=At=D[X(t)]%(印)=L二

x/(zs+l)s>t

Bx(s,t)=Rx(s,Z)-mx(s)mx(t)=2min(s,t)推导过程要非常熟悉

2,7；表示第〃—1事件A发生至J第〃次事件发生的时间间隔，｛4,"21｝是时间序列，随机变量，

4e，之0,分布函数6«)=<IC均值

服从参数为;l的指数分布。概率密度为/(E)=<

o,z<o"o,z<o

3；

证明过程也要很熟悉到达时间的分布略

三.非齐次泊松过程到达强度是f的函数

P{X«+A)-X(£)=1}=A(t)h+o(h)

①X(0)=0；②独立增量过程；③不具有平稳增量

P{X«十h)-X(t)>2]=o(h)

性。

均值函数机x«)=E[X(£)]=[几(s)ds

定理：｛X«)JNO｝是具有均值为mx«)=J；2(s)ds的非齐次泊松过程，则有

尸｛X(f+S)—X(f)=〃｝=旧""+''।叫(£)]exp｛_[,刀v(f+$)一帆x(f)]｝

四.复合泊松过程

设｛N⑹,£20｝是强度为；I的泊松过程，｛匕,4=1,2,,｝是一列独立同分布的随机变量，且与

N\t)

｛N(t),£20｝独立，令X⑴=ZYk则称｛X(f)J20｝为复合泊松过程。

k=l

重要结论：｛X«)J20｝是独立增量过程；若旧(彳)<8,则同X«)]=；l出(K),

2

D[X(t)]=AtE(Yl)

第四章马尔可夫链

泊松过程是时间连续状态离散的马氏过程，维纳过程是时间状态都连续的马氏过程。时间和状态

都离散的马尔可夫过程称为马尔可夫链。

马尔可夫过程的特性：马尔可夫性或无后效性。即：在过程时刻1。所处的状态为已知的条件下，

过程在时刻/〉小所处状态的条件分布与过程在时刻之前所处的状态无关。也就是说，将来只与现

在有关，而与过去无关。表示为

p{x(z〃)<X(G=4…,X(%)=}=p{x(tn)<xn\X(%)=%}

一.马尔可夫链的概念及转移概率

1.定义：设随机过程{X“,〃£7},对任意的整数〃£7却任意的i°M，条件概率满足

P{^n+i=in+l|X0=Zo,X,=}=P{Xn+x=in+l\Xn=in}f则称{X“,〃£T}为马尔可夫

链。

马尔可夫链的统计特性完全由条件概率p{x〃M=1•向|X〃=i〃}所决定。

2.转移概率尸{X,出=)|X〃="相当于随机游动的质点在时刻〃处于状态i的条件下，下一步转

移到/的概率。记为o则p//2)=P{Xn+i=j\Xn="称为马尔可夫链在时刻〃的一步转移概

率。若齐次马尔可夫链，则/%.(〃)与〃无关，记为外。

P=[%1ijel/=1,2,称为系统的一步转移矩阵。性质：每个元素p)N0,每行的和

为lo

3.〃步转移概率p/〃)=P{X,i=)|X,〃=i}；P〃)="/)]ijel/=•・称为〃步转

移矩阵c

重要性质：①p「=ZpJ)p/f称为C-K方程，证明中用到条件概率的乘法公式、马尔可夫

kel

性、齐次性。

n(")_pfy_;|y—i\—PIX"i-1X,〃+〃-//

Pij_加+〃-J\Am.{x='}

P{Xji,Xg=k,Xi=/}

=工

keTPX

掌握证明方法:{,”=4

yP{Xm=i,X*]=k、Xm+n=)}P{x〃=i,x,m=/}

keTP{X,“=i,Xm+l=k]P{Xj”

=zPkj~l)(阳+1).Pik(m)=ZPik,德f

k&Ik&l

②尸S)=P〃说明n步转移概率矩阵是一步转移概率矩阵的〃次乘方。

4.{X〃,〃ET}是马尔可夫链，称P/=P{Xo=./}为初始概率，即()时刻状态为/的概率；称

〃/〃)=P{X〃=/}为绝对概率，即〃时刻状态为，的概率。。7(0)={〃|,〃2，}为初始概率向量，

P1(7?)={P、伽),〃25),}为绝对概率向量。

定理：①"〃)=XPiP，矩阵形式：P「5)=〃(0)尸5)②"，2)=ZPg—DPij

定理：P{X\=i1,X2=J,Xn=i,}=£pRhp..n说明马氏链的有限维分布完全由它的初

；€/户”

始概率和一步转移概率所决定。

二.马尔可夫链的状态分类

1.周期：自某状态出发，再返回某状态的所有可能步数最大公约数，即［=6。。{〃：〃俨＞o}。若

d＞l,则称该状态是周期的；若d=l,则称该状态是非周期的。

2.首中概率：力”)表示由i出发经〃步首次到达)的概率。

3.%〃，表示由i出发经终于(迟早要)到达/的概率。

4.如果力.=1,则状态i是常返态；如果力＜1,状态i是非常返(滑过)态。

8

5,相”表示由j出发再返回到i的平均返回时间。若从＜8,则称，是正常返态；若4=8,

n=l

则称i是零常返态。非周期的正常返态是遍历状态。

6.状态i是常返充要条件是为p「(=00状态i是非常返充要条件是£〃：〃)=1)

n=0〃=01-Jn

7.称状态i与/互通，即if/%fi。如果i—j,则他们同为常返态或非常返态，；若i,

，同为常返态，则他们同为正常返态或零常返态，且i,，有相同的周期。

8.状态i是遍历状态的充要条件是limp7)=L〉0。一个不可约的、非周期的、有限状态的马尔可

夫链是遍历的。

9.要求：熟悉定义定理，能由一步转移概率矩阵画出状态转移图，从而识别各状态。

三.状态空间的分解

1.设。是状态空间/的一个闭集，如果对任意的状态icC,状态/e。，都有Pu=0(即从i出发

经一步转移不能到达J),则称。为闭集。如果C的状态互通，则称C是不可约的。如果状态空间不

可约，则马尔可夫链不可约。或者说除了C之外没有其他闭集，则称马尔可夫链

不可约。

2.C为闭集的充要条件是：对任意的状态状态JeC,都有p；)=()。所以闭集的意思是自

。的内部不能到达C的外部。意味着一旦质点进入闭集。中，它将永远留在C中运动。

如果p”=l,则状态，为吸收的。等价于单点｛，｝为闭集。

3.马尔可夫链的分解定理：任一马尔可夫链的状态空间/,必可唯一地分解成有限个互不相交的子

集。〃…的和，①每一个c都是常返态组成的不可约闭集；②c〃中的状态同类，或全是

正常返态，或全是零常返态，有相同的周期，且&=1。③。是由全体非常返态组成。分解定理

说明：状态空间的状态可按常返与非常返分为两类，非常返态组成集合。，常返态组成一个闭集C。

闭集c又可按互通关系分为若干个互不相交的基本常返闭集弓，。2,…c〃…。含义：一个马尔

可夫链如果从。中某个非常返态出发，它或者一直停留在D中，或某一时刻进入某个基本常返闭集

c„,一旦进入就永不离开。一个马尔可夫链如果从某一常返态出发，必属于某个基本常返闭集c.，

永远在该闭集。〃中运动。

4.有限马尔可夫链：一个马尔可夫链的状态空间是一个有限集合。

性质：①所有非常返态组成的集合不是闭集；②没有零常返态；③必有正常返态；④状态空间

/=D+C,+C2++C，。是非常返集合，c,,c2,q是正常返集合。

不可约有限马尔可夫链只有王常返态。

四.的渐近性质与平稳分布

1.为什么要研究转移概率〃黑的遍历性？

研究P；"）当〃―8时的极限性质，即p｛x〃=）|x0=i｝的极限分布，包含两个问题：一是:吧

是否存在；二是如果存在，是否与初始状态有关。这一类问题称作遍历性定理。

如果对存在不依赖于i的极限"?〃俨=〃/＞（）,则称马尔可夫链具有遍历性。一个

不可约的马尔可夫链，如果它的状态是非周期的正常返态，则它就是一个遍历链。具有遍历性的马

尔可夫链，无论系统从哪个状态出发，当转移步数〃充分大时，转移到状态/的概率都近似等于勺，

这时可以用P,作为的近似值。

2.研究平稳分布有什么意义？

判别一个不可约的、非周期的、常返态的马尔可夫链是否为遍历的，可以通过讨论limp俨来解决，

但求极限时困难的。所以，我们通过研究平稳分布是否存在来判别齐次马尔可夫链是否为遍历链。一

个不可约非周期常返态的马尔可夫链是遍历的充要条件是存在平稳分布，且平稳分布即极限分布

\mpf=­J^Io

“T9J（

3.｛X〃,心0｝是齐次马尔可夫链，状态空间为/,一步转移概率为方,概率分布区"£/｝称为

兀j=Z%%

马尔可夫链的平稳分布，满足/€,

Z与=1

jel

4.定理：不可约非周期马尔可夫链是正常返的充要条件是存在平稳分布，且此平稳分布就是极限分

布推论：有限状态的不可约非周期马尔可夫链必存在平稳分布。

5.在工程技术中，当马尔可夫链极限分布存在，它的遍历性表示一个系统经过相当长时间后达到平

衡状态，此时系统各状态的概率分布不随时间而变，也不依赖于初始状态。

6.对有限马尔可夫链，如果存在正整数使〃『＞（）,即k步转移矩阵中没有零元素，则该链是

遍历的。

第六章平稳随机过程

一.定义（第一章）

严平稳过程：有限维分布函数沿时间轴平移时不发生变化。

宽平稳过程：满足三个条件：二阶矩过程EI|XQ）门＜8；均值为常数£1X（1）］=常数；相关函数只

与时间差有关，即Rx（t,t-r）=E［X可）X（i）］=7?x（r）。

宽平稳过程不一定是严平稳过程，而严平稳过程一定是宽平稳过程。

二.联合平稳过程及相关函数的性质

1.定义：设｛XQ）,，£T｝和｛X（Z）"£7｝是两个平稳过程，若它们的互相关函数E［X”）河二司及

石［y（z）x（r-7）］仅与时间差工有关,而与起点（无关，则称X。）和丫«）是联合平稳随机过程。

即，RXY^t-r）=E［x（r）y（f-r）］=RXY（T）（r,t-r）=E［y（r）X（r-r）］=（r）

当然，当两个平稳过程联合平稳时，其和也是平稳过程。

2.相关函数的性质：①0（0）20；②而，对于实平稳过程，Rx（T）是偶函数。③

|RX，）|〈RX（°）④非负定。⑤若X⑺是周期的，则相关函数Rx«）也是周期的，且周期相同。⑥如

果x⑺是不含周期分量的非周期过程，X。）与x«+r）相互独立，则］imRx«）=/%x或。

联合平稳过程X。）和丫⑺的互相关函数，|%«）区/^（0）品（°），1%⑺区《（（））&（°）；

⑺和⑺是实联合平稳过程时，则，八一）⑺。

RXY（-T）=RYX（T）0xy87=%

三.随机分析略

四.平稳过程的各态历经性

1.时间均值〈x«））=/上加—LJ：XQ）力

时间相关函数（X⑺XD）=Ujn，J］X（0X（t-T）dt

2.如果（乂（，））=£1乂（，）］=〃入«）以概率1成立，则称均方连续的平稳过程的均值有各态历经性。

如果（X⑺X«—X⑺X«—7）］=A、«）以概率1成立，则称均方连续的平稳过程的相

关函数有各态历经性。

如果均方连续的平稳过程的均值和相关函数都有各态历经性，则称该平稳过程是各态历经的或遍

历的。

一方面表明各态历经过程各样本函数的时间平均实际上可以认为是相同的；另一方面也表明E［X（r）］

与E［X（r）X（r-r）］必定与，无关，即各态历经过程必是平稳过程。

3.讨论平稳过程的历经性，就是讨论能否在较宽松的条件下，用一个样本函数去近似计算平稳过程

的均值、协方差函数等数字特征，即用时间平均代替统计平均。只在一定条件下的平稳过程，才

具有各态历经性。

4.均值各态历经性定理：均方连续的平稳过程的均值具有各态历经的充要条件是

5.相关函数各态历经性定理：均方连续的平稳过程的相关函数具有各态历经的充要条件是

lim(1一县)［)~\RX⑺「"=0B(r,)=E［X(/)X(r-r)X(/-r^X^-r-r.)］

7T82/J-2r21

第七章平稳过程的谱分析

一.平稳过程的谱密度

推导过程：

,、［x(r),|r|<T

随机过程｛XQ),YOV，VOO｝为均方连续过程，作截尾处理X.rQ)：］。'由于X7Q)均方

可积，所以存在FT,得F(①,T)=［乂式块一网力=］：X⑺eR'df,利用paserval定理及IFT定义

得

T

J"X^tyit=jrX\t)dt=—^\F(coJ)\da)该式两边都是随机变量，取平均值，这时不仅要

-coT

对时间区间［-7,为取，还要取概率意义下的统计平均，即

妞1科［4⑺卜=回5匚"由""旷W「如系

定义〃=lim£方L/p）由为｛x（t）,f0</V8｝平均功率。

TTtObO//

Sx(⑼=Ijrp2石［忻(①，/)|［为｛X(0,Y0V/V8｝功率谱密度,简称谱密度。

可以推出当｛X。),-8</<00｝是均方连续平稳过程时，有

2

楂=limd—J：X2⑺dt=lim］）匚石白2臼］=£［X（/）］=RX（O）

T-»ocLI，-7->ooLN，_

=—L「%(Q)d0说明平稳过程的平均功率等于过程的均方值，或等于谱密度在频域上

的积分。

2.平稳过程的谱密度和相关函数构成FT对。

Rx3=X

x（G）ej'"dosx（3）=JRxdr

若平稳随机序列｛X〃,〃=0,±l,±2,｝,则其谱密度和相关函数构成FT对

00

Sx3=工Rx（W

二.谱密度的性质

1.①％（切是品⑺的E%3）=J：0（乙总一加’八

如果｛XQ）,ro〈fVoo｝是均方连续的实平稳过程，有&（-切，S、（⑼是也实的非负偶函

数,则

Sx（M=2Jo/?x（r）cos（69r）Jr（69）COS（69r）t/69

②％（①）是①的有理分式，分母无实根。

2.谱密度的物理含义，Sx（G）是一个频率函数，从频率域来描绘XQ）统计规律的数字特征，而X"）

是各种频率简谐波的叠加，取（0）就反映了各种频率成分所具有的能量大小。

3.计算可以按照定义计算，

也可以利用常用的变换对5（1）-1162嫌（⑼/咖—「，a>0㈤6―一：

co+a-CD

cos（^r）—乃［3（口+例））+5（口-%）］sin（例/）—―/〃［5（69+4）一3（口一利））］

间<供等

Rx⑺nSx（0-g）R<（c+T）<->Sx。）"'""n/"»1,

71T0,囱之用）

三.窄带过程及白噪声过程的功率谱密度

1.窄带随机过程：随机过程的谱密度限制在很窄的一段频率范围内。

2.白噪声过程：设｛X«）,-8</<8｝为实值平稳过程，若它的均值为零，且谱密度在所后的频率

范围内为非零的常数，即%（G）=NO,则称｛XQ）,—8<，<oo｝为白噪声过程。是平稳过程。

其相关函数为Rx，）=N0b«）。表明在任意两个时刻。和4，X&）和X«2）不相关，即白噪声随时

间的变换起伏极快，而过程的功率谱极宽，对不同输入频率的信号都有可能产生干扰。

四.联合平稳过程的互谱密度

互谱密度没有明确的物理意义，引入它主要是为了能在频率域上描述两个平稳过程的相关性。

1.互谱密度与互相关函数成FT对关系

jo)rJ(0T

7?xr(r)=1sXY{cD)edcosXY(a>)=JRXY(v)e~dr

j(or

7?rx(r)=y-1(co)edco5^(69)=Jdr

2.性质

Syy(⑼=%y3)%y(q)的实部是①的偶函数，虚部是。的奇函数，5次(①)也是。

即(砌2*x(口)的⑼卜若XQ)和丫⑺相互正交，有小⑺=0,则5封(初=%3)=0o

五.平稳过程通过线性系统

1.系统的频率响应函数〃(啰)(也可以写成"(，①))一般是一个复值函数，是系统单位脉冲响应

的FTc

"(0)=Ch(t)e-jM,dt/?(O=—「H{co)ej<otd(o

Jr2万j

2.系统输入XQ)为实平稳随机过程，则输出丫(。也是实平稳随机过程。即输出过程的均值为常数,

相关函数是时间差的函数。且有Ry⑺=&«)*/?(—7)=&«)*力«)*〃(一汇)

说明输出过程的相关函数可以通过两次卷积产生。

R“(7)=RX«)*〃«)的应用：给系统一个白噪声过程XQ),可以从实测的互相关资料估计线

性系统的未知脉冲响应。因为Rx⑺=N03⑺,

/?xr(r)=/?x(r)*/?(r)=jN()3(r-〃)/?(〃=N0/z(r),从而

h(r)=^xAll

N。

3.输入输出谱密度之间的关系为3)=|，3『以3)

(⑼「="3)77丽称为系统的频率增益因子或频率传输函数。

有时，采用时域卷积的方法计算输出的相关函数比较烦琐，可以先计算输出过程的谱密度，然后

2

反FT计算出相关函数。Rx(T)(69)=|W(6>)|5X(69)->/?r(r)

另外Rxy(7)=&«)*〃6)，所以Sxy3)="3)Sx(0)，5次(⑼(⑷

补充：排队轮

平均间隔时间=总时间/到达顾客总数平均服务时间二服务时间总和/顾客总数

平均到达率;到达顾客总数/总时间平均服务率=顾客总数/服务时间总和

一.当顾客到达符合泊松过程时，顾客相继到达的间隔时间7必服从负指数分布。对于泊松分布，2

表示单位时间平均到达的顾客数，所以L表示顾客相继到达的平均间隔时间。

服务时间符合负指数分布时，设它的概率密度函数和分布函数分别为

/⑺=T

F（/）=P[T<t}=\^le-f,tdt=~[d[e-p,]其中以表示单位时间能够服务完的顾客数，为服务

=1-/"

率；而L表示一个顾客的平均服务时间。

二.排队模型的求解

把系统中的顾客数称为系统的状态。若系统中有〃个顾客，则称系统的状态是〃。

瞬态和稳态：考虑在t时刻系统的状态为〃的概率，它是随时刻t而变化的，用月⑺表示，称为系统

的瞬态。求瞬态解是很不容易的，求出也很难利用。因此我们常用稳态概率匕，表示系统中有〃个顾

客的概率。

各运行指标：

1）队长：把系统中的顾客数称为队长，它的期望值记作人,也叫平均队长，即系统中的平均顾客数。

而把系统中排队等待服务的顾客数称为排队长（队列长），它的期望值记作儿,也叫平均排队长，即

系统中的排队的平均顾客数。显然有队长=排队长+正被服务的顾客数。

2）逗留时间：一个顾客从到达排队系统到服务完毕离去的总停留时间称为逗留时间，它的期望值记

作也。一个顾客在系统中排队等待的时间称为等待时间，它的期望值记作W