由上面可知诸数字特征中最主要的是均值 函数和自相关函数.
27
随机过程{X(t), tT}, 如果对每一个tT, 二阶 矩E[X2(t)]都存在, 则称它为二阶矩过程. 二阶矩过程的相关函数总存在. 事实上, 由于 E[X2(t1)], E[X2(t2)]存在, 根据柯西-许瓦兹不等 式有 {E[X(t1)X(t2)]}E[X2(t1)X2(t2)], t1,t2T. 即知RX(t1,t2)=E[X(t1)X(t2)]存在
23
把随机变量X(t)的二阶原点矩和二阶中心矩 分别记作 2 2 X ( t ) E[ X ( t )] ( 2.2) 和
( t ) DX ( t ) Var[ X ( t )] E{[ X ( t ) - m X ( t )] },
2 X 2
( 2.3) 并分别称它们为随机过程{X(t), tT}的均方值 函数和方差函数. 方差函数的算术平方根X(t) 称为随机过程的标准差函数, 它表示随机过程 X(t)在时刻t对于均值mX(t)的平均偏离程度.
4
随机过程可看作多维随机变量的延伸. 随机过 程与其样本函数的关系就象数理统计中总体 与样本的关系一样. 因此, 热噪声电压的变化过程{V(t), t0}是一 随机过程, 它的状态空间是(-, +), 一次观 测到的电压-时间函数就是这个随机过程的一 个样本函数. 在以后的叙述中, 为简便起见, 常以X(t), tT 表示随机过程. 在上下文不致混淆的情况下, 一般略去记号中的参数集T.
14
随机过程还可依时间(参数)是连续或离散进 行分类. 当时间集T是有限或无限区间时, 称 {X(t), tT}为连续参数随机过程(以下如无特 别指明, "随机过程"总是指连续参数而言的). 如果T是离散集合, 例如T={0,1,2,...}, 则称 {X(t), tT}为离散参数随机过程或随机序列, 此时常记成{Xn, n=0,1,2,...}等, 如例5.
5
例1 抛掷一枚硬币试验, 样本空间是S={H,T}, 现藉此定义 cos t , 当出现H , X (t ) t ( -,), 当出现T , t, x(t) x=cos t O t1
t2
t
6
其中P(H)=P(T)=1/2. 对任意固定的t, X(t)是一 定义在S上的随机变量; 对不同的t, X(t)是不同 的随机变量, 所以{X(t), t(-, +)}是一族随 机变量, 即它是随机过程. 另一方面, 作一次试 验, 若出现H, 样本函数x1(t)=cos t; 若出现T, 样本函数为x2(t)=t, 所以该随机过程对应的一 族样本函数仅包含两个函数:{cos t, t}. 显然 这个随机过程的状态空间为(-, +).
7
例2 考虑 X(t)=a cos(wt+Q), t(-, ), (1.1) 式中a和w是正常数, Q是在(0,2)上服从均匀 分布的随机变量. x(t) x2(t), q2=3/2
O
t x1(t),q1=0
8
ห้องสมุดไป่ตู้
显然, 对于每一个固定的时刻t=t1, X(t1)=a cos(wt1+Q)是一个随机变量, 因而由 (1.1)式确定的X(t)是一个随机过程, 通常称它 为随机相位正弦波. 它的状态空间是[-a, a]. 在(0,2)内随机地取一数qi, 相应地即得这个 随机过程的一个样本函数 xi(t)=a cos(wt+qi), qi(0,2).
22
给定随机过程{X(t), tT}, 固定tT, X(t)是一 随机变量, 它的一切均值一般与t有关, 记为 mX(t)=E[X(t)], (2.1) 称mX(t)随机过程{X(t), tT}的均值函数. 注意, mX(t)是随机过程的所有样本函数在时刻 t的函数值的平均值, 通常称这种平均为集平 均或统计平均. 均值函数mX(t)表示了随机过程X(t)在各个时 刻的摆动中心.
20
当n充分大时, n维分布函数族能够近似地描 述随机过程的统计特性. 显然, n取得越大, 则 n维分布函数族描述随机过程的特性也越趋 完善. 一般, 可以指出(科尔莫戈罗夫定律):有 限维分布函数族, 即{FX(x1,x2,...,xn, n=1,2,...,t1, t2, ...,tn), tiT}完全地确定了随机过程的统计 特性.
13
随机过程的不同描述方式在本质上是一致的. 在理论分析时往往以随机变量族的描述方式 作为出发点, 而在实际测量和数据处理中往往 采用样本函数族的描述方式. 这两种描述方式 在理论和实际两方面是互为补充的. 随机过程可依其在任一时刻的状态是连续型 或离散型随机变量而分成连续型随机过程和 离散型随机过程. 热噪声电压, 例2和例3是连 续型随机过程, 例1, 例4和例5是离散型随机过 程.
21
(二) 随机过程的数字特征 随机过程的分布函 数族能完善地刻画随机过程的统计特性. 但是 人们在实际中, 根据观察往往只能得到随机过 程的部分资料(样本), 用它来确定有限维分布 函数族是困难的, 甚至是不可能的, 因而象引 入随机变量的数字特征那样, 有必要引入随机 过程的基本的数字特征-均值函数和相关函数 等. 将会看到, 这些数字特征在一定条件下是 便于测量的.
24
X(t)
mX(t)X(t)
x1(t)
mX(t)
t
x2(t) xi(t)
mX(t)-X(t)
25
又设任意t1,t2T, 把随机变量X(t1)和X(t2)的二 阶矩原点混合矩记作 RXX(t1,t2)=E[X(t1)X(t2)], (2.4) 并称它为随机过程{X(t),tT}的自相关函数, 简称相关函数. RXX也简记为RX(t1,t2). X(t1)和X(t2)的二阶混合中心矩记作 CXX(t1,t2)=Cov[X(t1),X(t2)] =E{[X(t1)-mX(t1)][X(t2)-mX(t2)]}, (2.5) 并称它为随机过程{X(t),tT}的自协方差函数, 简称协方差函数. CXX(t1,t2)也常简记为CX(t1,t2).
第十章 随机过程及其统计描述
§1 随机过程的概念
1
热噪声电压 电子元件或器件由于内部微观粒 子(如电子)的随机热骚动所引起的端电压称 为热噪声电压, 它在任一确定时刻t的值是一 随机变量, 记为V(t). 不同时刻对应不同的随 机变量, 当时间在某区间, 譬如[0,+)上推移 时, 热噪声电压表现为一族随机变量, 记为 (V(t), t0), 在无线电通讯技术中, 接收机在接 收信号时, 机内的热噪声电压要对信号产生持 续的干扰. 通过某种装置对元件两端的热噪声 电压进行长期测量, 并记录结果, 作为试验结 果, 得到一电压-时间函数.
29
例1 设随机变量A~N(0,1), B~U(0,2), A,B相互 独立, 求随机过程X(t)=At+B, tT=(-,)的均 值函数mX(t)和自相关函数RX(t1,t2). 解 由题意E(A)=0, E(A2)=1, E(B)=1, E(B2)=4/3, mX(t)=E[X(t)]=E[At+B]=tE[A]+E[B]=1, RX(t1,t2)=E[X(t1)X(t2)]=E[(At1+B)(At2+B)] =t1t2E[A2]+(t1+t2)E[AB]+E[B2] =t1t2+4/3, t1,t2T.
2
多次试验得到多个电压函数 v1(t) t v2(t) t vk(t) tj t
3
设T是一无限实数集, 把依赖于参数tT的一 族(无限多个)随机变量称为随机过程, 记为 {X(t), tT}, 这里对每一个tT, X(t)是一随机 变量. T叫做参数集. 常把t看作为时间, 称X(t) 为时刻t时过程的状态, 而X(t1)=x(实数)说成是 t=t1时过程处于状态x, 对于一切tT, X(t)所有 可能取的一切值的全体称为随机过程的状态 空间. 对随机过程{X(t), tT}进行一次试验, 其 结果是t的函数, 记为x(t), tT, 称它为随机过 程的一个样本函数或样本曲线. 所有不同的试 验结果构成一族样本函数.
16
参数t通常解释为时间, 但它也可以表示其它 的量, 诸如序号, 距离等. 例如, 在例5中, 我们 假定每隔一个单位时间抛掷骰子一次, 那么第 n次抛掷的骰子出现的点数Xn就相当于t=n时 骰子出现的点数.
17
§2 随机过程的统计描述
18
(一)随机过程的分布函数族 给定随机过程 {X(t), tT}. 对于每一个固定的tT, 随机变量 X(t)的分布函数一般与t有关, 记为 FX(x,t)=P{X(t)x}, xR, 称它为随机过程{X(t), tT}的一维分布函数, 而{FX(x,t), tT}称为一维分布函数族. 一维分布函数族刻画了随机过程在各个个别 时刻的统计特性.
10
例4 设某城市的120急救电话台迟早会接到用 户的呼叫, 以X(t)表示时间间隔(0,t]内接到的 呼叫次数, 它是一个随机变量, 且对于不同的 t0, X(t)是不同的随机变量. 于是, {X(t),t0}是 一随机过程. 且它的状态空间是{0,1,2,...}.
11
例5 考虑抛掷一颗骰子的试验. (i) 设Xn是第n 次(n1)抛掷的点数, 对于n=1,2,...的不同值, Xn是不同的随机变量, 因而{Xn, n1}构成一随 机过程, 称为伯努利过程或伯努利随机序列. (ii)设Xn是前n次抛掷中出现的最大点数, {Xn, n1}也是一随机过程. 它们的状态空间都是 {1,2,3,4,5,6}.
28
在实际中, 常遇到一种特殊的二阶矩过程-正 态过程. 随机过程{X(t), tT}称为正态过程, 如 果它的每一个有限维分布都是正态分布, 亦即 对任意整数n1及任意t1,t2,...,tnT, (X(t1), X(t2),..., X(tn))服从n维正态分布. 由第四章的 结论知, 正态过程的全部统计特性完全由它的 均值函数和自协方差函数(或自相关函数)所 确定.