随机过程第一章1.2
随机信号分析教程答案,李兵兵、马文平
第一章随机过程1.1二值过程定义为()X t A =或A -,(1)(0,1,2,)n T t nTn -≤≤=±±其中A 与A -等概出现,T 为一正常数。
(1)画出典型的样本函数图形; (2)将此过程归类;(3)该过程是确定性过程吗? 解:(1)略;(2)此过程为离散型随机过程; (3)此过程是确定性过程。
1.2 随机过程()X t A Bt =+,其中A 和B 是相互独立的正态分布(0,1)N 的随机变量,试求()X t 的2维概率密度函数。
解:因为A 和B 都是服从标准正态分布,且相互独立,因此它们的线性组合也服从正态分布,故二维随机变量()12(),()X t X t 服从二维正态分布。
对于正态分布,只需求出数学期望和协方差即可确定概率密度函数。
数学期望:[()][][]0X m E X t E A E B t ==+=121222122112(,)[()()][]1X R t t E A Bt A Bt E A B t t ABt ABt t t =++=+++=+ 协方差:2121212(,)(,)1X X X K t t R t t m t t =-=+因此211221221111t t t t t t ⎡⎤++=⎢⎥++⎣⎦K 。
则()X t 的2维概率密度函数为:1212121/21(,;,)2T X f x x t t eπ--=X K XK其中:211221221111t t t t t t ⎡⎤++=⎢⎥++⎣⎦K ,()12,x x =X 。
1.3 考虑随机过程()cos ,X t X t t T ω=∈,此处ω为常数,X 服从标准正态分布。
试求()X t 的一维概率密度函数。
解:对于某一1t 时刻,1()X t 为X 的线性组合,因此1()X t 服从正态分布。
期望:[()][]cos 0X m E X t E X t ω===121221212(,)[cos cos ][]cos cos cos cos X R t t E X t X t E X t t t t ωωωωωω=== 方差:()222(,)cosX X X t R t t m t σω=-=则()X t 的一维概率密度函数为:222cos (,)x tX f x t ω-=1.4 离散随机过程的样本函数皆为常数,即()X t C ==可变常数,式中C 为一随机变量,其可能值为11C =,22C =及33C =,且它们分别以概率0.6、0.3及0.1出现。
1.随机过程概论
{ X (t ) , t (,) } 是一随机过程 . 状态空间 I (,) . 样本函数空间 X { cos πt , t } .
H 发生
x( t )
x( t ) t
x( t ,T ) x( t )
1 1 1
T 发生
o
t t x( t , H )
1
2
x( t , T ) x( t ) x( t , H )
Ft
1 , t 2 ,, t n
( x1 , x2 ,, xn ) Ft ( xk ) , t1 , t 2 ,, t n T , n 1 ,
k 1
k
n
则称 X (t ) 具有独立性 , 或称 X (t ) 是独立过程 .
随机过程的独立性是指其在不同的时刻互不影响 , 一维分布
t1 , t 2 T .
当 A~N (0,1), B~U (0,2) 且 A, B 相互独立时 ,
EA 0,
EA2 DA ( EA)2 1,
EB 1,
EB 2 DB ( EB)2 4 3 ,
E ( AB ) EA EB 0,
所以可得
m X ( t ) t EA EB 1 , RX (t1 , t 2 ) t1t 2 EA2 ( t1 t 2 ) E ( AB) EB 2 t1t 2 4 3 , t1 , t 2 T .
o
称为统计平均或集平均 . 均值函数 m X ( t ) 表示了随机过程 X ( t ) 在各个时刻的摆动中心 .
X ( t ) 的二阶原点矩和二阶中 心矩分别记为
2 ΨX ( t ) EX 2 ( t ) 2 2 2 X ( t ) E[ X ( t ) m X ( t )]2 Ψ X (t ) m X (t )
随机过程讲义(南开大学内部)
舱舮舴 复合艐良艩艳艳良艮过程及应用 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舷
舱舮舴舮舱 复合艐良艩艳艳良艮过程 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舷
舱舮舴舮舲 复合艐良艩艳艳良艮过程在保险风险理论中的应用 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舸
3 连续时间马氏链
33
舳舮舱 定义 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳舳
舳舮舱舮舱 马氏性与等价条件 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舳舳
对 h > 0般 有
pn(t
+
h) h
−
pn(t)
=
−λpn(t)
+
λpn−1(t)
+
o(h) ,
h
从而 pn(t) 在 t 的右导数为 −λpn(t) + λpn−1(t)舮 类似的可知 pn(t) 的左导数也存在。
这样
pn(t) = −λpn(t) + λpn−1(t), pn(0) = 0, n ≥ 1.
舱舮舵 艐良艩艳艳良艮 过程的其它扩展 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舰
舱舮舵舮舱 非齐次 艐良艩艳艳良艮 过程 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舮 舱舰
第一章随机过程
第一章 随机过程1.1 引言对随机微分方程的研究所需要的随机过程的知识很多,因篇幅关系,只在本章中列出重要的、必备的相关知识和重要结论,这些知识主要包括:随机变量的概念及相关知识及条件期望;随机过程,特别是Markov 过程和Brown 运动的相关知识;随机微积分;Itô公式;一些重要不等式及随机比较定理。
本章的内容参考或转引自文献(Murry ,1998陈希孺,2003;林无烈2002;Mao ,1997;Mao ,2006胡适耕等,2007;王克,2010等),谨向相应的作者表示感谢。
1.2 随机变量概率用于度量随机事件的可能性,某个随机试验的所有可能的所有可能的基本结果或基本随机事件ω所构成的集合记为Ω,称为样本空间。
Ω的满足下面三个条件的子集族F 称为样本空间Ω的一个σ代数:(1)F ∅∈(2)若D F ∈,则其补集cD D F =Ω-∈; (3)若(i 1,2,)i D F ⊂=,则1i i D F ∞=∈。
F 中的元素称为Ω的F 可测集或随机事件。
若C 是样本空间Ω的一个子集族,则存在一个Ω的包含C 的最小的σ代数,记为(C)σ,称为由C 生成的σ代数。
由n的所有开集所生成的σ代数称为Borel σ代数,记为nB ,其中的元素称为n中的Borel 集。
定义在F 上的函数[]:0,1P F →称为可测空间(,F)Ω上的概率测度,如果它满足: (1)()1P Ω=;(2)若(i 1,2,)i A F ∈=且(i j)i j A A ⋂=∅≠,则()11i i i i P A P A ∞∞==⎛⎫= ⎪⎝⎭∑。
三元组(),F,P Ω称为概率空间。
若一个概率空间的F 包含Ω的所有P 零外测集,也就是说,如果()(){}*:inf ,0P G P F F F G F =∈⊂=,则G F ⊂,此概率空间称为完备的。
任何一个概率空间都可以通过把其所有P 零外测集加入F 中,并重新定义概率测度来完备化。
李晓峰应用随机过程课后习题_随机过程答案CH1
习 题一、习题编号本次作业:1,2, 7,9,12,17,18,19,23,25 二、习题解答1.1 设随机试验E 是将一枚硬币抛两次,观察H -正面,T -反面出现的情况,试分析它的概率空间(),,P Ω。
解1.1: 样本空间:Ω = {HH, HT, TH, TT}集类:F = { Ø, Ω, {HH}, {HT}, {TH}, {TT},{HH,HT}, {HH, TH}, {HH,TT}, {HT, TH}, {HT, TT}, {TH, TT}, {HH, HT, TH}, {HH, HT, TT}, {HT, TH, TT}, {TH, TT, HH}, }概率:P: P{HH} = P{HT} = P{TH} = P{TT} = 1/41.2 设,A B ∈Ω,集类{},A B =。
试求:()σ的所有元素。
解1.2:因为:{},A B =所以:(){},,,σ=∅Ω1.3 设四个黑球与两个白球随机地等分为A 与B 两组,记A 组中白球的数目为X ;然后随机交换A 与B 中一个球,再记交换后A 组中白球的数目为Y 。
试求:(1)X 的分布律;(2)Y|X 的分布律;(3)Y 的分布律。
解1.3:(1)总计有2个白球,因此,X 的取值为0,1,2。
等分共有36C 种分法,等分后,X 取值分别为0,1,2的概率为:3211244242333666012012131()()555XX C C C C C P X P X C C C ⎛⎫⎛⎫ ⎪ ⎪= ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭ (2)交换一个球后,1)如果X 中没有白球,则交换后Y 可能取值为0、1 2)如果X 中有一个白球,则交换后Y 可能取值为0、1、2 3)如果X 中有两个白球,则交换后Y 可能取值为1、2|0|01|00|11|12|11|22|21225221(|)3399933Y XP Y X ⎛⎫ ⎪ ⎪ ⎪⎝⎭(3)20()(|)()i P Y P Y X i P X i ====∑2(0)(0|)()1123359515i P Y P Y X i P X i =======⨯+⨯=∑2(1)(1|)()21532135953535i P Y P Y X i P X i =======⨯+⨯+⨯=∑2(2)(2|)()23110953515i P Y P Y X i P X i =======+⨯+⨯=∑故Y 的分布律为:012131()555YP Y ⎛⎫ ⎪ ⎪⎪⎝⎭1.4 设A 与B 是概率空间(),,P Ω上的事件,且()01P B <<,试证明:A 与B独立的充要条件为:()()|=|P A B P A B 。
随机过程-电子科技大学-彭江燕 (2)
第一章随机过程的基本概念§1.1 随机过程的定义及分布§1.2随机过程的数字特征§1.3 随机过程的基本类型§1.1 随机过程的定义及分布1.1.1 随机过程的直观背景观察研究随机现象随时间推移的演变过程.Ex.1从杂乱电讯号的一段观察{Y(t),0< t< T}中,研究是否存在某种确定或随机信号S(t )?过程检测Ex.2监听器上收到某人的话音记录{Z(t),α<t<β}试问他是否确实是追踪对象?过程识别Ex.3 人们记录下地球50年的气温数据探究:1. 气温有什么样的周期变化?2. 在气温周期变化规律下, 随时间的推移是否有变暖的趋势?Ex.4 雷达信号干扰,0t t τt X A S N t −=⋅+≥其中N t 是随时间变化的各种随机干扰的效应.A 反映信号经发射后的能量损失,τ则反映了雷达站与障碍物间距离. 由于各种随机干扰的存在, 雷达实际接收到的信号是某雷达站在t 时刻发出信号S t , 遇到障碍物后又反射回来, 接受到的发射信号为A·S t -τ, 其中抗干扰的重点是对反映干扰的这一随机过程N t 特性的研究.特点:关注对象是一族随时间或地点变化的随机变量.“一族”可指可列无限个,或不可列无限个.任务:将有限维随机向量的概念向“无限”推广.1.1.2 概率空间与随机向量(已介绍)电子科技大学1.1.3 随机过程定义,},)ω,({T t t X ∈定义1.1.8设给定概率空间(Ω,F , P )和指标集T , 若对每个t ∈T , 有定义在(Ω,F , P )上的随机变量与之对应. 称依赖于t 的随机变量族X t 为随机过程(随机函数).Ω∈ωωX t ),(记为},)ω({T t X t ∈,},{T t X t ∈.},)({T t t X ∈注指标集T 又称参数集或参数空间.电子科技大学当T =(1,2, …,n ),),,,(},)ω,({21n X X X T t t X "=∈随机向量当T =(1,2, …, n,…),),,(},)ω,({21"X X T t t X =∈时间序列当T ={(x , y ):a <x <b , c <y <d },},)ω,({T t t X ∈平面随机场,或多维指标集随机过程随机过程是n 维随机变量,随机变量序列的一般化,是随机变量X (t ), 的集合.T t ∈电子科技大学为随机过程的状态空间(或值域).随机过程可视为质点M 随时间推移所作的随机运动变化过程.},{T t X t ∈随机事件表示随机过程在时刻t时处于状态x.}{x X t =称集合},)(:{T t x X x E t ∈==ωEx.5质点布朗运动设质点在直线上随机游动, 经随机碰撞后各以1/2的概率向左或向右移动.若经无穷多次碰撞ωω()1()2{}{} {}{}t t t t ==记第次向左,第次向右,定义随机变量序列)1,2,(.ωω1,;ωω,1)ω()(2)(1"=⎪⎩⎪⎨⎧==−=t X t t t 则描述了直线上随机质点的运动.{}"1,2,:)ω(=t X t 其参数集T ={1,2,…}, 状态空间E ={-1, 1}.电子科技大学随机过程的理解}Ωω,:)ω,{(Ω∈∈=×T t t T 定义指标集和样本空间的积集随机过程是定义在积集上的二元函数:}),ω({T t X t ∈Ω×T )(,Ω∈∈=ω,),()ω(T t t X X t ω1) 对固定的是一个定义在概率空间(Ω, F , P ) 上的随机变量;,T t ∈Ω∈ω,)ω(t X 2)当固定作为时间变量的函数,是一个定义在T 上的普通函数.Ωω0∈T t ∈)ω,(0t x )(,Ω∈∈=ω,),()ω(T t t X X t ω即对于特定的试验条件随机过程是定义在积集上的二元函数:}),ω({T t X t ∈Ω×TX(t1,ω)X(t2,ω)X(t n,ω)x(t,ω1)x(t,ω2)x(t,ω3) t1t2t n当t 变化时, 构成一族随机变量.对不同的ω得到不同的确定性函数.电子科技大学电子科技大学ω2= 1.9164ω3= 2.6099ω1=5.4938对不同的ω得到不同的确定性函数.Ex.6 随机相位正弦波X t (ω) = αcos(βt +Θ), Θ~U(0, 2π)电子科技大学定义1.1.9对每一固定ω∈Ω, 称x t (ω)是随机过程相应于ω的样本函数。
随机过程 课件
fY
y
f
X
0
h
y
h
'
y , y
其它情况
,
h(y)是g(x)的反函数, min g x , max g x 。
1.2 二维随机变量及其概率分布
1.2.1 分布函数
定义1:二维分布函数
设X,Y为定义在同一概率空间 S,, P 上的两个随机变量,
则(X,Y)称为二维随机变量,对任意 x, y R ,令
,则n维向量 Y Y1,,Yn 的概率密度函数为
fY
y
fX hy
h
y
h1
h
y
y1
hn
y1
hn yn
hn yn
1.4 随机变量的数字特征
1.4.1数字期望(expected value, probabilistic average, mean) 1、一维随机变量的数学期望
E
X
x xpX
xf
则
P n1
An
n1
P
An
则称P(A)为事件A出现的概率,称(S, Ω, P)为一个概率空间。
定义2:随机变量
设已知一个概率空间 S,, P ,对于 s S , X(s)是一个取实数值的单值函数,若对于任意实数x,s : X s x 是一个随机事件,也就是 s : X s x ,则称X(s)为随机变量。
1.3.2 边沿分布
F xk F ,, xk ,,
1.3.3 独立性
定义2:如果 P X1 x1,, X n xn P X1 x1 P Xn xn
,则 X1,, X n 是相互独立得。
离散型:
P X1 x1,, X n xn P X1 x1 P X n xn
随机过程-1预备知识
• 概率空间的性质
设(, F,P)为概率空间,则
(4) P()= 0
(5)P(B\A)= P(B) -P(A) , (AB)
(6)
lim n
P(
An
)
P P
n1 n1
An An
, ,
A1 A1
A2 An A2 An
• 显然,这样建立的概率满足三条公理。
17
• 例2 为依次抛掷三枚硬币的试验建立概率模型。 • 解 用“1”表示正面向上,“0”表示反面向上,
样本空间为:
• {(1,1,1),(1,1,0),(1,0,1),(1,0,0),(0,1,1),
(0,1,0),(0,0,1),(0,0,0)}
• 如果上述8种结果出现的可能性相同,根据可 加性和归一性,每个结果的概率为 1/8.
概率实例:
• 例1 给掷一枚硬币的试验建立概率模型。 • 解:掷一枚硬币,有两个可能的结果:正
面和反面。若用 1 表示正面,2 表示反面, 则样本空间为: {1, 2 } • 事件为: {1 , 2 }, {1}, {2 }, • 根据定义和性质,得到
P({1,2 }) 1, P() 0
(2)若AF, 则\AF (对立事件)
(3)若AiF,i=1,2…,则 AiF (可列
并事件)
i 1
称F为-代数,(, F )为可测空间
例 投掷一次骰子试验,ei表示出现i点, ={e1,e2,e3,e4,e5,e6} F ={,{e1,e2,e3},{e4,e5,e6}, }
• 定义1.2概率空间:设(,F)为可测空间,映
射P:F R,A|P(A)满足
湖南大学《随机过程》课程习题集
湖南大学本科课程《随机过程》习题集主讲教师:何松华 教授第一章:概述及概率论复习1.1 设一批产品共50个,其中45个合格,5个为次品,从这一批产品中任意抽取3个,求其中有次品的概率。
1.2 设一批零件共100个,次品率为10%,每次从其中任取一个零件,取出的零件不再放回,求第3次才取得合格品的概率。
1.3 设一袋中有N 个球,其中有M 个红球,甲、乙两人先后各从袋中取出一个球,求乙取得红球的概率(甲取出的球不放回)。
1.4 设一批产品有N 个,其中有M 个次品,每次从其中任取一个来检查,取出后再放回,求连续n 次取得合格品的概率。
1.5设随机变量X 的概率分布函数为连续的,且0()00xA Be x F x x λ-⎧+≥=⎨<⎩其中λ≥0为常数,求常数A 、B 的值。
1.6设随机变量X 的分布函数为 ()() (-<<)F x A Barctg x x =+∞∞(1) 求系数A 、B ;(2)求随机变量落在(-1,1)内的概率;(3)求其概率密度函数。
1.7已知二维随机变量(X,Y)的联合概率密度分布函数为6(2)0,1(,)0XY xy x y x y f x y elsewhere --≤≤⎧=⎨⎩(1)求条件概率密度函数|(|)X Y f x y 、|(|)Y X f y x ;(2)问X 、Y 是否相互独立?1.8已知随机变量X 的概率密度分布函数为22()()]2X X X x m f x σ-=- 随机变量Y 与X 的关系为 Y=cX+b ,其中c ,b 为常数。
求Y 的概率密度分布函数。
1.9设X 、Y 是两个相互独立的随机变量,其概率密度分布函数分别为101()0X x f x elsewhere ≤≤⎧=⎨⎩,0()0y Y e y f y elsewhere-⎧<=⎨⎩ 求随机变量Z=X+Y 的概率密度分布函数。
1.10设随机变量Y 与X 的关系为对数关系,Y=ln(X),随机变量Y 服从均值为m Y 、标准差为σY 的正态分布,求X 的概率密度分布。
随机过程第一章 预备知识及补充
n
PAn,i.o. P(A) 0
命题 1.3(波莱尔-坎泰利(Borel-Cantelli)第二引理):如果An , n 1 为独立的事件
序列,使得 P( An ) ,则 n1
PAn,i.o. 1
第一引理证明:
根据定义 1.4 对事件序列An , n 1 上极限的定义可知,因为样本点 在无穷多个事件
n1
n1
假定一些事件组成了一个可数的集合,那么这集合中的至少一个事件发生的概率不大于每个事件
发生的概率的和。);
当 An , n 1, 2,两两互不相容时,则 P( An ) P( An ) ;
n1
n1
概率函数 P 的一个重要性质是连续性,为了更精确地阐明这一性质,需要引进极限事
件的概念。定义如下:
An , n 1发生,则在 An ,k 1也同样发生,从而在
An 亦发生;另一方面,如果
nk
k 1 nk
样本点 在
An ,则对于 k 1, 在 An 发生,从而对于 k 1至少有一个 n k ,
k 1 nk
nk
即 n k ,使得 在 An 发生,因此有 在无穷多个 An 发生。
若 An An1, n 1,称事件序列An , n 1 为递增的;
当 An An1, n 1,则事件序列An , n 1 为递减的。
如果
An
,
n
1
是一递增的事件序列,那么我们定义一个新的事件,记为
lim
n
An
:
lim
n
An
Ai ;
i 1
如果
An
,
n
1
是一递减的事件序列,那么我们定义一个新的事件,记为
随机过程第一章(1)
通信与控制问题的研究,如信号的接收、声音与图
像的再现,运动目标的自动跟踪,导航系统的设计,工业
生产过程中的控制系统的设计等. 服务系统的研究,如电话通信,船舶装卸,机器维
修,病人候诊,存货控制,水库调度,购物排队,红绿灯
转换. 经济学领域关于价格波动,商业循环,最优决策,
P( A | Bi ) P( Bi )
P( A | B ) P( B )
j 1 j j
n
上式称为贝叶斯公式。
全概率公式和贝叶斯公式
★ 全概率公式和贝叶斯公式的应用场合 全概率公式用于在许多情况(B1,B2,…,Bn)下都可能 发生事件A,求发生A的全概率;
贝叶斯公式则用于当A已经发生的情况下,求发生事件A
则称B1,B2,…,Bn为S的一个划分。反之,若B1,B2,…,Bn是S的一个 划分,则作一次试验E,事件B1,B2,…,Bn 中必有一个且仅有一个发生。 设A为E的事件, B1,B2,…,Bn为S的一个划分,则全概率公式为
P( A) P( A | B1 ) P( B1 ) P( A | B2 ) P( B2 ) ... P( A | Bn ) P( Bn ) P( A | Bi ) P( Bi )
4、设A,B为两事件,若 A B ,则有 P( A) P( B) 。
条件概率
★
条件概率的定义
设A,B为试验E的两个事件,在事件A发生的条件下,事件 B发生的概率叫做条件概率,记为 P( B | A) 。
★
概率的乘法定理
两个事件乘积的概率等于其中一个事件的概率乘以另一事件
在此事件发生的条件下的条件概率,即
稳定增长,人口控制及预测等问题的研究.
随机过程第一章
• 常见随机变量的分布见下页的表:
x
f (t )dt .
表1 几种常见分布的均值与方差
分布 0-1分布
分布率或 密度函数
P( X k ) p k (1 p)1k k 0,1
数学期望 p
np
方差 p(1-p)
np(1-p)
k k 1 k 二项分布b(n,p) P( X k ) Cn p (1 p)
k
bij Cov( X i , X j )
称矩阵
i, j 1,2,, n
b1n b2 n bnn
b11 b21 B b n1 为协方差矩阵.
b12 b22 bn 2
定义3 若n维随机变量 ( X1 ,, X n )的联合概率 密度为
E ( XY ) E ( X ) E (Y )
方差是衡量随机变量取值离散程度的一个量.
2 X 定义 设 是随机变量,若 E[ X E( X )] 存在,则称 2 E[ X E( X )] 为X的方差,记作D(X),即
D( X ) Var(X) E[ X E ( X )]
则称P是(Ω,F )上的概率. (Ω,F ,P)称为概率空 间,P(A)为事件A的概率.
1.2 随机变量及其分布 • 随机变量是概率论的主要研究对象,随机变量的统计规 律用分布函数来描述. 定义1.4 设(Ω,F ,P)是概率空间. X=X(e)是定义在Ω上 的实函数, 若对任意实数x,{e:X(e)≤x}∈F,则称X(e) 是F上的随机变量,简记为X. 称 F(x)=P(e:X(e)≤x), -∞<x<+∞ 为随机变量X的分布函数.
n维随机变量及其概率分布
随机过程 (1)
同济大学数学系
第一章 预备知识
1.1 1.2 1.3 特征函数 多元正态分布 条件分布与条件期望
第一章
1.1 特征函数 复值随机变量:
预备知识
Z
X iY, X 和 Y 是两
实值随机变量,Z 的分布定义为二维随机变量 ( X , Y ) 的联合分布 数字特征:
数学期望:
E(Z )
E ( X ) iE(Y )
解
(t ) P( X k )e Cnk p k (1 p)nk eikt
ikt k 0 k 0
n
n
Cnk ( peit )k (1 p)nk ( peit 1 p)n ( peit q)n .
k 0
n
其中 q 1 p . 特别地,若随机变量 X 服从 0-1 分布 B (1, p ) , X 的特征函数为
tn 0
i j1 E X 1k1
k j
n
kn Xn
;
( 5 )设 Y k1 X 1 k n X n k 0 , 其中 k 0 , , k n 均为实常数,则
Y ~ Y (t ) eik0t k1t ,
c
, knt .
(6)分布函数与特征函数一一对应.
2
).
伽玛(Gamma)分布 度函数为
若连续型随机 变量 X 的密
a x a 1 x e ,x 0 f ( x) ( a ) 0, x 0
其中 0, a 0, (a) x a1e x dx ,称 X 服从伽玛(Gamma) 0 分布 G ( , a ) .同样可计算得到它的特征函数为:
随机过程第1章 引论
12
1.1 概率
于是,我们有
因此,三人中没有人选到他自己的帽子的概率是
13
1.1 概率
独立事件
如果
那么两个事件E和F称为独立的(independent). 这蕴含了如果P(E|F)=P(E),那么E和F是独立的(它也蕴含了P(F|E)=P(F)). 这就是,如果F已经发生这个事实并不影响E发生的概率,那么E和F就是独立 的. 也就是E的发生独立于F是否发生.
我们则称 为事件 的概率.
例1.1 在掷硬币的例子中,如果我们假定硬币出现正面与出现反面是等可 能的,那么我们有:P({正面})=P({反面})=1/2. 如果我们有一枚不均匀的硬币,它出现正面的可能是出现反面的两倍,那么 P({正面})=2/3, P({反面})=1/3.
7
1.1 概率
例1.2 在掷骰子的例子中,如果我们假定6个数的出现是等可能的,那么我
M.)著,龚光鲁 译,人民邮电出版社,2011.5
2
第1章 引论
1.1 概率 1.2 随机变量、分布函数及数字特征 1.3 条件期望和矩母函数 1.4 随机过程的概念及分类
3
1.1 概率
随机试验、样本空间与事件
概率论的一个基本概念是随机试验. 一个试验(或观察),若它的结果预先无
法确定,则称之为随机试验,简称试验(experiment). 所有试验的可能结果组 成的集合,称为样本空间,记作 . 中的元素则称为样本点,用 表示.
P( FE ) P( F ) P( E | F )
7 6 42 . 12 11 132
例1.8 假定参加聚会的三个人都将帽子扔到房间的中央. 这些帽子先被弄混了,
随后每个人在其中随机地选取一个. 问三人中没有人选到他自己的帽子的概率 是多少?
随机过程方兆本1.2条件期望和矩母函数
①若对任何包含y的小区间y总有P(Yy)=0,则
定义为
P(XA|Y=y)=0; ②若P(Yy)>0,则定义为
P{X A | Y y} lim P{X A | Y y} y0
这里y0的意思是使包含y的小区间的长度缩小
Poisson分布
Π()
正态分布
N(,2)
指数分布
P()
均匀分布 U[a,b]
概率分布或密度
P(X
k)
C
k n
p
k
q
n
k
,
k 0,1,, n
P( X k) k e , k 0,1,2,
k!
f (x)
1
( x )2
e 2 2
2
ex , x 0
f (x) 0, x 0
f
(x)
b
所以 P(T k | S 1) P{S 1,T k} 1
P(S 1) n
命题1.1 ① 若X与Y独立,则 E(X|Y=y)=E(X);
② 条件期望的平滑性
E[E(X | Y )] E(X | Y y)dFY ( y) E(X )
③ 对随机变量X, Y的函数(X,Y), 有
E[(X ,Y ) | Y y] E[(X , y) | Y y]
则f(x|y)称为在给定Y=y时X的条件密度.
显然有
x
F (x | y) f (s | y)ds
E(X | Y y) x f (x | y)dx
条件期望通常统一记为
E(X | Y y) x dF(x | y)
注: E(X|Y=y) 表示一个数值; E(X|Y) 表示随机变量.
随机过程知识点-概率空间
第一章:预备知识§1.1 概率空间随机试验,样本空间记为Ω。
定义1.1 设Ω是一个集合,F 是Ω的某些子集组成的集合族。
如果 (1)∈ΩF ;(2)∈A 若F ,∈Ω=A A \则F ; (3)若∈n A F , ,,21=n ,则∞=∈1n nAF ;则称F 为-σ代数(Borel 域)。
(Ω,F )称为可测空间,F 中的元素称为事件。
由定义易知: .216\,,)5)4(111F A A A i F A F B A F B A F i i n i i n i i i ∈=∈∈∈∈∅∞=== ,,则,,,)若(;则若(;定义1.2 设(Ω,F )是可测空间,P(·)是定义在F 上的实值函数。
如果()()()()∑∞=∞==⎪⎪⎭⎫ ⎝⎛∅=⋂≠=Ω≤≤∈1121,,,31210,)1(i i i i j i A P A P A A j i A A P A P F A 有时,当)对两两互不相容事件(;)(;任意则称P 是()F ,Ω上的概率,(P F ,,Ω)称为概率空间,P(A)为事件A 的概率。
定义1.3 设(P F ,,Ω)是概率空间,F G ⊂,如果对任意G A A A n ∈,,,21 ,,2,1=n 有: (),11∏===⎪⎪⎭⎫⎝⎛ni i n i i A P A P则称G 为独立事件族。
§1.2 随机变量及其分布随机变量X ,分布函数)(x F ,n 维随机变量或n 维随机向量,联合分布函数,{}T t X t ∈,是独立的。
§1.3随机变量的数字特征定义1.7 设随机变量X 的分布函数为)(x F ,若⎰∞∞-∞<)(||x dF x ,则称)(X E =⎰∞∞-)(x xdF为X 的数学期望或均值。
上式右边的积分称为Lebesgue-Stieltjes 积分。
方差,()()[]EY Y EX X E B XY --=为X 、Y 的协方差,而 DYDX B XYXY =ρ为X 、Y 的相关系数。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
解 mZ (t ) = E[∑ X k e j (ω0t +Φ k ) ] = 0
k =1 n
n
R Z ( s, t ) = E[∑ X k e j (ω0 s +Φ k ) ⋅ ∑ X k e j (ω0t +Φ k ) ]
k =1 k =1
n
= E[∑∑ X k X l e − j (ω0 s +Φ k ) e j (ω0t +Φ l ) ]
随机过程——西安电子科技大学数学系 冯海林
4. 相关函数 设X={Xt , t∈T}是一实值随机过程,对任意s,t∈T, 若 E[XsXt] 存在, 则称E[XsXt]为随机过程Xt的相关函数. (自相关函数) 记RX(s,t).即 RX(s,t)= E[XsXt] s,t∈T 显然 mX(t)=0时, CX(s,t)= RX(s,t)
随机过程的数字特征
虽然有限维分布函数族能够比较完整的描述随机过程 的统计特征,但是在实际中很难得到. 思考:还可以用什么工具表征随机过程的一些特点?
随机过程——西安电子科技大学数学系 冯海林
下面介绍数字特征,内容包括: 随机过程的数字特征 两个随机过程的数字特征 复随机过程的数字特征
随机过程——西安电子科技大学数学系 冯海林
随机过程的数字特征
1. 均值函数 设X={Xt , t∈T}是一实值随机过程,对任意t∈T,若 E[Xt ]存在, 则称E[Xt ]为随机过程X的 均值函数,记为mX(t), 即 mX(t)= E[Xt ], t∈T
随机过程——西安电子科技大学数学系 冯海林
2. 方差函数 设X={Xt , t∈T}是一实值随机过程,对任意t∈T,若 D[Xt ]=E[Xt -mX(t)]2存在, 则称D[Xt ]为随机过程X的方差函数, 记DX(t). 即 DX(t)= E[Xt -mX(t)]2 ,t∈T
随机过程——西安电子科技大学数学系 冯海林
5. 均方值函数 设X={Xt , t∈T}是一实值随机过程,对任意t∈T,若 E[Xt]2存在 则称E[Xt]2为随机过程X的均方值函数,记为ΦX(t).即 ΦX(t)= E[Xt]2 t∈T
随机过程——西X(s,t)=RX(s,t)-mX(s)mX(t) DX(t)=CX(t,t) ΦX(t)=RX(t,t) t∈T t∈T s,t∈T
= RX ( s , t ) a2 = cos ω (t − s ), 2
a2 ∴ DX (t ) = C X (t , t ) = 2
− ∞ < s, t < +∞
− ∞ < t < +∞
随机过程——西安电子科技大学数学系 冯海林
2. 设S.P. Xt=Acosωt+Bsinωt t≥0, ω为常数. A,B相互独立,同服从正态分布N(0,σ2) 求该过程的数字特征.
RX ( s, t ) = E[ X s X t ]
2π
=∫
2π
0
1 2 a cos(ω s + θ ) cos(ωt + θ )dθ 2π − ∞ < s, t < +∞
a2 = cos ω (t − s ), 2
随机过程——西安电子科技大学数学系 冯海林
Q C X ( s, t ) = RX ( s, t ) − m X ( s )m X ( t )
0
n
固定正整数, X 1 , X 2 , L , X n , Φ1 , Φ 2 , L , Φ n 是相互独立 的实随机变量,且 EX k = 0, DX k = σ k2 , Φk~U[0,2π], k=1,2,…,n. 计算S.P.{Zt ,t∈R}的均值函数和相关函数.
k =1
随机过程——西安电子科技大学数学系 冯海林
随机过程——西安电子科技大学数学系 冯海林
由以上定义可得 (1) mZ(t)=mX(t)+jmY(t) t∈T
(2) DZ(t)= DX(t)+DY(t)
t∈T
(3) CX(s,t)=RZ(s,t)-mZ(s)mZ(t) s,t∈T
随机过程——西安电子科技大学数学系 冯海林
举例
Zt = ∑ X k e j ( ω t +Φk ) ,t ∈ R , 其中ω0为正常数, n为 设
复随机过程的数字特征
定义 设{Zt, t∈T}是复S.P. 对任意t ∈T,称 mZ(t)=E[Zt] 为复S.P.的均值函数 称 DZ(t)=D[Zt] =E| Zt- mZ(t)|2 为复S.P.的方差函数
随机过程——西安电子科技大学数学系 冯海林
称 ΦZ(t)=E|Zt|2 为复S.P.的均方值函数. 对任意的s,t∈T,称 RZ(s,t)=E[ZsZt] 为复S.P.的相关函数. 称 CX(s,t) =cov(Zs,Zt) =E[(Zs-mz(s))(Zt-mz(t))] 为复S.P.的协方差函数.
解
mX (t ) = E[ X t ] = 0
− ∞ < t < +∞
RX ( s, t ) = E[ X s X t ]
= E[ A ]cos ω s cos ωt + E[ AB](sin ω s cos ωt + cos ω s sin ωt )
2
+ E[ B 2 ]sin ω s sin ωt 2 = σ cos ω (t − s ) − ∞ < s, t < +∞
随机过程——西安电子科技大学数学系 冯海林
定义 设{Xt, t∈T}, {Yt, t∈T}是二个 S.P.若 CXY(s,t)=0 或 RX,Y(s,t)= mX(s)mY(t) s,t∈T, 则称S.P {Xt, t∈T},与S.P {Yt, t∈T}不相关.
随机过程——西安电子科技大学数学系 冯海林
最关键的数字特征是均值函数与相关函数
随机过程——西安电子科技大学数学系 冯海林
数字特征练习 1. 设S.P. Xt=acos(ωt+Θ). a, ω常数, Θ~U[0, 2π] 求该过程的均值函数,相关函数,方差函数.
解
mX (t ) = E[ X t ]
1 =∫ ⋅ a cos(ωt + θ )dθ 0 2π =0 − ∞ < t < +∞
k =1 l =1 n n
n
n
= E[∑∑ X k X l e j ( Φl −Φ k ) ]e jω0 ( t − s )
k =1 l =1
=e
jω0 ( t − s )
∑σ
k =1
n
2 k
随机过程——西安电子科技大学数学系 冯海林
随机过程——西安电子科技大学数学系 冯海林
3. 协方差函数 设X={Xt , t∈T}是一实值随机过程,对任意s,t∈T, 若 Cov(Xs, Xt)=E[Xs-mX(s)][Xt -mX(t)]存在, 则称Cov(Xs, Xt)为随机过程X的协方差函数.记 CX(s,t). 即 CX(s,t)= E[Xs-mX(s)][Xt -mX(t)] s,t∈T
随机过程——西安电子科技大学数学系 冯海林
两个随机过程的数字特征
互相关函数 设{Xt,Yt, t∈T}是二维S.P. 对任意s,t∈T,若 E[XsYt]存在, 则称 E[XsYt]=RX,Y(s,t) 为该二维S.P.的 互相关函数
随机过程——西安电子科技大学数学系 冯海林
设{Xt,Yt, t∈T}是二维S.P. 对任意s,t∈T,若 cov(Xt,Yt)=E[(Xs-mX(s))(Yt-mY(t)]存在, 则记 cov(Xt,Yt)= CXY(s,t) 称为二维S.P.的互协方差函数 显然有 CXY(s,t)=RXY(s,t)-mX(s)mY(t)