(完整版)随机过程知识点汇总

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
X ，分布函数 F (x) P(X x) 1．随机变量 离散型随机变量 X 的概率分布用分布列 p P(X x k ) F(x)
p k
f (t)dt
分布函数
k
x
X 的概率分布用概率密度 f (x)
F(x)
分布函数
连续型随机变量 2．n 维随机变量 X (X ,X , , X ) 1 2 n F(x) F(x ,x , ,x ) P(X x , X 2 x , , X n x n ,)
其联合分布函数 1 2 n 1 1 2 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 X
EX x p k
k
X
EX xf (x)dx
连续型随机变量
2
DX E(X EX) 2 EX (EX) 2
方差：
反映随机变量取值 的离散程度
协方差（两个随机变量 X ,Y ）：
B E[( X EX)(Y EY)] E(XY) EX EY
XY
B XY
相关系数（两个随机变量
X,Y ）：
0，则称 X ,Y 不相关。

若
XY
DX DY
独立
不相关
itX
g(t) E(e )
itx
e p k 连续 g(t)
k
e itx
f (x)dx
４．特征函数
离散 g(t) 重要性质： g(0) 1，
g(t) 1 g( t) g(t)
，
， g (0) i EX k
k k
５．常见随机变量 的分布列或概率密度、期望、方差 ０－１分布 二项分布
P( X 1) p,P( X 0) q
EX p
DX pq
P(X k) C p q n k
k k
EX np
DX n p q
n
k
泊松分布
P( X k) e
k!
EX
DX
均匀分布略
( x a)2
1 2
N(a, ) f (x)
2
2
2
EX a
正态分布
e
DX
2
x
e ,x 0 0, x 0
1
1
指数分布
f (x)
EX
DX
2
X (X ,X , ,X ) 的联合概率密度 X ~ N(a, B) ６．Ｎ维正态随机变量
1 2 n
1
1 2
T 1
(x a) B (x a)}
f (x , x , , x n ) exp{ 1
1 2
n 2
(2 ) | B |2
a (a ,a , ,a )， x (x , x , ,x )， B (
b ) 正定协方差阵 1 2 n 1 2 n ij n n
二．随机过程 的基本概念 １．随机过程 的一般定义
设 ( , P)是概率空间， T 是给定 的参数集，若对每个 t T ，都有一个随机变量 X 与之对应， X(t,e),t T ( , 是
P)上 的随机过程。

简记为 X(t),t T 。

则称随机变量族
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。

t 当固定时， X (t,e)是随机变量。

当 e 固定时， X (t,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 I 是否可列，分四类。

也可以根据 X (t)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
X (t),t T 的一维分布，二维分
布，⋯， n 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。

m (t) EX(t)
X
X(t),t T
（１）均值函数
t
在时刻 的平均值。

表示随机过程
（２）方差函数 D (t) E[X(t) m (t)] 2
t 对均值 的偏离程度。

表示随机过程在时刻
X X B (s,t ) E[( X (s) m (s))( X (t) m (t))] X X X
B (t,t) D (t) 且有
（３）协方差函数 （４）相关函数
X X
E[ X (s)X (t)] m (s)m (t) X X
R (s,t) E[ X(s)X(t)]
X
(3) (4)
表示随机过程在时刻 s t 和 ，时 的线性相关程度。

（５）互相关函数： 数。

X(t),t T ， Y(t),t T 是两个二阶距过程，则下式称为它们 的互协方差函
B (s, t) E[( X (s) m (s))(Y(t) m (t))] X Y X Y
，那么 R (s,t) E[ X(s)Y(t)]，称为互相关函数。

XY
E[X (s)Y(t)] m (s)m (t ) X Y
E[X(s)Y(t)] m (s)m (t)，则称两个随机过程不相关。

若 X Y ３．复随机过程
Z X t jY t
t
均值函数 m (t) EX t jEY t
Z
方差函数
D (t) E[| Z m (t) |]2 E[(Z m (t))(Z m (t))] Z t Z t Z t Z
B (s,t) E[(Z m (s))(Z m (t))] Z s Z t Z
R (s,t) E[Z Z t ]
协方差函数
相关函数
Z s E[Z Z ] m (s)m (t) s t Z Z
４．常用 的随机过程
2
（１）二阶距过程：实（或复）随机过程 X(t),t T ，若对每一个 t T ，都有 E X (t)
（二
阶距存在），则称该随机过程为二阶距过程。

t 1 t t t T ，有
2 3 4
（2）正交增量过程：设
X(t),t T 是零均值 的二阶距过程，对任意 的 E[( X(t ) X(t ))(X(t ) X(t ))] 0，则称该随机过程为正交增量过程。

2 1 4 3
2
X
其协方差函数 B (s,t) R (s,t) (min(s,t))
X X
（3）独立增量过程：随机过程 X(t),t T ，若对任意正整数 n 2，以及任意 的 t t 2 1
t n T ，
X(t ) X (t ), X (t ) X(t ), ,X(t ) X(t )是相互独立 的，则称 X(t),t T 是独立 随机变量
2 1 4
3 n n 1
X(t),t T
是独立增量过程，对任意
s t ，随机变量 X (t) X (s) 的分
增量过程。

进一步，如
布仅依赖于
t s ，则称 X(t),t T 是平稳独立增量过程。

X(t),t T 具有马尔可夫性，即对任意正整数 n 及
（ 4）马尔可夫过程：如果随机过程
t 1 t 2
t n T ， P(X(t ) x , , X(t ) x ) 0，都有
1 1 n 1 n 1
P X(t ) x X(t ) x , , X(t ) x n 1
P X(t ) x X(t ) x n 1，则则称 X(t),t T n n 1 1 n 1 n n n 1
是马尔可夫过程。

X(t),t T
n 及 t 1,t , ,t T
，
2 n
（ 5）正态过程：随机过程
，若对任意正整数
X(t ), X(t ) X(t )）是 n维正态随机变量，其联合分布函数是
（n维正态分布函数，则称
1 2 n
X(t),t T是正态过程或高斯过程。

（6）维纳过程：是正态过程的一种特殊情形。

设W(t), t 为实随机过程，如果，① W(0) 0；②是平稳独立增量过程；③对任意s,t增
2
W(t) W(s) ~ N(0, t s) 2
量W (t) W(s)服从正态分布，即0。

则称
W(t), t 为维纳过程，或布朗运动过程。

另外：①它是一个 Markov过程。

因此该过程的当前值就是做出其未来预测中所需的全部信息。

②维纳过程具有独立增量。

该过程在任一时间区间上变化的概率分布独立于其在任一的其他时间区间
上变化的概率。

③它在任何有限时间上的变化服从正态分布，其方差随时间区间的长度呈线性增加。

（7）平稳过程：
X(t),t T n t ,t , ,t T，
及
1 2 n
严（狭义）平稳过程：，如果对任意常数和正整数
t1 ,t2 , ,t n T，（X (t ), X(t ) X(t )）与（X(t1 ), X(t 2 ) X(t n )）有相
1 2 n
X(t),t T
同的联合分布，则称是严（狭义）平稳过程。

X(t),t T X (t),t T
是二阶距过程；②对任意的t T，
广义平稳过程：随机过程，如果①
m (t) EX(t)常数；③对任意s， t T R (s,t) E[ X(s)X(t)] R (t s)，或仅与时间
，
X X X
差t s有关。

则满足这三个条件的随机过程就称为广义平稳过程，或宽平稳过程，简称平稳过程。

第二章泊松过程
一．泊松过程的定义（两种定义方法）
１，设随机计数过程X(t),t 0，其状态仅取非负整数值，若满足以下三个条件，则称：X(t),t T 是具有参数的泊松过程。

① X (0) 0；②独立增量过程，对任意正整数n，以及任意的
t1 t2 t n T X(t ) X(t ), X(t ) X(t ), ,X (t ) X(t )相互独立，即不同时间间隔
2 1
3 2 n n 1
的计数相互独立；③在任一长度为t的区间中，事件Ａ发生的次数服从参数t 0的的泊松分布，即
( t) n
t
对任意t, s 0，有P X (t s) X (s) n e n 0,1,
n!
E[ X (t)]
，表示单位时间内时间Ａ发生的平均个数，也称速率或强度。

t
E[ X (t)] t，
２，设随机计数过程X (t),t 0，其状态仅取非负整数值，若满足以下三个条件，则称：X (t),t 0
是具有参数
的泊松过程。

① X (0) 0；②独立、平稳增量过程；③
P X (t h ) X (t ) 1 P X (t h ) X (t ) 2
h o (h ) 。

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 s ( t 1) s t m (t ) E [ X (t )]
X
t D [X (t )] R (s ,t )
X
１，数字特征
t ( s 1) s t
B (s ,t ) R (s ,t ) m (s )m (t ) min(s ,t )
推导过程要非常熟悉
X X X
X ２， T n
n 1事件Ａ发生到第 n 次事件发生 的时间间隔，
T ,n 1是时间序列，随机变量 T n
n
表示第 t
t
e ,t 0 1 e ,t 0 服从参数为
的指数分布。

概率密度为 f (t )
，分布函数 F (t ) 均值
T 0,
t 0
n
0,
t 0
1
为 ET n
证明过程也要很熟悉 三．非齐次泊松过程
到达时间 的分布 略
到达强度是 t 的函数
P X (t h ) X (t ) 1 (t )h o (h )
① X (0) 0；②独立增量过程；③ 。

不具有平稳增量
P X (t h ) X (t ) 2 o (h )
性。

t m (t ) E [X (t )]
X
(s )ds
均值函数
t 定理： X (t ),t 0是具有均值为 m (t )
X
(s )ds 的非齐次泊松过程，则有
[ m (t s ) m (t )] n
X
X P X (t s ) X (t ) n
exp [m (t s ) m (t )]
X X
n !
四．复合泊松过程 N (t ),t 0 Y ,k 1,2,
k
设
是强度为
的泊松过程，
是一列独立同分布 的随机变量，且与
N (t )
N (t ), t 0独立，令 X (t )
Y k 则称 X (t ),t 0为复合泊松过程。

k 1
重要结论：
X (t ),t 0是独立增量过程；若 E (Y 2)
1
E [ X ( t ) ] tE ( Y ，)
1
，则
D[X(t)] tE(Y 2)
1
第五章马尔可夫链
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t
所处的状态为已知的条件下，
过程在时刻t t 0所处状态的条件分布与过程在时刻t 0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(t ) x X(t ) x , , X(t ) x n 1 P X(t ) x X(t ) x n 1
n n n 1
n n 1 1 n 1
一．马尔可夫链的概念及转移概率
1．定义：设随机过程X ,n T，对任意的整数
n n T和任意的i0,i , ,i n 1 I，条件概率满足
1
P X n 1 i n 1 X0 i0, X i , , X n i n P X n 1 i X n i n
n 1
X ,n T
为马尔可夫
n
，则称
1 1
链。

马尔可夫链的统计特性完全由条件概率P X n 1 i n 1 X n i n 所决定。

P X n 1 j X n i n i
处于状态的条件下，下一步转2．转移概率相当于随机游动的质点在时刻
移到j的概率。

记为p (n)。

则p ij (n) P X n 1 j X n
ij i n的一步转移概称为马尔可夫链在时刻
p (n)与n无关，记为p。

率。

若齐次马尔可夫链，则
ij ij
P [ p ] i, j I
ij I 1,2, p ij 0，每行的和
称为系统的一步转移矩阵。

性质：每个元素
为 1。

p ij (n) P X m n j X m = i P(n) [ p ] i, j I
(n)
3．n步转移概率移矩阵。

；I 1,2, n
称为步转ij
重要性质：① p ij (n) p ik p kj (n l )称为 C K方程，证明中用到条件概率的乘法公式、马尔可夫
(l )
k I
性、齐次性。

P X m i , X m n j
p ij (n) P X m n j X m
i
P X m i P X m i, X m l k, X m n
P X m j
k T
i
掌握证明方法：
P X m i, X m l k, X m n j P X m i, X m l
k
P X m
i , X m l
k P X m i k T
(n l ) kj
(l ) ik
(l ) p
ik
(n l ) p
kj
p
(m l) p (m)
k I
k I
② P (n) P n
说明步转移概率矩阵是一步转移概率矩阵 的
n
n 次乘方。

4． X ,n T 是马尔可夫链，称
n
p P X 0
j
j 为初始概率，即
0时刻状态为 j 的概率；称
T
p (n) P X n j 为绝对概率，即 n 时刻状态为 j 的概率。

P (0) p 1, p 2,
为初始概率向量，
j T
P (n)
p 1(n), p (n),
2
为绝对概率向量。

p p ij 矩阵形式： P (n) P (0)P (n) (n) T T
定理：① p (n)
j
p (n)
j
p (n 1)p ij
i
② i
i I
i I
定理： P X 1 i 1, X 2 i 2, , X n i n
p i p ii p i
i
n 1 n
说明马氏链 的有限维分布完全由它 的初
1
i I
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
d 1，则称该状态是周期 的；若
d GC D n : p ii(n) 0。

若
d 1，则称该状态是非周期 的。

2．首中概率： f ij(n)表示由出发经 n 步首次到达
i
j 的概率。

f ij(n)表示由出发经终于（迟早要）到达
i
j 的概率。

f 3． ij
n 1
4．如果 f 1，则状态是常返态；如果 i f ii 1，状态是非常返（滑过）态。

i
ii 5．
nf ii(n) ，
表示由 i 出发再返回到 i 的平均返回时间。

若
i
，则称是正常返态；若
i
i
i
n 1
则称 i 是零常返态。

非周期 的正常返态是遍历状态。

1 (n)
(n)
i
6．状态是常返充要条件是
p ；状态 i 是非常返充要条件是
p。

ii
ii
1 f ii
n 0
n 0
i j i j,即i j 且j i 。

如果 i
j i
，则他们同为常返态或非常返态，；若，
7．称状态与互通， j 同为常返态，则他们同为正常返态或零常返态，且
i ， j 有相同 的周期。

1
lim p ii(n)
0。

一个不可约 的、非周期 的、有限状态 的马尔可
i
8．状态是遍历状态 的充要条件是 n
i
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 C 是状态空间
i C ，状态 j C ，都有 p 0（即从出发
i
ij
经一步转移不能到达 j ），则称 C 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
I 的一个闭集，如果对任意 的状态
X , n T 不可约。

或者说除了 n
C 之外没有其他闭集，则称马尔可夫链 可约，则马尔可夫链 X ,n T 不可约。

n
(n)
2． C 为闭集 的充要条件是：对任意 的状态 i C ，状态 j C ，都有
p
0。

所以闭集 的意思是自
ij
C 的内部不能到达 C 的外部。

意味着一旦质点进入闭集
C 中，它将永远留在 C 中运动。

如果 p 1，则状态为吸收 的。

等价于单点 i i
为闭集。

ii
3．马尔可夫链 的分解定理：任一马尔可夫链 的状态空间 I ，必可唯一地分解成有限个互不相交 的子 集 D,C ,C , C n C C 的和，①每一个
都是常返态组成 的不可约闭集；②
中 的状态同类，或全是
n
1 2
n f ij 1。

③ D 是由全体非常返态组成。

正常返态，或全是零常返态，有相同 的周期，且
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 D ，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 C ,C , C n
1 2。

含义：一个马尔
可夫链如果从 D 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 C
，
n
，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
n 永远在该闭集 C n
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
I D C C 2
1
C ，
D 是非常返集合， C ,C , C 是正常返集合。

n 1 2 n
不可约有限马尔可夫链只有正常返态。

四． p ij(n) 的渐近性质与平稳分布 (n)
1．为什么要研究转移概率 p 的遍历性？ ij
(n)
( n)
lim p
ij
n
p n
P X n j X 0 i
的极限分布，包含两个问题：一是
研究 当 时 的极限性质，即 ij 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 i, j I ，存在不依赖于 i 的极限 lim p ij(n) p 0，则称马尔可夫链具有遍历性 。

一个
j
n
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 n 充分大时，转移到状态
j 的概率都近似等于 p ，
j ( n)
p ij
这时可以用 p 作为
的近似值。

j 2．研究平稳分布有什么意义？
(n)
ij
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
lim p
来解决， n
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
1
(n)
ij lim p
=
, j I 。

n
j
3． X ,n 0是齐次马尔可夫链，状态空间为
n
I ，一步转移概率为
p ij
，概率分布
, j I
称为
j
j i
p ij
i I
马尔可夫链 的平稳分布，满足
1
j
j I
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 1 , j I 。

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 。

布
j
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 k ，使 p ij(k ) 0，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。

2
宽平稳过程：满足三个条件：二阶矩过程
E[ X (t) ]
；均值为常数
E[ X (t)]
常数；相关函数只
( ,
与时间差有关，即 R t t
X
)
( ) (
E X t X t
)
R X ( )。

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 X(t),t T 和 X(t),t T 是两个平稳过程，若它们 的互相关函数 E X (t)Y(t
)及
E Y(t) X (t
)仅与时间差
有关，而与起点
和
t 无关，则称 X (t) Y(t)是联合平稳随机过程。

即， R (t,t
XY
) E X (t)Y(t )
R ( ) R (t,t ) E Y(t )X (t
)
R ( )
YX
XY YX
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：①
R (0) 0；② R ( ) R ( )，对于实平稳过程， R ( )是偶函数。

③
X X X X
R ( ) R (0)④非负定。

⑤若 X (t)是周期 的，则相关函数 R ( )也是周期 的，且周期相同。

⑥如 X X X
果 X (t)是不含周期分量 的非周期过程，
X (t)与 X (t
)相互独立，则 lim R ( ) m m 。

X
X X | |
联合平稳过程 X (t)和 Y(t) 的互相关函数，
R ( ) R (0)R (0)， R ( ) R (0)R (0)；
XY X Y YX X Y
R ( ) R ( )。

X (t)和 Y(t)是实联合平稳过程时，则， R ( ) R ( )。

XY YX XY YX 三．随机分析
略
四．平稳过程 的各态历经性 l..i m 1
2T T X (t)dt l..i m 1
１．时间均值 X (t)
T
T
T 时间相关函数 X (t)X (t ) X (t )X (t )dt
T
2T
T
X(t) E[X(t)] m (t)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。

X
２．如果
如果 X (t)X (t ) E[ X (t)X (t )] R ( )以概率１成立，则称均方连续 的平稳过程 的相
X
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 (t)]
E[X(t)X(t )]必定与 t 无关，即各态历经过程必是平稳过程。

与 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。

具有各态历经性。

只在一定条件下 的平稳过程，才
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
1 2T 2
lim
(1
)(R ( ) m )d 0
X X
T
2T
2T
2T
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
1 2T
2
1
B( ) E[ X (t)X (t
1
) X (t 1)X (t
1
)]
lim (1 )[ B( ) R ( ) ]d 0
1 X
T
2T
2T
2T
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 (t), t T ，由于 X (t)均方 T
t T
随机过程 X(t),
t
为均方连续过程，作截尾处理
X (t)
T
0,
T
j t
j t
F T
可积，所以存在 FT ，得 ( , )
X t e dt ( )
X t e dt
( ) ，利用 paserval 定理及 IFT 定义 T T
得
2
F ( ,T) d
T 1 2
2
X (t)dt X (t)dt
该式两边都是随机变量，取平均值，这时不仅要
T
T
2
对时间区间 [ T,T ]取，还要取概率意义下 的统计平均，即
1 1
1 1 1
T 2
2
2
lim E
X (t) dt l T im 2
E
F ( ,T ) d
lim E F ( ,T) d
2T
T
2T
2
2T T
T
1 T 2
2
X(t), t
定义
lim
E
X (t) dt 为
平均功率。

2T
T
T
1 2
X(t), t
s X ( ) lim E F ( ,T)
为
功率谱密度，简称谱密度。

2T
T
X(t),
t
可以推出当
是均方连续平稳过程时，有
1 T 1 T 2
2
2
2
lim E
T
X (t) dt lim T
E X (t)
E X (t)
R (0)
X
2T
2T
T T
1 2
s ( )d
X
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
2
的积分。

２．平稳过程 的谱密度和相关函数构成
FT 对。

1 j
s X ( )e d
j
R (e ) d
X
s X ( ) R ( )
X
2
X n ,
0, 1, 2,
若平稳随机序列
FT 对
，则其谱密度和相关函数构成 n 1 j n
( j ) n
R n e
X
R (n)
X
s X ( )e d
s X ( )
2
n
二．谱密度 的性质
j
R ( )e d
X
１．① s ( ) R ( ) 的 FT s ( ) 是 。

X X X X(t), t
R ( ) R ( ) s ( )是也实 的非负偶函
，
X X X
如果
是均方连续 的实平稳过程，有
数，则
1
s X ( ) 2 R ( )cos( )d R ( )
X
s X ( ) c o ds ( )
X
s ( )是
X
② 的有理分式，分母无实根。

s X ( )是一个频率函数，从频率域来描绘 X (t)统计规律 的数字特征，而 X (t)
s X ( )就反映了各种频率成分所具有 的能量大小。

２．谱密度 的物理含义，
是各种频率简谐波 的叠加， ３．计算
可以按照定义计算，
2a
2
2
2
2 ( ) e a
也可以利用常用 的变换对
(t)
1 1
a 0
a 2
cos( ) [ ( 0
) (
)] sin( ) j [ (
sin
) (
)]
0 0
1, 0,
R ( ) e j
X
s (
X
) R ( T) s ( ) e j T
0 等
0 X X
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。

X(t), t
２．白噪声过程：设
为实值平稳过程，若它 的均值为零，且谱密度在所有 的频率 范围内为非零 的常数，即 s ( ) N
X
X(t), t
，则称
为白噪声过程。

是平稳过程。

其相关函数为 R ( ) N ( )。

表明在任意两个时刻 t t X (t ) X(t )不相关，即白噪声随时 和， 2
和 X 0 1 1 2
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
1 j
R ( e j ) s X ( )
Y
d R ( )
XY
s XY ( )e d X Y 2 1 j
R ( e j )
Y X
s ( )
Y X
d
R ( )
YX
s YX ( )e d
2
２．性质
s XY ( ) s ( ) s ( ) 的实部是 的偶函数，虚部是
的奇函数， s ( )也是。

YX
XY XY
2
s ( )
XY
s X ( ) s ( )；若 X (t) Y(t)相互正交，有 R ( ) 0，则 s XY ( ) s ( ) 0
和
Y
XY YX。

五．平稳过程通过线性系统 １．系统 的频率响应函数 H ( )（也可以写成 H ( j )）一般是一个复值函数，是系统单位脉冲响应
的 FT 。

1 j t
j t
H ( )e d
H ( ) h(t)e dt
h(t)
2
２．系统输入 X (t)为实平稳随机过程，则输出 Y(t)也是实平稳随机过程。

即输出过程 的均值为常数， R ( ) R ( ) h( ) R ( ) h( ) h( ) 相关函数是时间差 的函数。

且有
Y XY X
说明输出过程 的相关函数可以通过两次卷积产生。

R ( ) R ( ) h( ) 的应用：给系统一个白噪声过程 X (t )，可以从实测 的互相关资料估计线
XY X
性
系
统
的
未
知
脉
冲
响
应。

因
为
R ( ) N ( )
X 0
，
R ( ) R ( ) h( ) N ( u)h(u)du N h( )，从而
0 0
XY X
R ( ) XY
h( )
N 0
2
３．输入输出谱密度之间 的关系
s Y ( ) H ( s)
X
( )
2
H ( )
H ( )H ( )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。

R ( )
X
s Y ( ) H ( ) s ( ) R ( )
Y
X
R ( ) R h s XY ( ) H ( )s ( )
( ) ( )，所以
X X
s ( ) H ( )s ( )
，
YX X
另外 XY 补充：排队轮
平均间隔时间 =总时间 /到达顾客总数 平均到达率 =到达顾客总数 /总时间
平均服务时间 =服务时间总和 /顾客总数 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
T 必服从负指数分布。

对于泊松分布，
表示单位时间平均到达的顾客数，所以
1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
t
f (t) e
t t
t d[e t ]
F(t) P{T t} e dt 其中表示单位时间能够服务完的顾客数，为服务
0 0
t
1 e
率；而
1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n个顾客，则称系统的状态是n。

瞬态和稳态：考虑在 t时刻系统的状态为n的概率，它是随时刻 t而变化的，用P n(t)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P
n
n个顾，表示系统中有
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L，也叫平均队长，即系统中的平均顾客数。

s
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L，也叫平均排队长，即
q
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W。

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s W。

逗留时间＝等待时间q
＋服务时间。

3）忙期：从顾客到达空闲服务机构起，到服务台再次变为空闲为止。

4）顾客损失率：由于服务能力不足而造成顾客损失的比率。

5）服务强度（服务机构利用率）：指服务设备工作时间占总时间的比例。

三．几种典型的排队模型
1．M / M /1/ / ：单服务台，系统容量无限，顾客源无限。

到达率，服务率，服务强度。

状态转移图，稳态概率方程得
n n P0 1 n个顾客的概率P n (1 ) P
系统中无顾客的系统中有
L s 1 L q
L s nP n L q W s W q
L q
1
且必有 L s L q
M / M /1/ N / W q
W W q
s
u
2．
：单服务台，系统容量为 N （说明若到了系统最大容量，
顾客将不能进入系统），
顾客源无限。

到达率，
服务率，
服务强度。

☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆
状态转移图，稳态概率方程 得
1 n
系统中无顾客 的 P 0
n 个顾客 的概率 P n P
系统中有
N 1
1
N 1
( N 1)
L s W W s
q
( 1 P )
1
L s
L q L (1 P ) W s s 0
N 1
1
1
3． M / M /1/ / m ：单服务台，系统容量无限，顾客源 m 。

到达率， 服务率。

状态转移图，稳态概率方程 得
1
m! (m n)!
n
n 1 n m
系统中无顾☆客 的 P 0
系统中有
个顾客 的概率 P n
( ) P 0 m
m! (m i)!( )i
i 0
( )(1 P 0)
m 1
1
L m
s
(1 P )；L q
m
L (1 P 0)
s
W s
W W s
q
(1 P ) 0
M / M / c / / 4. ：多服务台，系统容量无限，顾客源无限。

到达率， 服务率，
服务
c
强度。

状态转移图，稳态概率方程
得☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆
1
k
c
c 1
1
1 1 P
k!
系统中无顾客 的
c! k 0
1 n!
1 n
( ) P 0 n c 系统中有 n 个顾客 的概率 P n
n
( ) P 0
n c
c!c n c
c
c L s
L q
L L q
s
L q
P
W s
W q
2
c! 1。