21随机过程的基本概念和统计特性.

由于B(t1, t2)和R(t1, t2)是衡量同一过程的相关程度的， 因此， 它们又常分别称为自协方差函数和自相关函数。
对于两个或更多个随机过程，可引入互协方差及互相关 函数。设ξ(t)和η(t)分别表示两个随机过程，则互协方差函数 定义为：
Bξη(t1,t2)=E｛［ξ(t1)—aξ(t1)］［η(t2)—aη(t2)］｝ 而互相关函数定义为：
任给两个时刻t1, t2，则随机变量ξ(t1)和ξ(t2)构成一个二元随 机变量{ξ(t1), ξ(t2)}，
F2(x1,x2;t1,t2)=P｛ξ(t1)≤x1,ξ(t2)≤x2｝ (2.1 - 3)
称为随机过程ξ(t)的二维分布函数。
如果存在
2F2 ( x1, x2;t1,t2 ) x1 x2
第 2 章随机信号分析
2.1随机过程的基本概念和统计特性 2.2平稳随机过程 2.3高斯随机过程 2.4随机过程通过线性系统 2.5窄带随机过程 2.6正弦波加窄带高斯噪声
返回主目录
第 2 章 随机过程
2.1 随机过程的基本概念和统计特性
2.1.1随机过程
信号参数变化过程分成为两类。
1）、信号参数变化过程具有必然的变化规律，用数学语言来 说，其变化过程可以用一个或几个时间t的确定函数来描述， 这类过程称为确定性过程。例如，电容器通过电阻放电时， 电容两端的电位差随时间的变化就是一个确定性函数。
随机过程的定义：设Sk(k=1, 2, …)是随机试验。 每一次试 验都有一条时间波形，称为样本函数或实现，记作xi(t)，所有 可能出现的结果的总体{x1(t), x2(t)， …, xn(t)， …}就构成一
随机过程，记作ξ(t)。 ξ(t)代表随机过程，表示无穷多个 样本函数的总体，如图 2 - 1 所示。
注意： 具有各态历经性的随机过程必定是平稳随机过程， 但平稳随机过程不一定是各态历经的。在通信系统中所遇到 的随机信号和噪声， 一般均能满足各态历经条件。
2.2.3
对于平稳随机过程而言， 它的自相关函数是特别重要 的一个函数。其一，平稳随机过程的统计特性，如数字特征 等， 可通过自相关函数来描述；其二，自相关函数与平稳随 机过程的谱特性有着内在的联系。因此，我们有必要了解平 稳随机过程自相关函数的性质。
2. 方差
D[ (t)] E (t) E[ (t)] 2
D[ (t)] E[ (t)]2 [E (t)]2

x2

f1(x, t)dx
[a(t)]2
（2.2—4）
D［ξ(t)］常记为σ2(t)。
方差等于均方值与数学期望平方之差。它表示随机过程在 时刻t对于均值a(t)的偏离程度。
2）、信号参数变化过程没有一个确定的变化规律，用数学语 言来说， 这类事物变化的过程不可能用一个或几个时间t的确 定函数来描述，这类过程称为随机过程。下面我们给出一个 例子：
在相同的工作环境和测试条件下记录n台性能完全相同的 接收机输出噪声波形（这也可以理解为对一台接收机在一段时 间内持续地进行n次观测）。测试结果将表明，尽管设备和测 试条件相同，记录的n条曲线中找不到两个完全相同的波形。 这就是说，接收机输出的噪声电压随时间的变化是不可预知的， 因而它是一个随机过程。
B(t1,t2)=E｛［ξ(t1)—a(t1)］［ξ(t2)—a(t2)］｝

= [x1 a(t1)][ x2 a(t2 )] f2(x1,x2; t1,t2)dx1dx2
式中，t1与t2是任取的两个时刻；a(t1)与a(t2)为在t1及t2 时刻得到的数学期望；f2(x1,x2; t1,t2)为二维概率密度函数。
上式称为随机过程ξ(t)的一维分布函数。如果F1(x1, t1)对x1 的偏导数存在，即有
F1( x1, t1) x1

f1( x1, t1)
概率密度函数是 概率分布函数的导数
则称f1(x1, t1)为ξ(t)的一维概率密度函数。显然，随机过程 的一维分布函数或一维概率密度函数仅仅描述了随机过程在各 个孤立时刻的统计特性，而没有说明随机过程在不同时刻取值 之间的内在联系，为此需要进一步引入二维分布函数。
2）、若t2＞t1，并令t2=t1+τ，则R(t1, t2)可表示为
R(t1, t1+τ)。
3）、若t2=t1 ，R（0）=E[ξ2（t)]——均方值
以上分析表明：相关函数依赖于起始时刻t1及t2与t1之间的时 间间隔τ,即相关函数是t1和τ的函数。协方差和相关函数可以描 述随机过程随时间的变化程度——越平缓越大，反之越小。
S1
S2 Sn
样本空间
x1(t)
x2(t)
t t (t)
xn(t) t
tk
图 2- 1样本函数的总体
上例中接收机的输出噪声波形也可用图 2 - 1 表示：把对 接收机输出噪声波形的观测看作是进行一次随机试验，每次试 验之后，ξ(t)取图中所示的样本空间中的某一样本函数，至于 是空间中哪一个样本，在进行观测前是无法预知的，这正是随 机过程随机性的具体表现。其基本特征体现在两个方面：
R(t1, t1+τ)=R(τ)
注意到式（2.3 - 1）定义的平稳随机过程对于一切n都成立， 这在实际应用上很复杂。但仅仅由一个随机过程的均值是常数， 自相关函数是τ的函数还不能充分说明它符合平稳条件，为此 引入另一种平稳随机过程的定义：
设有一个二阶随机过程ξ(t)，它的均值为常数，自相关函 数仅是τ的函数， 则称它为宽平稳随机过程或广义平稳随机过 程。相应地，称按式（2.3 - 1）定义的过程为狭义平稳随机 过程。因为广义平稳随机过程的定义只涉及与一维、 二维概 率密度有关的数字特征，所以一个狭义平稳随机过程只要它 的均方值E［ξ2(t)］有界，则它必定是广义平稳随机过程，但 反过来一般不成立。
R(t1, t2)=E［ξ(t1)ξ(t1+τ)］
=


x1x2 f2 (x1, x2; )dx1dx2
R（）
仅是时间间隔τ=t2-t1的函数，而不再是t1和t2的二维函数。 以上表明，平稳随机过程ξ(t)具有“平稳”的数字特征：它的 均值与时间无关；它的自相关函数只与时间间隔τ有关，即
通信系统中所遇到的信号及噪声，大多数可视为平稳的 随机过程。以后讨论的随机过程除特殊说明外，均假定是平 稳的， 且均指广义平稳随机过程， 简称平稳过程。
2.2.2各态历经性
平稳随机过程在满足一定条件下有一个有趣而又非常有 用的特性， 称为“各态历经性”。这种平稳随机过程，它的 数字特征（均为统计平均）完全可由随机过程中的任一实现 的数字特征（均为时间平均）来替代。也就是说，假设x(t)是 平稳随机过程ξ(t)的任意一个实现，它的时间均值和时间相关 函数分别为
2Fn (x1, x2...;t1,t2...,tn ) x1 x2...xn

f (x1, x2...,xn;t1,t2...,tn )
则称fn(x1,x2,…,xn; t1,t2,…,tn)为ξ(t)的n维概率密度 函数。显然，n越大，对随机过程统计特性的描述就越充分， 但问题的复杂性也随之增加。在一般实际问题中，掌握二维 分布函数就已经足够了。
Rξη(t1, t2)=E［ξ(t1)η(t2)］
2.2
2.2.1定义
平稳随机过程是指它的统计特性不随时间的推移而变化。设 随机过程{ξ(t)，t∈T}, 若对于任意n和任意选定t1＜t2＜…＜tn, tk∈T， k=1, 2, …, n，以及τ为任意值，且x1, x2, …, xn∈R， 有
fn(x1, x2, …, xn; t1, t2, …, tn)=fn(x1, x2, …, xn; t1+τ, t2+ τ, …, tn+ τ)

f (x1, x2;t1t2 )
则称f2(x1,x2; t1,t2)为ξ(t)的二维概率密度函数。
同 理 ， 任 给 t1, t2, …, tn ， 则 ξ(t) 的 n 维 分 布 定 义 为 ： Fn(x1,x2,…,xn;t1,t2,…,tn)=P ｛ ξ(t1)≤x1,ξ(t2)≤x2,…, ξ(tn)≤xn｝
设ξ(t)表示一个随机过程，在任意给定的时刻t1， 其取值 ξ(t1)是一个一维随机变量。而随机变量的统计特性可以用分布函 数或概率密度函数来描述。我们把随机变量ξ(t1)小于或等于某一 数值x1的概率P［ξ(t1)≤x1］，
简记为 F1(x1,t1)
即 F1(x1,t1)=P［ξ(t1)≤x1］
(2.1 - 1)

E[ (t)] x1 f1 (x, t1 )dx1
注意，这里t1是任取的，所以可以把t1直接写为t, x1改 为x, 这时上式就变为随机过程在任意时刻的数学期望，记作
a(t)， 于是

a(t) E[ (t)]
x

f1 (x, t)dx
（2.2—3）
a(t)是时间t的函数，它表示随机过程的n个样本函数曲 2 线的摆动中心，即均值。
(2.3 - 1)
则称ξ(t)是平稳随机过程。该定义说明，当取样点在时间轴 上作任意平移时，随机过程的所有有限维分布函数是不变的， 具体到它的一维分布, 则与时间t无关， 而二维分布只与时间间 隔τ有关，即有
f1(x1, t1)=f1(x1)
和
f2(x1, x2; t1, t2)=f2(x1, x2; τ)
lim a x(t)
1
T /2
x(t)dt
T T
T / 2
如果平稳随机过程使下式成立：
aa
R( ) R( )
则称该平稳随机过程具有各态历经性。
“各态历经”的含义：随机过程中的任一实现都经历了 随机过程的所有可能状态。
意义：无需（实际中也不可能）获得大量用来计算统计平均的 样本函数，而只需从任意一个随机过程的样本函数中就可获得 它的所有的数字特征， 从而使“统计平均”化为“时间平 均”，使实际测量和计算的问题大为简化。
均值和方差都只与随机过程的一维概率密度函数有关，因 而它们描述了随机过程在各个孤立时刻的特征。为了描述随机 过程在两个不同时刻状态之间的联系， 还需利用二维概率密 度引入新的数字特征。
3. 相关函数
衡量随机过程在任意两个时刻获得的随机变量之间的关联 程度时，常用协方差函数B(t1, t2)和相关函数R(t1, t2)来表示。 协方差函数定义为
设ξ(t)为实平稳随机过程， 则它的自相关函数
R(τ)=E［(ξ(t)ξ(t+τ)］
以上两式可由式（2.3 - 1）分别令n=1和n=2, 并取τ =-t1得 证。 于是， 平稳随机过程ξ(t)的均值

E[ (t)] x1 f1(x1, )dx1 a
为一常数，这表示平稳随机过程的各样本函数围绕着一水 平线起伏。同样，可以证明平稳随机过程的方差σ2(t)=σ2=常数， 表示它的起伏偏离数学期望的程度也是常数。而平稳随机过程 ξ(t)的自相关函数:
来自百度文库
2.1.3随机过程的数字特征
分布函数或概率密度函数虽然能够较全面地描述随机过 程的统计特性, 但在实际工作中，有时不易或不需求出分布函 数和概率密度函数，而用随机过程的数字特征来描述随机过 程的统计特性，更简单直观。
1. 数学期望
设随机过程ξ(t)在任意给定时刻t1的取值ξ(t1)是一个随机变 量，其概率密度函数为f1(x1, t1)，则ξ(t1)的数学期望为
相关函数定义为
R(t1, t2)= E[ (t1) (t2 )]

x1x2 f2 ( x1, x2;t1, t2 )dx1dx2
（2.2—6）
二者关系为
B(t1, t2)=R(t1, t2) — a(t1)a(t2)
(2.2—7)
1）、若a(t1)=0或a(t2)=0，则B(t1, t2)=R(t1, t2)。
1）、它是一个时间函数；
2）、在固定的某一观察时刻t1，全体样本在t1时刻的取值ξ(t1) 是一个不含t变化的随机变量。
随机过程是依赖时间参数的一族随机变量。随机过程具有随 机变量和时间函数的特点。在以下研究随机过程时正是利用了 这两个特点。
2.1.2随机过程的统计特性
由于随机过程具有两重性，可以用与描述随机变量相似的方 法， 来描述它的统计特性。