第二章 随机过程的基本概念
随机过程的基本概念
随机过程的基本概念随机过程是随机现象的数学模型，是一种以时间为自变量而取随机数值的函数族，是概率论和数理统计中的重要工具之一。
本文将从定义、性质、分类等方面论述随机过程的基本概念。
一、随机过程的定义随机过程是由一个随机变量族{Xt}（t∈T）所组成的集合的统称，其中T为时间参数集合。
换言之，随机过程是时间与随机变量的集合关系，其中随机变量的取值是时间变化的函数。
随机过程可以用X(t)表示，其中t表示时间，X表示在时间t处的随机变量。
简单来说，随机过程就是为一组日期指定随机变量，使得这些随机变量与其日期相关联。
每个随机变量表示特定日期发生的随机事件。
二、随机过程的性质1. 一般随机过程：随机变量群体的每个成员都需要一个完整的概率空间，并且具有一个抽象的时间参数集合。
因此，一般随机过程的样本空间往往是所有该样本空间下所有概率空间的笛卡尔积。
2. 同伦：如果存在同伦t:s→t+s（s∈S）,使得随机过程{Xt}具有相同的联合概率分布，则称该随机过程在t上存在同伦。
3. 马尔科夫性质：在一个离散时间的随机过程中，前时刻的状态随后时刻的状态条件独立，且只与当前状态有关，而与以前的任何状态无关，称之为马尔科夫性质。
三、随机过程的分类1. 离散时间：随机变量在离散位置上取值，时间参数集合为整数集，可表示为{Xn}。
2. 连续时间：随机变量在连续位置上取值，时间参数集合为实数集，可表示为{X(t)}3. 马尔科夫过程：随机过程满足马尔科夫性质的过程，由此得名。
4. 二元过程：仅具有两个状态变量，称之为二元过程。
四、随机过程的应用随机过程广泛应用于电信、生物工程、金融、天气预报等领域。
其中，离散时间的随机过程广泛应用于通信领域，如编码、压缩、调制等；连续时间的随机过程用于天气预报、环境工程、资产定价等领域。
在工程领域，随机过程也有广泛应用。
例如，可以使用随机过程模型预测质量的保证水平。
需要重视的是，应用随机过程模型时，要注意模型的精度和可行性，避免虚假模型带来的风险。
随机过程课程第二章 随机过程的基本概念
第一节 随机过程的定义及其分类 第二节 随机过程的分布及其数字特征 第三节 复随机过程 第四节 几种重要的随机过程简介
第一节 随机过程的定义及其分类
一、直观背景及例
例1 电话站在时刻t时以前接到的呼叫次数 一般情况下它是一个随机变数X ，并且依赖 时间t，即随机变数X（t），t[0，24]。
首页
（4）平稳随机过程
平稳过程的统计特性与马氏过程不同，它不 随时间的推移而变化，过程的“过去”可以对 “未来”有不可忽视的影响。
首页
返回
第二节 随机过程的分布及其数字特征
一、随机过程的分布函数
设{ X (t) ，t T }是一个随机过程，
一维
分布 对于固定的t1 T ，X (t1) 是一个随机变量，
F (t1,t2；x1, x2 ) =
x1
x2
f (t1, t2；y1, y2 )dy1dy2
则称 f (t1,t2；x1, x2 ) 为 X (t) 的二维概率密度
n维
n 维随机向量（X (t1 ) ，X (t2 ) ，…， X (tn ) ）
分布 函数
联合分布函数
F (t1,t2 , ,tn；x1, x2 , , xn )
分布函数
FXY (t1, ,tn ；t1, ,tm ；x1, , xn ； y1, , ym ）
P{X (t1) x1, , X (tn ) xn；Y（t1） y1, ,Y（tm ） ym }
称为随机过程和的n + m维联合分布函数
首页
相互 设 X (t) 和Y (t) ，t1,t2 , ,tn ，t1,t2 , ,tm T
首页
2．方差函数
随机过程{ X (t) ，t T }的二阶中心矩
第2章随机过程的基本概念
F ?? { F ?t1 , t2 ,? , tn ; x 1 , x 2 ,? , x n ?:
ti ? T , x i ? Ri , i ? 1,2, ? , n , n ? 0} 称F为XT 的有限维分布函数族. 定义3 过程 { X(t), t的? nT维} 特征函数定义为
φ?t1 , t2 ,? , tn;?1 ,θ 2 ,? ,θ n ?
? E{e i[θ 1 X (t1 )? ? } ?θ n X (tn )]
称 {φ(t1, t2 ,? , tn;θ 1 ,θ 2 ,? ,θ n ) : t1 , t2 ,? , tn ? T, n ? 1}
为XT 的有限维特征函数族. 特征函数和分布函数是相互唯一确定.
定义2 过程 { X(t),对t ?任T给} 的
t1 , t2 ,? , tn ? T ,
随机向量
?X (t1 ), X (t2 ),? , X (tn )?
的联合分布函数
F (t1 , t2 ,? , tn; x1 , x2 ,? , xn ) ?
P{ X (t1 ) ? x1 , X (t2 ) ? x2 ,? , X (tn ) ? xn }
X(t1,ω)
X(t2,ω)
t1
t2
X(t,ω1) X(t,ω2) X(t,ω3) tn
定义 对每一固定 ω?，Ω称 { X(t, ? ), t的? 一T}个样本函数.
X是t ?随ω?机过程
也称轨道, 路径,现实.
Ex.5 利用抛硬币的试验定义一个随机过程，
X(t)
?
?cos? t, ?
?2t
出现正面； 出现反面. t ? R.
过程识别
随机过程讲义（第二章）（PDF）
第二章 随机过程的一般概念2.1 随机过程的基本概念和例子定义2.1.1：设(P ,,F )Ω为概率空间，T 是某参数集，若对每一个，是该概率空间上的随机变量，则称为随机过程(Stochastic Process)。
T t ∈),(w t X ),w t (X 随机过程就是定义在同一概率空间上的一族随机变量。
随机过程可以看成定义在),(w t X Ω×T 上的二元函数，固定Ω∈0w ，即对于一个特定的随机试验，称为样本路径(Sample Path)，或实现(realization)，这是通常所观测到的过程；另一方面，固定，是一个随机变量，按某个概率分布随机取值。
),(0w t X T t ∈0),(0w t X抽象一点：令，即∏∈=Tt T R R T R 中的元素为),(T t x X t t ∈=,为其Borel域(插乘)(T R B σ域)，随机过程实质上是()F ,Ω到())(,T T R R B 上的一个可测映射，在())(,T TR RB 上诱导出一个概率测度：T P ()B X P B P R B T T T ∈=∈∀)(),(B 。
一般代表的是时间。
根据参数集T 的性质，随机过程可以分为两大类： t 1)为可数集，如T {}L ,2,1,0=T 或{}L L ,1,0,1,−=T ，称为离散参数随机过程，也称为随机序列；2)为不可数集，如T {}0≥=t t T 或{}∞<<∞−=t t T ，称为连续参数随机过程。
随机过程的取值称为过程所处的状态(State)，所有状态的全体称为状态空间(State Space)。
通常以表示随机过程的状态空间。
根据状态空间的特征，一般把随机过程分为两大类：T t t X ∈),(S 1) 离散状态，即取一些离散的值； )(t X 2)连续状态，即的取值范围是连续的。
)(t X离散参数离散状态随机过程： Markov 链 连续参数离散状态随机过程： Poisson 过程 离散参数连续状态随机过程： *Markov 序列连续参数连续状态随机过程： Gauss 过程，Brown 运动例2.1.1：一醉汉在路上行走，以的概率向前迈一步，以q 的概率向后迈一步，以p r 的概率在原地不动，1=++r q p ，选定某个初始时刻，若以记它在时刻的位置，则就是直线上的随机游动(Random Walk)。
第二章 随机过程
T /2
（2-2-7）
16
如果平稳过程使下式成立
a = a
σ
2
=σ
2
（2-2-8）
R (τ ) = R (τ )
称该平稳过程ξ(t)具有各态历经性。 称该平稳过程 具有各态历经性。 具有各态历经性 意义：随机过程中的任一次实现都经历了随机过程的 意义：随机过程中的任一次实现都经历了随机过程的 实现 所有可能状态。 所有可能状态。 具有各态历经性随机过程一定是平稳过程， 具有各态历经性随机过程一定是平稳过程，反之不 一定成立。 一定成立。 求解各种统计平均时（实际中很难获得大量样本）， 求解各种统计平均时（实际中很难获得大量样本）， 无需作无限多次考察，只要获得一次考察， 无需作无限多次考察，只要获得一次考察，用一次 实现的时间平均值代替过程的统计平均即可。 实现的时间平均值代替过程的统计平均即可。
满足上式则称ξ(t)为广义平稳随机过程或宽平稳随机过 满足上式则称 为广义平稳随机过程或宽平稳随机过 程。 严平稳随机过程（狭义平稳随机过程） 严平稳随机过程（狭义平稳随机过程）只要 Eξ2(t) 均方值有界，它必定是广义平稳随机过程。 均方值有界，它必定是广义平稳随机过程。 反之不一定成立。 反之不一定成立。
C (t1 , t 2 ) = E {[ξ (t1 ) − a (t1 ) ][ξ (t 2 ) − a (t 2 ) ]} =
∞ ∞ −∞ −∞
∫ ∫ [x
1
− a (t1 ) ][ x 2 − a (t 2 ) ] f 2 ( x1 , x2 ; t1 , t 2 ) dx1 x 2
（2-1-5） 2-1-5
互相关函数（针对两个随机过程） 互相关函数（针对两个随机过程）
Cξ ,η (t1 , t2 ) = E {[ξ (t1 ) − a (t1 ) ][η (t2 ) − a (t2 ) ]}
第二章 随机过程的基本概念_2.3 2.4
4 2 0 -2 -4 10 5 0 -5 -10
0
50
100
0
50
100
0 1
2015/5/12
0 100
14
两个不同相关时间随机过程的样本函数
2.3.4 循环平稳的概念
广义循环平稳：
如果随机过程X(t)的均值和自相关函数满足下列关系
2T
0
(1
2T
2 )[ RX ( ) mX ]d 0
平稳随机过程X(t)具有相关函数遍历性的充要条件
1 lim T T
2T
0
(1
2T
2 )[ R ( ) RX ( )]d 0
(t ) X (t ) X (t )
2015/5/12 22
第二章随机过程的基本概念
mX mX
其中
RX ( ) RX ( )
RX ( )
1 lim T 2T
T T
x(t
) x(t )dt
则X(t)为遍历(各态历经)过程。
2015/5/12 19
2.3.5 随机过程的各态历经性
X (t ) X (t )
t
t
(a)
(b)
各态历经过程与非各态历经过程示意图 各态历经过程的一个样本函数经历了随机过程 所有可能的状态
如果
f XY ( x1 ,..., xN , t1 ,..., t N , y1 ,..., yM , t '1 ,..., t 'M ) f X ( x1 ,..., xN , t1 ,..., t N ) fY ( y1 ,..., yM , t '1 ,..., t 'M )
随机过程 第2章
随机变量 随机变量族
e → x(e) (e, t) → xt(e)=x(e, t)
x=xt(ei)
x
e1 e2 e3
e
概率空间和随机对象
样本空间
概率空间
随机变量
随机向量
随机过程
2.1 随机过程的基本概念
定义：设(Ω, ö,P)为概率空间，T是参数集。 若对任意 t ∈T ，有随机变量X(t, e)与之 对应，则称随机变量族{X(t, e)， t ∈T } 是(Ω, ö,P)上的随机过程，简记为 {X(t)，t ∈T }或{Xt，t ∈T }。 ★ X(t)的所有可能的取值的集合称为状态空 间或相空间，记为I。
由此可将随机过程分为以下四类：
a. 离散参数离散型随机过程； b. 离散参数连续型随机过程； c. 连续参数离散型随机过程； d. 连续参数连续型随机过程。
2. 以随机过程的统计特征或概率特 征分类：
a. 独立增量过程； b. Markov过程； c. d. e. f. g. 二阶矩过程； 平稳过程； 鞅； 更新过程； Poission过程；
称之为随机过程X(t) 的二维概率密度。
2.3 随机过程的分布律
随机过程的二维分布函数比一维分布函数包含了随 机过程变化规律更多的信息，但它仍不能完整地反 映出随机过程的全部特性及变化规律。用同样的方 法，我们可以引入随机过程 X(t) 的 n 维分布函数和 n 维概率密度。
FX ( x1 , x2 , , xn ; t1 , t2 , tn )
• 又如移动某基站每天的通话次数，X 显然不 能确定，即为随机变量，进一步分析知这 个 X 还和时间 t 有关，即 X(t)，所以 X(t) 也构成一个过程，即随机过程；类似地， 气温、气压、商店每天的顾客流量等都构 成一个随机过程。
随机过程的基本概念
添加标题
添加标题
随机过程在数据挖掘中的应用
添加标题
添加标题
随机过程在数据可视化中的应用
随机过程在机器学习中的重要性 随机过程在机器学习中的具体应用 随机过程在机器学习中的发展趋势 随机过程在机器学习中的研究方向
强化学习：随机过程在强化学习中的应用如Q-lerning、SRS等 动态规划：随机过程在动态规划中的应用如马尔可夫决策过程、动态规划算法等 概率图模型：随机过程在概率图模型中的应用如贝叶斯网络、马尔可夫随机场等 深度学习：随机过程在深度学习中的应用如随机梯度下降、随机优化算法等
应用：在信号处理、控制系统 等领域有广泛应用
例子：布朗运动、白噪声等随 机过程具有平稳性
定义：随机过程在无限长的时间内每个状态出现的概率都趋于一个常数 性质：遍历性是随机过程的基本性质之一它描述了随机过程在长时间内的行为 应用：遍历性在随机过程理论、统计物理、金融等领域都有广泛的应用 例子：布朗运动、随机游走等都是遍历性的例子
性能评估：随机过程用于评估 通信系统的性能指标如误码率、
传输速率等
风险管理：利用随机过程模型 评估金融风险制定风险管理策 略
股票价格预测：利用随机过 程模型预测股票价格走势
投资组合优化：利用随机过程 模型优化投资组合实现收益最
大化
利率预测：利用随机过程模型 预测利率走势为金融机构提供
决策支持
随机过程在物理学 中的应用：如布朗 运动、量子力学等
随机过程的描述：随机过程可以用概率分布、概率密度函数、期望、方差等统计量 来描述
随机过程的分类：根据不同的特性随机过程可以分为平稳过程、非平稳过程、马尔 可夫过程等
随机过程的应用：随机过程在金融、经济、工程等领域有广泛的应用如股票价格、 汇率、信号处理等
随机过程的基本概念与应用
随机过程的基本概念与应用随机过程是概率论中研究一系列随机事件在时间上的演化规律的重要分支。
它在各个领域都有着广泛的应用，在通信、控制、金融、生物、物理等方面都发挥着重要作用。
一、随机过程的基本概念1.1 随机过程的定义随机过程是指一组随机变量${X_t}$，其中$t$表示时间，$X_t$表示在时间$t$时刻随机变量的取值。
随机过程是随机变量的函数族，常用记号为${X_t:t\in T}$。
其中$t$取遍$T$所表示的时间集合，$T$可以是实数集、整数集或其他有限或无限集合。
1.2 随机过程的分类随机过程根据其时间变化的连续性与离散性可以分为连续时间随机过程和离散时间随机过程两种。
连续时间随机过程是指随机变量在时间上是连续的，如布朗运动、泊松过程等。
离散时间随机过程是指随机变量在时间上是离散的，如马尔可夫过程、随机游走等。
1.3 随机过程的性质随机过程具有多种性质，包括平稳性、独立性、齐次性等。
其中比较重要的平稳性是指在时间平移下，随机过程的统计性质保持不变，即一个随机过程是平稳的，当且仅当对于任意$t_1,t_2$，其一阶矩和二阶矩不随时间变化而改变。
例如，设随机过程${X_t:t\geq 0}$的均值为$\mu$，方差为$\sigma^2$，则其平稳性条件为：$$\mathbb{E}[X_t]=\mu, \ \forall t\geq 0$$$$\mathbb{E}[(X_s-\mu)(X_t-\mu)]=\sigma^2, \ \forall s,t\geq 0$$二、随机过程的应用随机过程在许多领域中都有着广泛的应用。
以下列举其中几个典型应用。
2.1 通信领域随机过程在通信领域中是必不可少的工具。
通信信号可以看作是一种随时间变化的随机过程，而信道则可看作是一种将输入信号映射成输出信号的随机过程。
因此，随机过程在信号调制、信噪比估计、编码等方面都有着广泛的应用。
2.2 控制领域在控制领域中，随机过程被广泛用于表示、建模和分析控制系统的动态特性。
随机过程随机过程的基本概念ppt课件
6
2.1 随机过程的定义
例2.1.2 电子元件或器件由于内部微观粒子 （电子）的随机热噪声引起的端电压称为热 噪声电压，它在任一确定时刻的值是随机变 量，记为V(t). 如果t 从0变到+∞，t 时刻的热 噪声电压需要用一族随机变量{V(t), t ∈[0, +∞]}来表示，则该随机变量就是一个随机过 程. 对某种装置做一次试验，便可得到一个 “电压—时间函数”v(t) . 这个“电压—时间 函数”是不可能预先确知的，只有通过测量才 能得到. 如果在相同的条件下独立地再进行一 次测量，则得到的记录是不同的.
; 取V=0,则
x(t)=0;取V3=1，则x(3t)=cosωt. 这些都是 t 的
确定函数，即随机过程的样本函数.
12
2.1 随机过程的定义
(2) 当t=0时，X(0)=V，故X(0)的概率密度函 数就是V的概率密度函数，即
1,0 x 1 fX (0) (x) 0,其他
当 故
1,0 v 1 fV (v) 0,其他
(1) 画出{X(t) ,﹣∞<t<+∞}的几条样本曲线；
(率2)密求度t 函 0数, 4;
,
3 4
,
时随机变量X(t)的概
(3)求
t
2
时X(t)的分布函数
11
2.1 随机过程的定义
解
(1) 取 V 2 则x(t) 2 cost
定义2.1.3 设{X(t), t ∈T }是随机过程，则 当ω ∈ Ω固定时， X(t)是定义在上T不具有 随机性的普通函数，记为x(t), 称为随机过 程的一个样本函数. 其图像成为随机过程 的一条样本曲线（轨道或实现）.
第二章 随机过程基本概念
第二章 随机过程的基本概念
§2.1 随机过程的定义 §2.2 随机过程的分布与数字特征 §2.3 随机过程的分类
§2.1 随机过程的定义
引入：
初等概率论的研究对象
§2.1 随机过程的定义
引例1
某电话交换台在时间段[0,t]内接到的电话次数记为X(t),
随机现象某个时刻或有限个时刻静态的结果 即一个或有限个随机变量(随机向量). 问 描述随机现象的整个变化过程， 需要多少个随机变量？
Fn ( xi1 , xi2 ,, xin , ti1 , ti2 ,, tin ) Fn ( x1 , x2 ,, xn , t1, t2 ,, tn )
(2)相容性 对任意自然数m<n,随机过程的m维分布函数 与n维分布函数之间有关系：
Fm ( x1 , x2 ,, xm , t1 , t2 ,, tm ) Fn ( x1 , x2 ,, xm , ,, , t1 , t2 ,, tn )
解
X(t ) A (t (T0 kT )), T0 kT t T0 (k 1)T (k 0, 1, 2) T
§2.2 随机过程的分布与数字特征
2、随机过程的二维分布函数
定义 设{ X ( t ), t T }是一个随机过程，对任意固定的
T 故有，T0 X (t ) t kT h( X (t )), T0 kT t T0 (k 1)T A
29 November 2015
随机过程
§2.2 随机过程的分布与数字特征
例1 设X ( t ) X cos(at ), t ，其中a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。
随机过程课件
随机过程课件随机过程课件随机过程是概率论与数理统计中的重要概念，它描述了随机变量随时间的演化规律。
在现代科学和工程领域，随机过程被广泛应用于信号处理、通信系统、金融市场等众多领域。
本文将介绍随机过程的基本概念、分类以及一些常见的应用。
一、随机过程的基本概念随机过程是一族随机变量的集合，它描述了随机变量随时间的变化。
在数学上，随机过程可以用函数的形式表示，即X(t)，其中t表示时间，X(t)表示在时间t时刻的随机变量。
随机过程可以分为离散时间和连续时间两种类型。
离散时间随机过程是指随机变量在离散时间点上的演化，例如抛硬币的结果、骰子的点数等。
连续时间随机过程是指随机变量在连续时间上的演化，例如股票价格的变动、电信号的传输等。
二、随机过程的分类根据随机过程的性质和演化规律，可以将其分为多种类型。
常见的分类包括马尔可夫过程、泊松过程、布朗运动等。
1. 马尔可夫过程马尔可夫过程是指在给定当前状态下，未来的演化只与当前状态有关，与过去的状态无关。
马尔可夫过程具有“无记忆”的特性，常用于描述具有时序性质的问题，如排队系统、信道传输等。
2. 泊松过程泊松过程是一种用于描述随机事件的发生次数的随机过程。
它具有独立增量和无记忆性的特点，常用于描述到达率恒定的随机事件，如电话呼叫、交通流量等。
3. 布朗运动布朗运动是一种连续时间的随机过程，其演化规律由随机变量驱动。
布朗运动具有连续性、无界性和马尔可夫性等特点，广泛应用于金融市场、物理学等领域。
三、随机过程的应用随机过程在现代科学和工程领域有着广泛的应用。
以下列举几个常见的应用领域。
1. 信号处理随机过程在信号处理中起到了重要的作用。
通过对信号进行建模，可以利用随机过程的理论和方法对信号进行分析和处理，如图像压缩、语音识别等。
2. 通信系统随机过程在通信系统中也有着重要的应用。
通过对信道的建模，可以利用随机过程的理论来分析和优化通信系统的性能，如误码率分析、信道编码等。
第二章随机过程基本概念
2随机过程的基本概念§2.1 基本概念随机过程是指一族随机变量.对随机过程的统计分析称为随机过程论,它是随机数学中的一个重要分支，产生于本世纪的初期.其研究对象是随机现象，而它特别研究的是随“时间”变化的“动态”的随机现象.一随机过程的定义1 定义设E为随机试验，S为其样本空间，如果（1）对于每个参数t∈T, X(e,t)为建立在S上的随机变量，（2）对每一个e∈S, X(e,t)为t的函数，那么称随机变量族{X(e,t), t∈T, e∈S}为一个随机过程，简记为{X(e,t), t∈T}或X(t)。
()()()()(){}{}[]()为随机序列。
时，通常称，取可列集合当可以为无穷。
通常有三种形式：参数一般表示时间或空间，或有时也简写为一个轨道。
随机过程的一个实现或过程的样本函数，或称随机的一般函数，通常称为为对于：上的二元单值函数。
为即若用映射来表示注意：t X T T T b a b a T T T T t X t X t e X T t e X S e S T t e X RS T t e X t21321,,,,3,2,1,0,1,2,3,,3,2,1,0T ,.4,.3,,2,:,.1=---==ÎÎ×δ®´L L L为一个随机过程。
则令掷一均匀硬币，例),()(cos )(},{1t e X t X Rt T e t H e t t X T H S =Îîíì====p 2 随机过程举例îíì=====为随机变量的函数均为和解释：T e t He t t e X t t t T X t t H X 000cos ),(),(cos ),((p p 2121cos ),(000p t t t e X p 并且：例2：用X(t)表示电话交换台在(0，t)时间内接到的呼唤的次数,则(1)对于固定的时刻t, X(t)为随机变量,其样本空间为{0，1，2，…..},且对于不同的t,是不同的随机变量.(2)对于固定的样本点n, X(t)=n是一个t的函数.(即：在多长时间内来n个人?)所以{X(t),t>0}为一个随机过程.相位正弦波。
第二章随机过程的基本概念
定时刻 n=ni，则
X (ni , Φ) = Acos(ω0ni + Φ) 是随机变量 Φ 的函数，也是一个随机变量。
对于不同的时刻 t1, t2 ,", ti ," ，X(t)对应于不同的随机变量 X (t1 ) , X (t2 ) ,…, X (ti ) …, 通常 X (ti ) 称为随机过程 X (t) 在 t = ti 时刻的状态, 可见 X (t) 可以看作为一族随时间而变化的随机变
量。
若固定 e = ei ， t = t j ，则 X (t j , ei ) 表示第 i 次试验中的第 j 次测量，它是随机过程的某一特 定的值，通常记为 xi (t j ) 。
当 e 和 t 均变化时，这时才是随机过程完整的概念，从以上的分析可以看出，随机过程是一组
样本函数的集合，或者也可以看成是一组随机变量的集合。因此,我们可以从另一个角度来对随机 过程来下一个定义。
5
0
-5
50
50
100
150
200
0
-5
0
50
100
150
200
5
0
-5
0
50
100
150
200
5
0
-5
0
50
t1 100
150
200
图2.2 接收机噪声
另外，对应于某个时刻 t1 ， x1 (t1 ) , x2 (t1 ) ,…，取值各不相同，也就是说， X (t1 ) 的可能取值
是 x1 (t1 ) 、 x2 (t1 ) 、┄之一，在 t1 时刻究竟取哪个值是不能预知的，故 X (t1 ) 是一个随机变量。同 理，在 t = tk 时， X (tk ) 也是一个随机变量，可见 X (t) 是由许多随机变量构成的。
第二章、随机过程的基本概念
{V (t),t 0}。 1、设已给概率空间(, F, P)及参数集T (,),则称
{X (,t), ,t T},
2020年5月6日星期三
机动 目录 上页 下页 返回 结束
第2页共51页
随机过程(西电版) 2.1 随机过程的定义
第2章 随机过程的基本概念
为该概率空间上的随机过程，简记为 {X (t),t T}。
随机过程(西电版)
2.4 复随机过程
第2章 随机过程的基本概念
设 {X (t),t T},{Y (t),t T}为两个实随机过程,则称
{Z(t) X (t) iY(t),t T}
为复随机过程.
1、复随机过程的数字特征 设复随机过程 {Z (t),t T} 称
(1)均值函数为 mZ (t) E[Z (t)] mX (t) imY (t);
x2
P
A
x1,
A 2
x2
PA x1, A 2x2
3•
x1 2x2
2•
P( P(
A A
x1), x1 2x2 ), x1
2
x2 2x2
1•
•
•
•
1 23
x1
0,
x1
2x2 ,
x1
1或x1
2x2 ,
x2
1 2
F
0,
3
;
x1,
x2
1 3
,
x1
2x2,1
x1
2或x1
2x2 ,
0,
3
;
x1,
x2
.
2020年5月6日星期三
机动 目录 上页 下页 返回 结束
第9页共51页
随机过程2(西.电2版随) 机过程的有限维分布函数族第2章 随机过程的基本概念
随机过程的基本概念
（3） 对随机过程的理解 随机过程 { X t , ω } 可看成是关于时间 t 和样本
点 的二元函数，
（1) 当固定 t T , X t X (t , ) 就是一个随机 变量。 （2）当固定 0 , { X t 0 X (t , 0 )}就是一
称
RXY ( s, t ) E[ X ( s )Y (t )]
为随机过程 XT X (t ), t T 和 YT Y (t ), t T
的互相关函数。
例 设随机过程
X ( t ) Acos( t )
其中β是正常数, 随机变量 A 与Θ相互独立, A～N(0,1),
{F t1 , t2 ,, tn ; x1 , x2 ,, xn : t1 ,, t n T , n 1}
恰好是随机过程 X T X ( t ), t T 的有限维分布
函数族。
说明：柯尔莫哥罗夫定理表明，一个随机过程 完全由其有限维分布函数族所确定。但是，在实际
2
E ( A ) E[cos( t )cos( s )]
1 2π cos ( t θ ) cos ( s θ ) d θ 2π 0
1 2π [ cos ( t s ) cos ( ( t s ) 2 θ ) d θ 4π 0
（假定其步长相同），以 X(t) 记他 t 时刻在路上
的位置，则 X(t) 是直线上的随机游动。此时 X(t)
是一个随机过程。
例2 （排队系统）顾客到火车站买票，当购票
窗口有其他顾客买票时，来到的顾客就需要排队等
候，用 X(t) 表示 t 时刻的排队长度， Y(t) 表示 t
时刻来到的顾客所需等待的时间，由于顾客的到来
第二章 随机过程的基本概念.
4
5
随机变量X (t1 )
x1 (t )
随机序列
x2 (t )
x3 (t ) xn (t )
t1
噪声电压
xi (t )为样本函数
每一个样本函数都是 一个确定的时间函数 随机过程在任意时刻 的状态是一随机变量
连续随机过程 离散随机过程
连续随机序列 离散随机序列
随机过程是一族时间函数的集合
6
设正弦波随机过程为 X (t ) A cos 0t 其中 0 为常数 A为均匀分布在(0,1)内的随机变量, 画出随机过程X (t ) 的几个样本函数的图形.
2 (t ) 就表征消耗在单位电阻 上的瞬时交流功率的统 计平均值 .
25
三、自相关函数
表征了随机过程在任意两个时刻之间的关联程度
m X (t ) X (t ) mY (t ) Y (t )
m X (t )
mY (t )
m X (t ) X (t )
X (t )起伏慢
Y (t )起伏快
2 2 若 A , 则 X (t ) cos 0t 为一个确定性函数 3 3
7
设正弦波随机过程为 X (t ) A cos 0t 其中 0 为常数 A为均匀分布在(0,1)内的随机变量, 画出随机过程X (t ) 的几个样本函数的图形.
若 A 0, 则 X (t ) 0 为一个确定性函数
[ x m X (t1 )][ y mY (t 2 )] f XY ( x, y; t1 , t 2 )dxdy
C XY (t1 , t 2 ) RXY (t1 , t 2 ) m X (t1 )mY (t 2 )
若对任意t1 , t 2 都有RXY (t1 , t 2 ) 0, 则称X (t ), Y (t )是正交过程, 此时有C XY (t1 , t 2 ) m X (t1 )mY (t 2 )
第二章随机过程基本概念.
为称使可积
}: ({ , ( , ( , (, 0 , (1111T t t X t x f dx
t x f t x F t x f x
Î=³ò¥-(2若有的一维概率分布。
为称满足}: ({}{1
, 0} ({T t t X p p
p p x t X P k k k k k
k Î=³==å
¥¥-k k iux X k k iux X p e
u t p x t X P t X dx t x f e u t t x f t X k , ( (( ( 2 , ( , ( , ( (111jj则有分布列若(,则
有密度若(
有时也需要利用常用的一些特征函数来求随机变量的分布函数,由特征函数与分布函数的一一对应性有:
cos(
(Q
+
=t
a
t
X w
的均值函数,方差函数和自相关函数。其中, a , w为常数, Q是在(0, 2p上均匀分布的随机变量。例4试求随机相位余弦波
2随机过程的特征函数
的一维特征函数。
为称为随机变量,记
由于给定( , ( ( ( , ( (, ( (t X u t u e
E u t t X T t X t X t iuX X jjjÙ==Îåò====
为X (t的有限维分布函数族。
为随机过程的n维分布函数。称关于随机过程X (t的所有有限维分布函数的集合
注意:随机过程的n维分布函数描述了随机过程在任意n不同时刻的状态之间的联系。
随机过程X (t的有限维分布函数族的意义何在?随机过程的n维分布函数(或概率密度能够近似地描述随机过程的统计特性,而且, n越大,则n维分布函数越趋完善地描述随机过程的统计特性。
- 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)。
第二章随机过程的基本概念
说明与解释
2.1 随机过程的定义
◆{X(t), t∈T}称为随机过程，是定义在样本空间Ω和参数集T上的一个二
元函数
◆当t=t0固定时，X(t0)为一个随机变量，当样本点ω固定时，X(ω,t)随时
间变化，称为样本函数，在平面上为一条曲线，或折线段
2.2 随机过程的分布
◆对于随机过程{X(t), t∈T}，当参数t取有限n个不同值时，则得到一个n维随机向量(X(t1),X(t2),⋯,X(t n))，它的概率分布即为概率论中多维随机向量的联合概率分布。
◆定理2.2.1的说明
（1）对称性随机过程的n维分布函数
F(x1,x2⋯,x n;t1,t2⋯,t n)=P[(X(t1)≤x1,X(t2)≤x2,⋯,X(t n)≤x n]
上面大括号内是n个事件的积，事件的积运算满足交换律，所以对称性成立。
（2）相容性以二维随机向量(X,Y)为例，有
F X(x)=F XY(x,∞)
所以，相容性成立。
◆例2.2.1的说明
因为U、V相互独立且同分布，都服从标准正态分布，因此它们的线性组合也服从正态分布，只需求出X(t)=U+tV的数学期望和方程即可。
（1）一维密度函数根据期望与方差的性质，有
E(X(t))=E(U+tV)E(U)+tE(V)=0
D(X(t))=D(U+tV)=D(U)+D(tV)=1+t2D(V)=1+t2而一维正态随机变量的密度函数为
f(x)=
1
√2πσ
{−
(x−μ)2
2σ2
}
（2）n维密度函数可以根据定理1.2.2证明(X(t1),X(t2),⋯,X(t n))服从n维正态分布，所以下面只需求出其数学期望向量μ和协方差矩阵Σ
根据（1）的计算结果，μ=E(X(t))为0向量
cov(X(t i),X(t j))=cov(U+t i V,U+t j V)
=cov(U,V)+t i cov(V,U)+t j cov(U,V)+t i t j cov(V,V)
=D(U)+0+0+t i t j D(V)=1+t i t j
记σij=1+t i t j,( i,j=1,2,⋯,n),Σ=(σij)n×n,x=(x1,x2,⋯,x n)
由定理1.2.1知n维正态变量(X(t1),X(t2),⋯,X(t n))的密度函数为
f(x)=
1
√2π
n√|Σ|
{−
1
2
(x−μ)TΣ−1(x−μ)}
◆如果随机过程{X(t),−∞<t<+∞}的任意有限为分布都是正态分布，则称随
机过程为正态过程，或高斯过程
2.3 随机过程的数字特征
◆随机过程的数字特征与概率论中的数字特征完全类似
◆均方值函数存在的随机过程称为二阶矩过程
◆例设随机过程X(t)=tV,t>0，其中V为离散型随机变量，其分布律为
试求X(t)的均值函数、均方值函数、方差函数、均方差函数、自相关函数、协方差函数
解根据概率论知识，E(V)=0.2,E(V2)=1，由此可得
均值函数μX(t)=E(tV)=tE(V)=0.2t
均方值函数ψX2(t)=E((X(t))2)=E((tV)2)=t2E(V2)=t2
方差函数σX2(t)=ψX2(t)−(μX(t))2=t2−(0.2t)2=0.96t2
均方差函数σX(t)=√σX2(t)=√0.96t
自相关函数R X(s,t)=E(X(s)X(t))=E(sVtV)=stE(V2)=st
自协方差函数C X(s,t)=R X(s,t)−μX(s)μX(t)=st−0.04st=0.95st
◆在随机过程所有的数字特征中，均值函数和自相关函数是最基本的数字
特征，其它数字特征都可从它们推出
2.4 二维随机过程和复随机过程
2.5 几类常用的随机过程
◆平稳过程的分布只与参数的起点有关，而与参数的增量无关，即(X(t))
与X(t+ℎ)同分布
◆定理2.5.1的说明一般来说，利用随机过程的自协方差函数可以直
接写出它的方差函数，但定理2.3.1告诉我们，当随机过程在初始时刻的状态为常数时，则已知方差可直接写出自协方差函数，即C X(t,t)=σX2(t)
◆独立过程独立抛掷一颗骰子100次，观察每次掷出的点数，记X n为第
n次出现的点数，则{X n, n=1,2,3,⋯,100}为独立过程（独立时间序列）◆参数为p的贝努利过程{X n, n≥1}是独立过程
◆以贝努利过程{X n, n≥1}说明平稳独立增量过程
记N n =∑X i n i=1，则服从二项分布B(n,p). 当m <n 时， N n −N m =N m+1+N m+2+⋯+N n ~B(n −m,p) 对任意正整数k ≥1,N n+k −N m+k =N m+k+1+⋯+N n+k ~B(n −m,p) 所以，{X n , n ≥1}是平稳过程
其次，如果n 1<n 2<⋯<n mm ，可证N n 2−N n 1,N n 3−N n 2,⋯,N n m −N n m−1相互独立。
考虑一种特殊情况来验证，考察1<2<3的情形，根据
X n 的定义，有 N 2−N 1=X 2,N 3−N 2=X 3
因为X 3,X 2是独立的，所以， N 2−N 1,N 3−N 2是独立的。