随机过程第二章2

合集下载

随机过程第二章

随机过程第二章
第二章 随机过程的基本概念和基本类型
§2.1 基本概念
一、实际背景
在许多实际问题中,不仅需要对随机现象做特 定时间点上的一次观察,且需要做多次的连续不 断的观察,以观察研究对象随时间推移的演变过 程. Ex.1 对某城市的气温进行n年的连续观察, 记录得 { X ( t ), a t b},
当T=(1,2, … ,n,…),
时间序列
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), t T 的集合. 用 E表示随机过程X T X t , t T 的值域,称E为 过程的状态空间. Ex.5 设(Ω,F, P)是对应于抛均匀硬币的概
率空间: Ω ω1 ,ω2 ,
Байду номын сангаас
tn ) P X (t1 ) x1 , X (t2 ) x2 ,
X (t n ) xn ,
称为随机变量 X (t ), t T 的n维分布函数
FX ( x1 , x2 ,
tn ) ti T 称为 X (t ), t T 的n维分布函数族
xn ; t1 , t2 , tn ), n 1, 2, ti T
T ( t ,ω) 是一个 2)当固定ω Ω ,作为 t T 的函数,
定义在T上的普通函数.
X(t1,ω)
X(t2,ω)
X(t,ω1) X(t,ω2) X(t,ω3)
t1
t2
tn
定义 对每一固定ω Ω,称 X t ω是随机过程 { X ( t , ), t T } 的一个样本函数. 也称轨道, 路径,现实.
互相关函数
互协方差函数
如果二维随机过程 X (t ), Y (t ) 对任意的t1 , t2 T , 恒有CXY (t1 , t2 ) 0, 称X (t )和Y (t )是不相关的。

2随机过程(上课用)

2随机过程(上课用)



xf ( x ) dx
n
[x
i 1

i
a ] P ( xi )
2


( x a ) f ( x ) dx
2
第二章 随机过程
3、随机变量的数字特征(续)

(3)相关函数
无论是离散的还是连续的随机变量,两个随机
变量的相关函数统一定义为
R ( 1 , 2 ) E [ 1 2 ]
第二章 随机过程
一维概率分布函数和密度函数

因为随机过程在任一时刻对应1个随机变量
把随机过程在时刻
则该随机过程在时刻 F1 ( x , t 1 ) P [ ( t 1 ) x ]
t 1 对应随机变量记为
t 1的一维概率分布函数定
( t1 )
义为
其一维概率密度函数定
义为 f 1 ( x , t 1 )
(t ) 都是是连续的随机变量



xf 1 ( x , t ) dx
第二章 随机过程
2、随机过程的方差

同理,随机过程的方差也是一个关于时间 的函数,可由下式计算
( t ) D [ ( t )]
2
E {[ ( t ) a ( t )] }
2
若每个时刻对应的 则 (t )

T /2 T / 2
f
2
(t ) d t
1 T
T
li m

T /2 T / 2
f
2
(t ) d t
第二章 随机过程
二、能量谱密度和功率谱密度

能量信号f(t)的能量谱密度E(ω)

随机过程 第二章

随机过程 第二章
其一维概率密度函数为
F ( x, t ) f ( x, t ) x 相应的一维特征函数为
X ( , t ) E{e
i X
}


f ( x, t )ei x dx
n 维分布律
[定义] 设 XT ={X (t), t T } 是随机过程,对任意 n 1 和
t1, t2, …, tn T ,随机过程 XT 的 n 维分布函数为

证明:B (s, t ) E[( X (s) m (s))( X (t ) m (t ))] X X X
E[ X ( s) X (t )] E[ X ( s)]mX (t ) E[ X (t )]mX ( s ) mX ( s )mX (t )
RX (s, t ) mX (s)mX (t )
度、重量、速度等物理量。随机过程本来通称随机函
数,当参数 T 时间集时称为随机过程,但现在将参数 不是时间集的随机函数也称为随机过程,对参数集 T 不再有时间集的限制。
2.2 随机过程的分布律和数字特征
[定义] 随机过程XT ={X (t), t T }在时刻 t 的一维分布函
数为
F ( x, t ) P{ X (t ) x}
例3

天气预报问题: 在天气预报中, 若以Xt表示某地 区第t次统计所 得到的该天最 高气温,则Xt是 随机变量, {Xt , t =0, 1, … }是随 机过程。
例4
Brown运动:漂浮在液 体表面上的微小粒子 不断进行无规则的运 动,它是大量分子随
机碰撞的结果,若记
(X(t),Y(t))为粒子在平
归一化协方差函数——相关系数:
BX ( s , t ) X ( s, t ) X ( s) X (t )

随机过程课件第二章

随机过程课件第二章

复随机过程的性质
复随机过程{XT,,t∈T}的协方差函数B(s,t)具有性质: (1)对称性(埃米特性), B(s, t ) = B(t, s) (2)非负定性,对任意ti ∈T及复数ai,i=1,2, …,n,n≥1,有
n i , j =1
∑ B (t Βιβλιοθήκη tij)ai a j ≥ 0
说明: 1. 如果函数f(s,t)具有非负定性,那么它必具有埃米特性。 2. 若f(s,t)为一非负定函数,则必存在一个二阶矩过程(并可要 求它为正态过程)以给定的f(s,t)为协方差函数。
两个复随机过程{Xt},{Yt}的互相关函数定义为
R XY ( s , t ) = E ( X s Yt )
互协方差函数定义为
B XY ( s , t ) = E [ X s m X ( s )] [Yt m Y ( t )]
例题2.9 2.9 设随机过程 Zt =
n

k =1
X k ei kt , t ≥ 0 ,其中X1,X2, …,Xn是相互独立的,且
两个随机过程{X(t),t∈T}与{Y(t), t∈T}的互不相关定义
B XY ( s , t ) = 0
互协方差函数与互相关函数之间的关系
B XY ( s , t ) = R XY ( s , t ) m X ( s ) m Y ( t )
例题2.7 设有两个随机过程X(t)=g1(t+ε)和Y(t)=g2(t+ε),其中g1(t)和g2(t)都是周期 为L的周期方波,ε是在(0,L)上服从均匀分布的随机变量,求互相关函 数RXY(t,t+τ)的表达式。 例题2.8: 设X(t)为信号过程,Y(t)为噪声过程,令W(t)=X(t)+Y(t),求W(t)的均值 函数和相关函数。

第2章随机过程习题及答案

第2章随机过程习题及答案

第2章随机过程习题及答案第二章随机过程分析1.1学习指导1.1.1要点随机过程分析的要点主要包括随机过程的概念、分布函数、概率密度函数、数字特征、通信系统中常见的几种重要随机过程的统计特性。

1.随机过程的概念随机过程是一类随时间作随机变化的过程,它不能用确切的时间函数描述。

可从两种不同角度理解:对应不同随机试验结果的时间过程的集合,随机过程是随机变量概念的延伸。

2.随机过程的分布函数和概率密度函数如果ξ(t)是一个随机过程,则其在时刻t1取值ξ(t1)是一个随机变量。

ξ(t1)小于或等于某一数值某1的概率为P[ξ(t1)≤某1],随机过程ξ(t)的一维分布函数为F1(某1,t1)=P[ξ(t1)≤某1](2-1)如果F1(某1,t1)的偏导数存在,则ξ(t)的一维概率密度函数为F1(某1,t1)f1(某1,t1)(2-2)某1对于任意时刻t1和t2,把ξ(t1)≤某1和ξ(t2)≤某2同时成立的概率F2(某1,某2;t1,t2)P(t1)某1,(t2)某2(2-3)称为随机过程(t)的二维分布函数。

如果2F2(某1,某2;t1,t2)f2(某1,某2;t1,t2)(2-4)某1某2存在,则称f2(某1,某2;t1,t2)为随机过程(t)的二维概率密度函数。

对于任意时刻t1,t2,…,tn,把Fn(某1,某2,,某n;t1,t2,,tn)P(t1)某1,(t2)某2,称为随机过程(t)的n维分布函数。

如果,(tn)某n(2-5)nFn(某1,某2,,某n;t1,t2,,tn)fn(某1,某2,,某n;t1,t2,,tn)(2-6)某1某2某n存在,则称fn(某1,某2,…,某n;t1,t2,…,tn)为随机过程(t)的n维概率密度函数。

3.随机过程的数字特征随机过程的数字特征主要包括均值、方差、自相关函数、协方差函数和互相关函数。

随机过程(t)在任意给定时刻t的取值(t)是一个随机变量,其均值为E(t)某f1(某,t)d某(2-7)其中,f1(某,t)为(t)的概率密度函数。

随机过程课程第二章 随机过程的基本概念

随机过程课程第二章 随机过程的基本概念
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

随机过程第二章

随机过程第二章

2.2 随机过程的分类和举例
2、离散参数、连续状态的随机过程 这类过程的特点是参数集是离散的,对于固定的t∈T, X(t)是连续性随机变量。
例 设Xn,n=…,-2,-1,0,1,2,…是相互独立同服从标准正态 分布的随机变量,则{Xn,n=…,-2,-1,0,1,2,…}为一随机
过程,其参数集T={…,-2,-1,0,1,2,…},状态空间 S=(﹣∞,+∞)
2.3 随机过程的有限维分布函数族
例2.3.2 令X(t)=Acost,﹣∞<t<+∞,其中A是随机变量,其
分布律为 试求
P(A=i)= 1 , i=1,2,3 3
(1) 随机过程{X(t),﹣∞<t<+∞}的一维分布函数
(x)
2,
1 2
0,其他
x
0
时X( )Vcos V,故 X
(
)
的概率密度
1,1x0 fX()(x)0,其他
2.1 随机过程的定义
(3) 当t
2
时,X(2)Vcos20,不论V取何值,
均有 X ( ) 0,因此,P(X( )0)1,从而X ( ) 的
2
2
2
分布函数为
1,x0
F
X(
(x)

exp[
j(u1x(t1)
u2x(t2)

unx(tn))]dF(t1,t2,? ,tn;x1,x2,…,xn) ui∈R,ti∈T,i=1,2,…,n,j= 1
为随机过程{X(t), t ∈T }的n维特征函数.
2.3 随机过程的有限维分布函数族
称 { ( t 1 , t 2 , … , t n ; u 1 , u 2 , … , u n ) , u i R , t i T , i 1 , 2 , … , n , n N }

第二章 随机过程2-1

第二章 随机过程2-1
第2章
随机过程
1
本章主要内容:
随机过程的基本概念
随机过程的数字特征
随机过程的微分和积分 随机过程的平稳性和遍历性 随机过程的相关函数及其性质 复随机过程
离散时间过程 正态随机过程
2
2.1 随机过程的基本概念及统计特性
一 定义 在概率论中,我们对随机变量及其特性进行了 研究,此时随机变量在试验中的结果与时间t无 关。而在实际中,经常会遇到随机变量会随着 时间t而变化,这时的随机变量就称为随机过程。 记为X(t,ζ)。 随机变量 随机过程 与时间无关 与时间相关
X (t )
随机过程
FX ( x1 , x2 ,, xn ; t1 , t2 ,, t n ) P{X (t1 ) x1 , X (t2 ) x2 ,, X (t n ) xn }
n FX ( x1 , x2 ,, xn ; t1 , t 2 ,, t n ) f X ( x1 , x2 ,, xn ; t1 , t 2 ,, t n ) x1x2 xn
2 D[ X (t )] X (t )
23
例:求随机相位正弦波 x(t ) sin(0t ) 的数学期望,方 2 ]上 差及自相关函数。式中,0为常数,是区间 [0, 均匀分布的随机变量。 解:由题可知 ( 1) mx(t ) E[ x(t )] E[sin(0t )] E[sin 0t cos cos0t x sin ]
9
2 按样本函数的形式来分类
不确定的随机过程:随机过程的任意样本 函数的未来值不能由过去的观测值准确地预 测。例如接收机噪声电压波形。 确定的随机过程。随机过程的任意样本函 数的未来值能由过去的观测值预测。例如, 路程等于速度乘以时间

随机过程 第2章

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。

随机过程第二章作业及参考答案

随机过程第二章作业及参考答案

第二章 平稳过程2. 设随机过程()sin X t Ut =,其中U 是在[]02π,上均匀分布的随机变量。

试证 (1)若t T ∈,而{}12T = ,,,则(){}12X t t = ,,,是平稳过程; (2)若t T ∈,而[)0T =+∞,,则(){}0X t t ≥,不是平稳过程。

证明:由题意,U 的分布密度为:()10220u f u ππ⎧<<⎪=⎨⎪⎩,,其它数学期望()()[]sin X m t E X t E Ut ==⎡⎤⎣⎦()()2220001111sin sin cos cos 212222ut du ut d ut ut t t t t ππππππππ=⋅==-=--⎰⎰.相关函数()()()()()sin sin X X R R t t E X t X t E Ut U t ττττ=+=+=⋅+⎡⎤⎡⎤⎣⎦⎣⎦,()()()2200111sin sin cos 2cos 222ut u t du ut u u du ππτττππ⎛⎫=⋅+⋅=⋅-+--⎡⎤ ⎪⎣⎦⎝⎭⎰⎰ ()()2220001111cos 2cos sin 2sin 442u t u du u t u t πππττττππττ⎡⎤=-+-=-+-⎡⎤⎢⎥⎣⎦+⎢⎥⎣⎦⎰()()11sin 22sin 2424t t πτπτπτπτ=-+++.(1)若t T ∈,而{}12T = ,,时,()0X m t =,()X R τ只与τ有关,二者均与t 无关,因此,(){}12X t t = ,,,是平稳过程。

(2)若t T ∈,而[)0T =+∞,时,()X m t 可能取到不是常数的值,所取到的值与t 有关,()X R τ取到的值也与t 有关,因此,(){}0X t t ≥,不是平稳过程。

3. 设随机过程()()0cos X t A t ωΦ=+,t -∞<<+∞其中0ω是常数,A 和Φ是独立随机变量。

第二章随机过程

第二章随机过程

第⼆章随机过程第 2 章随机过程2.1 引⾔确定性信号是时间的确定函数,随机信号是时间的不确定函数。

?通信中⼲扰是随机信号,通信中的有⽤信号也是随机信号。

描述随机信号的数学⼯具是随机过程,基本的思想是把概率论中的随机变量的概念推⼴到时间函数。

2.2 随机过程的统计特性⼀.随机过程的数学定义:设随机试验E 的可能结果为)(t g ,试验的样本空间S 为{x 1(t), x 2(t), …, x n (t),…}, x i (t)是第i 次试验的样本函数或实现,每次试验得到⼀个样本函数,所有可能出现的结果的总体就构成⼀随机过程,记作)(t g 。

随机过程举例:⼆.随机过程基本特征其⼀,它是⼀个时间函数;其⼆,在固定的某⼀观察时刻1t ,)(1t g 是随机变量。

随机过程具有随机变量和时间函数的特点。

●随机过程)(t g 在任⼀时刻都是随机变量;●随机过程)(t g 是⼤量样本函数的集合。

三.随机过程的统计描述设)(t g 表⽰随机过程,在任意给定的时刻T t ∈1, )(1t g 是⼀个⼀维随机变量。

1.⼀维分布函数:随机变量)(t g ⼩于或等于某⼀数值x 的概率,即})({);(1x t g P t x P ≤= 2.2.12.⼀维概率密度函数:⼀维概率分布函数对x 的导数.xt x P t x p ??=);(),(11 2.2.2 3.对于任意两个时间1t 和2t ,随机过程的对应的抽样值)(1t g )(2t g 为两个随机变量.他们的联合分布定义为)(t g 的⼆维分布})(;)({),;,(221121212x t g x t g P t t x x P ≤≤= 2.2.34.⼆维分布密度定义为212121221212),;,(),;,(x x t t x x P t t x x p = 2.2.4 四.随机过程的⼀维数字特征设随机过程)(t g 的⼀维概率密度函数为),(1t x p .1.数学期望(Expectation)dx t x xp t g E t g );()]([)(1?∞∞-==µ 2.2.5 2.⽅差(Variance)dx t x p t x t t g E t g Var t g g g ),()]([]))()([()]([)(1222µµσ-=-==?∞∞- 2.2.6五.随机过程的⼆维数字特征1.⾃协⽅差函数(Covariance)21212122211221121),;,())())((())]()())(()([(),(dx dx t t x x p t x t x t t g t t g E t t C g g g g g µµµµ--=--=??∞∞-∞∞- 2.2.72. ⾃相关函数(Autocorrelation)2121212212121),;,()]()([),(dx dx t t x x p x x t g t g E t t R g ∞∞-∞∞-== 2.2.83.⾃相关函数和⾃协⽅差函数的关系)]([)]([),(),(212121t g E t g E t t R t t C g g ?-= 2.2.94.设两个随机过程分别为)(),(t h t g ,在时刻1t 和2t ,对)(),(t h t g 抽样,两个随机过程的互相关函数(Cross-correlation)定义为)]()([),(2121t h t g E t t R gh = 2.2.105.两个随机过程的互协⽅差函数(Cross-covariance)定义为)]()())(()([(),(221121t t h t t g E t t C h g gh µµ--= 2.2.112.3 平稳随机过程⼀.狭义平稳的随机过程(严平稳的随机过程)对于任意的正整数n 和实数τ,若随机过程)(t g 的n 维概率密度函数满⾜ ),,;,,(),,;,,,(21212121n n n n n n t t t x x x p t t t x x x p=+???++???τττ 2.3.1 则称)(t g 为狭义平稳的随机过程.统计特性不随时间的推移⽽变化的随机过程称为平稳随机过程。

随机过程第二章

随机过程第二章

f (t ) = λe − λ t
X1 follows an exponential distribution with parameter λ
6
2.2 Properties of Poisson processes
For any s>0 and t>0, {X2>t|X1=s} ⇔{0 event in (s, s+t]|X1=s} P{X2>t|X1=s} = P{0 event in (s, s+t]|X1=s} = P{0 event in (s, s+t]} (independent-increment) = P{0 event in (0, t]} (stationary-increment) = P{N(t)=0}= e-λt P{ X2≤ t|X1= s} = 1- e-λt
12
2.2 Properties of Poisson processes
λh1e − λh ...λhn e − λh e − λ (t − h −...h ) = e − λt (λ t ) n
1 n1 1 n
(According to Eq.2-1-1)
n! = (Depends on the total number of subscribers and their arriving time)
Let N(t) denote the number of subscribers, and Si denote the arrival time of the ith customer. The revenue generated by this customer in (0,t] is t-Si. Adding the revenues generated by all arrivals in (0,t] N (t ) ⎡ N (t ) ⎤ ∑ (t − Si ) , E ⎢ ∑ (t − S i )⎥ ⎣ i =1 ⎦ i =1

第二章随机过程基本概念

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2章随机过程的基本概念2

第2章随机过程的基本概念2

例题
P51
2.7.1
2.7 常用随机过程的定义
主要性质和结论
设X(t)={X ( t , ), t ∈T } 正态过程,则X(t)的有限维分布函
数都是有限维正态分布,由其均值函数和协方差函数所完 全确定。
2.7 常用随机过程的定义
Gauss随机对象(正态随机对象) • Gauss随机变量 • Gauss随机向量 • Gauss过程 • 是通信与信息工程领域较为常见的随机对象,应 当熟练掌握其性质
2.7常用随机过程的定义
一、二阶矩过程 ☞定义:设X(t)={X( t , ), t ∈T }为一个随机过程, 若 t∈T ,其均值EX(t )和方差DX(t )都存在,则称X(t) 为二阶矩过程 ( second order process ) ,亦称有限方 差过程( finite variance process ) 。 性质: •共轭对称性: X (s, t ) RX (s, t ), s, t, T R •非负定性: R (t , t ) 0 X k l k l
☞ (自)协方差函数和方差的关系
DZ (t ) CZZ (t , t )
2.6 复(值)随机过程
4、 两个复随机过程的互协方差函数、互相关函数
☞定义:设复(值)随机过程Z1(t) , Z2(t) ,t∈T,称
CZ1Z 2 (t1 , t 2 ) cov( Z1 (t1 ), Z 2 (t 2 ))
正态随机变量 • Gauss函数
•Q函数
•误差函数
正态随机变量的性质
• • • • •
均值为 方差为 原点矩: 特征函数 中心极限定理
– 噪声建模为Gauss随机变量的理论依据
正态随机向量

随机过程第二章

随机过程第二章

对于任意n=1,2, …事件A相继到达的时间间隔Tn的分布为
⎧1 − e − λ t , t ≥ 0 FTn (t ) = P{Tn ≤ t} = ⎨ t<0 ⎩0,
其概率密度为
fቤተ መጻሕፍቲ ባይዱTn
⎧λ e −λt , (t ) = ⎨ ⎩0,
t ≥ 0 t < 0
等待时间的分布
等待时间Wn是指第n次事件A到达的时间分布

n≥0
[ m X (t )] n P{ X (t ) = n} = exp{ − m X (t )}, n!
例题3.8
1 (1 + cos ω t ) 的非齐次泊 设{X(t),t≥0}是具有跳跃强度 λ ( t ) = 2 松过程(ω≠0),求E[X(t)]和D[X(t)]。
例题3.9 设某路公共汽车从早上5时到晚上9时有车发出,乘客流量如下:5时 按平均乘客为200人/时计算;5时至8时乘客平均到达率按线性增 加,8时到达率为1400人/时;8时至18时保持平均到达率不变;18时 到21时从到达率1400人/时按线性下降,到21时为200人/时。假定乘 客数在不相重叠时间间隔内是相互独立的。求12时至14时有2000人 来站乘车的概率,并求这两个小时内来站乘车人数的数学期望。
P{ X (t + h) − X (t ) ≥ 2} = o(h)
非齐次泊松过程的均值函数为
m
X
(t ) =

t 0
λ ( s ) ds
定理: 设{X(t),t≥0}为具有均值函数 m 则有
X
(t ) =

t 0
λ ( s ) ds
非齐次泊松过程,
P{ X (t + s ) − X (t ) = n} [ m X (t + s ) − m X (t )] n = exp{−[ m X (t + s ) − m X (t )]}, n!

第二章随机过程基本概念.

第二章随机过程基本概念.
(1若有的一维密度函数。
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。

第二章 随机过程

第二章 随机过程
• 方差描述在该时刻对其数学期望的偏离程度。 • 数学期望、均方值和均方差只能描述随机过
程孤 立的时间点上的统计特性。 • 随机过程孤立的时间点上的统计特性不能反
映随机过程的起伏程度, 故采用两时刻或更多 时刻状态的相关性去描述起伏程度。
4.自相关函数
设和
分别是随机过程 在时刻
和的状态,称它们的二阶原点混合矩
统计特性也可分为:
1、幅值域描述: 数学期望、均方值、方差 等; 2、时间域描述: 自相关函数、互相关函数 ; 3.频率域描述: 功率谱密度函数、互功率谱 密度函数;
2.2.1.随机过程的概率分布
随机过程 , 在任意固定时刻 , 都 是随机变量。 随机事件:
发生概率:
1.一维分布函数
与 和 都有直接的关系,是 二元函数,记为:
7、当平稳随机过程含有均值 , 那它的自相 关函数也将会含有一个常数项 。
8、平稳随机过程的自相关函数的傅里叶变换在 整个频率轴上是非负的,即
且对于所有 都成立。 注: 即不含有阶跃函数的因子,如: 平顶、垂
直边或幅度上的任何不连续。
用平稳过程的自相关函数表示数字特征: (1).数学期望
(2) 均方值 (3) 方差 (4).协方差
• 随机过程 具有以下四种含义:
1.若 和 在发生变 一族时间函数,或化一,族则随随机机变过量程,是构成 了随机过程的完整概念; 2.若和 都固定,则随机过程是一个 确定值;
3.若 取固定值,则随机过程是一个确定 的时间函数,即样本函数,对应于某次试 验的结果;
4.若 取固定值,则随机过程是一个随 机变量;
图 随机过程数字特征
例2-14.设随机过程 的自相关函数为
求它的均值、均方值、方差和自协函数方差。 解:

随机过程 第二章2

随机过程 第二章2

X (t ) (s) E(e jsX (t ) ) E(e js ( A Bt ) ) A (s)Bt ( st ) e
1 (1t 2 ) s 2 2
因此可知 X (t ) ~ N (0,1 t 2 ) (2)二维分布 t1 , t2 0, X (t1 ) A Bt1 , X (t2 ) A Bt2 , 显然有
称为一维分布函数族。
若F1 x; t 对x的偏导存在, 则称偏导 F x; t f1 x; t x 为随机过程X t 的一维分布密度
对所有不同的t T, 得一族概率密度函数
f1 x; t , t T ,称为一维概率密度函数族。
一维分布函数族只能描述随机过程X (t )在某一时刻 的统计特性,为了描述随机过程在不同时刻的相互 关系,一般需用n个不同时刻t1 , t2 ,, tn T所对应的 n个随机变量X (t1 ), X (t2 ),, X (tn )的联合分布函数。

(u1 , u2 ,, un ; t1 , t2 ,, tn )
E{exp[ j (u1 X (t1 ) u2 X (t2 ) un X (tn ))]} exp[ j (u1 x(t1 ) u2 x(t2 ) un x(tn ))] dF ( x1 , x2 ,, xn ; t1 , t2 ,, tn )
1.
2 离散参数、连续状态的随机过程 例:设Xn,n=…,-2,-1,0,1,2,…是相互独立同分 布标准正态分布的随机变量,则{Xn,n=…,2,-1,0,1,2,…}为一随机过程,其参数集 T={…,-2,-1,0,1,2,…},状态空间S为整个实数 域。
3 连续参数、离散状态的随机过程 例 设X(t)表示在期间[0,t]内达到服务点的顾客数, 对于 的不同值, X(t)是不同的随即变量, t [0, ) 因而 { X (t ), t 构成一随机过程。其参数集 0} 为正实数,状态空间S={0,1,2,……}

第2章 随机过程

第2章 随机过程

2、随机过程的基本特征(属性) 、随机过程的基本特征(属性) (1)随机过程是一个时间函数; )随机过程是一个时间函数; (2)在给定的任一时刻t1,全体样本在t1时刻的取值ξ(t1)是 )在给定的任一时刻 全体样本在 时刻的取值 是 一个不含t变化的随机变量 一个不含 变化的随机变量。因此,我们又可以把随机过程看成 变化的随机变量 依赖时间参数的一族随机变量。
(2.1 - 12) (2.1 - 11)
作 业
思考题(自作): 思考题(自作): P61 习 题 : P61 3-1,3-2 , 3-2
2.2
平稳随机过程
★ 平稳随机过程的定义 ★ 各态历经性(遍历性) 各态历经性(遍历性) ★ 平稳过程的自相关函数 ★ 平稳过程的功率谱密度
一、平稳随机过程的定义
(2.1 数的关系 ) 协方差函数和( B(t1, t2)=R(t1, t2)-a(t1)a(t2)
若a(t1)=0或a(t2)=0,则B(t1, t2)=R(t1, t2)。 若t2>t1,并令t2=t1+τ,则R(t1, t2)可表示为R(t1, t1+τ)。这说 明,相关函数依赖于起始时刻 1及t2与t1之间的时间间隔 即相关 相关函数依赖于起始时刻t 之间的时间间隔τ,即相关 相关函数依赖于起始时刻 函数是t 的函数。 函数是 1和τ的函数。 的函数 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 自相关函数 自协方差函数和自相关函数 自协方差函数 自相关函数。
二、随机过程的统计特性
1、一维分布函数 一维分布函数 表示一个随机过程, 设ξ(t)表示一个随机过程,在任意给定的时刻 1∈T, 其取 表示一个随机过程 在任意给定的时刻t , 值 ξ(t1)是一个一维随机变量, 把随机变量ξ(t1)小于或等于某一 是一个一维随机变量, 把随机变量 小于或等于某一 是一个一维随机变量 数值x 的概率称为随机过程ξ(t)的一维分布函数 数值 1 的概率称为随机过程 的 一维分布函数,简记为F1(x1, t1), 即 F1(x1,t1)=P[ξ(t1)≤x1] 2、一维概率密度函数 一维概率密度函数 如果一维分布函数F 如果一维分布函数 1(x1, t1)对x1的偏导数存在,则称 1(x1, 对 的偏导数存在,则称f t1)为ξ(t)的一维概率密度函数 为 的一维概率密度函数。即有 ∂F1 ( x1 , t1 ) (2.1 - 1)
  1. 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. 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. 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)。
2 1
⎛1 ⎜ ⎜0 − Bt n −1) 0 ⎜ ⎜ ⎜M ⎜0 ⎝
1 L 1⎞ ⎟ 1 L 1⎟ 0 L 1⎟ ⎟ M L M⎟ 0 L 1⎟ ⎠
所以 ( Bt 1 , Bt 2 ,L , Bt n ) 是n维正态变量.
所以, ,σ )-布朗运动是一个正态过程 (µ
2
随机过程——西安电子科技大学数学系 冯海林
ϕ (t1 ,L , tn ; u1 , u2 ,..., un ) = e
1 ( jmX ( tk ) uT − uCuT ) 2
=e
1 j uk m X ( tk ) − uk ul C X ( tk ,tl ) 2 k =1 l =1 k =1

n
∑∑
n
n
称为正态过程X的特征函数,其中CX(⋅,)为协方差函数. ⋅
第三章 布朗运动(维纳过程)
1. 1827年植物学家布朗观察到现象 2. 1905 爱因斯坦由物理定律导出其数学描述 3. 1918后维纳提出其简明的数学公式——维纳过程
随机过程——西安电子科技大学数学系 冯海林
布朗运动内容
布朗运动定义 布朗运动的一些性质 与布朗运动的相关的随机过程
随机过程——西安电子科技大学数学系 冯海林
re
=∫
+∞
−∞
y ϕt ( y )dy = 2 ∫ y ϕt ( y )dy
0
+∞
= 2∫
+∞
0
y (令 z= ) t
2 = 2π

y2 +∞ − 2t 0
1 y e 2πt
y2 − 2t
dy
e
y dy t
2 +∞ − 2 2t = ∫0 e z tdz = π 2π
随机过程——西安电子科技大学数学系 冯海林
= e µ ( s +t ) E[e 2σWs e σ (Wt −Ws ) ] = e µ ( s +t ) E[e 2σWs ]E[e σ (Wt −Ws ) ] =e
σ2 ( t −s ) µ ( s +t ) 2σ 2s 2
e
e
随机过程——西安电子科技大学数学系 冯海林
5. 反射布朗运动 定义
−∞
x1 x1 x1
= ∫ P(η ≤ x 2 -y )ϕt 1 ( y )dy
−∞
=∫
−∞ −∞

x 2− y
ϕt
2 −t 1
( z )dzϕt 1 ( y )dy
其中ϕt 1 ( y )为N(0,t 1 )分布的密度函数,
ϕt
2 −t 1
( z )为N(0,t 2 -t 1 )分布的密度函数。
随机过程——西安电子科技大学数学系 冯海林
例1 验证布朗运动是正态过程 证明 设 W={Wt,t≥0}是参数为σ2的布朗运动,则由 0 定义,对任意的n≥1,及任意的 ≤ t1 < t 2 < L < t n
Wt 1 ,Wt −Wt , L ,Wt n −Wt n 相互独立且
2 1 −1
Wt k −Wt k
所以
−1
N(0,σ (t k − t k −1 ))
布朗运动{W(t),t≥0} 的轨道是不可微的
事实上,有
∆W t P ( lim > x) = 1 ∆t → 0 ∆ t
随机过程——西安电子科技大学数学系 冯海林
与布朗运动的相关的随机过程 设W= {Wt,t≥0}是标准布朗运动, 1. d-维标准布朗运动 如果W1,…,Wd,是d个相互独立的标准布朗运动, 则称(W1,…,Wd)是d-维标准布朗运动.
随机过程——西安电子科技大学数学系 冯海林
自相似性 即对任意常数a>0固定的t>0, 有 a1/2Wt Wat
随机过程——西安电子科技大学数学系 冯海林
时间逆转性 即对固定的T>0,定义: Bt =WT –WT-t 0≤t ≤ T 则B ={Bt 0≤t ≤ T}也是标准布朗运动. (称为W的时间逆转过程).
2
CW ( s ,t ) = RW ( s , t ) − mW ( s )mW (t) = min( s , t )
随机过程——西安电子科技大学数学系 冯海林
例1 试计算标准布朗运动的一、二维分布函数
一维分布函数 F(t 1 ; x ) = P(Wt1 ≤ x )
= 1 2πt1

x
-∞
e
x2 2t1
例 5 计算几何布朗运动的均值函数和相关函数 解:均值函数 m B (t ) = E[Btge ]
ge
= E[e
µt
Btµ ,σ
2
]=E[e µt +σWt ]
=e E[e
=e e
tσ 2 µt 2
σWt
]
随机过程——西安电子科技大学数学系 冯海林
相关函数 R Bge (s ,t ) = [E[e µs +σWs e µt +σWt ]
令ξ = Wt1 , η = Wt 2 − Wt1 ,则ξ 服从N(0, t 1 )分布,η 服从N(0, t 2 − t 1 )分布 所以 F(t 1 ,t 2 ; x 1 , x 2 ) = P( ξ ≤ x 1 , ξ + η ≤ x 2 )
= ∫ P(η ≤x 2 -y )P(ξ ∈ dy )
随机过程——西安电子科技大学数学系 冯海林
2. ( µ , σ 2 ) − 布朗运动
设µ ∈ R,
σ > 0,
B
µ ,σ 2 t
定义Байду номын сангаас
= µt + σWt ,
t ≥0
则称随机过程B
µ ,σ 2
={B
µ ,σ 2 t
, t ≥ 0}为(µ ,σ 2 )-布朗运动
随机过程——西安电子科技大学数学系 冯海林
数字特征 设 {Wt,t≥0}是标准布朗运动.则
mW (t ) = 0, DW (t ) = t , t ≥ 0, RW ( s, t ) = CW ( s, t ) = min( s, t ), s, t , ≥ 0
证明
由定义易知有
mW (t ) = 0, DW (t ) = t , t ≥ 0
−1
−1
相互独立且
2
Bt k − Bt k 服从N ( µ(t k − t k −1 ),σ (t k − t k −1 ))分布
所以 (Bt 1 , Bt 2 − Bt 1 , L , Bt n − Bt n −1)是n维正态变量.
随机过程——西安电子科技大学数学系 冯海林
又由于
( Bt 1 , Bt 2 , L , Bt n ) =(Bt 1 , Bt − Bt ,L , Bt n
Btre = Wt ,
t ≥0
Wt ≥ 0 ⎧ Wt , =⎨ , t ≥0 Wt <0 ⎩−Wt , 则称随机过程Bre = {Btre , t ≥ 0}为反射布朗运动
随机过程——西安电子科技大学数学系 冯海林
例6
计算反射布朗运动的一维分布函数
解: ≥ 0时,有 x F(t ; x ) = P(B ≤ x )
布朗运动定义 称实随机过程{Wt,t≥0}是参数为σ2的布朗运动,如果
(1) W0 = 0
(2)
(3)
{Wt , t ≥ 0} 是平稳的独立增量过程.
∀0 ≤ s < t , Wt − Ws ~ N (0, σ 2 (t − s ))
σ2 =1时,称为标准布朗运动
随机过程——西安电子科技大学数学系 冯海林
1 L 1⎞ ⎟ 1 L 1⎟ 0 L 1⎟ ⎟ M L M⎟ 0 L 1⎟ ⎠
所以 (Wt 1 ,Wt 2 , L ,Wt n ) 是n维正态变量. 所以W是正态过程.
随机过程——西安电子科技大学数学系 冯海林
布朗运动的性质 设W= {Wt,t≥0}是标准布朗运动,则W具有 对称性 即 -W= {-Wt,t≥0}也是标准布朗运动
随机过程——西安电子科技大学数学系 冯海林
4. 几何布朗运动
设µ ∈ R, 其中B
µ ,σ 2 t
σ > 0,
B =e
ge t
Btµ ,σ
2
定义 ,
Btµ ,σ
2
t ≥0
,t ≥ 0}为几何布朗运动
是(µ ,σ 2 )-布朗运动,
ge
则称随机过程B = {e
随机过程——西安电子科技大学数学系 冯海林
re t
= P( Wt ≤ x ) = P( −x ≤ Wt ≤ x )
= ∫ ϕt ( y )dy
−x +x
1 其中ϕt ( y ) = e 2πt
y2 − 2t
, 即N (0, t )分布的密度函数
随机过程——西安电子科技大学数学系 冯海林
例7
计算反射布朗运动的均值函数和方差函数 解:均值函数 m B (t ) = E[ Wt ]
2
(Wt 1 ,Wt 2 −Wt 1 , L ,Wt n −Wt n −1) 是n维正态变量.
随机过程——西安电子科技大学数学系 冯海林
又由于
(Wt 1 ,Wt 2 , L ,Wt n ) = (Wt 1 ,Wt −Wt ,L ,Wt
2 1
n
⎛1 ⎜ ⎜0 −Wt n −1 ) ⋅ ⎜ 0 ⎜ ⎜M ⎜0 ⎝
例 1 计算(µ ,σ 2 )-布朗运动的均值函数和相关函数
随机过程——西安电子科技大学数学系 冯海林
例 2 验证(µ ,σ 2 )-布朗运动是一个正态过程
证明 对任意的n≥2,及任意的 0 ≤ t1 < t 2 < L < t n
相关文档
最新文档