第一章介绍精编.pptVIP

特征函数 特征函数 * 作业 2.2 2.3 2.14 * 随机试验，例如：抛硬币试验； 非随机试验，如：打电话中，拨了什么号码，就会接到对应的电话机上。 * * 从上述三个客观事实总结出来的共同属性可以给概率赋予一个公理化定义，它既可以包括前面三种特殊情况，又具有更广泛的一般性。 * * 由于数学分析不能直接利用来研究集合函数，这样影响对随机现象的研究。解决这个问题的方法，主要是设法在集合函数与数学分析中所研究的点函数间建立某种联系，从而能用数学分析去研究随机现象。 X(e)就是一个函数，它把样本点映射到实数轴上，随机变量就是从原样本空间Ω到新样本空间的一种映射，我们通常把这样一种对应关系称之为在概率空间上的一个随机变量。下面我们给出随机变量的数学定义。 * 在实际应用中常常会遇到同时需要几个随机变量，才能较好的描述某一试验或现象。如炮弹命中位置是两个随机变量确定的，飞机的空中位置由三个随机变量来确定，因此我们需要引入n维随机变量。 * 设随机变量X，令A等效于事件[X≦x]，在给定事件B条件下，P(Xx|B)称为随机变量X的条件分布函数。 在实际应用中常遇到这样一种情况的分布函数，即某个随机变量X是在第二个随机变量Y取某确定数值时的条件概率，对应的条件分布函数可以表示如下， * 确定随机变量的分布函数相当麻烦，在实际问题中，我们有时只需要知道随机变量的某些特征值就够了。 * 矩的重要性在于：如果对于所有的k，矩存在且已知，则由矩的集合，可以唯一的确定随机变量的概率分布函数，即便不是所有的矩都存在，他们也能帮助描述其相应的概率分布性质。 * ∫应理解为n维向量的n重积分，X理解维n个随机变量的标量函数，fx是多维随机变量的联合概率密度函数。 * 两个随机变量函数乘积的期望等于随机变量函数期望的乘积（前提条件是：两个随机变量必须是相互独立的） * 随机变量X和Y不相关，但是不满足统计独立条件。 * 在科学技术的发展过程中，我们必须对一些随机现象的变化过程进行研究，这就必须考虑无穷多个随机变量；而且解决问题的出发点不是随机变量的N各独立样本，而是无穷多个随机变量的一次具体观测。针对这个问题，我们必须用一族随机变量才能刻画这种随机现象的全部统计规律。我们通常将这族随机变量称为随机过程。 * 在概率空间中，一个事件对应一个发生的概率值，这种对应关系称为一个随机变量； 在上述试验中，一个样本对应一个随机函数（或样本函数），这样一组随机函数称为随机过程。 在试验中的特定时刻t1，我们可以获得一个具体的样本值，这个样本值的对应函数关系也就是一个随机变量。 * 在实际应用中要知道随机过程的全部有限维分布函数族是不可能的，也是没有必要的。因此我们通常用随机过程的某些统计特征来取代有限维分布函数族。以下是一些常用的统计特征定义： * 上述例题的结论表明两个随机过程之和的相关函数可以表示为各个随机过程的相关函数与它们的互相关函数之和。 特别的，若两个随机过程的均值函数恒为零且互不相关时，其对应的相关函数可以表示为两个随机过程的自相关函数之和。 * 如：服务系统在某段时间间隔内的“顾客数”，电话交换机中的用户呼叫次数等。 * 由于随机过程的有限维分布有时无法确定，因此在实际应用中采用了另一种平稳过程概念。 * 条件期望 定义：两个随机变量 X,Y，如果P(X=Y)=1，称 X,Y几乎处处相等，记为X=Y a.s.（almost surely)。 条件期望的基本性质： * 生成函数 定义：设{an}为数字序列，称该序列的Z-变换为{an}的生成函数，记为： 定义：设X为离散随机变量，令an =P{X=n} ，称PX(z)=ag(z)=E(zX)为X的生成函数，|z|≤1。 卷积性质 * 生成函数 * 随机变量与随机过程 在每次试验的结果中，以一定的概率取某个事先未知，但未确定的数值。 在实际应用中，我们经常要涉及到在试验过程中随时间t而改变的随机变量。例如，接收机的噪声电压， 此外，还包括生物群体的增长问题； 电话交换机在一定时间段内的呼叫次数； 一定时期内的天气预报； 固定点处海平面的垂直振动；等等 * 在第Wi次试验中测量获得的噪声电压Xt是一个样本函数 * * 定义 设（Ω,F,P）是概率空间，T是给定的参数集，若对每个t∈T，由一个随机变量X(t,e)与之对应，则称随机变量族{X(t,e),t ∈T}是（Ω,F,P）上的随机过程。 随机过程{X(t,e),t ∈T}可以认为是一个二元函数。 对固定的t，X(t,e)是（Ω,F,P）上的随机变量； 对固定的e， X(t,e)是随机过程{X(t,e),t ∈T}的一个样本函数。 * 有限个随机变量 统计规律 联合分布函数 随机过程 统计规律 有限维分布函数族 设XT=