随机过程第一章介绍导论.pptVIP

古典概率 随机试验中一切可能结果是有限多个； 每个结果出现的可能性是相等的； 则事件A发生的概率可表示为 几何概率 计算无穷个基本事件的情形； 样本点具有均匀分布的性质； 设用L(Ω) 作为区域Ω大小的量度，而区域Ω中任意可能出现的小区域A的量度用L(A)表示； 则事件A（或某一区域）发生的概率表示为 统计概率 用于计算前两种随机概率概括不了的随机事件概率； 用事件的频率近似地去表达事件的概率； 若在同样的条件下，将随机试验独立的重复做n次，事件A出现了nA次，则事件A的频率是 事件A1，A2，……，An看作是导致事件B发生的“因素”，P(Ai )是在事件B已经出现这一信息得知前Ai出现的概率，通常称为先验概率。 在试验中事件B的出现，有助于对导致事件B出现的各种“因素”发生的概率作进一步探讨，公式给出的P(Ai︱B)是在经过试验获得事件B已经发生这个信息之后，事件Ai发生的概率，称为后验概率。 后验概率依赖于试验中得到的新信息的具体情况（比如事件B发生还是事件B补发生），并且给出在获得新信息之后，导致B出现的各种因素Ai发生情况的新知识，因此贝叶斯公式又称为后验概率公式或逆概率公式。 L（A）是一维区间的长度，二维区间的面积，三维空间的体积，。。。。 注意，不要把两个事件的互斥与两个事件的统计独立混淆起来，它们是属于两个完全不同的概念。 互斥是指在样本空间上没有交集，是集合范畴的概念，而统计独立是概率范畴的概念。 * 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。 由于二维和n维没有什么原则区别，故为简单及容易理解期间，我们着重讨论二维随机变量的情况 联合密度决定了边际密度，边际密度能够决定联合密度呢？一般来讲，是不能的。 但是当X和Y相互独立，边际密度就能决定联合密度。 * ∫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） 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。 通常我们讨论的随机过程都是实随机过程，即把随机过程表示成时间的实值函数，这种表示方法的优点是直观、易于接收。 但是在某些情况下，例如：在处理窄带随机过程时，将其表示成复数形式，则更为方便。 * 二阶矩过程 * 定义： 设{X(t),t∈T}是零均值的二阶矩过程，若对任意的t1t2≤t3t4 ∈T，有 则称X(t)是正交增量过程。 例题 设{X(t),t∈T}是正交增量过程，T=[a,b]为有限区间，且规定X(a)=0，当astb时，求其协方差函数。 正交增量过程 * 定义： 设{X(t),t∈T}是随机过程，若对任意的正整数n和t1t2…tn ∈T，随机变量X(t2)-X(t1),X(t3)-X(t2), …,X(tn)-X(tn-1)是互相独立的，则称{X(t),t∈T}是独立增量过程。 特点： 独立增量过程在任一个时间间隔上过程状态的改变，不影响任一个与它不相重叠的时间间隔上状态的改变。 独立增量过程 * 正交增量过程 独立增量过程 定义依据： 不相重叠的时间区间上增量的统计相依性 互不相关 相互独立 正交增量过程 独立增量过程 × 正交增量过程 独立增量过程 二阶矩存在，均值函数恒为零 * 定义： 设{X(t),t∈T}是独立增量过程，若对任意st，随机变量X(t)-X(s)的分布仅依赖于t-s，则称{X(t),t∈T}是平稳独立增量过程。 例题：考虑一种设备一直使用到损坏为止，然后换上同类型的设备。假设设备的使用寿命是随机变量，令N(t)为在时间段[0,t]内更换设备的件数，通常可以认为{N(t)，t≥0}是平稳独立增量过程。 平稳（stationary）独立增量过程 * 定义： 设{X(t),t∈T}是随机过程，若对任意正整数n及t1,t2, …,tn∈T，(X(t1),X(t2), …,X(tn))是n维正态随机变量，则称{X(t),t∈T}是正态过程或高斯过程。 特点： 正态过程只要知道其均值函数和协方差函数，即可确定其有限维分布。 独立和不相关是等价的。 正态过程 二维正态随机变量： 讨论随机变量X1,X2的联合概率密度函数 称X1,X2为二维正态随机变量。其中ρ为X1和X2的相关函数。 对于上述二维随机变量，其边际密度可表示为 边际分布为一维正态分布 ，