数理统计与随机过程ch.pptVIP

什么是“随机过程”？ 确定性过程：事物的变化过程可以用一个时间t的确定函数来描述。比如：物体的自由落体过程。 不确定过程：没有确定的变化规律，即这类事物的变化过程不能用一个时间t的确定性函数来描述。 如果对该事物的变化全过程进行一次观测，可得到一个时间t的函数，但是若对该事物的变化过程重复的独立的进行多次观测，则每次得到的结果是不同的。 从另一个角度来看，如果固定某一个观测时刻t，事物在时刻t出现的状态是随机的。 设 {X(t), t∈T } 和{Y(t), t∈T }是同一参数空间上的两个不同的随机过程，称{(X(t),Y(t)), t∈T }是二维随机过程。 设 {(X(t),Y(t)), t∈T }是二维随机过程，如果对任意正整数n, m，任意数组 t1, t2,…, tn ∈ T， t’1, t’2, …, t’m ∈T，称n+m 维随机变量 (X(t1), X(t2),…, X(tn), Y(t’1), Y(t’2),…,Y(t’m)) 的分布函数 F(x1, x2,…, xn; t1, t2,…, tn: y1, y2,…,ym ;t’1, t2’, …, t’m) 为随机过程X(t)与Y(t)的n+m维联合分布函数。 如果对任意正整数n, m，任意数组 t1, t2,…, tn ∈ T; t’1, t’2, …, t’m ∈T，n维随机变量 (X(t1), X(t2),…, X(tn)) 与 m维随机变量(Y(t’1), Y(t’2),…,Y(t’m))相互独立，则称随机过程X(t)和 Y(t)是相互独立的。 关于数字特征，除X(t), Y(t)的均值和自相关函数外，在应用课题中感兴趣的是X(t)和Y(t)的二阶混合原点矩，记作 并称它为X(t)和Y(t)的互相关函数。 类似地，还有如下定义的X(t)和Y(t)的互协方差函数 如果对任意的 t1, t2∈T，恒有 则称随机过程X(t)和Y(t)是不相关的。 由第四章§3可推知，两个随机过程如果是相互独立的, 且它们的二阶矩存在, 则它们必然不相关。反之, 从不相关一般并不能推断出它们相互独立。 当同时考虑 n(n2)个随机过程或 n维随机过程时, 我们可类似地引入它们的多维分布，以及均值函数和两两之间的互相关函数 (或互协方差函数)。 在许多应用问题中，经常要研究几个随机过程之和 (例如，将信号和噪声同时输入到一个线性系统的情形) 的统计特征。现考虑三个随机过程 X(t), Y(t)和Z(t)之和的情形，令 W(t)=X(t)+Y(t)+Z(t). 显然，均值函数 而W(t)的自相关函数可以根据均值运算规则和相关函数的定义得到， 此式表明：几个随机过程之和的自相关函数可以表示为各个随机过程的自相关函数以及各对随机过程的互相关函数之和。 如果上述三个随机过程是两两不相关的，且各自的均值函数都为零，则由(2.11)是可知诸互相关函数均等于零，此时W(t)的自相关函数简单地等于各个过程的自相关函数之和，即 特别地，令t1=t2=t, 由(2.12)式，得W(t)的方差函数(此处即均方值函数)为 §10.3 泊松过程及维纳过程 泊松 (Poission) 过程及维纳 (Wiener) 过程是两个典型的随机过程，在随机过程理论和应用中都占重要地位，都属于独立增量过程。下面首先介绍独立增量过程。 给定二阶矩过程{X(t), t ≥0}, 称X(t)-X(s), 0≤st为随机过程在区间(s, t]上的增量。如果对任意正整数n 和任意 0≤t0 t1 t2 … tn, n个增量 X(t1)-X(t0), X(t2)-X(t1), …, X(tn)-X(tn-1) 相互独立，则称{X(t), t ≥0}为独立增量过程。 直观地说： 就是在互不重叠的区间上，状态的增量相互独立。 对于独立增量过程，可以证明：在 X(0)=0 的条件下, 过程的有限维分布函数族可以由增量 X(t)-X(s) (0≤st)的分布所确定。 特别地，若对任意的实数 h 和 0 ≤ s+ h t+ h, X(t + h)-X(s + h) 与 X(t)-X(s) 具有相同的分布，则称增量具有平稳性。这时，增量 X(t)-X(s) 的分布函数实际上只依赖于时间差 t - s (0≤st)，而不依赖于t和 s 本身 (事实上，令h=-s即知)。