[理学]樊昌信第3章随机过程.ppt

机械工业出版社 2004年1月 第3章 随机过程 随机变量的数字特征 前面讨论的分布函数和概率密度函数，能够较全面地描述随机变量的统计特性。然而，在许多实际问题中，我们往往并不关心随机变量的概率分布，而只想了解随机变量的某些特征，例如随机变量的统计平均值，以及随机变量的取值相对于这个平均值的偏离程度等。这些描述随机变量某些特征的数值就称为随机变量的数字特征。 数字期望 数字期望（简称均值）是用来描述随机变量X的统计平均值，它反映随机变量取值的集中位置。 对于离散随机变量X，设 是其取值xi 的概率，则其数字期望定义为 对于连续随机变量X，其数学期望定义为 式中，f(x)为随机变量X的概率密度。 数学期望的性质如下： （1）若C为一常数，则常数的数学期望等于常数，即E(C)=C； （2）若有两个随机变量X和Y，它们的数学期望E(X)和E(Y)存在，则E(X+Y)=E(X)+E(Y)。 若随即变量X1,X2,…,Xn的数学期望都存在，则 E(X1+X2+…+Xn)也存在，且有 E(X1+X2+…+Xn)＝E(X1)+E(X2)+…+E(Xn) （3）若随机变量X和Y相互独立，且E(X)和E(Y)存在，则E(XY)也存在，且有 E(XY)=E(X)E(Y) 方差 方差反映随机变量的取值偏离均值的程度。方差定义为随机变量X与其数学期望E(X)之差的平方的数学期望，即 D[X]=E[X-E(X)]2 对于离散随机变量，上式方差的定义可表示为 式中，Pi是随机变量X取值为xi 的概率。 对于连续随机变量，方差的定义可表示为 另外，还可以表示为 方差的性质如下： （1）常数的方差等于0，即D[X]=0； （2）设D[X]存在，C为常数，则 D[X+C]=D[X] D(CX)=C2D(X)； （3）设D[X]和D[Y]都存在，且X和Y相互独立，则D[X+Y]=D[X]+D[Y]。 对于多个独立的随机变量X1,X2,…,Xn，不难证明有D(X1+X2+…+Xn)＝D(X1)+D(X2)+…+D(Xn) 3.2.1随机过程的一般表述 1.随机过程的概念 举例：图2-1 n部接收机的输出噪声电压 图2-5 随机过程波形 随机过程基本特征 随机过程的统计描述 设ξ(t)表示随机过程，在任意给定的时刻t1∈T， ξ(t1)是一个一维随机变量。 一维分布函数：随机变量ξ(t1)小于或等于某一数值x1的概率，即 一维概率密度函数 ?(t)的n维分布函数： ?(t)的n维概率密度函数： 方差 除了原点矩外，还定义相对于均值a的n阶矩为n阶中心矩，即 显然，随机变量的二阶中心矩就是它的方差，即 随机过程的二维数字特征 随机过程?(t)的自协方差函数： 自相关函数R(t1,t2)定义为： 自协方差函数与自相关函数的关系： 相关系数ρ(t1、t2) 互协方差函数： 互相关函数： 2.2平稳随机过程及其数字特征 平稳随机过程是指它的任何n维分布函数或概率密度函数与时间起点无关，或者说不随时间原点的选取而变化。 数学表述：如果对于任意的正整数n和任意实数t1，t2，?，tn及任意实数△，随机过程?(t)的n维概率密度函数满足 则称?(t)是严平稳随机过程或狭义平稳随机过程。 它的一维分布与t无关。因为和起点t1及△无关，所以 二维分布只与时间间隔τ=t2-t1有关。因为和t1、t2及△与起点无关，所以 广义平稳或宽平稳随机过程的定义： 若一个随机过程的数学期望与时间无关，方差也与时间无关，而其自相关函数仅与?有关，则成为广义平稳随机过程 严平稳随机过程必定是广义平稳的，而广义平稳随机过程不一定是严平稳的。 说明：在通信系统中所遇到的信号及噪声，大多数均可视为平稳的随机过程。 3.2.2各态历经性 平稳随机过程一般具有一个有趣的又非常有用的特性，这个特性称为“各态历经性”。即随机过程的数学期望（统计平均值），可以由任一实现的时间平均值来代替；随机过程的自相关函数，也可以由对应的“时间平均”来代替“统计平均”。 假设 是平稳随机过程 的任意一次实现（样本） 若令 平稳随机过程的各态历经性表现为 “各态历经”的含义：随机过程中的任一实现都经历了随机过程的所有可能状态。因此， 我们无需获得大量用来计算统计平均的样本函数，而只需从任意一个随机过程的样本函数中就可获得它的所有的数字特征，从而使“统计平均”化为“时间平均”，使实际测量和计算的问题大为简化。 ［例3.1］讨论