第1章-概率和随机过程.pptVIP

应用随机过程 第1章 概率论基础与 随机过程的基本概念 教师: 陈 萍 prob123@mail.njust.edu.cn 引言 随机过程通常被视为概率论的动态部分,在概率论中研究的随机现象,都是在概率空间上的一个或有限多个随机变量的规律性.但在实际问题中,我们还需要研究一些随机现象的发展和变化过程,即随时间不断变化的随机变量,这就是随机过程所要研究的对象. §1.2 随机变量的期望 1.2.1 Lebesgue 积分 1.2.3 期望 期望的性质 1.2.4 不等式 1.3 随机变量序列的收敛性 §1-4 条件 期望 1. 关于事件B的条件期望 1.4 特征函数与正态随机变量 三、特征函数的定义 1.复随机变量与特征函数 2、几个常用随机变量的特征函数 3、特征函数的性质 2、 n维特征函数的性质 三、正态随机向量及其性质 正态随机向量的性质 1.5 随机过程的基本概念1.5.1 随机过程的概念与举例 1.5.2 随机过程的数字特征及有限维分布族 §1-3 几类典型的随机过程 例 1.4.1 设{Xt,t?T}是独立增量过程，且增量平稳, P{X0=0}=1，求证：增量的分布完全决定任意有穷维分布. （4） 二阶矩过程 (5) 平稳随机过程 严平稳过程 三、宽平稳过程及其与严平稳过程的关系 平稳过程自相关函数的性质 平稳过程互相关函数的性质 第四讲给出过定义 概率论与数理统计中山大学,p248-253 概率论与数理统计中山大学,p248-253 证：不妨设X0=0。则?s?0, t0, Xt的特征函数 决定了Xs+t-Xs的分布. 类似地，?n, 于是 (3) 马尔可夫过程（马氏过程） 定义1.3.1 设随机过程 ， 若对 则称该过程为马尔可夫过程，简称“马氏过程”。 马氏过程的特点：已知现在，将来与过去无关。 称 为转移概率函数.(transition probability function) A process {Xk} with independent increments is a Markov process Proof: : independent random variables. We show that is Markov -measurable Independent of Independent of -measurable Yk is independent of In particular, we have A process {Xk} with independent increments is a Markov process 定义1.3.3 设随机过程{ X t， t ?T }，若对? t ?T， X t的均值和方差有限，则称{ X t， t ?T } 为二阶矩过程。 易知，二阶矩过程的自相关函数和自协方差函数总是存在的。 一般地，所论及的二阶矩过程可为复随机过程。 定理1.3.1 设二阶矩过程的自相关函数为R(t1, t2)，则 此性质称为共轭对称性或埃尔密特性(Hermite). 定理1.3.2 二阶矩过程的自相关函数具非负定性：对?n个参数t1, …, tn ?T及?n个复数?1, …, ? n，有 在工程应用和大量实际现象的理论分析研究中常会遇到一类过程。其统计特性随着时间的推移不发生任何变化。此类过程中，最重要的是“平稳过程”。 例如无线电设备中热噪声电压X(t)是由于电路中电子的热运动引起的，这种热扰动不随时间而变；连续测量飞机飞行速度产生的测量误差X(t) ， 是由仪器震动、电磁波干扰、气候变化等因素引起的; 纺纱厂生产出的棉纱各处直径X(t)不同是由于纺纱机运行，棉条不匀、温湿度变化等因素引起的。 定义1.3.3 设随机过程{ X (t) ,t ?T }的有穷维分布函数族为{Ft1,···,tn (x1,···,xn), t1,···,tn ?T, n?1 }，若对?n 和t1,···,tn ?T, 及ti+??T的?，有 Ft1,···,tn (x1,···,xn)= Ft1 +?,···,tn +? (x1,···,xn) (1.3.1) 则称{ X (t) ， t ?T }是严平稳过程。 严平稳过程的特点： (1) 若有概率密度，则式(1.3.1)等价于： f t1,···,tn (x1,···,xn)=f t1 +?,···,tn +? (x1,···,xn); (2) 一维分