第10讲研究生-概率论与数理统计-资料与讲义.pptVIP

于是，随机变量Ti, ti-1的联合概率密度为 　　给定二阶矩过程 {W(t), t ≥0}，如果它满足 (1). 具有独立增量； (2). 对任意的 t s ≥0, 增量 W(t)- W(s) ～N(0, σ 2(t -s ))，σ0； (3). W(0)=0, 则称此过程为维纳过程。 10.3.2 维纳过程 　　维纳过程不只是布朗运动的数学模型，其内容也远不止这些，其应用价值深不可测，几乎适用于一切随机动力学。 第十讲 随机过程 Stochastic(al) Processes §10.2　　随机过程的数学定义 设 T 是一个无限实数集。我们把依赖于参数 t ∈ T 的一族 (无限多个) 随机变量收集在一起，称为随机过程，记成{ X(t), t ∈T }。 这里，对每一个t ∈T，X(t) 都是一个随机变量。 T 称为参数集。常把 t 看作为时间，称 X(t) 为 t 时刻 过程的状态，称 X(t1)＝x (实数) 为t ＝ t1 时过程处于状态 x。 对于一切 t ∈Ｔ, X(t) 所有可能取得一切值的全体称为随机过程的状态空间。　　 　　对随机过程 { X(t)，t ∈T } 进行一次试验 (即在 T上进行一次全程观测)，其结果是 t 的函数，记为x(t)， t∈T， 称它为随机过程的一个样本函数或样本曲线。 　　事实上，随机过程有多种描述。 　　以后，我们常以 X(t)，t ∈Ｔ表示随机过程。在不致混淆的情形下，略去参数集 T。 §10.2 随机过程的统计描述 10.2.1 随机过程的分布函数族 给定随机过程{ X(t), t ∈T }，对每个固定的 t ∈T, 随机变量 X(t)的分布函数记为 称其为随机过程 {X(t), t ∈T} 的一维分布函数，称{Fx(x, t), t ∈T}为一维分布函数族。 一般要对任意 n个(n=2, 3, …) 不同时刻t1, t2, …, tn∈T, 引入 n 维随机变量 (X(t1), X(t2), …, X(tn)), 其联合分布函数记为 {FX(x1, x2, …, xn; t1, t2,…,tn), ti∈T}称为随机过程{X(t), t ∈T}的 n 维分布函数族。 　　n 取得愈大，则n维分布函数族描述随机过程的特征也愈趋于完善。科尔莫戈罗夫定理指出: 　　有限维分布函数族 {FX(x1, x2, …, xn; t1, t2, …, tn) n=1, 2, …, ti∈T} 完全地确定了随机过程的统计特征。 10.2.2 随机过程的数字特征 给定随机过程{ X(t), t ∈T}，X(t)是一随机变量，它的均值记为 称 μX(t)为随机过程{X(t)，t ∈T}的均值函数。 通常称这种平均为集平均或统计平均, 以区分第十二章中引入的时间平均概念。 均值函数μX(t)表示了随机过程 X(t)在各个时刻的摆动中心，如图10-4所示。 X(t)的二阶原点矩和二阶中心矩分别记作 分别称为随机过程{X(t), t ∈T}的均方值函数和方差函数。 任意 t1, t2∈T，X(t1)和X(t2)的二阶混合矩 称为随机过程{X(t)，t ∈T}的自相关函数，简称相关函数。常简记成RX(t1,t2)。 X(t1)和X(t2)的二阶混合中心矩 称为随机过程{X(t), t ∈T}的自协方差函数，简称协方差函数。常简记为CX(t1,t2)。 ------------------------------------------------------------------------------------------------------------------------- 随机过程{X(t)， t ∈T}，如果对于每一个t ∈T，二阶矩E[X2(t)]都存在，那么称它为二阶矩过程。 二阶矩过程的相关函数总存在。 例1 设A, B是两个相互独立随机变量,且 A～N(0,1), B～U(0,2)，求随机过程X(t)=At+B的均值函数和自相关函数。 当A～N(0,1)时，E[A]=0，E[A2]=1；当B～U(0,2)时，E[B]=1，E[B2]=4/3；又因A、B独立时，有 E[AB]=E[A]E[B]=0。故 解 X(t)的均值函数和自相关函数分别为 泊松过程与维纳过程 Poission Processes Wiener Processes 给定二阶矩过程{X(t), t ≥0}, 称