随机过程的概念以及统计特性(读书笔记)
本文是学习概率论过程中的总结
随机过程概述
通俗的来说,随机过程其实就是一组因为时间t而产生关联的随机变量的所组成的序列。序列可以是连续的,也可以是离散的。同时,每个随机变量也同样可以是连续的或者离散的。
随机过程是随机变量的集合
- 连续型随机过程:在时间t所允许的范围内,任意时间都有一个对应的随机变量,同时每个随机变量也是连续的。
- 离散型随机过程:在时间t所允许的范围内,任意时间都有一个对应的随机变量,同时每个随机变量是离散的。
- 连续型随机序列,在时间t所允许的范围内,只有有限个随机变量,但每个随机变量也是连续的。
- 离散型随机序列,在时间t所允许的范围内,只有有限个随机变量,同时每个随机变量也是离散的。
关于样本函数
样本函数是随机过程在全程时间T上进行的一次观测结果,它也同样可以称作样本曲线。下面列举出一个典型的样本函数:
X(ti)=Acoswti+Bsinwti
其中,A和B是独立的正态变量。
所以说,当随机变量A和B的值不同,那么 X(ti) 的形式就不一样。
注意一点:样本函数的书写形式都是将时间t完全提取出来的,这就保证了随机变量A和B和时间t无关,我们在理解样本函数的时候,可以理解为在测量之前,A和B的值已经确定了。因此在整个时间的测量上可以将A和B理解为一个实数。样本函数的个数也因此是有限的。
可以把随机过程想象成一个x轴为时间,y轴为随机变量的另外一个参数w,z轴为随机变量在参数w和时间t下的值(固定的)。而我们所确实观测到的值就是这个3维曲面上的一条线。
随机过程的描述
随机过程的确切描述使用的是随机过程的n维分布函数族,记为:
Fx(x1,x2,...,xn;t1,t2,...,tn)=P{X(t1)≤x1,X(t2)≤x2,...,X(tn)≤xn)}
当n足够大,该公式即可完整描述整个随机过程
随机过程的数字特征
由于利用一般的统计方法很难确定有限维分布函数(即确定该随机过程)。因此,引入随机过程的数字特征非常重要。
- 均值函数
μX(t)=E[X(t)]
- 自相关函数
RXX(t1,t2)=E[X(t1)X(t2)]
- 自协方差函数
CXX(t1,t2)=Cov[X(t1),X(t2)]=E[X(t1)−μx(t1)][X[t2]−μx(t2)]
自协方差函数 Cxx 或者自相关函数 Rxx 都是用来描述随机过程中,时间之间的状态的关联程度。
随机过程之间
本质上和一维随机过程非常相似,重点在于计算两个随机过程之间的关联程度。
- 互相关函数:
RXY(t1,t2)=E[X(t1)Y(t2)]
- 互协方差函数 :
CXY(t1,t2)=E{[X(t1)−μX(t1)][Y(t1)−μY(t2)]}
这两个函数对于有多种随机过程叠加的情况非常有实际作用。
(未完成)
参考《概率论和数理统计》 浙江大学