第八章 平稳随机过程遍历性
1.时间平均与空间平均
对于随机变量,其加权平均实际上就是数学其期望,也就是
μ
=
E
X
=
∑
k
=
1
N
p
k
x
k
或
μ
=
E
X
=
∫
R
x
p
(
x
)
d
x
\mu=EX=\sum_{k=1}^N p_kx_k或\mu=EX=\int_\R xp(x)dx
μ=EX=k=1∑Npkxk或μ=EX=∫Rxp(x)dx
由Khinchin大数定律得,独立同分布的随机变量
X
i
X_i
Xi,有
1
n
∑
i
=
1
n
X
i
→
P
μ
\frac1n \sum_{i=1}^n X_i\stackrel P\to \mu
n1∑i=1nXi→Pμ,进而由Kolmogorov大数定律加强为几乎处处收敛。由此,对于一般的随机变量,可以通过多次观察取平均值估计均值,也就是其空间平均。
但对于随机过程的数学期望 μ ( t ) \mu(t) μ(t),受限于某些实际条件无法通过反复观察,即多次测量取空间平均,也就是说只有一个观测值,大数定律无法使用。因此利用随机过程的另一维度时间,考虑时间平均,并且只考虑宽平稳过程——二阶矩存在、均值函数为常数、自相关函数只与时间间隔有关。
对于离散型平稳随机过程
X
\boldsymbol X
X,时间参数空间为
Z
+
\Z^+
Z+,取前
n
n
n个观测值的平均值为
X
ˉ
=
X
0
+
X
1
+
⋯
+
X
n
−
1
n
\bar X=\frac{X_0+X_1+\cdots+X_{n-1}}n
Xˉ=nX0+X1+⋯+Xn−1
如果存在一个随机变量
τ
\tau
τ,使得
(
X
ˉ
n
,
n
≥
1
)
(\bar X_n,n\ge 1)
(Xˉn,n≥1)在均方意义下收敛于
τ
\tau
τ,即
lim
n
→
∞
E
(
X
ˉ
−
τ
)
2
=
0
\lim\limits_{n\to \infty}E(\bar X-\tau)^2=0
n→∞limE(Xˉ−τ)2=0,则称
τ
\tau
τ为该随机过程的时间平均,简记为
lim
n
→
∞
X
ˉ
n
=
τ
\lim_{n\to \infty }\bar X_n=\tau
n→∞limXˉn=τ
如果离散型平稳随机过程
X
\boldsymbol X
X的时间参数空间为
Z
\Z
Z,则类似取
X
ˉ
=
1
2
n
+
1
∑
i
=
−
n
n
X
i
\bar X=\frac{1}{2n+1}\sum\limits_{i=-n}^nX_i
Xˉ=2n+11i=−n∑nXi,其均方收敛的随机变量为时间平均。
对于连续性平稳随机过程以积分代替求和,若
X
\boldsymbol X
X的时间参数空间为
[
0
,
T
]
[0,T]
[0,T],则定义时间平均为
X
ˉ
=
1
T
∫
0
T
X
(
t
)
d
t
\bar X=\frac1T\int_0^T X(t)dt
Xˉ=T1∫0TX(t)dt
这里的积分,指的是均方可积,即对于积分
∫
0
T
X
(
t
)
d
t
\int_0^TX(t)dt
∫0TX(t)dt,分割求和为
S
n
=
∑
k
=
1
n
X
(
t
k
∗
)
(
t
k
−
t
k
−
1
)
S_n=\sum_{k=1}^nX(t_k^*)(t_k-t_{k-1})
Sn=∑k=1nX(tk∗)(tk−tk−1),这里
t
k
∗
t_k^*
tk∗是区间
[
t
k
−
1
,
t
k
]
[t_{k-1},t_k]
[tk−1,tk],如果存在一个随机变量
ξ
T
\xi_T
ξT使得
lim
max
k
(
t
k
−
t
k
−
1
)
→
0
E
(
S
n
−
ξ
T
)
2
=
0
\lim\limits_{\max\limits_k(t_k-t_{k-1})\to 0}E(S_n-\xi_T)^2=0
kmax(tk−tk−1)→0limE(Sn−ξT)2=0,则称
X
(
t
)
X(t)
X(t)在
[
0
,
T
]
[0,T]
[0,T]内均方可积,且
∫
0
T
X
(
t
)
d
t
=
ξ
T
\int_0^TX(t)dt=\xi_T
∫0TX(t)dt=ξT。
- 对于二阶矩过程 X ( t ) X(t) X(t), E X ( t ) < ∞ EX(t)<\infty EX(t)<∞,如果 ∫ 0 T ∫ 0 T E ( X ( s ) X ( t ) ) d s d t < ∞ \int_0^T\int_0^TE(X(s)X(t))dsdt<\infty ∫0T∫0TE(X(s)X(t))dsdt<∞,则 X ( t ) X(t) X(t)在 [ 0 , T ] [0,T] [0,T]内均方可积。
对于连续性随机过程
X
\boldsymbol X
X,时间参数空间为
[
−
T
,
T
]
[-T,T]
[−T,T],则定义时间平均为
X
ˉ
=
1
2
T
∫
−
T
T
X
(
t
)
d
t
\bar X=\frac1{2T}\int_{-T}^T X(t)dt
Xˉ=2T1∫−TTX(t)dt
如果希望用时间平均代替空间平均,则希望有
τ
=
μ
a.s.
\tau=\mu \text{ a.s.}
τ=μ a.s.,这就是均值遍历性,即平稳随机过程
X
\boldsymbol X
X时间平均等于样本平均(空间平均)的性质。
2.均值遍历性
对于离散时间平稳随机过程
X
=
(
X
n
,
n
≥
0
)
,
E
X
n
=
μ
,
r
X
(
k
)
=
E
(
X
0
X
k
)
\boldsymbol X=(X_n,n\ge 0),EX_n=\mu,r_X(k)=E(X_0X_k)
X=(Xn,n≥0),EXn=μ,rX(k)=E(X0Xk),那么
X
\boldsymbol X
X满足均值遍历性当且仅当
lim
n
→
∞
1
n
2
∑
k
=
1
n
(
n
−
k
)
(
r
X
(
k
)
−
μ
2
)
=
0
\lim\limits_{n\to \infty} \frac1{n^2}\sum_{k=1}^n (n-k)(r_X(k)-\mu^2)=0
n→∞limn21k=1∑n(n−k)(rX(k)−μ2)=0
这等价于
X
\boldsymbol X
X满足均值遍历性当且仅当
lim
n
→
∞
1
n
∑
k
=
1
n
(
r
X
(
k
)
−
μ
2
)
=
0
\lim_{n\to \infty }\frac 1n \sum_{k=1}^n (r_X(k)-\mu^2)=0
n→∞limn1k=1∑n(rX(k)−μ2)=0
由此推得,在以上假设下,如果
r
X
(
k
)
→
μ
2
,
k
→
∞
r_X(k)\to \mu^2,k\to \infty
rX(k)→μ2,k→∞,则
X
\boldsymbol X
X满足均值遍历性。注意此条件相当于随机过程渐进不相关,也就是随着时间差
k
k
k的增大,随机过程的自协方差趋近于0。
对于连续时间平稳随机过程
X
=
(
X
(
t
)
,
t
≥
0
)
,
E
X
(
t
)
=
μ
,
r
X
(
t
)
=
E
(
X
(
0
)
X
(
t
)
)
\boldsymbol X=(X(t),t\ge0),EX(t)=\mu,r_X(t)=E(X(0)X(t))
X=(X(t),t≥0),EX(t)=μ,rX(t)=E(X(0)X(t)),那么
X
\boldsymbol X
X满足均值遍历性当且仅当
lim
T
→
∞
1
T
2
∫
0
T
(
T
−
t
)
(
r
X
(
t
)
−
μ
2
)
d
t
=
0
\lim_{T\to \infty}\frac1{T^2}\int_0^T(T-t)(r_X(t)-\mu^2)dt=0
T→∞limT21∫0T(T−t)(rX(t)−μ2)dt=0
这等价于
X
\boldsymbol X
X满足均值遍历性当且仅当
lim
T
→
∞
1
T
∫
0
T
(
r
X
(
t
)
−
μ
2
)
d
t
=
0
\lim_{T\to \infty }\frac1T\int_0^T (r_X(t)-\mu^2)dt=0
T→∞limT1∫0T(rX(t)−μ2)dt=0
由此推得,在以上假设下,如果
r
X
(
T
)
−
μ
2
→
0
,
T
→
∞
r_X(T)-\mu^2\to 0,T\to \infty
rX(T)−μ2→0,T→∞,则
X
\boldsymbol X
X满足均值遍历性。
对于双边时间参数的平稳随机过程,满足均值遍历性的条件也大概相似。
Von Neumann遍历定理:假设
X
=
(
X
n
,
n
≥
0
)
\boldsymbol X=(X_n,n\ge 0)
X=(Xn,n≥0)是平稳随机过程,均值为
μ
\mu
μ,那么一定存在一个随机变量
η
\eta
η使得
E
η
=
μ
E\eta=\mu
Eη=μ,且
1
n
∑
k
=
0
n
−
1
X
k
→
L
2
η
\frac1n \sum_{k=0}^{n-1}X_k\stackrel{L^2}\to \eta
n1k=0∑n−1Xk→L2η
Garrett Birkhoff强遍历定理:假设
X
=
(
X
n
,
n
≥
0
)
\boldsymbol X=(X_n,n\ge0)
X=(Xn,n≥0)是强平稳随机过程,均值为
μ
\mu
μ,那么一定存在一个随机变量
η
\eta
η使得
E
η
=
μ
E\eta=\mu
Eη=μ,并且
1
n
∑
k
=
0
n
−
1
X
k
→
η
a.s.
\frac1n\sum_{k=0}^{n-1}X_k \to \eta \text{ a.s.}
n1k=0∑n−1Xk→η a.s.