随机过程是大量现象的数学抽象。在同样条件下重复同样的试验。下面以汽车车架上一点z向位移的道路试验为例来说明随机变量与随机过程。
在同样道路同样车速条件下进行n次汽车道路试验,记录下车架上某点z向位移的时间历程x1(t), x2(t), ... xk(t),... xn(t)。每次记录称作一个样本函数。随机过程是所有样本函数的集合,记作X(t)。在任一采样时刻t1,随机过程的每个样本值都不相同x1(t1), x2(t1), ... xk(t1),... xn(t1),构成一个随机变量X(t1)。
随机变量可用分布函数和概率分布密度函数来描述,更多的是用其数字特征来描述:数学期望E(X) 、方差D(X) 。对于两个随机变量之间的关系可以用协方差cov(X,Y)=E{[X-E(X)][Y-E(Y)]}及相关系数
ρXY= cov(X,Y)
√D(X) ·√D(Y) 来描述。
对于随机过程可以根据其统计特性来描述,相关函数及功率谱密度函数。对于随机变量X(t1)和X(t1+τ),对各样本的乘积取集合平均,得到Rx(t1,t1+τ)称作随机过程X(t)在t1和t1+τ时刻的自相关函数。
如果随机过程的均值和自相关函数与采样时刻无关,则称随机过程为(弱)平稳过程,Rx(t1,t1+τ)=Rx(τ)。
如果平稳随机过程的均值和自相关函数可以用任何一个充分长的样本函数的时间平均值来计算,则称此平稳过程为(弱)遍历过程。
均值ux=lim 1/T ∫-T/2 T/2 x(t) dt,T→∞
自相关函数Rx(τ)=lim 1/T ∫-T/2 T/2 x(t) x(t+τ)dt,T→∞
自相关函数的傅立叶变换便得到功率谱密度函数Sx(ω)
ω
ψ2 =Rx(0)=E(X2(t))
可见功率谱密度函数Sx(ω)表示随机过程的均方值在频率内的分布密度。
关于自相关函数可参考维基百科:http://zh.wikipedia.org/wiki/%E8%87%AA%E7%9B%B8%E5%85%B3%E5%87%BD%E6%95%B0
关于自相关函数的matlab计算可参考:http://hi.baidu.com/mailvirus/blog/item/a7c960b54473e0c237d3cafd.html