随机过程举例
例 a 如果正弦波随机过程为
X
(
t
)
=
A
cos
(
ω
t
+
θ
)
X(t)=A \cos (\omega t+\theta)
X(t)=Acos(ωt+θ)
其中振幅
A
A
A 取常数,角频率
ω
\omega
ω 取常数,而相位
θ
\theta
θ 是一个随机变量,它均匀分布 于
(
−
π
,
π
)
(-\pi, \pi)
(−π,π) 之间,即
f
θ
(
x
)
=
{
1
2
π
,
−
π
≤
x
≤
π
0
,
其它
f_{\theta}(x)=\left\{\begin{array}{cc} \frac{1}{2 \pi}, & -\pi \leq x \leq \pi \\ 0, & \text { 其它 } \end{array}\right.
fθ(x)={2π1,0,−π≤x≤π 其它
求在
t
t
t 时刻
X
(
t
)
X(t)
X(t) 的概率密度。
解 固定时刻
t
t
t ,则随机变量
X
(
t
)
=
A
cos
(
ω
t
+
θ
)
X(t)=A \cos (\omega t+\theta)
X(t)=Acos(ωt+θ) 是随机变量
θ
\theta
θ 的函数。
由分布函数的定义
F
X
(
t
)
(
y
)
=
P
{
X
(
t
)
≤
y
}
=
P
{
A
cos
(
ω
t
+
θ
)
≤
y
}
F_{X(t)}(y)=P\{X(t) \leq y\}=P\{A \cos (\omega t+\theta) \leq y\}
FX(t)(y)=P{X(t)≤y}=P{Acos(ωt+θ)≤y}
当
y
<
−
A
y<-A
y<−A 时,
F
X
(
t
)
(
y
)
=
0
F_{X(t)}(y)=0
FX(t)(y)=0; 当
y
≥
+
A
y \geq+A
y≥+A 时,
F
X
(
t
)
(
y
)
=
1
F_{X(t)}(y)=1
FX(t)(y)=1
当
−
A
≤
y
<
+
A
-A \leq y<+A
−A≤y<+A 时,我们有
F
X
(
t
)
(
y
)
=
P
{
X
(
y
)
≤
y
}
=
P
{
A
cos
(
ω
t
+
θ
)
≤
y
}
=
P
(
{
−
π
<
θ
≤
ω
t
−
arccos
y
A
}
∪
{
arccos
y
A
−
ω
t
<
θ
≤
π
}
)
=
1
2
π
[
∫
−
π
ω
t
−
arccos
y
A
d
x
+
∫
arccos
y
A
ω
t
π
d
x
]
=
1
2
π
[
ω
t
−
arccos
y
A
+
π
+
π
−
arccos
y
A
+
ω
t
]
=
1
π
[
ω
t
+
π
−
arccos
y
A
]
\begin{aligned} F_{X(t)}(y) &=P\{X(y) \leq y\}\\ &=P\{A \cos (\omega t+\theta) \leq y\}\\ &=P\left(\left\{-\pi<\theta \leq \omega t-\arccos \frac{y}{A}\right\} \cup\left\{\arccos \frac{y}{A}-\omega t<\theta \leq \pi\right\}\right) \\ &=\frac{1}{2 \pi}\left[\int_{-\pi}^{\omega t-\arccos \frac{y}{A}} d x+\int_{\arccos \frac{y}{A} \omega t}^{\pi} d x\right] \\ &=\frac{1}{2 \pi}\left[\omega t-\arccos \frac{y}{A}+\pi+\pi-\arccos \frac{y}{A}+\omega t\right] \\ &=\frac{1}{\pi}\left[\omega t+\pi-\arccos \frac{y}{A}\right] \end{aligned}
FX(t)(y)=P{X(y)≤y}=P{Acos(ωt+θ)≤y}=P({−π<θ≤ωt−arccosAy}∪{arccosAy−ωt<θ≤π})=2π1[∫−πωt−arccosAydx+∫arccosAyωtπdx]=2π1[ωt−arccosAy+π+π−arccosAy+ωt]=π1[ωt+π−arccosAy]
因此,当
−
A
≤
y
<
+
A
-A \leq y<+A
−A≤y<+A 时,
X
(
t
)
X(t)
X(t) 的概率密度为
f
X
(
t
)
(
y
)
=
F
X
(
t
)
′
(
y
)
=
1
π
A
2
−
y
2
f_{X(t)}(y)=F_{X(t)}^{\prime}(y)=\frac{1}{\pi \sqrt{A^{2}-y^{2}}}
fX(t)(y)=FX(t)′(y)=πA2−y21
最终得到
X
(
t
)
X(t)
X(t) 的概率密度为
f
X
(
t
)
(
y
)
=
{
1
π
A
2
−
y
2
,
−
A
≤
y
≤
+
A
0
,
其 它
f_{X(t)}(y)=\left\{\begin{array}{cc} \frac{1}{\pi \sqrt{A^{2}-y^{2}}}, & -A \leq y \leq+A \\ 0, & \text { 其 } \text { 它 } \end{array}\right.
fX(t)(y)={πA2−y21,0,−A≤y≤+A 其 它
例 b 设一由正弦振荡器输出的随机过程
X
(
t
)
=
A
cos
(
Ω
t
+
θ
)
,
t
∈
(
−
∞
,
+
∞
)
X(t)=A \cos (\Omega t+\theta), \quad t \in(-\infty,+\infty)
X(t)=Acos(Ωt+θ),t∈(−∞,+∞)
其中
A
、
Ω
A 、 \Omega
A、Ω 和
θ
\theta
θ 是相互独立的随机变量,并且已知它们的分布密度函数分别为
Ω
∼
U
(
250
,
350
)
\Omega \sim U(250,350)
Ω∼U(250,350) 、 $\theta \sim U(0,2 \pi) \$ 及
$$
\begin{array}{r}
f_{A}(a)=\left{\begin{array}{ll}
\frac{2 a}{A_{0}^{2}}, & a \in\left(0, A_{0}\right) \
0, & a \notin\left(0, A_{0}\right)
\end{array}\right.
\end{array}
KaTeX parse error: Can't use function '$' in math mode at position 9: 试求随机过程 $̲X(t)$ 的一维概率密度。 …
f_{Y(t)}(y)=\left{\begin{array}{cc}
\frac{1}{\pi \sqrt{a{2}-y{2}}} & -a \leq y \leq+a \
0, & \text { 其 } \quad \text { 它 }
\end{array}\right.
KaTeX parse error: Can't use function '$' in math mode at position 5: 比较 $̲X(t)$ 与 $Y(t)$,…
Y(t)=X(t \mid A=a, \Omega=\omega)
由
连
续
型
全
概
率
公
式
,
我
们
有
由连续型全概率公式,我们有
由连续型全概率公式,我们有
P{X(t) \leq x}=\iint P{X(t) \leq x \mid A, \Omega} d F(a, \omega)
KaTeX parse error: Can't use function '$' in math mode at position 5: 由于 $̲A, \Omega$ 相互独立…
d F(a, \omega)=f(a, \omega) d a d \omega=f_{A}(a) f_{\Omega}(\omega) d a d \omega
KaTeX parse error: Can't use function '$' in math mode at position 5: 故有 $̲X(t)$ 的一维概率密度为
\begin{aligned}
f_{X(t)}(x) &=\iint \frac{1}{\pi \sqrt{a{2}-x{2}}} f_{A}(a) f_{\Omega}(\omega) d a d \omega\
&=\int_{x}^{A_{0}} d a \int_{250}^{350} \frac{1}{\pi \sqrt{a{2}-x{2}}} \cdot \frac{2 a}{A_{0}^{2}} \cdot \frac{1}{100} d \omega \
&= \begin{cases}\frac{2}{\pi A_{0}^{2}} \sqrt{A_{0}{2}-x{2}}, & |x| \leq A_{0} \
0, & |x|>A_{0}\end{cases}
\end{aligned}
KaTeX parse error: Can't use function '$' in math mode at position 6: **例 $̲\mathbf{c}$ (一…
X_{n}=\sum_{i=1}^{n} \xi_{i} \quad X_{0}=0
KaTeX parse error: Can't use function '$' in math mode at position 7: 由题意, $̲\xi_{i}$ 与质点所处位…
n, n-2, n-4, \cdots,-(n-4),-(n-2),-n
KaTeX parse error: Can't use function '$' in math mode at position 6: 如果在 $̲n$ 次游动中有 $m$ 次质…
X_{n}=\sum_{i=1}^{n} \xi_{i}=m \times(+1)+(n-m) \times(-1)=2 m-n=k
KaTeX parse error: Can't use function '$' in math mode at position 7: 由此得到 $̲m=\frac{n+k}{2}…
P\left{X_{n}=k\right}=C_{n}^{m} p^{m} q{n-m}=C_{n}{\frac{n+k}{2}} p^{\frac{n+k}{2}} q^{\frac{n-k}{2}}=\frac{n !}{\left(\frac{n+k}{2}\right) !\left(\frac{n-k}{2}\right) !} p^{\frac{n+k}{2}} q^{\frac{n-k}{2}}
$$
此式中
m
m
m 是一正整数,则如果
n
n
n 为奇数时,
k
k
k 也是奇数
(
k
<
n
)
(k<n)
(k<n) ;如果
n
n
n 为 偶数时,
k
k
k 也是偶数
(
k
<
n
)
(k<n)
(k<n) 。
例 d 设有一脉冲数字通信系统,它传送的信号是脉宽为
T
0
T_{0}
T0 的脉冲信号,每 隔
T
0
T_{0}
T0 送出一个脉冲。脉冲幅度
X
(
t
)
X(t)
X(t) 是一随机变量,它可取四个值
{
+
2
,
+
1
,
−
1
,
−
2
}
\{+2,+1,-1,-2\}
{+2,+1,−1,−2} ,且取这四个值的概率是相等的,即
P
{
X
(
t
)
=
+
2
}
=
P
{
X
(
t
)
=
+
1
}
=
P
{
X
(
t
)
=
−
1
}
=
P
{
X
(
t
)
=
−
2
}
=
1
/
4
P\{X(t)=+2\}=P\{X(t)=+1\}=P\{X(t)=-1\}=P\{X(t)=-2\}=1 / 4
P{X(t)=+2}=P{X(t)=+1}=P{X(t)=−1}=P{X(t)=−2}=1/4
不同周期内脉冲的幅度是相互统计独立的,脉冲的起始时间相对于原点的时间差
u
u
u 为均匀分布在
(
0
,
T
0
)
\left(0, T_{0}\right)
(0,T0) 内的随机变量。试求在两个时刻
t
1
,
t
2
t_{1}, t_{2}
t1,t2 时,随机过程
X
(
t
)
X(t)
X(t) 所取值
(
X
(
t
1
)
,
X
(
t
2
)
)
\left(X\left(t_{1}\right), X\left(t_{2}\right)\right)
(X(t1),X(t2)) 的二维联合概率密度。
解 典型样本函数如下图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bM4fT0MH-1656548980001)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20220628161228692.png)]
在时间轴上任意固定两个时刻 t 1 , t 2 t_1 ,\ t_2 t1, t2,我们令
事件$C : : :t_1 ,\ t_2 间 有 不 同 周 期 的 脉 冲 存 在 , 即 间有不同周期的脉冲存在,即 间有不同周期的脉冲存在,即t_1 ,\ t_2$处在不同的脉冲周期内;
事件$C^c : : :t_1 ,\ t_2 间 没 有 不 同 周 期 的 脉 冲 存 在 , 即 间没有不同周期的脉冲存在,即 间没有不同周期的脉冲存在,即t_1 ,\ t_2$处在相同的脉冲周期内;
(1) 当 ∣ t 1 − t 2 ∣ > T 0 \left|t_1-t_2\right|>T_0 ∣t1−t2∣>T0 时,有 P { C } = 1 P\{C\} =1 P{C}=1 和 P { C c } = 0 P\{C_c\}=0 P{Cc}=0
(2) 当 ∣ t 1 − t 2 ∣ ≤ T 0 \left|t_1-t_2\right|\leq T_0 ∣t1−t2∣≤T0 时, t 1 , t 2 t_1 ,\ t_2 t1, t2可能处在同一脉冲内,也可能不处在同一脉冲内。假设 θ \theta θ 为 t 1 t_1 t1 所在的脉冲的起始时刻,由于脉冲的起始时刻相对于原点 $t = 0 $ 的时间差 u u u 是 ( 0 , T 0 ) (0,T_0 ) (0,T0) 内的均匀分布,而且该信号是等宽的脉冲信号,因此 θ θ θ 可以看作均匀分布于 ( t 1 − T 0 , t 1 ) (t_1 − T_0 ,t_1 ) (t1−T0,t1) 的随机变量。
如果 $ t_1 < t_2$ ,则
P { C c } = P { t 2 < θ + T 0 } = P { θ > t 2 − T 0 } = 1 − P { θ < t 2 − T } = 1 − 1 T 0 ∫ t 1 − T 0 t 2 − T 0 d θ = 1 − t 2 − t 1 T 0 \begin{aligned} P\left\{C^{c}\right\} &=P\left\{t_{2}<\theta+T_{0}\right\}=P\left\{\theta>t_{2}-T_{0}\right\}=1-P\left\{\theta<t_{2}-T\right\} \\ &=1-\frac{1}{T_{0}} \int_{t_{1}-T_{0}}^{t_{2}-T_{0}} d \theta=1-\frac{t_{2}-t_{1}}{T_{0}} \end{aligned} P{Cc}=P{t2<θ+T0}=P{θ>t2−T0}=1−P{θ<t2−T}=1−T01∫t1−T0t2−T0dθ=1−T0t2−t1
如果 t 1 > t 2 t_{1}>t_{2} t1>t2, 则 P { C c } = P { t 2 > θ } = 1 T 0 ∫ t 1 − T 0 t 2 d θ = 1 − t 1 − t 2 T 0 P\left\{C^{c}\right\}=P\left\{t_{2}>\theta\right\}=\frac{1}{T_{0}} \int_{t_{1}-T_{0}}^{t_{2}} d \theta=1-\frac{t_{1}-t_{2}}{T_{0}} P{Cc}=P{t2>θ}=T01∫t1−T0t2dθ=1−T0t1−t2
因此有 P { C c } = 1 − ∣ t 1 − t 2 ∣ T 0 P { C } = ∣ t 1 − t 2 ∣ T 0 \quad P\left\{C^{c}\right\}=1-\frac{\left|t_{1}-t_{2}\right|}{T_{0}} \quad P\{C\}=\frac{\left|t_{1}-t_{2}\right|}{T_{0}} P{Cc}=1−T0∣t1−t2∣P{C}=T0∣t1−t2∣
由全概率公式
f X t 1 X t 2 ( x 1 , x 2 ) = f X t 1 X t 2 ∣ C ( x 1 , x 2 ∣ C ) P { C } + f X t 1 X t 2 ∣ C c ( x 1 , x 2 ∣ C c ) P { C c } f_{X_{t_{1}} X_{t_2}}\left(x_{1}, x_{2}\right)=f_{X_{t_{1}} X_{t_2} \mid C}\left(x_{1}, x_{2} \mid C\right) P\{C\}+f_{X_{t_{1}} X_{t_{2} } \mid C^{c}}\left(x_{1}, x_{2} \mid C^{c}\right) P\left\{C^{c}\right\} fXt1Xt2(x1,x2)=fXt1Xt2∣C(x1,x2∣C)P{C}+fXt1Xt2∣Cc(x1,x2∣Cc)P{Cc}
根据不同周期内脉冲幅度是相互独立的随机变量, 我们有
f X t 1 X t 2 ∣ ∣ C ( x 1 , x 2 ∣ C ) = [ ∑ i = − 2 , − 1 , 1 , 2 1 4 δ ( x 1 − i ) ] × [ ∑ k = − 2 , − 1 , 1 , 2 1 4 δ ( x 2 − k ) ] f_{X_{t_{1}} X_{t_{2} \mid} \mid C}\left(x_{1}, x_{2} \mid C\right)=\left[\sum_{i=-2,-1,1,2} \frac{1}{4} \delta\left(x_{1}-i\right)\right] \times\left[\sum_{k=-2,-1,1,2} \frac{1}{4} \delta\left(x_{2}-k\right)\right] fXt1Xt2∣∣C(x1,x2∣C)=[i=−2,−1,1,2∑41δ(x1−i)]×⎣⎡k=−2,−1,1,2∑41δ(x2−k)⎦⎤
如果 t 1 , t 2 t_{1}, t_{2} t1,t2 处在同一周期内, 则 X t 1 = X t 2 X_{t_{1}}=X_{t_{2}} Xt1=Xt2, 此时有
f X t 1 X t 2 ∣ C c ( x 1 , x 2 ∣ C c ) = [ ∑ i = − 2 , − 1 , 1 , 2 1 4 δ ( x 1 − i ) δ ( x 2 − i ) ] f_{X_{t_{1}} X_{t_2} \mid C^{c}}\left(x_{1}, x_{2} \mid C^{c}\right)=\left[\sum_{i=-2,-1,1,2} \frac{1}{4} \delta\left(x_{1}-i\right) \delta\left(x_{2}-i\right)\right] fXt1Xt2∣Cc(x1,x2∣Cc)=[i=−2,−1,1,2∑41δ(x1−i)δ(x2−i)]
由此最终得到 ( X ( t 1 ) , X ( t 2 ) ) \left(X\left(t_{1}\right), X\left(t_{2}\right)\right) (X(t1),X(t2)) 的二维联合概率密度如下
当 ∣ t 1 − t 2 ∣ ≤ T 0 \left|t_{1}-t_{2}\right| \leq T_{0} ∣t1−t2∣≤T0 时
$$
\begin{aligned}
f_{X_{t_1} X_{t_{2}}}\left(x_{1}, x_{2}\right) &=\left[\sum_{i=-2,-1,1,2} \frac{1}{4} \delta\left(x_{1}-i\right)\right] \times\left[\sum_{k=-2,-1,1,2} \frac{1}{4} \delta\left(x_{2}-k\right)\right] \frac{\left|t_{1}-t_{2}\right|}{T_{0}} \
&+\left[\sum_{i=-2,-1,1,2} \frac{1}{4} \delta\left(x_{1}-i\right) \delta\left(x_{2}-i\right)\right]\left(1-\frac{\left|t_{1}-t_{2}\right|}{T_{0}}\right) \
\end{aligned}
$$
当
∣
t
1
−
t
2
∣
>
T
0
\mid t_1-t_{2} \mid>T_{0}
∣t1−t2∣>T0 时
f
X
t
1
X
t
2
(
x
1
,
x
2
)
=
[
∑
i
=
−
2
,
−
1
,
1
,
2
1
4
δ
(
x
1
−
i
)
]
×
[
∑
k
=
−
2
,
−
1
,
1
,
2
1
4
δ
(
x
2
−
k
)
]
f_{X_{t_{1}} X_{t_{2}}}\left(x_{1}, x_{2}\right)=\left[\sum_{i=-2,-1,1,2} \frac{1}{4} \delta\left(x_{1}-i\right)\right] \times\left[\sum_{k=-2,-1,1,2} \frac{1}{4} \delta\left(x_{2}-k\right)\right]
fXt1Xt2(x1,x2)=[i=−2,−1,1,2∑41δ(x1−i)]×⎣⎡k=−2,−1,1,2∑41δ(x2−k)⎦⎤
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3go8QVNz-1656548980003)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20220628162430148.png)]
例 e 设有某通信系统,它传送的信号是脉宽为 T 0 T_{0} T0 的脉冲信号,脉冲信号的 周期为 T 0 T_{0} T0 。如果脉冲幅度 X ( t ) X(t) X(t) 是随机的,幅度服从正态分布 N ( 0 , σ 2 ) N\left(0, \sigma^{2}\right) N(0,σ2),不同周 期内的的幅度是相互统计独立的。脉冲沿的位置也是随机的,脉冲的起始时间相对于原点的时间差 u u u 为均匀分布在 ( 0 , T 0 ) \left(0, T_{0}\right) (0,T0) 内的随机变量。 u u u 和脉冲幅度间也是相互统计独立的 (脉议幅度调制信号),试求在两个时刻 t 1 , t 2 t_{1}, t_{2} t1,t2 时,该随机过程 X ( t ) X(t) X(t) 所取值 ( X ( t 1 ) , X ( t 2 ) ) \left(X\left(t_{1}\right), X\left(t_{2}\right)\right) (X(t1),X(t2)) 的二维联合概率密度。
解 在时间轴上任意固定两个时刻 t 1 , t 2 t_{1}, t_{2} t1,t2, 讨论同例 d d d
特别注意此时的状态空间
(a) 当 ∣ t 1 − t 2 ∣ > T 0 \left|t_{1}-t_{2}\right|>T_{0} ∣t1−t2∣>T0 时, t 1 , t 2 t_{1}, t_{2} t1,t2 位于不同的周期内,此时我们有
f X t 1 X t 2 ( x 1 , x 2 ) = 1 2 π σ 2 exp { − x 1 2 + x 2 2 2 σ 2 } f_{X_{t_1} X_{t_{2}}}\left(x_{1}, x_{2}\right)=\frac{1}{2 \pi \sigma^{2}} \exp \left\{-\frac{x_{1}^{2}+x_{2}^{2}}{2 \sigma^{2}}\right\} fXt1Xt2(x1,x2)=2πσ21exp{−2σ2x12+x22}
(b) 当 ∣ t 1 − t 2 ∣ ≤ T 0 \left|t_{1}-t_{2}\right| \leq T_{0} ∣t1−t2∣≤T0 时, t 1 , t 2 t_{1}, t_{2} t1,t2 位于两个不同的周期内的概率为
P { C } = ∣ t 1 − t 2 ∣ T 0 P\{C\}=\frac{\left|t_{1}-t_{2}\right|}{T_{0}} P{C}=T0∣t1−t2∣
t 1 , t 2 t_{1}, t_{2} t1,t2 位于相同的周期内的概率为
P { C c } = 1 − ∣ t 1 − t 2 ∣ T 0 P\left\{C^{c}\right\}=1-\frac{\left|t_{1}-t_{2}\right|}{T_{0}} P{Cc}=1−T0∣t1−t2∣
根据全概率公式,我们有
f X t 1 X t 2 ( x 1 , x 2 ) = 1 2 π σ 2 exp { − x 1 2 + x 2 2 2 σ 2 } ⋅ ∣ t 1 − t 2 ∣ T 0 + 1 2 π σ exp { − x 1 2 2 σ 2 } δ ( x 1 − x 2 ) ⋅ [ 1 − ∣ t 1 − t 2 ∣ T 0 ] \begin{aligned} f_{X_{t_1} X_{t_{2}}}\left(x_{1}, x_{2}\right) &=\frac{1}{2 \pi \sigma^{2}} \exp \left\{-\frac{x_{1}^{2}+x_{2}^{2}}{2 \sigma^{2}}\right\} \cdot \frac{\left|t_{1}-t_{2}\right|}{T_{0}} \\ &+\frac{1}{\sqrt{2 \pi} \sigma} \exp \left\{-\frac{x_{1}^{2}}{2 \sigma^{2}}\right\} \delta\left(x_{1}-x_{2}\right) \cdot\left[1-\frac{\left|t_{1}-t_{2}\right|}{T_{0}}\right] \end{aligned} fXt1Xt2(x1,x2)=2πσ21exp{−2σ2x12+x22}⋅T0∣t1−t2∣+2πσ1exp{−2σ2x12}δ(x1−x2)⋅[1−T0∣t1−t2∣]
因为当 t 1 , t 2 t_{1}, t_{2} t1,t2 处在同一脉冲周期时, X ( t 1 ) , X ( t 2 ) X\left(t_{1}\right), X\left(t_{2}\right) X(t1),X(t2) 取相同的值, 所以上式的第二项出现了 δ ( x 1 − x 2 ) \delta\left(x_{1}-x_{2}\right) δ(x1−x2) 函数。
此例中看出, X ( t 1 ) , X ( t 2 ) X\left(t_{1}\right), X\left(t_{2}\right) X(t1),X(t2) 的二维联合概率密度不再是二维正态分布,虽然 X ( t 1 ) X\left(t_{1}\right) X(t1) 和 X ( t 2 ) X\left(t_{2}\right) X(t2) 都是正态分布。
例 f \mathrm{f} f 考察一随机过程,它在 t 0 + n T 0 t_{0}+n T_{0} t0+nT0 时刻具有宽度为 b b b 的矩形脉冲波,脉冲 幅度 A A A 为一等概率取值 ± a \pm a ±a 的随机变量,且 b < T 0 , t 0 b<T_{0}, t_{0} b<T0,t0 是在 ( 0 , T 0 ) \left(0, T_{0}\right) (0,T0) 上服从均匀分布的随机变量,并且脉冲幅度 A A A 与 t 0 t_{0} t0 独立, 试求该过程的相关函数和方差。
解 由给定的随机过程,我们有
E
{
X
(
t
)
}
=
a
×
p
+
(
−
a
)
×
p
+
0
×
(
1
−
2
p
)
=
0
E\{X(t)\}=a \times p+(-a) \times p+0 \times(1-2 p)=0
E{X(t)}=a×p+(−a)×p+0×(1−2p)=0
下面求相关函数
任意取 t 1 , t 2 t_{1}, t_{2} t1,t2,且 t 1 < t 2 t_{1}<t_{2} t1<t2当, ∣ t 1 − t 2 ∣ > T 0 \left|t_{1}-t_{2}\right|>T_{0} ∣t1−t2∣>T0 时, t 1 , t 2 t_{1}, t_{2} t1,t2 位于不同的周期内,此时有
E { X ( t 1 ) X ( t 2 ) } = E { X ( t 1 ) } E { X ( t 2 ) } = 0 E\left\{X\left(t_{1}\right) X\left(t_{2}\right)\right\}=E\left\{X\left(t_{1}\right)\right\} E\left\{X\left(t_{2}\right)\right\}=0 E{X(t1)X(t2)}=E{X(t1)}E{X(t2)}=0
当 ∣ t 1 − t 2 ∣ ≤ T 0 \left|t_{1}-t_{2}\right| \leq T_{0} ∣t1−t2∣≤T0,且 t 1 , t 2 t_{1}, t_{2} t1,t2 位于两个不同的周期内时,我们有
E { X ( t 1 ) X ( t 2 ) } = E { X ( t 1 ) } E { X ( t 2 ) } = 0 E\left\{X\left(t_{1}\right) X\left(t_{2}\right)\right\}=E\left\{X\left(t_{1}\right)\right\} E\left\{X\left(t_{2}\right)\right\}=0 E{X(t1)X(t2)}=E{X(t1)}E{X(t2)}=0
当 ∣ t 1 − t 2 ∣ ≤ T 0 \left|t_{1}-t_{2}\right| \leq T_{0} ∣t1−t2∣≤T0,且 t 1 t_{1} t1, t 2 t_{2} t2 位于同一的周期内时,假设 θ \theta θ 为 t 1 t_{1} t1 所在的脉冲的起始时刻,只有当 t 2 < θ + b t_{2}<\theta+b t2<θ+b 时, X ( t 1 ) X\left(t_{1}\right) X(t1) 和 X ( t 2 ) X\left(t_{2}\right) X(t2) 取到不为零的值,此时的概率为
P { t 2 < θ + b } = 1 − P { θ < t 2 − b } = 1 − 1 T 0 ∫ t 1 − T 0 t 2 − b d θ = b − ( t 2 − t 1 ) T 0 P\left\{t_{2}<\theta+b\right\}=1-P\left\{\theta<t_{2}-b\right\}=1-\frac{1}{T_{0}} \int_{t_{1}-T_{0}}^{t_{2}-b} d \theta=\frac{b-\left(t_{2}-t_{1}\right)}{T_{0}} P{t2<θ+b}=1−P{θ<t2−b}=1−T01∫t1−T0t2−bdθ=T0b−(t2−t1)
由此,我们有
E { X ( t 1 ) X ( t 2 ) } = a 2 ⋅ b − ( t 2 − t 1 ) T 0 E\left\{X\left(t_{1}\right) X\left(t_{2}\right)\right\}=a^{2} \cdot \frac{b-\left(t_{2}-t_{1}\right)}{T_{0}} E{X(t1)X(t2)}=a2⋅T0b−(t2−t1)
同理,当 t 1 > t 2 t_{1}>t_{2} t1>t2 是,我们有
E { X ( t 1 ) X ( t 2 ) } = a 2 ⋅ b − ( t 1 − t 2 ) T 0 E\left\{X\left(t_{1}\right) X\left(t_{2}\right)\right\}=a^{2} \cdot \frac{b-\left(t_{1}-t_{2}\right)}{T_{0}} E{X(t1)X(t2)}=a2⋅T0b−(t1−t2)
因此,最终得到
R X ( τ ) = a 2 ( b − ∣ τ ∣ ) T 0 , τ = t 2 − t 1 , D X ( t ) = R X ( 0 ) = a 2 b T 0 R_{X}(\tau)=\frac{a^{2}(b-|\tau|)}{T_{0}}, \quad \tau=t_{2}-t_{1}, \quad D_{X}(t)=R_{X}(0)=\frac{a^{2} b}{T_{0}} RX(τ)=T0a2(b−∣τ∣),τ=t2−t1,DX(t)=RX(0)=T0a2b
例 g 随机电报信号定义如下
(1) 在任何时刻 t , X ( t ) t, X(t) t,X(t) 取值为 0 \mathbf{0} 0 或 1 \mathbf{1} 1只有,两种可能状态。并设
P { X ( t ) = 0 } = 1 / 2 , P { X ( t ) = 1 } = 1 / 2 P\{X(t)=0\}=1 / 2, P\{X(t)=1\}=1 / 2 P{X(t)=0}=1/2,P{X(t)=1}=1/2
(2) 每个状态的持续时间是随机的,设在 T T T 时间内波形变化的次数 μ \mu μ 服从Poission 分布即
P { μ = k } = ( λ T ) k k ! e − λ T ( λ > 0 , T > 0 ) P\{\mu=k\}=\frac{(\lambda T)^{k}}{k !} e^{-\lambda T} \quad(\lambda>0, T>0) P{μ=k}=k!(λT)ke−λT(λ>0,T>0)
(3) X ( t ) X(t) X(t) 取何值 (即所处的状态) 与随机变量 μ \mu μ 是相互统计独立的。
求随机电报信号 X ( t ) X(t) X(t) 的均值函数和自相关函数。
解 由均值函数和自相关函数的定义,有
(1) 均值函数 E { X ( t ) } = 1 × 1 2 + 0 × 1 2 = 1 2 E\{X(t)\}=1 \times \frac{1}{2}+0 \times \frac{1}{2}=\frac{1}{2} E{X(t)}=1×21+0×21=21,即均值函数是常数。
(2) 相关函数 在时间轴上任意固定两个时刻 t 1 , t 2 t_{1}, t_{2} t1,t2,如果 t 2 > t 1 t_{2}>t_{1} t2>t1,则
R X X ( t 1 , t 2 ) = E { X ( t 1 ) X ( t 2 ) } = 1 × 1 P { X ( t 1 ) = 1 , X ( t 2 ) = 1 } + + 0 × 1 P { X ( t 1 ) = 0 , X ( t 2 ) = 1 } + 1 × 0 P { X ( t 1 ) = 1 , X ( t 2 ) = 0 } + 0 × 0 P { X ( t 1 ) = 0 , X ( t 2 ) = 0 } \begin{aligned} R_{X X}\left(t_{1}, t_{2}\right) &=E\left\{X\left(t_{1}\right) X\left(t_{2}\right)\right\}=1 \times 1 P\left\{X\left(t_{1}\right)=1, X\left(t_{2}\right)=1\right\}+\\ &+0 \times 1 P\left\{X\left(t_{1}\right)=0, X\left(t_{2}\right)=1\right\}+1 \times 0 P\left\{X\left(t_{1}\right)=1, X\left(t_{2}\right)=0\right\} \\ &+0 \times 0 P\left\{X\left(t_{1}\right)=0, X\left(t_{2}\right)=0\right\} \end{aligned} RXX(t1,t2)=E{X(t1)X(t2)}=1×1P{X(t1)=1,X(t2)=1}++0×1P{X(t1)=0,X(t2)=1}+1×0P{X(t1)=1,X(t2)=0}+0×0P{X(t1)=0,X(t2)=0}
下面求 P { X ( t 1 ) = 1 , X ( t 2 ) = 1 } P\left\{X\left(t_{1}\right)=1, X\left(t_{2}\right)=1\right\} P{X(t1)=1,X(t2)=1} 。由于事件 { X ( t 1 ) = 1 , X ( t 2 ) = 1 } \left\{X\left(t_{1}\right)=1, X\left(t_{2}\right)=1\right\} {X(t1)=1,X(t2)=1} 等价于事件 { X ( t 1 ) = 1 \left\{X\left(t_{1}\right)=1\right. {X(t1)=1, 在 t 2 − t 1 t_{2}-t_{1} t2−t1 时间内波形发生偶数次变化 } \} }, 即等价于事件
{ X ( t 1 ) = 1 , μ = \left\{X\left(t_{1}\right)=1, \mu=\right. {X(t1)=1,μ= 偶数 } \} }, 故
R X X ( t 1 , t 2 ) = P { X ( t 1 ) = 1 , μ = 偶数 } = P { X ( t 1 ) = 1 } P { μ = 偶数 } = 1 2 P { μ = 偶数 } = 1 2 ∑ k = 1 i i [ λ ( t 2 − t 1 ) ] k k ! e − λ ( t 2 − t 1 ) = 1 2 × 1 2 [ ∑ k = 0 ∞ [ λ ( t 2 − t 1 ) ] k k ! e − λ ( t 2 − t 1 ) + ∑ k = 0 ∞ [ − λ ( t 2 − t 1 ) ] k k ! e − λ ( t 2 − t 1 ) ] = 1 4 e − λ ( t 2 − t 1 ) [ e λ ( t 2 − t 1 ) + e − λ ( t 2 − t 1 ) ] = 1 4 [ 1 + e − 2 λ ( t 2 − t 1 ) ] \begin{aligned} R_{X X} \left(t_{1}, t_{2}\right)&=P\left\{X\left(t_{1}\right)=1, \mu=\text { 偶数 }\right\} \\ &=P\left\{X\left(t_{1}\right)=1\right\} P\{\mu=\text { 偶数 }\} \\ &=\frac{1}{2} P\{\mu=\text { 偶数 }\}\\ &=\frac{1}{2} \sum_{k=1 i_{i}} \frac{\left[\lambda\left(t_{2}-t_{1}\right)\right]^{k}}{k !} e^{-\lambda\left(t_{2}-t_{1}\right)} \\ &=\frac{1}{2} \times \frac{1}{2}\left[\sum_{k=0}^{\infty} \frac{\left[\lambda\left(t_{2}-t_{1}\right)\right]^{k}}{k !} e^{-\lambda\left(t_{2}-t_{1}\right)}+\sum_{k=0}^{\infty} \frac{\left[-\lambda\left(t_{2}-t_{1}\right)\right]^{k}}{k !} e^{-\lambda\left(t_{2}-t_{1}\right)}\right] \\ &=\frac{1}{4} e^{-\lambda\left(t_{2}-t_{1}\right)}\left[e^{\lambda\left(t_{2}-t_{1}\right)}+e^{-\lambda\left(t_{2}-t_{1}\right)}\right]\\ &=\frac{1}{4}\left[1+e^{-2 \lambda\left(t_{2}-t_{1}\right)}\right] \end{aligned} RXX(t1,t2)=P{X(t1)=1,μ= 偶数 }=P{X(t1)=1}P{μ= 偶数 }=21P{μ= 偶数 }=21k=1ii∑k![λ(t2−t1)]ke−λ(t2−t1)=21×21[k=0∑∞k![λ(t2−t1)]ke−λ(t2−t1)+k=0∑∞k![−λ(t2−t1)]ke−λ(t2−t1)]=41e−λ(t2−t1)[eλ(t2−t1)+e−λ(t2−t1)]=41[1+e−2λ(t2−t1)]
同理,如果 t 2 < t 1 t_{2}<t_{1} t2<t1, 则有
R X X ( t 1 , t 2 ) = 1 4 [ 1 + e 2 λ ( t 2 − t 1 ) ] R_{X X}\left(t_{1}, t_{2}\right)=\frac{1}{4}\left[1+e^{2 \lambda\left(t_{2}-t_{1}\right)}\right] RXX(t1,t2)=41[1+e2λ(t2−t1)]
故有
R X X ( t 1 , t 2 ) = 1 4 [ 1 + e − 2 λ ∣ t 1 − t 2 ∣ ] R_{X X}\left(t_{1}, t_{2}\right)=\frac{1}{4}\left[1+e^{-2 \lambda|t_{1}-t_{2} \mid}\right] RXX(t1,t2)=41[1+e−2λ∣t1−t2∣]
因此有
C X X ( t 1 , t 2 ) = R X X ( t 1 , t 2 ) − μ X ( t 1 ) μ X ( t 2 ) = Cov ( X ( t 1 ) , X ( t 2 ) ) = 1 4 e − 2 λ ∣ t 1 − t 2 ∣ \begin{aligned} C_{X X}\left(t_{1}, t_{2}\right) &=R_{X X}\left(t_{1}, t_{2}\right)-\mu_{X}\left(t_{1}\right) \mu_{X}\left(t_{2}\right)\\ &=\operatorname{Cov}\left(X\left(t_{1}\right), X\left(t_{2}\right)\right) \\ &=\frac{1}{4} e^{-2 \lambda|t_{1}-t_{2} \mid} \end{aligned} CXX(t1,t2)=RXX(t1,t2)−μX(t1)μX(t2)=Cov(X(t1),X(t2))=41e−2λ∣t1−t2∣
设时间差 τ = t 1 − t 2 \tau=t_{1}-t_{2} τ=t1−t2, 则有
R X X ( t 1 , t 2 ) = 1 4 [ 1 + e − 2 λ ∣ τ ∣ ] C X X ( t 1 , t 2 ) = Cov ( X ( t 1 ) , X ( t 2 ) ) = 1 4 e − 2 λ ∣ τ ∣ \begin{gathered} R_{X X}\left(t_{1}, t_{2}\right)=\frac{1}{4}\left[1+e^{-2 \lambda|\tau|}\right] \\ C_{X X}\left(t_{1}, t_{2}\right)=\operatorname{Cov}\left(X\left(t_{1}\right), X\left(t_{2}\right)\right)=\frac{1}{4} e^{-2 \lambda|\tau|} \end{gathered} RXX(t1,t2)=41[1+e−2λ∣τ∣]CXX(t1,t2)=Cov(X(t1),X(t2))=41e−2λ∣τ∣
因为随机电报信号 X ( t ) X(t) X(t) 的均值函数为常数, 相关函数仅为时间差的函数, 故随机电报信号是宽平稳过程。
复随机过程
定义 设 X , Y X, Y X,Y 为同一概率空间 ( Ω , Σ , P ) (\Omega, \Sigma, P) (Ω,Σ,P) 上的两个取实数值的随机变量, 并设 Z = X + j Y Z=X+j Y Z=X+jY, 则称 Z Z Z 为该概率空间上的一个复随机变量。
我们有
E { Z } = E { X } + j E { Y } D { Z } = E { ∣ Z − E { Z } ∣ 2 } = E { [ Z − E { Z } ] [ Z − E { Z } ] ‾ } = E { ( X − E X ) 2 } + E { ( Y − E Y ) 2 } \begin{aligned} E\{Z\} &=E\{X\}+j E\{Y\} \\ D\{Z\} &=E\left\{|Z-E\{Z\}|^{2}\right\}=E\{[Z-E\{Z\}] \overline{[Z-E\{Z\}]}\} \\ &=E\left\{(X-E X)^{2}\right\}+E\left\{(Y-E Y)^{2}\right\} \end{aligned} E{Z}D{Z}=E{X}+jE{Y}=E{∣Z−E{Z}∣2}=E{[Z−E{Z}][Z−E{Z}]}=E{(X−EX)2}+E{(Y−EY)2}
定义 设 { X ( t ) } \{X(t)\} {X(t)} 和 { Y ( t ) } \{Y(t)\} {Y(t)} 是具有相同参数和概率空间的一对实随机过程,则 Z ( t ) = X ( t ) + j Y ( t ) Z(t)=X(t)+j Y(t) Z(t)=X(t)+jY(t) 称为复随机过程。
同样有
E { Z ( t ) } = E { X ( t ) } + j E { Y ( t ) } E\{Z(t)\}=E\{X(t)\}+j E\{Y(t)\} E{Z(t)}=E{X(t)}+jE{Y(t)},称为均值函数。
R ZZ ( t 1 , t 2 ) = ^ E { Z ( t 1 ) Z ( t 2 ) ‾ } = E { [ X ( t 1 ) + j Y ( t 1 ) ] [ X ( t 2 ) + j Y ( t 2 ) ] ‾ } R_{\text {ZZ }}\left(t_{1}, t_{2}\right) \hat{=} E\left\{Z\left(t_{1}\right) \overline{Z\left(t_{2}\right)}\right\}=E\left\{\left[X\left(t_{1}\right)+j Y\left(t_{1}\right)\right]\left[\overline{\left.X\left(t_{2}\right)+j Y\left(t_{2}\right)\right]}\right\}\right. RZZ (t1,t2)=^E{Z(t1)Z(t2)}=E{[X(t1)+jY(t1)][X(t2)+jY(t2)]}, 称为复随机过程的相关函数。
例 8 设有复随机过程 ξ ( t ) = ∑ k = 1 N η k e j ω k t \xi(t)=\sum_{k=1}^{N} \eta_{k} e^{j \omega_{k} t} ξ(t)=∑k=1Nηkejωkt, 其中 η k ( 1 ≤ k ≤ N ) \eta_{k}(1 \leq k \leq N) ηk(1≤k≤N) 是相互独立的随机变量, 且服从正态分布 N ( 0 , σ k 2 ) , ω k N\left(0, \sigma_{k}^{2}\right), \omega_{k} N(0,σk2),ωk 为常数。试求 ξ ( t ) \xi(t) ξ(t) 的均值函数和相关函数。
解 由于
ξ
(
t
)
=
∑
k
=
1
N
η
k
e
j
ω
k
t
=
∑
k
=
1
N
η
k
cos
(
ω
k
t
)
+
j
∑
k
=
1
N
η
k
sin
(
ω
k
t
)
\xi(t)=\sum_{k=1}^{N} \eta_{k} e^{j \omega_{k} t}=\sum_{k=1}^{N} \eta_{k} \cos \left(\omega_{k} t\right)+j \sum_{k=1}^{N} \eta_{k} \sin \left(\omega_{k} t\right)
ξ(t)=k=1∑Nηkejωkt=k=1∑Nηkcos(ωkt)+jk=1∑Nηksin(ωkt)
因此有
E { ξ ( t ) } = E { ∑ k = 1 N η k e j ω k t } = E { ∑ k = 1 N η k cos ( ω k t ) + j ∑ k = 1 N η k sin ( ω k t ) } = 0 R ξ ( t 1 , t 2 ) = E { ξ ( t 1 ) ξ ( t 2 ) ‾ } = E { ( ∑ k = 1 N η k e j ω k t 1 ) ( ∑ i = 1 N η i e j ω t 2 t 2 ) ‾ } = E { ∑ k = 1 N ∑ i = 1 N η k η i e j ω k t 1 − j ω t t 2 } = ∑ k = 1 N σ k 2 e j ω k ( t 1 − t 2 ) = ∑ k = 1 N σ k 2 e j ω k τ \begin{gathered} E\{\xi(t)\}=E\left\{\sum_{k=1}^{N} \eta_{k} e^{j \omega_{k} t}\right\}=E\left\{\sum_{k=1}^{N} \eta_{k} \cos \left(\omega_{k} t\right)+j \sum_{k=1}^{N} \eta_{k} \sin \left(\omega_{k} t\right)\right\}=0 \\ R_{\xi}\left(t_{1}, t_{2}\right)=E\left\{\xi\left(t_{1}\right) \overline{\xi\left(t_{2}\right)}\right\}=E\left\{\left(\sum_{k=1}^{N} \eta_{k} e^{j \omega_{k} t_{1}}\right) \overline{\left(\sum_{i=1}^{N} \eta_{i} e^{j \omega_{t_{2}} t_{2}}\right)}\right\} \\ =E\left\{\sum_{k=1}^{N} \sum_{i=1}^{N} \eta_{k} \eta_{i} e^{j \omega_{k} t_{1}-j \omega_{t} t_{2}}\right\}=\sum_{k=1}^{N} \sigma_{k}^{2} e^{j \omega_{k}\left(t_{1}-t_{2}\right)}=\sum_{k=1}^{N} \sigma_{k}^{2} e^{j \omega_{k} \tau} \end{gathered} E{ξ(t)}=E{k=1∑Nηkejωkt}=E{k=1∑Nηkcos(ωkt)+jk=1∑Nηksin(ωkt)}=0Rξ(t1,t2)=E{ξ(t1)ξ(t2)}=E⎩⎨⎧(k=1∑Nηkejωkt1)(i=1∑Nηiejωt2t2)⎭⎬⎫=E{k=1∑Ni=1∑Nηkηiejωkt1−jωtt2}=k=1∑Nσk2ejωk(t1−t2)=k=1∑Nσk2ejωkτ
其中 τ = t 1 − t 2 \tau=t_{1}-t_{2} τ=t1−t2 。
注意 均值为零,相关函数是时间差的函数,是宽平稳过程。
习题
1、设随机向量
(
X
,
Y
)
(X, Y)
(X,Y) 的两个分量相互独立, 且均服从标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1) 。
(a) 分别写出随机变量
X
+
Y
X+Y
X+Y 和
X
−
Y
X-Y
X−Y 的分布密度
(b) 试问 :
X
+
Y
X+Y
X+Y 与
X
−
Y
X-Y
X−Y 是否独立? 说明理由
2、设 X X X 和 Y Y Y 为独立的随机变量,期望和方差分别为 μ 1 , σ 1 2 \mu_{1}, \sigma_{1}^{2} μ1,σ12 和 μ 2 , σ 2 2 \mu_{2}, \sigma_{2}^{2} μ2,σ22 。
(a) 试求 Z = X Y Z=X Y Z=XY 和 X X X 的相关系数 ;
(b) Z Z Z 与 X X X 能否不相关?能否有严格线性函数关系? 若能, 试分别与写出条件。
3、设 { X ( t ) , t ≥ 0 } \{X(t), t \geq 0\} {X(t),t≥0} 是一个实的均值为零,二阶矩存在的随机过程,其相关函数为 E { X ( s ) X ( t ) } = B ( t − s ) , s ≤ t E\{X(s) X(t)\}=B(t-s), s \leq t E{X(s)X(t)}=B(t−s),s≤t, 且是一个周期为 T T T 的函数,即 B ( τ + T ) = B ( τ ) , τ ≥ 0 B(\tau+T)=B(\tau), \tau \geq 0 B(τ+T)=B(τ),τ≥0,试求方差函数 D [ X ( t ) − X ( t + T ) ] D[X(t)-X(t+T)] D[X(t)−X(t+T)] 。
4、考察两个谐波随机信号
X
(
t
)
X(t)
X(t) 和
Y
(
t
)
Y(t)
Y(t), 其中
X
(
t
)
=
A
cos
(
ω
c
t
+
ϕ
)
,
Y
(
t
)
=
B
cos
(
ω
c
t
)
X(t)=A \cos \left(\omega_{c} t+\phi\right), \quad Y(t)=B \cos \left(\omega_{c} t\right)
X(t)=Acos(ωct+ϕ),Y(t)=Bcos(ωct)
式中 A A A 和 ω c \omega_{c} ωc 为正的常数; ϕ \phi ϕ 是 [ − π , π ] [-\pi, \pi] [−π,π] 内均匀分布的随机变量, B B B 是标准正态分布的随机变量。
(a) 求 X ( t ) X(t) X(t) 的均值、方差和相关函数 ;
(b) 若 ϕ \phi ϕ 与 B B B 独立, 求 X ( t ) X(t) X(t) 与 Y ( t ) Y(t) Y(t) 的互相关函数。
5、设 ξ ( t ) = X sin ( Y t ) ; t ≥ 0 \xi(t)=X \sin (Y t) ; t \geq 0 ξ(t)=Xsin(Yt);t≥0 ,而随机变量 X 、 Y X 、 Y X、Y 是相互独立且都服从 [ 0 , 1 ] [0,1] [0,1] 上的均匀分布, 试求此过程的均值函数及相关函数。
6、设随机向量 X = ( X 1 , X 2 ) τ = ( μ , Σ ) τ X=\left(X_{1}, X_{2}\right)^{\tau}=(\mu, \Sigma)^{\tau} X=(X1,X2)τ=(μ,Σ)τ 其中 : μ = ( μ 1 , μ 2 ) τ = ( 1 , 2 ) τ , Σ = ( 1 4 / 5 4 / 5 1 ) : \mu=\left(\mu_{1}, \mu_{2}\right)^{\tau}=(1,2)^{\tau}, \Sigma=\left(\begin{array}{cc}1 & 4 / 5 \\ 4 / 5 & 1\end{array}\right) :μ=(μ1,μ2)τ=(1,2)τ,Σ=(14/54/51), 令随机向量 Y = ( Y 1 , Y 2 ) τ = ( 3 2 2 3 ) X Y=\left(Y_{1}, Y_{2}\right)^{\tau}=\left(\begin{array}{ll}3 & 2 \\ 2 & 3\end{array}\right) X Y=(Y1,Y2)τ=(3223)X 。
(a) 试求随机向量 Y Y Y 的协方差矩阵、 E { Y 2 ∣ Y 1 } E\left\{Y_{2} \mid Y_{1}\right\} E{Y2∣Y1} 及 E { Y 1 + Y 2 } E\left\{Y_{1}+Y_{2}\right\} E{Y1+Y2};
(b) 试问 X 2 − E { X 2 ∣ X 1 } X_{2}-E\left\{X_{2} \mid X_{1}\right\} X2−E{X2∣X1} 与 X 1 X_{1} X1