随机过程（三）——随机过程导论（下）

随机过程举例

例 a 如果正弦波随机过程为
$$X(t)=A\cos (\omega t+\theta )$$
其中振幅 $A$ 取常数，角频率 $\omega$ 取常数，而相位 $\theta$ 是一个随机变量，它均匀分布 于 $(-\pi ,\pi )$ 之间，即
$$f_{\theta }(x)=\{\begin{array}{cc}\frac{1}{2\pi },& -\pi \le x\le \pi \\ 0,& \text{ 其它 }\end{array}$$
求在 $t$ 时刻 $X(t)$ 的概率密度。
解 固定时刻 $t$ ，则随机变量 $X(t)=A\cos (\omega t+\theta )$ 是随机变量 $\theta$ 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 $y<-A$ 时， $F_{X(t)}(y)=0$; 当 $y\ge +A$ 时， $F_{X(t)}(y)=1$
当 $-A\le y<+A$ 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−arccosAy​​dx+∫arccosAy​ωtπ​dx]=2π1​[ωt−arccosAy​+π+π−arccosAy​+ωt]=π1​[ωt+π−arccosAy​]​
因此，当 $-A\le y<+A$ 时， $X(t)$ 的概率密度为
$$f_{X(t)}(y)=F_{X(t)}^{\prime }(y)=\frac{1}{\pi \sqrt{A^2-y^2}}$$
最终得到 $X(t)$ 的概率密度为
$$f_{X(t)}(y)=\{\begin{array}{cc}\frac{1}{\pi \sqrt{A^2-y^2}},& -A\le y\le +A\\ 0,& \text{ 其 }\text{ 它 }\end{array}$$
例 b 设一由正弦振荡器输出的随机过程
$$X(t)=A\cos (\Omega t+\theta ),t\in (-\infty ,+\infty )$$
其中 $A、\Omega$ 和 $\theta$ 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$\Omega \sim U(250,350)$ 、 $\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)
$$由连续型全概率公式，我们有$$
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 $m$ 是一正整数，则如果 $n$ 为奇数时， $k$ 也是奇数 $(k<n)$ ；如果 $n$ 为 偶数时， $k$ 也是偶数 $(k<n)$ 。

例 d 设有一脉冲数字通信系统，它传送的信号是脉宽为 $T_0$ 的脉冲信号，每 隔 $T_0$ 送出一个脉冲。脉冲幅度 $X(t)$ 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 $u$ 为均匀分布在 $\left(0,T_0\right)$ 内的随机变量。试求在两个时刻 $t_1,t_2$ 时，随机过程 $X(t)$ 所取值 $\left(X\left(t_1\right),X\left(t_2\right)\right)$ 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$t_1,t_2$，我们令

事件$C $：$t_1 ,\ t_2$间有不同周期的脉冲存在，即$t_1 ,\ t_2$处在不同的脉冲周期内；

事件$C^c $：$t_1 ,\ t_2$间没有不同周期的脉冲存在，即$t_1 ,\ t_2$处在相同的脉冲周期内；

（1） 当 $\left|t_1-t_2\right|>T_0$ 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 $\left|t_1-t_2\right|\le T_0$ 时，$t_1,t_2$可能处在同一脉冲内，也可能不处在同一脉冲内。假设 $\theta$ 为 $t_1$ 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 $u$ 是 $(0,T_0)$ 内的均匀分布，而且该信号是等宽的脉冲信号，因此 $\theta$ 可以看作均匀分布于 $(t_1-T_0,t_1)$ 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−T0​1​∫t1​−T0​t2​−T0​​dθ=1−T0​t2​−t1​​​

如果 $t_1>t_2$, 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}=T0​1​∫t1​−T0​t2​​dθ=1−T0​t1​−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\} fXt1​​Xt2​​​(x1​,x2​)=fXt1​​Xt2​​∣C​(x1​,x2​∣C)P{C}+fXt1​​Xt2​​∣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

$$f_{X_{t_1}{X}_{t_2\mid }\mid C}\left(x_1,x_2\mid C\right)=\left[\sum _{i=-2,-1,1,2}\frac{1}{4}\delta \left(x_1-i\right)\right]\times \left[\sum _{k=-2,-1,1,2}\frac{1}{4}\delta \left(x_2-k\right)\right]$$

如果 $t_1,t_2$ 处在同一周期内, 则 $X_{t_1}=X_{t_2}$, 此时有

$$f_{X_{t_1}{X}_{t_2}\mid C^c}\left(x_1,x_2\mid C^c\right)=\left[\sum _{i=-2,-1,1,2}\frac{1}{4}\delta \left(x_1-i\right)\delta \left(x_2-i\right)\right]$$

由此最终得到 $\left(X\left(t_1\right),X\left(t_2\right)\right)$ 的二维联合概率密度如下

当 $\left|t_1-t_2\right|\le T_0$ 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 $\mid t_1-t_2\mid >T_0$ 时
$$f_{X_{t_1}{X}_{t_2}}\left(x_1,x_2\right)=\left[\sum _{i=-2,-1,1,2}\frac{1}{4}\delta \left(x_1-i\right)\right]\times \left[\sum _{k=-2,-1,1,2}\frac{1}{4}\delta \left(x_2-k\right)\right]$$
[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 $T_0$ 的脉冲信号，脉冲信号的 周期为 $T_0$ 。如果脉冲幅度 $X(t)$ 是随机的，幅度服从正态分布 $N\left(0,{\sigma }^2\right)$，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 $u$ 为均匀分布在 $\left(0,T_0\right)$ 内的随机变量。 $u$ 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 $t_1,t_2$ 时，该随机过程 $X(t)$ 所取值 $\left(X\left(t_1\right),X\left(t_2\right)\right)$ 的二维联合概率密度。

解 在时间轴上任意固定两个时刻 $t_1,t_2$, 讨论同例 $d$

特别注意此时的状态空间

(a) 当 $\left|t_1-t_2\right|>T_0$ 时， $t_1,t_2$ 位于不同的周期内，此时我们有

$$f_{X_{t_1}{X}_{t_2}}\left(x_1,x_2\right)=\frac{1}{2\pi {\sigma }^2}\exp \left\{-\frac{x_1^2+x_2^2}{2{\sigma }^2}\right\}$$

(b) 当 $\left|t_1-t_2\right|\le T_0$ 时，$t_1,t_2$ 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​∣​

$t_1,t_2$ 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

$$\begin{array}{rl}{f}_{X_{t_1}{X}_{t_2}}\left(x_1,x_2\right)& =\frac{1}{2\pi {\sigma }^2}\exp \left\{-\frac{x_1^2+x_2^2}{2{\sigma }^2}\right\}\cdot \frac{\left|t_1-t_2\right|}{T_0}\\ & +\frac{1}{\sqrt{2\pi }\sigma }\exp \left\{-\frac{x_1^2}{2{\sigma }^2}\right\}\delta \left(x_1-x_2\right)\cdot \left[1-\frac{\left|t_1-t_2\right|}{T_0}\right]\end{array}$$

因为当 $t_1,t_2$ 处在同一脉冲周期时, $X\left(t_1\right),X\left(t_2\right)$ 取相同的值, 所以上式的第二项出现了 $\delta \left(x_1-x_2\right)$ 函数。

此例中看出， $X\left(t_1\right),X\left(t_2\right)$ 的二维联合概率密度不再是二维正态分布，虽然 $X\left(t_1\right)$ 和 $X\left(t_2\right)$ 都是正态分布。

例 $\mathrm{f}$ 考察一随机过程，它在 $t_0+n{T}_0$ 时刻具有宽度为 $b$ 的矩形脉冲波，脉冲 幅度 $A$ 为一等概率取值 $\pm a$ 的随机变量，且 $b<T_0,t_0$ 是在 $\left(0,T_0\right)$ 上服从均匀分布的随机变量，并且脉冲幅度 $A$ 与 $t_0$ 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 $t_1,t_2$，且 $t_1<t_2$当， $\left|t_1-t_2\right|>T_0$ 时，$t_1,t_2$ 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 $\left|t_1-t_2\right|\le T_0$，且 $t_1,t_2$ 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 $\left|t_1-t_2\right|\le T_0$，且 $t_1$, $t_2$ 位于同一的周期内时，假设 $\theta$ 为 $t_1$ 所在的脉冲的起始时刻，只有当 $t_2<\theta +b$ 时, $X\left(t_1\right)$ 和 $X\left(t_2\right)$ 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−T0​1​∫t1​−T0​t2​−b​dθ=T0​b−(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⋅T0​b−(t2​−t1​)​

同理，当 $t_1>t_2$ 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⋅T0​b−(t1​−t2​)​

因此，最终得到

$$R_X(\tau )=\frac{a^2(b-|\tau |)}{T_0},\tau =t_2-t_1,D_X(t)=R_X(0)=\frac{a^{2}b}{T_0}$$

例 g 随机电报信号定义如下

(1) 在任何时刻 $t,X(t)$ 取值为 $0$ 或 $1$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 $T$ 时间内波形变化的次数 $\mu$ 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)k​e−λT(λ>0,T>0)

(3) $X(t)$ 取何值 (即所处的状态) 与随机变量 $\mu$ 是相互统计独立的。

求随机电报信号 $X(t)$ 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 $t_1,t_2$，如果 $t_2>t_1$，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 $t_2-t_1$ 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 }=21​P{μ= 偶数 }=21​k=1ii​∑​k![λ(t2​−t1​)]k​e−λ(t2​−t1​)=21​×21​[k=0∑∞​k![λ(t2​−t1​)]k​e−λ(t2​−t1​)+k=0∑∞​k![−λ(t2​−t1​)]k​e−λ(t2​−t1​)]=41​e−λ(t2​−t1​)[eλ(t2​−t1​)+e−λ(t2​−t1​)]=41​[1+e−2λ(t2​−t1​)]​

同理，如果 $t_2<t_1$, 则有

$$R_{XX}\left(t_1,t_2\right)=\frac{1}{4}\left[1+e^{2\lambda \left(t_2-t_1\right)}\right]$$

故有

$$R_{XX}\left(t_1,t_2\right)=\frac{1}{4}\left[1+e^{-2\lambda |t_1-t_2\mid }\right]$$

因此有

$$\begin{array}{rl}{C}_{XX}\left(t_1,t_2\right)& =R_{XX}\left(t_1,t_2\right)-{\mu }_X\left(t_1\right){\mu }_X\left(t_2\right)\\ & =\mathrm{Cov}\left(X\left(t_1\right),X\left(t_2\right)\right)\\ & =\frac{1}{4}{e}^{-2\lambda |t_1-t_2\mid }\end{array}$$

设时间差 $\tau =t_1-t_2$, 则有

$$\begin{array}{c}{R}_{XX}\left(t_1,t_2\right)=\frac{1}{4}\left[1+e^{-2\lambda |\tau |}\right]\\ C_{XX}\left(t_1,t_2\right)=\mathrm{Cov}\left(X\left(t_1\right),X\left(t_2\right)\right)=\frac{1}{4}{e}^{-2\lambda |\tau |}\end{array}$$

因为随机电报信号 $X(t)$ 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 $X,Y$ 为同一概率空间 $(\Omega ,\Sigma ,P)$ 上的两个取实数值的随机变量, 并设 $Z=X+jY$, 则称 $Z$ 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 $Z(t)=X(t)+jY(t)$ 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。

$R_{\text{ZZ }}\left(t_1,t_2\right)\widehat{=}E\left\{Z\left(t_1\right)\overline{Z\left(t_2\right)}\right\}=E\{\left[X\left(t_1\right)+jY\left(t_1\right)\right]\left[\overline{X\left(t_2\right)+jY\left(t_2\right)]}\right\}$, 称为复随机过程的相关函数。

例 8 设有复随机过程 $\xi (t)={\sum }_{k=1}^N{\eta }_k{e}^{j{\omega }_{k}t}$, 其中 ${\eta }_k(1\le k\le N)$ 是相互独立的随机变量, 且服从正态分布 $N\left(0,{\sigma }_k^2\right),{\omega }_k$ 为常数。试求 $\xi (t)$ 的均值函数和相关函数。

解 由于
$$\xi (t)=\sum _{k=1}^N{\eta }_k{e}^{j{\omega }_{k}t}=\sum _{k=1}^N{\eta }_k\cos \left({\omega }_{k}t\right)+j\sum _{k=1}^N{\eta }_k\sin \left({\omega }_{k}t\right)$$

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∑N​ηk​ejωk​t}=E{k=1∑N​ηk​cos(ωk​t)+jk=1∑N​ηk​sin(ωk​t)}=0Rξ​(t1​,t2​)=E{ξ(t1​)ξ(t2​)​}=E⎩⎨⎧​(k=1∑N​ηk​ejωk​t1​)(i=1∑N​ηi​ejωt2​​t2​)​⎭⎬⎫​=E{k=1∑N​i=1∑N​ηk​ηi​ejωk​t1​−jωt​t2​}=k=1∑N​σk2​ejωk​(t1​−t2​)=k=1∑N​σk2​ejωk​τ​

其中 $\tau =t_1-t_2$ 。

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 $(X,Y)$ 的两个分量相互独立, 且均服从标准正态分布 $N(0,1)$ 。
(a) 分别写出随机变量 $X+Y$ 和 $X-Y$ 的分布密度
(b) 试问 : $X+Y$ 与 $X-Y$ 是否独立? 说明理由

2、设 $X$ 和 $Y$ 为独立的随机变量，期望和方差分别为 ${\mu }_1,{\sigma }_1^2$ 和 ${\mu }_2,{\sigma }_2^2$ 。

(a) 试求 $Z=XY$ 和 $X$ 的相关系数 ;

(b) $Z$ 与 $X$ 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 $T$ 的函数，即 $B(\tau +T)=B(\tau ),\tau \ge 0$，试求方差函数 $D[X(t)-X(t+T)]$ 。

4、考察两个谐波随机信号 $X(t)$ 和 $Y(t)$, 其中
$$X(t)=A\cos \left({\omega }_{c}t+\varphi \right),Y(t)=B\cos \left({\omega }_{c}t\right)$$

式中 $A$ 和 ${\omega }_c$ 为正的常数； $\varphi$ 是 $[-\pi ,\pi ]$ 内均匀分布的随机变量， $B$ 是标准正态分布的随机变量。

(a) 求 $X(t)$ 的均值、方差和相关函数 ;

(b) 若 $\varphi$ 与 $B$ 独立, 求 $X(t)$ 与 $Y(t)$ 的互相关函数。

5、设 $\xi (t)=X\sin (Yt);t\ge 0$ ，而随机变量 $X、Y$ 是相互独立且都服从 $[0,1]$ 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 $X={\left(X_1,X_2\right)}^{\tau }=(\mu ,\Sigma {)}^{\tau }$ 其中 $:\mu ={\left({\mu }_1,{\mu }_2\right)}^{\tau }=(1,2{)}^{\tau },\Sigma =\left(\begin{array}{cc}1& 4/5\\ 4/5& 1\end{array}\right)$, 令随机向量 $Y={\left(Y_1,Y_2\right)}^{\tau }=\left(\begin{array}{ll}3& 2\\ 2& 3\end{array}\right)X$ 。

(a) 试求随机向量 $Y$ 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 $X_1$