随机过程中每个时间点的随机变量的概率密度函数（PDF）以及它的性质

1. 随机过程中的实现与随机变量

在一个随机过程中，$X(t)$ 是一个随机函数，也就是每个时间 $t$ 都对应一个随机变量 $X(t)$。这个随机变量的值依赖于每次实验或每个“样本路径”的具体情况，称为该随机过程的实现（realization）。

比如，语音信号的例子中，假设你从不同的人那里获取语音信号：

• 每个人的语音信号可以看作一个随机过程的不同实现。
• 在某一特定时刻 $t_1$，不同人的语音信号（不同实现）可能在这个时刻会有不同的音量（数值）。
• 这些不同实现（不同人）的音量值构成了在时间 $t_1$ 时的一个随机变量 $X(t_1)$。【骰子的六个面的取值也是随机变量】

因此，$X(t_1)$ 是所有可能实现（样本路径）在时间 $t_1$ 时的随机变量，它的值取决于每个不同的样本路径。

2. 概率密度函数（PDF）

随机变量 $X(t_1)$ 的值有一定的不确定性，因为它依赖于不同的实现（例如，不同人讲话的音量）。为了描述这种不确定性，我们引入了概率密度函数（PDF），它用来描述随机变量在不同值上取值的相对可能性。

对于随机变量 $X(t_1)$，它的概率密度函数 $p_{X_1}(x)$ 描述了 $X(t_1)$ 取某个值 $x$ 的可能性大小。例如：

• $p_{X_1}(x_1)$ 是 $X(t_1)$ 在 $x_1$ 这个特定值的概率密度。
• $p_{X_1}(x_2)$ 是 $X(t_1)$ 在 $x_2$ 这个特定值的概率密度。

注意：

• PDF 是密度，而不是直接的概率。因此 $p_{X_1}(x)$ 表示的是一个单位区间内（无限小区间）取值的可能性。
• 真正的概率是通过对 PDF 进行积分得到的，比如随机变量在某个区间 $[a,b]$ 之间取值的概率可以表示为：
  $$P(a\le X(t_1)\le b)={\int }_a^b{p}_{X_1}(x)dx$$

3. PDF 的总和为 1 的含义

对于一个随机变量，它的所有可能取值的概率总和必须为 1。这意味着随机变量一定会在它的定义域内取某个值。因此，随机变量 $X(t_1)$ 的概率密度函数 $p_{X_1}(x)$ 的积分必须为 1，即：
$${\int }_{-\infty }^{\infty }{p}_{X_1}(x)dx=1$$
这个积分表示的是随机变量 $X(t_1)$ 在整个可能取值范围（从 $-\infty$ 到 $+\infty$）内的所有值的概率密度之和。虽然 $p_{X_1}(x)$ 可能在不同的 $x$ 处有不同的数值，但通过对整个范围积分，所有可能的值的密度总和一定是 1。

举个例子：

假设 $X(t_1)$ 服从一个正态分布（标准正态分布 $N(0,1)$），其概率密度函数为：
$$p_{X_1}(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$$
如果我们对这个 PDF 在整个范围 $(-\infty ,\infty )$ 上积分：
$${\int }_{-\infty }^{\infty }\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}dx=1$$
这表明随机变量 $X(t_1)$ 一定会在 $(-\infty ,\infty )$ 之间的某个值上取值，虽然每个具体值的概率密度可能不同，但所有值的密度总和是 1。

4. 不同函数在时间 $t_1$ 时取不同值

是指随机过程的不同实现在时间 $t_1$ 时的取值。这些值是随机的，因此构成了一个随机变量 $X(t_1)$，而这个随机变量的概率密度函数 $p_{X_1}(x)$ 描述了 $X(t_1)$ 取值的分布。

虽然 $p_{X_1}(x)$ 是 $X(t_1)$ 在不同值 $x$ 处的概率密度，但这些概率密度并不是直接相加等于 1，而是它们在整个定义域上的积分（也就是所有可能值的概率总和）等于 1。

总结：

• 每个时间点 $t_1$ 都对应一个随机变量 $X(t_1)$，这个随机变量有自己的概率密度函数 $p_{X_1}(x)$。
• 概率密度函数 $p_{X_1}(x)$ 描述的是 $X(t_1)$ 在某个值 $x$ 处的相对可能性，但概率密度函数的总和并不是直接相加等于 1，而是通过积分得到的。
• 通过对 $p_{X_1}(x)$ 进行积分，可以得到随机变量在某个区间取值的实际概率。
• 整个范围内的概率密度函数的积分必须等于 1，表示随机变量必定在某个值上取值。