随机过程

最新推荐文章于 2022-11-03 15:53:10 发布

一笑为红颜

最新推荐文章于 2022-11-03 15:53:10 发布

阅读量2.3k

点赞数 4

分类专栏：数学随机过程

本文链接：https://blog.csdn.net/u010069259/article/details/89842800

版权

数学同时被 2 个专栏收录

7 篇文章 0 订阅

订阅专栏

随机过程

2 篇文章 0 订阅

订阅专栏

随机过程

1 概率论基础

（1）随机变量函数的概率密度

对于任意的单调函数 $g (x)$ ,都有
$f_Y(y)=f_X(x)|J|_{x=g^{-1}(y)} (J=\frac{dx}{dy})$
对于非单调函数，可以根据单调性分段。

例: 考虑一个平方律检波的例子，假定输入输出的关系为
$Y=bX^2$
求Y的概率密度
解: 由于 $Y$ 的值不可能为负，故 $y < 0$ 时， $f_Y(y)=0$ 。若 $y > 0$ ，这是对于任意的 $y$ ，有两个 $x$ 值与之对应，即
$x_{1}=\sqrt{y / b}, \quad x_{2}=-\sqrt{y / b}$ \ 由于 $J_{1}=\frac{\mathrm{d} x_{1}}{\mathrm{d} y}=\frac{1}{2 \sqrt{b y}}, J_{2}=\frac{\mathrm{d} x_{2}}{\mathrm{d} y}=-\frac{1}{2 \sqrt{b y}}$ ，因此
$f_{Y}(y)=\frac{1}{2 \sqrt{b y}}\left[f_{x}(\sqrt{y / b})+f_{X}(-\sqrt{y / b})\right] \quad(y>0)$

（2）基本公式

$EX=\int_{-\infty}^{+\infty} x f(x) \mathrm{d} x$
$DX=E(X-EX)=EX^2-E^2X$
$\operatorname{Cov}(X, Y)=E[(X-EX)(Y-EY)]=E[X Y]-EXEY$
$\rho_{X Y}=\frac{\operatorname{Cov}(X, Y)}{\sqrt{D(X)} \sqrt{D(Y)}}$

2 随机过程

(1)一维概率分布

$F_{x}(x, t)=P(X(t) \leqslant x\}$
如果 $F_X(x,t)$ 的一阶导数存在，则定义
$f_{x}(x, t)=\frac{\partial F_{X}(x, t)}{\partial x}$
为随机过程 $X (t)$ 的一维概率密度

(2)二维概率分布

对于任意的时刻 $t_1,t_2$ ，以及任意两个实数 $x_1,x_2$ ，定义
$F_{x}\left(x_{1}, x_{2}, t_{1}, t_{2}\right)=P\left\{X\left(t_{1}\right) \leqslant x_{1}, X\left(t_{2}\right) \leqslant x_{2}\right\rangle$
为随机过程 $X (t)$ 的二维概率分布，如果 $F_{X}\left(x_{1}, x_{2}, t_{1}, t_{2}\right)$ 对 $x_1,x_2$ 的偏导数存在，则定义
$f_{x}\left(x_{1}, x_{2}, t_{1}, t_{2}\right)=\frac{\partial^{2} F_{x}\left(x_{1}, x_{2}, t_{1}, t_{2}\right)}{\partial x_{1} \partial x_{z}}$
为随机过程 $X (t)$ 的二维概率密度。

(3)随机过程的数字特征

均值

$m_{X}(t)=E[X(t)]=\int_{-\infty}^{+\infty} x f_{x}(x, t) \mathrm{d} x$

方差

$\sigma_{X}^{2}(t)=E\left\{\left[X(t)-m_{X}(t)\right]^{2}\right\}=E\left[X^{2}(t)\right]-m_{X}^{2}(t)$

自相关函数与协方差函数

对于任意两个时刻 $t_1,t_2$ ，定义

$R_{X}\left(t_{1}, t_{2}\right)=E\left[X\left(t_{1}\right) X\left(t_{2}\right)\right]=\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} x_{1} x_{2} f\left(x_{1}, x_{2}, t_{1}, t_{2}\right) \mathrm{d} x_{1} \mathrm{d} x_{2}$
为随机过程 $X (t)$ 的自相关函数。自相关就是函数和函数本身的相关性，当函数中有周期性分量的时候，自相关函数的极大值能够很好的体现这种周期性
相关性的描述除了用相关函数外，有时也用协方差函数。定义
$K_{x}\left(t_{1}, t_{2}\right)=E\left\{\left[X\left(t_{1}\right)-m_{X}\left(t_{1}\right)\right]\left[X\left(t_{2}\right)-m_{X}\left(t_{2}\right)\right]\right\}$
为随机过程 $X (t)$ 的协方差函数，协方差函数也可以表示为
$\begin{aligned} K_{X}\left(t_{1}, t_{2}\right) &=E\left[X\left(t_{1}\right) X\left(t_{2}\right)\right]-m_{X}\left(t_{1}\right) m_{X}\left(t_{2}\right) \\ &=R_{X}\left(t_{1}, t_{2}\right)-m_{X}\left(t_{1}\right) m_{X}\left(t_{2}\right) \end{aligned}$
相关运算从线性空间的角度看其实是内积运算，而两个向量的内积在线性空间中表示一个向量向另一个向量的投影，表示两个向量的相似程度，所以相关运算就体现了这种相似程度。

（4）广义平稳随机过程

如果随机过程 $X (t)$ 的均值为常数，自相关函数只与 $\tau=t_{1}-t_{2}$ 有关，即
$\begin{array}{l}{m_{X}(t)=m_{X}} \\ {R_{X}\left(t_{1}, t_{2}\right)=R_{X}(\tau), \quad \tau=t_{1}-t_{2}}\end{array}$
则称随机过程 $X (t)$ 是广义平稳的

广义平稳随机过程的自相关函数
在这里插入图片描述

（5）平稳随机过程的相关系数和相关时间

(6)各态历经过程

　　各态历经随机过程一个样本函数经历了随机过程所有可能的状态，通过对一条样本函数的观测就可以估计出随机过程的均值、方差和相关函数
　　对大多数的平稳随机过程而言，都具有各态历经性
　　在这里插入图片描述

3 随机过程的联合分布和互相关函数

互相关函数

$R_{X Y}\left(t_{1}, t_{2}\right)=E\left[X\left(t_{1}\right) Y\left(t_{2}\right)\right]=\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} x y f_{x y}\left(x, y, t_{1}, t_{2}\right) \mathrm{d} x \mathrm{d} y$

互协方差函数

$K_{X Y}\left(t_{1}, t_{2}\right)=E\left\{\left[X\left(t_{1}\right)-m_{x}\left(t_{1}\right)\right]\left[Y\left(t_{2}\right)-m_{X}\left(t_{2}\right)\right]\right\}$

互协方差函数与互相关函数的关系

$K_{X Y}\left(t_{1}, t_{2}\right)=R_{X Y}\left(t_{1}, t_{z}\right)-m_{X}\left(t_{1}\right) m_{X}\left(t_{z}\right)$

广义联合平稳

如果
$\begin{array}{l}{m_{X}(t)=m_{x}} \\ {m_{Y}(t)=m_{Y}} \\ {R_{X Y}\left(t_{1}, t_{2}\right)=R_{X Y}(\tau), \quad \tau=t_{1}-t_{2}}\end{array}$
则称 $X (t)$ 与 $Y (t)$ 是广义联合平稳的

联合平稳随机过程互相关函数性质

(1)

$\begin{array}{l}{R_{X Y}(-\tau)=R_{Y X}(\tau)} \\ {K_{X Y}(-\tau)=K_{Y X}(\tau)}\end{array}$
因为
$R_{X Y}(-\tau)=E[X(t-\tau) Y(t)]=E[Y(t) X(t-\tau)]=R_{Y X}(\tau)$

(2)

$\begin{array}{l}{\left|R_{X Y}(\tau)\right|^{2} \leqslant R_{X}(0) R_{Y}(0)} \\ {2 R_{X Y}(\tau) \leqslant R_{X}(0)+R_{Y}(0)} \\ {\left|K_{X Y}(\tau)\right|^{2} \leqslant \sigma_{X}^2 \sigma_{Y}^{2}}\end{array}$

(3)

若 $X (t)$ 与 $Y (t)$ 是联合平稳的，则 $Z (t) = X (t) + Y (t)$ 是平稳的，且
$R_{Z}(\tau)=R_{X}(\tau)+R_{Y}(\tau)+R_{X Y}(\tau)+R_{Y X}(\tau)$

4 随机过程功率谱

实质是推广的频谱分析，使用了截尾函数，使得信号满足绝对可积的狄里克雷条件

一笑为红颜

关注

4
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
随机过程

随机过程1 概率论基础（1）随机变量函数的概率密度对于任意的单调函数g(x)g(x)g(x),都有fY(y)=fX(x)∣J∣x=g−1(y)(J=dxdy)f_Y(y)=f_X(x)|J|_{x=g^{-1}(y)} (J=\frac{dx}{dy})fY(y)=fX(x)∣J∣x=g−1(y)(J=dydx)对于非单调函数，可以根据单调性分段。例: 考虑一个平方律...
复制链接

扫一扫