第二章——随机过程概论
教学内容
-
第一章 随机过程概论
- 预备知识
-
第二章 随机过程概论
- 随机过程的基本概念
- 分布律和数字特征
- 几种重要的随机过程
-
第三章 泊松过程
- 泊松过程
- 非齐次泊松过程
- 复合泊松过程
- 泊松过程的应用
-
第四章 马尔可夫链
- MC的概念及转移概率
- MC的状态分类
- 状态空间的分解
- P i j ( n ) P_{ij}(n) Pij(n)的渐近性质与平稳分布
- 嵌入马尔可夫链
-
第五章 连续时间的马尔可夫链
- 连续时间的MC
- 柯尔莫哥洛夫微分方程
- 生灭过程
- 布朗运动
- 向后与向前扩散方程
-
第六章 平稳随机过程
- 平稳过程的概念与例子
- 联合平稳过程及相关函数性质
- 随机分析
- 平稳过程的各态历经性
-
第七章 平稳随机过程的谱分析
- 平稳过程的谱密度
- 谱密度的性质
- 窄带过程及白噪声过程的功率
- 谱密度
随机过程的定义
设 ( Ω , F , P ) (\Omega,\mathcal{F},P ) (Ω,F,P)是概率空间, T T T是指标参数集,若对每个 t ∈ T t\in T t∈T ,有一个随机变量 ξ ( t , w ) ≜ ξ t ( w ) \xi(t,w)\triangleq\xi_t(w) ξ(t,w)≜ξt(w) 与之对应,则称随机变量族 { ξ t ( ω ) , t ∈ T } \{\xi_t(\omega),t\in T\} {ξt(ω),t∈T} 是概率空间上的随机过程。称 ξ t ( ω ) \xi_t(\omega) ξt(ω)的所有可能状态所构成的集合为状态空间,记为 S S S。
- Bernoulli过程、正弦波过程
随机过程的分类
根据时间参数集 T T T的性质,随机过程可分为两类:
- 离散时间的随机过程
- 连续时间的随机过程
根据状态空间集 S S S的性质,随机过程可分为两类:
- 离散状态的随机过程
- 连续状态的随机过程
同时考虑 T T T和 S S S:
- 离散时间离散状态的随机过程(Bernoulli过程、随机游动)
- 离散时间连续状态的随机过程(股市每日的最高价格)
- 连续时间离散状态的随机过程(Possion过程)
- 连续时间连续状态的随机过程(Brown过程)
随机过程的研究途径
- 概率分析(Markov过程、扩散过程)
- 时域分析(平稳过程、二阶矩过程)
有限维分布族
假设 { ξ t ( ω ) , t ∈ T } \{\xi_t(\omega),t\in T\} {ξt(ω),t∈T} 是概率空间 ( Ω , F , P ) (\Omega,\mathcal{F},P ) (Ω,F,P)上的随机过程,对任意的自然数 n n n ,以及 T T T中任意个 t 1 , t 2 , … , t n t_1,t_2,\dots,t_n t1,t2,…,tn ,记 F t 1 , t 2 , … , t n ( x 1 , x 2 , … , x n ) = P { ξ ( t 1 ) < x 1 , ⋯ , ξ ( t n ) < x n } F_{t_1,t_2,\dots,t_n}(x_1,x_2,\dots,x_n)=P\{\xi(t_1)<x_1,\cdots,\xi(t_n)<x_n\} Ft1,t2,…,tn(x1,x2,…,xn)=P{ξ(t1)<x1,⋯,ξ(tn)<xn} 即 F t 1 , t 2 , … , t n F_{t_1,t_2,\dots,t_n} Ft1,t2,…,tn 是 n n n维随机向量 ( ξ ( t 1 ) , ⋯ , ξ ( t n ) ) (\xi(t_1),\cdots,\xi(t_n)) (ξ(t1),⋯,ξ(tn))的联合分布,称为随机过程 { ξ t ( ω ) , t ∈ T } \{\xi_t(\omega),t\in T\} {ξt(ω),t∈T} 的一有限维分布。称函数族 { F t 1 , t 2 , … , t n ( x 1 , x 2 , … , x n ) : n ∈ N , t 1 , ⋯ , t n ∈ T } \{F_{t_1,t_2,\dots,t_n}(x_1,x_2,\dots,x_n):n\in N, t_1,\cdots,t_n\in T\} {Ft1,t2,…,tn(x1,x2,…,xn):n∈N,t1,⋯,tn∈T} 为随机过程 { ξ t ( ω ) , t ∈ T } \{\xi_t(\omega),t\in T\} {ξt(ω),t∈T} 的有限维分布族。
有限维分布族的性质
- 对称性
- 相容性
柯尔莫哥洛夫定理
定理说明了随机过程的有限维分布族包含了其所有概率信息。因此,可通过有限维分布函数族来研究随机过程的统计特征。
- 例题:随机游动、脉冲数字信号系统(离散型、随机型)
随机过程的数字特征(必考)
- 均值(m)、方差、 协方差、相关函数
- 例题:三角函数(应用微积分知识)、随机电报信号
两个随机过程的联合分布和数字特征
二维随机过程的联合分布函数
设 { X ( t ) , t ∈ T } \{X(t), t\in T\} {X(t),t∈T}和 { Y ( t ) , t ∈ T } \{Y(t), t\in T\} {Y(t),t∈T}是两个随机过程,称 { X ( t ) , Y ( t ) } \{X(t), Y(t)\} {X(t),Y(t)}为二维随机过程,其中 X ( t ) X(t) X(t)为 m m m维, Y ( t ) Y(t) Y(t)为 n n n维,称其分布函数为 m + n m+n m+n维分布函数。在两者相互独立时可以直接用边缘分布函数相乘得到。
二维随机过程的数字特征
- 互相关函数 R X Y ( s , t ) R_{XY}(s,t) RXY(s,t)
- 互协方差函数 C X Y ( s , t ) C_{XY}(s,t) CXY(s,t)
- C X Y ( s , t ) = R X Y ( s , t ) − m X ( s ) m Y ( t ) C_{XY}(s,t)=R_{XY}(s,t)-m_X(s)m_Y(t) CXY(s,t)=RXY(s,t)−mX(s)mY(t)
- 当两者相互独立时,即 C X Y ( s , t ) = 0 C_{XY}(s,t)=0 CXY(s,t)=0时,两者不相关。
复随机过程
- 定义:设 { X ( t ) , t ∈ T } \{X(t), t\in T\} {X(t),t∈T}和 { Y ( t ) , t ∈ T } \{Y(t), t\in T\} {Y(t),t∈T}是定义在同一概率空间上的两个随机过程,令 Z ( t ) = X ( t ) + i Y ( t ) , t ∈ T Z(t)=X(t)+iY(t),t\in T Z(t)=X(t)+iY(t),t∈T,则称 { Z t , t ∈ T } \{Z{t},t\in T\} {Zt,t∈T}为复随机过程。
- 数字特征:均值、方差、协方差、相关函数、互协方差函数、互相关函数
几类重要的随机过程
- 二阶矩过程:随机过程 { X ( t ) , t ∈ T } \{X(t),t\in T\} {X(t),t∈T}的一、二阶矩存在,称其为二阶矩过程。
- 正态过程: n维正态随机变量构成为正太过程(高斯过程)。正太过程是二阶矩过程。
- 独立增量过程: X ( t 2 − t 1 ) , X ( t 3 − t 2 ) , ⋯ , X ( t n − t n − 1 ) X(t_2-t_1),X(t_3-t_2),\cdots,X(t_n-t_{n-1}) X(t2−t1),X(t3−t2),⋯,X(tn−tn−1)是相互独立的随机变量。此外,如果任意 s < t ∈ T , X ( t ) − X ( s ) s<t\in T, X(t)-X(s) s<t∈T,X(t)−X(s)分布仅依赖于 t − s t-s t−s,而与 s , t s,t s,t本身取值无关,则称 { X ( t ) , t ∈ T } \{X(t),t\in T\} {X(t),t∈T}为平稳增量过程;当 { X ( t ) , t ∈ T } \{X(t),t\in T\} {X(t),t∈T}既是平稳增量过程,也是平稳增量过程,则称 { X ( t ) , t ∈ T } \{X(t),t\in T\} {X(t),t∈T}为平稳的独立增量过程。
- Wiener过程:满足下列条件:
- W ( 0 ) = 0 W(0)=0 W(0)=0
- { W ( t ) , t ≥ 0 } \{W(t), t\geq0\} {W(t),t≥0}是平稳的独立增量过程;
-
∀
0
≤
s
<
t
,
W
(
t
)
−
W
(
s
)
∼
N
(
0
,
σ
2
(
t
−
s
)
)
⋅
1
2
\forall 0\leq s<t, W(t)-W(s)\sim N(0,\sigma^2(t-s))\cdot\frac{1}{2}
∀0≤s<t,W(t)−W(s)∼N(0,σ2(t−s))⋅21
性质: - ∀ t > 0 , W ( t ) ∼ N ( 0 , σ 2 t ) \forall t>0, W(t)\sim N(0,\sigma^2t) ∀t>0,W(t)∼N(0,σ2t)
- 数字特征:
m W ( t ) = 0 ; D W ( t ) = σ 2 t ; R W ( s , t ) = C W ( s , t ) = σ 2 m i n ( s , t ) m_W(t)=0; D_W(t)=\sigma^2t; R_W(s,t)=C_W(s,t)=\sigma^2min(s,t) mW(t)=0;DW(t)=σ2t;RW(s,t)=CW(s,t)=σ2min(s,t)
- 平稳过程:严平稳性;宽平稳性