文章目录
第七讲 平稳过程
一、平稳过程及其相关概念
Part 1:平稳过程的定义
从通俗意义上去理解,平稳过程指的是统计特性不随时间的推移而改变的一类随机过程。随机过程的统计特性一般通过有限维分布和数字特征进行刻画。我们根据这些不变的特征,给出两种平稳过程的定义,即严平稳过程和宽平稳过程。
严平稳过程:对于随机过程 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {
X(t),t∈T} ,如果对任意 k ≥ 1 k\geq1 k≥1 和 t 1 , t 2 , ⋯ , t k ∈ T t_1,t_2,\cdots,t_k\in T t1,t2,⋯,tk∈T 以及 h ∈ T h\in T h∈T 都有
( X ( t 1 + h ) , X ( t 2 + h ) , ⋯ , X ( t k + h ) ) = d ( X ( t 1 ) , X ( t 2 ) , ⋯ , X ( t k ) ) , \big(X(t_1+h),X(t_2+h),\cdots,X(t_k+h)\big)\xlongequal{d}\big(X(t_1),X(t_2),\cdots,X(t_k)\big) \ , (X(t1+h),X(t2+h),⋯,X(tk+h))d(X(t1),X(t2),⋯,X(tk)) ,
则称该随机过程为严平稳过程或强平稳过程。
严平稳过程的任意有限维分布都不随时间的推移而改变。然而实际中随机过程的有限维分布往往很难确定,所以我们一般研究的平稳过程,都是在数字特征尤其是一阶矩和二阶矩中体现出的平稳性。
宽平稳过程:对于随机过程 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} { X(t),t∈T} ,对任意的 t ∈ T t\in T t∈T ,都有 E [ X ( t ) ] 2 < ∞ {\rm E}[X(t)]^2<\infty E[X(t)]2<∞ 。如果满足
- 均值函数为常数,即 μ X ( t ) ≡ μ , t ∈ T \mu_X(t)\equiv\mu \ , \ \ t\in T μX(t)≡μ , t∈T ;
- 自相关函数仅与时间差有关,即 r X ( s , t ) = R X ( s − t ) , s , t ∈ T r_X(s,\,t)=R_X(s-t) \ , \ \ s,\,t\in T rX(s,t)=RX(s−t) , s,t∈T ,
则称该随机过程为宽平稳过程或弱平稳过程。
严平稳过程和宽平稳过程的关系我们只需要记住以下两条:
- 如果严平稳过程的二阶矩存在且有限,那么它一定是宽平稳过程,反之则不一定。
- 如果宽平稳过程是正态过程,那么它一定是严平稳过程。
宽平稳过程一定是二阶矩过程。以后提到的平稳过程,除非特别指明,否则都指的是宽平稳过程。
Part 2:自相关函数的性质
对于平稳过程而言,我们主要研究的数字特征就是自相关函数或自协方差函数。下面我们介绍平稳过程自相关函数或自协方差函数的性质。
设 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {
X(t),t∈T} 是宽平稳过程,定义自相关函数和自协方差函数为
r X ( τ ) = E ( X ( t ) X ( t + τ ) ) , C X ( τ ) = C o v ( X ( t ) , X ( t + τ ) ) , ∀ τ ∈ T , r_X(\tau)={\rm E}(X(t)X(t+\tau)) \ , \quad C_X(\tau)={\rm Cov}(X(t),X(t+\tau)) \ , \quad \forall\tau\in T \ , rX(τ)=E(X(t)X(t+τ)) ,CX(τ)=Cov(X(t),X(t+τ)) ,∀τ∈T ,
则有以下性质
- r X ( 0 ) ≥ 0 , C X ( 0 ) ≥ 0 r_X(0)\geq0,\,C_X(0)\geq0 rX(0)≥0,CX(0)≥0 ;
- r X ( τ ) r_X(\tau) rX(τ) 和 C X ( τ ) C_X(\tau) CX(τ) 均为偶函数;
- ∣ r X ( τ ) ∣ ≤ r X ( 0 ) , ∣ C X ( τ ) ∣ ≤ C X ( 0 ) |r_X(\tau)|\leq r_X(0),\,|C_X(\tau)|\leq C_X(0) ∣rX(τ)∣≤rX(0),∣CX(τ)∣≤CX(0) ,即 0 0 0 点是最大值点;
- r X ( τ ) r_X(\tau) rX(τ) 和 C X ( τ ) C_X(\tau) CX(τ) 均为非负定函数;
我们只证明关于自相关函数的结论。
性质 1 和性质 2 由定义式可得:
r X ( 0 ) = E [ X ( t ) ] 2 ≥ 0 . r X ( − τ ) = E ( X ( t ) X ( t − τ ) ) = t ′ = t − τ E ( X ( t ′ ) X ( t ′ + τ ) ) = r X ( τ ) . \begin{aligned} &r_X(0)={\rm E}[X(t)]^2\geq0 \ . \\ \\ &r_X(-\tau)={\rm E}(X(t)X(t-\tau))\xlongequal{t'=t-\tau}{\rm E}(X(t')X(t'+\tau))=r_X(\tau) \ . \end{aligned} rX(0)=E[X(t)]2≥0 .rX(−τ)=E(X(t)X(t−τ))t′=t−τE(X(t′)X(t′+τ))=rX(τ) .
性质 3 由柯西不等式可得:
∣ r X ( τ ) ∣ = ∣ E ( X ( t ) X ( t + τ ) ) ∣ ≤ E [ X ( t ) ] 2 E [ X ( t + τ ) ] 2 = r X ( 0 ) . \left|r_X(\tau)\right|=|{\rm E}(X(t)X(t+\tau))|\leq\sqrt{ {\rm E}[X(t)]^2{\rm E}[X(t+\tau)]^2}=r_X(0) \ . ∣rX(τ)∣=∣E(X(t)X(t+τ))∣≤E[X(t)]2E[X(t+τ)]2=rX(0) .
性质 4 只需证对任意的 t 1 , t 2 , ⋯ , t n ∈ T t_1,t_2,\cdots,t_n\in T t1,t2,⋯,tn∈T 和任意的 a 1 , a 2 , ⋯ , a n ∈ R a_1,a_2,\cdots,a_n\in\mathbb{R} a1,a2,⋯,an∈R ,有
∑ i = 1 n ∑ j = 1 n r X ( t i − t j ) a i a j ≥ 0 . \sum_{i=1}^n\sum_{j=1}^nr_X(t_i-t_j)a_ia_j\geq0 \ . i=1∑nj=1∑nr