随机过程的基本知识part I
1.随机过程的定义
- X ( w , t ) X(w,t) X(w,t)两个特点:随机性与函数性
- 对于每一个固定的t, X t X_t Xt为一随机变量, X t X_t Xt所有的取值集合记为S,称为 X ( w , t ) X(w,t) X(w,t)的状态空间
- 对于每一个固定的w, X ( w 0 , t ) X(w_0,t) X(w0,t)是一定义在 T T T上的函数,称为样本函数
- 对于连续的一些定义
- 以概率1连续, P ( l i m s → t ∣ X t − X s ∣ = 0 ) = 1 P(lim_{s\rightarrow t}|X_t-X_s|=0)=1 P(lims→t∣Xt−Xs∣=0)=1
- 依概率连续, ∀ t ∈ T , ε > 0 , 有 , P ( l i m s → t ∣ X t − X s ∣ ≥ ε ) = 1 \forall t\in T, \varepsilon>0,有,P(lim_{s\rightarrow t}|X_t-X_s|\geq \varepsilon)=1 ∀t∈T,ε>0,有,P(lims→t∣Xt−Xs∣≥ε)=1
- 在
L
P
L^P
LP上连续,
∀
t
∈
T
,
P
>
0
,
有
E
∣
X
t
∣
P
<
∞
,
l
i
m
s
→
t
E
[
∣
X
s
−
X
t
∣
P
]
=
0
,
P
=
2
\forall t\in T, P>0,有E|X_t|^P<\infty,lim_{s\rightarrow t}E[|X_s-X_t|^P]=0,P=2
∀t∈T,P>0,有E∣Xt∣P<∞,lims→tE[∣Xs−Xt∣P]=0,P=2称为均方连续
2.随机过程的分类及其例子
2.1根据参数集与状态空间的离散与否分类
- 离散参数,离散状态
例:伯努利过程二项过程
X n = { X n , n = 1 , 2 , . . . } , X n X_n=\{X_n,n=1,2,...\},X_n Xn={Xn,n=1,2,...},Xn服从0-1分布,那么
S n = ∑ k = 1 n X k S_n=\sum_{k=1}^nX_k Sn=∑k=1nXk,则称 S = { S n , n = 1 , 2 , . . . } S=\{S_n,n=1,2,...\} S={Sn,n=1,2,...}为二项过程 - 离散参数,连续过程
例:严高斯白噪声过程
X n = { X n , n = 1 , 2 , . . . } , X n 服 从 N ( 0 , δ 2 ) X_n=\{X_n,n=1,2,...\},X_n服从N(0,\delta^2) Xn={Xn,n=1,2,...},Xn服从N(0,δ2) - 连续参数 离散状态
例:计数过程
某地在t时刻以前生的孩子数;
某商店在t时刻以前到达的顾客数; - 连续参数,连续状态
例:正态过程
设 X = { X t , t ∈ T } , X=\{X_t,t\in T\}, X={Xt,t∈T},对任意 n ≥ 1 n\ge 1 n≥1以及 t 1 , t 2 , . . . t n t_1,t_2,...t_n t1,t2,...tn有n维随机变量 ( X t 1 , X t 2 , . . . , X t n ) (X_{t_1},X_{t_2},...,X_{t_n}) (Xt1,Xt2,...,Xtn)服从n维正态分布,
则称X是正态过程.- n维正态分布的定义
如果n维随机变量 X = ( X 1 , X 1 , . . . , X n ) X=(X_1,X_1,...,X_n) X=(X1,X1,...,Xn)有联合概率密度函数 f ( x ) = 1 ( 2 π ) n / 2 ∣ B ∣ 1 / 2 e − 1 2 ( x − μ ) B − 1 ( x − μ ) T f(x)=\frac{1}{(2\pi)^{n/2}|B|^{1/2}}e^{-\frac{1}{2}(x-\mu)B^{-1}(x-\mu)^T} f(x)=(2π)n/2∣B∣1/21e−21(x−μ)B−1(x−μ)T其中 μ = ( μ 1 , μ 2 , . . . , μ n ) , B \mu=(\mu_1,\mu_2,...,\mu_n),B μ=(μ1,μ2,...,μn),B是正定矩阵,则 X = ( X 1 , X 1 , . . . , X n ) X=(X_1,X_1,...,X_n) X=(X1,X1,...,Xn)为服从参数为 μ . B \mu.B μ.B的n维正态分布 - 性质
设 X = ( X 1 , X 1 , . . . , X n ) X=(X_1,X_1,...,X_n) X=(X1,X1,...,Xn)服从参数为 μ . B \mu.B μ.B的n维正态分布,则- Y = ∑ k = 1 n l k X k ( l k 是 常 数 ) 服 从 一 维 正 态 分 布 Y=\sum_{k=1}^{n}l_kX_k(l_k是常数)服从一维正态分布 Y=∑k=1nlkXk(lk是常数)服从一维正态分布
- X的m个分量服从m维正态分布
- Y = X C Y=XC Y=XC服从m维正态分布 N ( μ C , C T B C ) N(\mu C,C^TBC) N(μC,CTBC)
- 举例
- 例1
A,B相互独立且都服从正态分布 N ( 0 , δ 2 ) N(0,\delta^2) N(0,δ2),证明 X t = A c o s w t + B s i n w t X_t=Acoswt+Bsinwt Xt=Acoswt+Bsinwt是正态过程
证明:利用性质 [ X t 1 , X t 2 , . . . , X t n ] = [ A , B ] [ c o s w t 1 c o s w t 2 ⋯ c o s w t n s i n w t 1 s i n w t 2 ⋯ s i n w t n ] [X_{t_1},X_{t_2},...,X_{t_n}]=[A,B]\left[\begin{matrix}coswt_1&coswt_2&\cdots &coswt_n\\ sinwt_1&sinwt_2&\cdots &sinwt_n\end{matrix}\right] [Xt1,Xt2,...,Xtn]=[A,B][coswt1sinwt1coswt2sinwt2⋯⋯coswtnsinwtn]依据性质3可得, X t X_t Xt是正态过程 - 例2
证明: X t = R c o s θ c o s a t − R s i n θ s i n a t X_t=Rcos\theta cosat-Rsin\theta sinat Xt=Rcosθcosat−Rsinθsinat,参照上一个例子,我们只需证明 R c o s θ , R s i n θ Rcos\theta,Rsin\theta Rcosθ,Rsinθ服从2维正态分布就可以了。
- 例1
- n维正态分布的定义
2.2根据样本轨道是否连续
- 连续轨道
标准布朗运动- W 0 = 0 W_0=0 W0=0
- W = { W t , t ≥ 0 } 是 平 稳 的 独 立 增 量 过 程 W=\{W_t,t\ge 0\}是平稳的独立增量过程 W={Wt,t≥0}是平稳的独立增量过程
-
∀
0
≤
s
≤
t
,
W
t
−
W
s
\forall 0\le s\le t,W_t-W_s
∀0≤s≤t,Wt−Ws~
N
(
0
,
t
−
s
)
N(0,t-s)
N(0,t−s)
- 轨道不连续
泊松过程- N 0 = 0 N_0=0 N0=0
- 增量独立
- 增量服从泊松分布
2.3其他分类
正交增量过程
t
1
<
t
2
<
t
3
<
t
4
,
X
=
{
X
t
,
t
∈
T
}
t_1<t_2<t_3<t_4,X=\{X_t,t\in T\}
t1<t2<t3<t4,X={Xt,t∈T}是实随机过程,若满足
E
[
(
t
2
−
t
1
)
(
t
4
−
t
3
)
]
=
0
,
E[(t_2-t_1)(t_4-t_3)]=0,
E[(t2−t1)(t4−t3)]=0,则称X为正交增量过程